Académique Documents
Professionnel Documents
Culture Documents
n
a
MODELIZACIN Y RESOLUCIN DE
xj
=1
PROBLEMAS DE OPTIMIZACIN jEN
ECONOMA
j=1
j=1
aj
lnx j
MODELIZACIN Y RESOLUCIN DE
PROBLEMAS DE OPTIMIZACIN EN
ECONOMA
NDICE
PREFACIO ........................................................................................................
6
9
11
16
16
18
20
21
22
23
25
25
26
27
28
38
39
43
43
42
44
46
46
47
47
48
49
51
51
51
53
55
60
64
69
71
72
73
74
79
89
93
55
56
60
II
116
118
119
123
125
128
131
131
134
ndice
III
303
305
311
317
323
324
325
328
331
333
332
335
338
IV
PREFACIO
La optimizacin matemtica es la parte de las matemticas que se encarga de la
eleccin de la mejor alternativa de entre todas las posibles. El presente texto
pretende ser una herramienta para facilitar una formulacin matemtica adecuada a
cada problema econmico de optimizacin, as como servir de gua para interpretar
correctamente los resultados que puedan obtenerse mediante un sistema de apoyo a
la toma de decisiones mediante ordenador. Los problemas que en este texto se
recogen son fundamentalmente de programacin matemtica, es decir, en su
mayora son problemas estticos, deterministas, con un solo sujeto decisor y una
sola funcin objetivo. Se advierte, pues, al lector que no espere encontrar en estas
pginas nada referente a mtodos de contrastacin emprica de los modelos
econmicos; herramientas, por otra parte, imprescindibles en el proceso de
formulacin de modelos econmicos. La explicacin de esas tcnicas queda
reservada para otras reas de conocimiento como la Estadstica y la Econometra.
Por tanto, el objetivo del presente libro es proporcionar al lector los
conocimientos bsicos para modelizar problemas de optimizacin en Economa,
resolverlos e interpretar sus resultados, incidiendo en problemas de programacin
no lineal (P.N.L.) en general, por ser un conjunto de problemas ms amplio que los
de programacin lineal (P.L.) y entera (P.E.). Dada la abundante literatura dedicada
a modelos y mtodos de programacin lineal y entera, se ha optado por no explicar
en estas pginas ni los mtodos de resolucin de este tipo de problemas ni el anlisis
de los mismos, refiriendo al lector en cada caso al texto ms adecuado.
Adems del objetivo anterior, se ha realizado un esfuerzo en mostrar tipos
especficos de problemas de programacin no lineal junto a sus mtodos propios de
resolucin, as como las aplicaciones ms importantes que esa clase de problemas
tiene en Economa. Con esto se pretende que el lector adquiera una leve nocin de
problemas de programacin cuadrtica, separable, geomtrica y fraccional, cuya
estructura es apta para muchos problemas de optimizacin econmica, y para los
que se han ido desarrollando mtodos de resolucin especficos, normalmente ms
eficientes que los generales.
El libro no es autocontenido, puesto que se supone que el lector tiene los
conocimientos de partida adecuados sobre clculo diferencial, lgebra lineal,
anlisis convexo, programacin lineal y no lineal, programacin entera, etc., que le
faciliten una lectura comprensiva de este texto.
El libro se ha dividido en cinco captulos. El primer captulo introduce las
nociones bsicas de los modelos de optimizacin en Economa. Se define lo que se
entiende por modelo econmico de optimizacin y qu elementos hay que tener en
cuenta en un modelo. Tambin se realiza una clasificacin de los modelos segn
Prefacio
CAPTULO 1
Modelos de optimizacin en Economa
1.1.- TOMA DE DECISIONES Y MODELOS DE OPTIMIZACIN
1.2.- IDENTIFICACIN Y ANLISIS DE LOS ELEMENTOS DE UN MODELO
DE OPTIMIZACIN EN ECONOMA
1.3.- CLASIFICACIN DE MODELOS DE OPTIMIZACIN EN ECONOMA
1.4.- MODELOS BSICOS DE PROBLEMAS ECONMICOS
1.5.- MODELOS BSICOS EN PROGRAMACIN LINEAL
5.- Solucin particular del modelo: Para los datos concretos de una situacin se
resuelve el modelo obteniendo una solucin particular.
6.- Verificacin: Tras conocer la solucin del modelo particular se verifica que
no existan contradicciones de los resultados obtenidos con lo que se espera obtener
de la representacin conceptual. Se trata de comprobar si el modelo es vlido para
cumplir los fines previstos que justificaron su construccin. Si no se cumplen los
fines con el modelo formulado se revisan las etapas anteriores hasta conseguir que
los resultados obtenidos con la ltima reformulacin sean satisfactorios,
procediendo, segn qu casos a replantear el modelo conceptual, o el matemtico, o
bien, a buscar nuevos mtodos de resolucin del problema representado.
7.- Implementacin y control: Verificado el modelo de optimizacin se pone
en prctica la solucin facilitada por dicho modelo, haciendo valer esta herramienta
de apoyo a la toma de decisiones. Se controla tambin todo el proceso de
implementacin de la solucin o soluciones propuestas por el modelo.
Cuando se formula un modelo se persigue que sea operativo, es decir, que
represente la realidad y que a la vez sea manejable matemticamente. As pues, la
operatividad de un modelo depende del equilibrio entre su representatividad del
sistema real y su tratabilidad matemtica, buscando combinar mayor realismo y
mayor simplicidad. No obstante, con el desarrollo de la informtica, con
ordenadores ms potentes y aplicaciones ms sofisticadas, se ha avanzado
enormemente en poder tratar modelos ms complejos matemticamente, es decir,
con un nmero mayor de variables y restricciones, lo que permite formular sistemas
que representan ms fielmente la realidad.
de igualdad
generales o funcionales
condiciones de no negatividad .
Tras este anlisis previo del problema se cuenta con una informacin referente
a los posibles resultados a obtener si se resuelve el problema, lo que puede animar a
resolverlo. Tambin, esa informacin del modelo puede conducir a reformularlo tras
haber detectado defectos o carencias en la modelizacin. En problemas de
programacin lineal este anlisis previo no tiene tanto sentido efectuarlo, pues son
conocidas previamente muchas de las propiedades: diferenciabilidad, concavidad/
convexidad de las funciones del modelo, o la globalidad de la solucin, en el caso de
que exista.
El captulo 4 incide con mayor detalle en este anlisis previo de los problemas
de optimizacin matemtica.
10
11
12
13
14
Modelos de distribucin.
...
15
Min. C =
wi xi,
i =1
s.a
f (x 1 , , x n ) y,
x i 0 , i {1, 2, , n},
f (x) = n
resto de casos,
k i x i
i =1
i = 1 .
i =1
Funcin lineal
n
f (x) = k i x i ,
i =1
16
Funcin Cobb-Douglass
n
f (x) = k x ia i ,
i =1
x
x
f (x) = Mn 1 , , n
n
1
f (x ) = f (x ) + f (x)(x x) + (x x) t Hf(x)(x x) =
2
n
f (x ) 1 n n
2 f (x )
= f (x ) + (x i x i )
+ (x i x i ) x j x j
=
x i
2 i =1 j=1
x i x j
i =1
= a 0 + ai xi +
i =1
1 n n
b ij x i x j ,
2 i=1 j=1
donde
a 0 = f (x )
xi
i =1
ai =
f (x )
x i
b ij =
f (x )
.
x i x j
f (x ) 1
+
x i
2
2 f (x )
x i x j x i x j ,
i =1 j=1
f (x )
2
x j x i x j ,
j=1
17
18
Max. U(x1 ,, x n )
s.a.
p1 x 1 + + p n x n M ,
x1 0, x 2 0, , x n 0,
U (x) =
xi .
i =1
U (x) = Mn . {a 1 x 1 , , a n x n }.
Funcin de utilidad con preferencias cuasilineales
U (x) = x i + u (x 1 , , x i 1 , x i +1 , , x n ),
donde i {1, 2, , n} y u: Du Rn-1 R. Se utiliza para el anlisis parcial de un
determinado bien.
Un caso particular de la anterior bastante frecuente es
U(x) = x1 +
a i ln xi ,
i =2
U(x) = ln A +
a i ln (x i d i ),
i =1
19
(x i d i )a ,
U(x) = A
i =1
que no es ms que una funcin tipo Cobb-Douglas pero definida sobre las variables
(xi-di).
Un caso particular de la funcin Klein-Rubick es la funcin de utilidad
loglineal
U(x) =
ln x i
i =1
a 21 a 22 a 2n x 2
= ( x1 , x 2 , , x n )
a
n1 a n2 a nn x n
- { E[R 1 ] x1 + E[R 2 ] x 2 + + E[R n ] x n },
s.a
x1 + x 2 + + x n 1 ,
u1 x1 0 , u 2 x 2 0 , , u n x n 0 .
donde
n es el nmero de inversiones distintas posibles,
xj es el % de la inversin total o presupuesto dedicado a la inversin j-sima,
20
pC (1 - )[ w (T - D) + R],
C 0, T D 0,
donde
C es el consumo real por unidad de tiempo,
D es el tiempo dedicado al ocio,
p > 0 es el ndice de precios al consumo,
[ 0 , 1 ) es el tipo impositivo medio,
w > 0 es el ndice de salarios nominales,
T es el tiempo total disponible a repartir entre trabajo y ocio,
R es la renta no salarial (ingresos no procedentes del trabajo).
Este modelo se puede transformar en
p t x [ w (T - D) + R ],
x , T D 0,
21
donde
x Rn es el vector de bienes consumidos,
p > Rn es el vector de precios.
1.4.5.- Modelo multiperiodo de produccin-inventarios
Un modelo base para T periodos en el que se considera un nico bien y un
nico factor de produccin es el modelo lineal cuadrtico de minimizacin costes de
ajuste
[c1u 2t + c 2 I t ],
T
Min. C(u t , I t ) =
t =1
s.a
L t = (1 a t )L t 1 + u t ,
I t = I t 1 + pL t 1 d t ,
ut = ht ft ,
L t 0, b ,
p
I t 0,
h t 0, f t 0,
t = {1, 2, , T},
donde
ut es la variacin en la fuerza de trabajo en t,
ht son las contrataciones en t,
ft son los despidos en t,
It es el nivel de inventarios en t,
Lt es la fuerza de trabajo en t,
c1 > 0 es el coste de ajuste en la variacin de la fuerza de trabajo,
c2 > 0 es el coste unitario de almacenamiento,
at 0 es el tanto por uno de jubilaciones en t,
dt > 0 es la demanda durante el periodo t,
I0 y L0 son datos conocidos de los niveles iniciales de inventarios y fuerza de
trabajo, pudiendo tambin serlo los niveles finales IT y LT,
22
Max. W(y1 , , y n ),
s.a
Ti (y i , x i ) 0 , i { 1, 2, , n },
n
x ij R j ,
j { 1, 2, , m },
i =1
x ij 0, y i , i { 1, 2, , n } y j { 1, 2, , m },
donde
W es la funcin de bienestar social,
existen n empresas productoras, productos diferentes y m recursos
disponibles,
xij es la cantidad de recurso j asignada a la empresa i,
7
Heal, G.M. (1971): Planning, prices and increasing returns, Review of Economic Studies, 281-295.
23
24
Max B =
(p j c j )x j
j= 1
sujeto a :
a ij x j b i
i {1,2,..., m },
j=1
x j D j , x j L j , x j 0 , j {1,2,..., n },
donde
xj es la cantidad de producto j (j = 1,2, ..., n) producido y vendido,
bi es la cantidad disponible del recurso productivo i (i = 1,2,..., m),
aij es la unidades del recurso i requeridas para producir una unidad del producto
j,
Dj es la demanda mxima del producto j,
Lj es el nivel mnimo de produccin para el producto j,
25
c jx j ,
j=1
sujeto a:
n
a ij x j b i ,
i {1,..., k},
j=1
n
a ij x j = b i ,
i {k + 1,..., k + s},
j=1
n
a ij x j b i ,
i {k + s + 1,..., m},
j=1
n
p j x j = 1,
j=1
donde
xj es la cantidad de material j utilizado por unidad de producto (j=1,2,...,n),
c j es el coste unitario del material j,
b i es la especificacin requerida de la propiedad i del producto,
26
Min. C =
c kj x kj ,
k =1 j=1
sujeto a:
Produccin requerida:
K
kj
D j,
kj
U j,
k =1
K
j {1 , 2 , , n } ;
k =1
disponibilidad de recursos:
K
a ijk x
kj
bi,
i {1,2, , m
};
k =1 j=1
donde
xkj es la cantidad de producto j, (j = 1, 2, ..., n), producida por el proceso k,
(k=1,2,...,K),
bi es la cantidad disponible del recurso productivo i (i = 1, 2, ..., m),
aijk es la unidades del recurso i que se requieren para producir una unidad del
producto j mediante el proceso k,
MODELIZACIN Y RESOLUCIN DE PROBLEMAS DE OPTIMIZACIN EN ECONOMA
27
8
Para conocer los conceptos bsicos sobre redes y sobre algunos mtodos de resolucin de los problemas
recogidos en este epgrafe en sus versiones bsicas, puede consultarse Ros (1988), captulos 6 y 7.
Aunque se trata de problemas no necesariamente lineales, en la mayor parte de casos y aplicaciones se
reducen a modelos lineales, de ah que slo tratemos estos ltimos.
28
Mn. C(X) =
c ijk x ijk ,
i =1 j=1 k =1
Debido a que las matrices de coeficientes tcnicos son unimodulares (lo que significa que su
determinante vale -1, 0, +1), siendo los trminos independientes de las restricciones nmeros enteros.
10
Para problema de flujo mximo con limitacin en los arcos: Bazzaraa y Jarvis (1981), pg. 453-461;
Ros (1988), pg. 249-262; Villalba y Jerez (1990), pg. 190-192. Para modelos de gestin de proyectos
CPM y PERT: Ros (1988), pg. 239-249; Villalba y Jerez (1990), pg. 193-195.
29
sujeto a:
k =1
n
j=1
k =1
o ij d ik ,
de lo contrario el problema no tendra solucin. El problema se dice que est
equilibrado si
n
j=1
k =1
o ij = d ik ,
quedando todas las desigualdades transformadas en ecuaciones. Si el producto no se
puede fraccionar para el transporte, (muebles, electrodomsticos, vehculos,
animales, etc.), las cantidades xijk toman valores enteros, por lo que el problema del
transporte es un problema de programacin lineal entera, sustituyendo en la
formulacin anterior xijk 0 por xijk Z+, i=1,,p, j=1,, n, k=1,, m.
Modelo de transbordo:
El problema del transbordo es un problema de transporte en donde el producto
a transportar puede ir directamente de un origen a un destino, o bien indirectamente,
pasando por centros intermedios. As, las variables de decisin ya no consisten slo
en la cantidad a transportar de un producto desde un origen a un destino, sino que
puede transportarse a un almacn intermedio y luego proceder desde este punto a
distribuir los productos a los destinos. Adems de las restricciones dadas por la
oferta y demanda de los productos, se puede considerar la limitada capacidad de
30
p n
q m
i =1 j=1 =1
i =1 =1 k =1
sujeto a:
q
k =1
=1
j=1
=1
j=1
k =1
31
cij >0 es el coste de transportar una unidad de producto i desde el origen j al almacn
,
cik >0 es el coste de transportar una unidad de producto i desde el almacn al
destino k,
oij > 0 es la cantidad total disponible del producto i en el origen j,
dik > 0 es la cantidad total demandada del producto i por el destino k.
Por lo dems, las mismas consideraciones efectuadas para el problema del
transporte pueden hacerse para este problema.
Modelo de asignacin:
Originalmente, el problema consista en asignar personas a tareas o trabajos
optimizando una funcin objetivo, es decir, minimizando el coste de dicha
asignacin medido en tiempo o en unidades monetarias, o bien, maximizando el
beneficio resultante de la asignacin. Despus, se ha generalizado a otras
aplicaciones similares: asignacin de tareas a personas, mquinas, etc; mquinas a
personas, tareas, etc.
Dadas m personas que hay que asignar a n tareas, su formulacin como modelo
lineal es:
m
Mn. C(X) =
c ij x ij ,
i =1 j=1
sujeto a:
x ij = 1 , para i = 1,, m;
j=1
x ij = 1 , para
j = 1,, m;
i =1
oi = d i ,
iI ( n )
i I ( m)
siendo
I(n) {1, 2, , n},
I(m) {1, 2, , m},
se tiene la siguiente formulacin del problema del flujo con coste mnimo en una red
como problema lineal:
Mn. C(X) =
c ij x ij + c ij x ij + c ij x ij + c ij x ij
iI ( n ) jI ( m)
iI ( n ) jI (q )
i I ( q ) jI ( q )
iI ( q ) jI ( m )
sujeto a:
11
Consultando los mtodos de resolucin del problema del transporte, dada la estructura del problema de
asignacin, la restriccin de xij {0,1} i, j =1,,n, puede sustituirse por xij 0 i, j =1,,n,
obteniendo como solucin del problema lineal continuo valores enteros para las variables de decisin que
al estar restringidos a que su suma sea uno para una misma persona o tarea ratifica su carcter binario.
33
Las cantidades que salen de un nodo origen coinciden con la disponibilidad y las
cantidades que llegan a un destino coinciden con la demanda de dicho destino:
x ij + x ij = o i i I(n) ,
jI ( m)
jI ( q )
x ij + x ij = d j j I(m) .
iI ( n )
i I ( q )
Las cantidades que entran en un nodo intermedio coinciden con las que salen:
x ij + x ij = x ji + x ji , para jI(q);
iI ( n )
iI ( q )
iI ( q )
iI ( m )
c oj x oj + c id x id + c ij x ij
jI ( q )
iI ( q )
iI ( q ) jI ( q )
sujeto a:
34
Slo se sigue un arco desde el origen y slo se elige un arco para llegar al destino:
x od +
x oj = 1 ,
jI ( q )
x od +
x id = 1 .
iI ( q )
Las cantidades que entran en un nodo intermedio coinciden con las que salen:
x oj +
x ij = x ji + x jd , para jI(q);
i I ( q )
iI ( q )
1 x od , x oj , x id , x ij 0, i I(q), j I(q).
donde
xij es la cantidad transportada de producto desde el nodo i al nodo j, comprendida
entre 0 y 1.
xoj es la cantidad transportada de producto desde el origen al nodo j,
xid es la cantidad transportada de producto desde el nodo i al destino,
xod es la cantidad transportada de producto desde el nodo origen al destino,
cij > 0 es el coste de transportar una unidad de producto desde el nodo i al nodo j, si
no existe un arco que una al nodo i con el nodo j, este coste toma el valor infinito en
la formulacin facilitada o con una formulacin ms detallada se prescindira de
dicho coste y de la variable xij asociada.
Aunque aparentemente las soluciones puedan tomar valores no enteros, en
realidad slo tomarn valores 0 1, por lo que podra considerarse como un
problema de programacin binaria.
Para determinar el camino ms largo, llamado camino crtico, en problemas de
secuenciacin de proyectos, este planteamiento sera vlido con slo cambiar el
criterio de minimizar por el de maximizar el tiempo que conlleva cada etapa o tarea
del proyecto.
35
36
CAPTULO 2
Aspectos metodolgicos de la modelizacin matemtica
de problemas de optimizacin en Economa
2.1.- INTRODUCCIN
2.2.- FASES DEL PROCESO DE MODELIZACIN
2.3.- VARIABLES
2.4.- RESTRICCIONES
2.5.- FUNCIN OBJETIVO
2.6.- MTRICA DEL MODELO. PROBLEMTICA DEL ESCALADO
2.7.- MODELIZACIN ALTERNATIVA
2.8.- SISTEMAS SOPORTE DE OPTIMIZACIN Y RESOLUCIN DEL
MODELO
2.1.- INTRODUCCIN
Al enfrentarse con problemas reales de planificacin y toma de decisiones, las
mayores dificultades no suelen surgir en la resolucin del modelo, sino en su propia
formulacin.
No siempre es fcil obtener una formalizacin matemtica del sistema a
representar, sobre todo si se persigue que se adapte a modelos estndar que puedan
resolverse con algoritmos conocidos mediante un software eficiente.
En este captulo se recogen las etapas que pueden seguirse en un proceso de
modelizacin, seccin 2.2, dedicando las siguientes secciones, 2.3 hasta 2.6, a
aspectos concretos relacionados con las variables, las restricciones, la funcin
objetivo y las unidades de medida empleadas.
En la seccin 2.7 se presentan los criterios que pueden conducir a modelizar un
mismo problema de maneras distintas. As, distintas modelizaciones de un problema
pueden ser resultado de las caractersticas distintas que pueda tener el agente que
tiene que tomar la decisin. Otras formulaciones pueden obedecer a la bsqueda de
un menor tiempo empleado en la resolucin del problema. Modelizaciones
alternativas de un mismo problema pueden deberse tambin a la necesidad de
transformar el problema original en otro que permita aplicar tcnicas ms eficientes
de resolucin o simplemente que permita resolverlo cuando originalmente ello no
era posible. Este ltimo tipo de transformaciones se recoge en el captulo 3.
Por ltimo, la seccin 2.8 trata de mostrar una relacin, no extensiva, de los
distintos tipos de herramientas informticas disponibles para la toma de decisiones.
Dado el gran dinamismo en el desarrollo y mejora de este tipo de herramientas es
muy probable que en el momento de salir publicadas estas pginas, esta relacin
necesite actualizarse.
El captulo se completa con dos anexos. El primero presenta la aplicacin
LINGO, a modo de breve gua para su utilizacin. El segundo proporciona una
breve descripcin de los mtodos numricos de resolucin de problema de PNL con
el fin de entender un poco el funcionamiento de los mtodos implementados en las
aplicaciones informticas ms comnmente empleadas en la resolucin de
problemas de optimizacin.
38
39
COMIENZO
DEFINICION DE VARIABLES
DOCUMENTAR LA DEFINICION
DEFINICION DE RESTRICCIONES
DEFINICION DEL RHS (T IND.)
DOCUMENTAR LA DEFINICION
NO
SON
COHERENTES LAS
DIMENSIONES?
SI
NO
REPRESENTA LO
QUE SE DESEA?
SI
ESCRIBIR LA FUNCION OBJETIVO
NO
SON
COHERENTES LAS
DIMENSIONES?
SI
NO
REPRESENTA LO QUE
DESEA?
SI
OPTIMIZAR EL PROBLEMA
ANALIZAR LOS RESULTADOS
NO
CUMPLE LA
SOLUCION CON LOS
REQUERIMIENTOS?
SI
FIN
40
41
Analtica:
- Explcita.
- Implcita.
Numrica.
42
2.3.- VARIABLES
2.3.1.- Tipos de variables
Ya se ha comentado en la fase de definicin de variables que pueden plantearse
distintos tipos generales de variables: variables endgenas (dependientes, output,...);
variables exgenas controlables (variables de decisin, de control, inputs,
independientes,...); y las variables exgenas no controlables (variables aleatorias,
coeficientes del modelo,...) que estn predeterminadas.
Si se presta atencin a otros aspectos, es decir, al fenmeno econmico que
representa cada variable, se encuentran variables que representan los niveles de
produccin de determinados bienes, el volumen de ventas de dichos bienes, el
volumen de compras de materias primas o incluso de bienes a revender, cantidades
de productos intermedios a transformar en producto final, ...
Algunas variables tambin pueden representar la cantidad producida por
encima de unos requerimientos mnimos de produccin, o bien la renta disponible
no empleada, o la disponibilidad de factores productivos no empleada.
Tambin, en algunas restricciones se incorporan variables que miden las
desviaciones de otras variables o de lo que representa la restriccin respecto a unos
valores fijos o dependientes de los dados por otras variables. En estos casos
representan errores de medida u omisin.
Pero no todas las variables tienen porque ser cuantitativas. En problemas en
donde se tenga que tomar decisiones del tipo de realizar o no una accin se
incorporan en la modelizacin variables binarias, es decir, que slo toman dos
valores, 0 si no se realiza la accin 1 si s se lleva a cabo en la solucin final.
Cuando se incorporan al modelo restricciones de tipo lgico, pueden introducirse
variables del tipo verdadero/falso. En algunos casos, este tipo de restricciones
pueden reformularse mediante el empleo de variables binarias.
Tampoco tienen porque ser todas las variables observables. En algunos
mtodos de resolucin se emplean variables artificiales con el fin de poder
implementar dichos mtodos, sin que esas variables tengan una interpretacin
especial.
En determinados modelos de decisin se incorporan variables de tipo contador
que llevan la cuenta del nmero de veces que se realiza una determinada operacin
o secuencia de operaciones con el fin de tener en cuenta este dato para tomar una
decisin como la de detener el proceso de resolucin con la solucin hasta el
momento obtenida, o bien ejecutar una accin diferente que conduzca al sistema a
otra fase del proceso de resolucin. Tambin, de forma similar se utilizan variables
acumuladoras, que vienen a recoger el resultado de una operacin tras cada iteracin
43
44
Acortar el tiempo de resolucin. Si se intuye o conoce por otras vas los posibles
valores que toman las variables en la solucin del problema, el establecer estos
valores como iniciales para las variables acortar el tiempo de resolucin si
definitivamente la solucin est prxima a ese punto de partida.
Si el problema no verifica las propiedades que garanticen que la solucin que
vaya a proporcionar el sistema soporte va a ser la global del problema, sino que
slo se va a tener la certeza de que el punto obtenido es un ptimo local, se
puede intentar alcanzar otros ptimos locales mediante la resolucin del mismo
problema partiendo de valores iniciales distintos para las variables cada vez. La
misma estrategia es vlida si no se garantiza la unicidad de la solucin.
45
2.4.- RESTRICCIONES
2.4.1.- Tipos de restricciones
Segn la formulacin, las restricciones se pueden representar mediante
desigualdades, ecuaciones, condiciones lgicas y criterios de pertenencia a un
conjunto, no slo de forma independiente, sino combinando estas distintas
expresiones.
Ejemplo 2.1.- Restricciones de desigualdad, que pueden ser:
-
No estrictas:
De equilibrio:
Etc.
Oferta = Demanda
Condiciones lgicas:
Si x y+3z, entonces xyz = 1000; si x < y+3z, entonces xyz =2000; si
fx(x,y,z)>0, entonces x2y-z = 28; ...
Restricciones de pertenencia a un conjunto:
xSRn, este se puede traducir en un conjunto de restricciones
representadas por ecuaciones y/o desigualdades, por condiciones lgicas y/o por
criterios cualitativos que no pueden representarse de la forma anterior. Por ejemplo,
que x sea de color amarillo, que la persona a asignar a un puesto de regalos de
pareja cumpla aos en el mes de febrero; que la edad de un vehculo de segunda
mano a comprar no supere una determinada fecha o que el nmero de accidentes
sufridos por ese vehculo no sea superior a 2; que la persona a asignar a un puesto
hable correctamente el ingls, ...
Si se atiende al tipo de restriccin econmica que representa, se tienen
restricciones que muestran las limitaciones de los recursos disponibles para ejercer
una actividad; restricciones de requerimientos mnimos de produccin, utilidad o
consumo; ecuaciones de demanda y oferta de un mismo producto o factor
productivo; restricciones que muestran una ratio o proporcin entre variables dada
por imposicin legal o tecnolgica; restricciones que muestran relaciones contables;
46
restricciones que recogen las desviaciones entre los valores de unas variables y los
perseguidos; si son restricciones impuestas slo sobre una variable y el valor
mximo o mnimo que puede tomar se trata de cotas cuyo tratamiento diferenciado
al resto de restricciones es ms eficiente en trminos de resolucin, etc.
2.4.2.- Codificacin de restricciones
Al igual que sucede con las variables, es conveniente emplear nombres
mnemotcnicos para las restricciones, y as poder reconocer a qu tipo de limitacin
representan. Tambin puede hacerse algo parecido con los trminos independientes
de las restricciones, por ejemplo, la disponibilidad de horas de trabajo de categora
de pen podra representarse por HPEON (Horas disponibles de Pen). En
problemas de grandes dimensiones es mucho ms fcil interpretar los resultados que
proporcionen las distintas aplicaciones informticas de apoyo a la toma de
decisiones si las restricciones tienen un nombre que las identifique correcta y
claramente, as como los trminos independientes.
2.4.3.- Cotas
Muchas restricciones estn referidas exclusivamente a una nica variable
imponindole que no tome un valor mayor o igual que un determinado nmero real,
o que no tome un valor menor o igual que otro nmero real. A este tipo de
restricciones se les denomina cotas. Las cotas pueden tratarse como cualquier otra
restriccin del modelo, pero desde un punto de vista computacional es ms eficiente
darles un tratamiento especial. As, Brooke, A.; Kendrick, D. y Meeraus, A. (1992)
en sus pginas 156-157 destacan dos importantes razones para establecer cotas a
todas las variables de un problema de P.N.L. (Programacin No Lineal). A la vista
de esas dos razones que se recogen a continuacin, se puede considerar a esas cotas
como cotas de seguridad1:
1.- Prevenir operaciones no definidas (divisiones por cero, logaritmos
indefinidos, races cuadradas de nmeros negativos, por ejemplo):
n
Para
t =1
x
para E =
se establece una cota inferior para y 001, por ejemplo. Si se tiene la
y
x
expresin
, no es correcto establecer una restriccin que trate de que no se
y+z
anule el denominador, (y+z) 001, pues no es proteccin suficiente si puede ser
violada la restriccin en puntos intermedios resultantes de las iteraciones del
1
47
48
49
Ejemplo 2.2.- Una empresa quiere minimizar los costes variables diarios de
produccin de dos productos, x1 y x2, cuyos costes unitarios son 10000 y 20000
unidades monetarias (u.m.) respectivamente. Dispone slo de un trabajador que
trabaja 8 horas diarias, sin embargo el convenio le permite realizar hasta 4 horas
extra al da siempre y cuando pague por esas horas 2.500 u.m. la hora. Para elaborar
una unidad de producto x1 necesita un cuarto de hora de trabajo, y para realizar una
unidad de x2 necesita la sexta parte de una hora.
El modelo resultante sin contemplar la posibilidad de las horas extra es:
Min. C(x1, x2) = 10000 x1 + 20000 x2
sujeto a:
1
4
x1 +
1
6
x 2 = 8 , x1, x2 0.
1
4
x1 +
1
6
x 2 = 8 + HE
1
4
x1 +
1
6
x 2 HE = 8 ;
x1, x2, HE 0; HE 4.
50
51
52
53
54
MODELO II
Max. c t x
Min. x t Vx
s. a: Ax b, x .
s. a: Ax b, x .
donde
A es la matriz de coeficientes tcnicos unitarios que asocian las n actividades
posibles con los m recursos disponibles.
b es el vector de disponibilidad de recursos.
c t es el vector de rendimientos medios de las n actividades,
V es la matriz de varianzas-covarianzas de los rendimientos de las n
actividades.
El MODELO I es un problema de PL mientras que el MODELO II es un
problema de PNL, en concreto de Programacin Cuadrtica. Ambos modelos
representan casos extremos de optimismo y pesimismo, respectivamente.
No obstante, es posible intentar compaginar ambos comportamientos mediante
un modelo de Programacin Multiobjetivo
MODELO III
s. a. Ax b, x .
o mediante la consideracin de un nivel de aspiracin o satisfaccin mnimo
admisible Z ,
55
MODELO IV
Min. x t Vx
x .
s. a: Ax b; c t x Z;
En realidad el MODELO IV se puede obtener del MODELO III si se considera
que el agente decisor fija como objetivo prioritario minimizar el riesgo dentro de un
lmite aceptable de rendimiento total. An son posibles otros planteamientos
alternativos si el agente decisor no se encuentra en un caso extremo de optimismo o
pesimismo:
MODELO V
MODELO VI
Max. c t x x t Vx
Min. x t Vx c t x
s. a: Ax b; x .
s. a: Ax b; x .
Min.
Formulacin 2
a ij x i x j
Min.
i=1 j=i+1
i=1
j=i+1
x i a ij x j
r j x j = r0 ,
s. a:
rj x j = r0 ,
s. a:
j=1
n
xj = 1 .
j=1
56
j=1
n
xj = 1 .
j=1
Formulacin 3
Formulacin 4
n
Min. x i w i
Min.
zi
i=1
i=1
n
s. a: w i = a ij x j , i {1,2, n} ,
j=i+1
s. a: z i = x i w i i {1,2, n} ,
n
wi =
r jx j = r0 ,
a ijx j i {1,2, n} ,
j=i+1
j=1
rj x j = r0 ,
xj = 1 .
j=1
j=1
xj = 1 .
j=1
segundos
0
F1
F2
F3
F4
Formulacin
Para el caso de GAMS, tambin existe una modelizacin alternativa que recogen 5 formulaciones
diferentes al mismo problema de seleccin de cartera (the Portfolio Selection Problem), con los ficheros
de entrada GMS correspondientes que incluyen instrucciones que importan datos de un fichero del
StockMaster del M.I.T. (Massachusetts Institute of Technology). De ese fichero se extraen los datos que
permiten calcular la rentabilidad media y la matriz de varianzas-covarianzas de los 161 ttulos
seleccionados. Este clculo se ordena en el propio fichero de entrada GMS. La informacin se completa
con una tabla comparativa de los tiempos de resolucin de cada formulacin y presenta grandes
diferencias a tener en cuenta.
57
58
59
60
61
La empresa Frontline Systems es la que desarrolla y comercializa actualmente las nuevas versiones de
Solver para Microsoft Excel 97, Excel 95 y Excel 5.0. Puede consultarse informacin al respecto de este
resolutor, as como un tutorial del mismo, en la siguiente direccin de INTERNET: www.frontsys.com
62
63
por ejemplo, requiere una eleccin por parte del usuario del programa del mtodo
numrico de resolucin ms adecuado.
Programas de modelizacin econmica:
MODULECO es un sistema de procesamiento de datos para modelizacin
macroeconmica con un lenguaje especfico de programacin. Las tareas que
puede efectuar son: la administracin de la base de datos macroeconmica; la
introduccin de las ecuaciones del modelo en lenguaje del usuario; la resolucin
formal de derivadas y renumeracin de ecuaciones; la estimacin de los
coeficientes del modelo; simulacin (solucin de las ecuaciones); optimizacin;
anlisis de sensibilidad de las soluciones; etc.
Programas propios de usuario con subrutinas personales (cdigos de usuario) o de
libreras cientficas:
IMSL y NAG (Numerical Algorithms Group) es una coleccin de programas
elaborados por los propios usuarios para resolver mediante mtodos numricos
diversos problemas de optimizacin
Paquetes de optimizacin para el diseo en ingeniera:
CONSOL-OPTCAD permite resolver problemas de ingeniera multiobjetivo y
con restricciones blandas y duras.
Herramientas de optimizacin en software matemtico:
MATLAB Optimization Toolbook es un mdulo disponible para el programa
MATLAB, que es un programa general para el anlisis matemtico. Este mdulo
permite resolver problemas de programacin lineal, cuadrtica, no
lineal,
multiobjetivo, etc. MATHEMATICA tiene funciones especficas para resolver
optimizacin clsica y programacin lineal.
Resolucin on-line mediante software disponible en la red internet:
NEOS (PCx, LBFGS-B), LANCELOT , BARON, ...:
Se trata de programas que permiten resolver a travs de internet problemas de
programacin lineal , no lineal, etc. Se accede a ellos tras conectar con la direccin http
correspondiente. La resolucin en alguno de estos es en tiempo real, y en otros es
remitida por los gestores del programa ms tarde.
2.8.2.-Mtodos de resolucin
Ya se ha comentado en la seccin 2.2 que la resolucin de un problema de
optimizacin puede acometerse mediante dos tipos generales de tcnicas: analticas
y numricas. Las tcnicas varan segn el tipo de problema de que se trate. Para
determinados problemas las tcnicas analticas son ms adecuadas (problemas de
64
TCNICAS ANALTICAS
Optimizacin no diferenciable:
- Desigualdades de punto de silla.
- Condiciones geomtricas.
Programacin clsica : Mtodo de los multiplicadores de Lagrange
Programacin no lineal:
- Condiciones Fritz-John.
- Condiciones de Kuhn-Tucker.
Optimizacin dinmica:
- Clculo de variaciones: ecuacin de Euler.
- Teora del control ptimo: principio del mximo de Pontryagin.
65
TCNICAS NUMRICAS
A.- Problemas generales con diferenciabilidad :
Problemas de una dimensin (subproblema line search):
Sin derivadas:
- Bsqueda uniforme.
- Bsqueda dicotmica.
- Mtodo de seccin dorada.
- Mtodo de Fibonacci.
Con derivadas:
- Mtodo de biseccin.
- Mtodo de Newton.
Problemas multidimensionales (direccin de bsqueda):
- Sin restricciones:
- Sin derivadas:
- Coordenadas cclicas.
- Hooke y Jeeves.
- Rosenbrock.
- Con derivadas:
- Gradiente.
- Newton.
- Cuasi-Newton:
Frmula de rango uno.
Frmula de DFP.
Frmula de BFGS.
-Gradiente conjugado:
Fletcher y Reeves.
Descenso conjugado.
Polack y Ribiere.
66
- Con restricciones:
Mtodos de penalizacin.
Mtodos de barrera.
Programacin lineal secuencial (SLP) y cuadrtica secuencial (SQP).
Direcciones factibles:
- Zoutendijk.
- Gradiente proyectado de Rosen.
- Gradiente reducido de Wolfe.
- Convex simplex (Zangwill).
- Gradiente reducido generalizado (GRG).
- GRG2.
B.- Problemas especiales:
Problemas sin diferenciabilidad: Mtodo del subgradiente.
Programacin lineal:
- Mtodo simplex.
- Mtodo simplex para variables acotadas.
- Mtodo de descomposicin.
- Mtodo de conjunto activo.
- Mtodo general para matrices poco densas.
- Algoritmos en tiempo polinomial:
Algoritmo de las elipsoides de Khachiyan.
Algoritmo de Karmarkar.
Programacin cuadrtica:
- Mtodos de conjunto activo.
- Mtodos del pivote complementario:
Mtodo del pivote principal.
Mtodo de Dantzig-Wolfe.
Mtodo de Lemke.
MODELIZACIN Y RESOLUCIN DE PROBLEMAS DE OPTIMIZACIN EN ECONOMA
67
68
x k +1 x * x k x *
la
69
70
ANEXO 1
Introduccin al LINGO
I.-
INTRODUCCIN
I.- INTRODUCCIN
Lo que se describe a continuacin corresponde a la versin 6.0 de Noviembre de 1999, aunque casi
todo ello es vlido para las versiones 4.0 y 5.0. Entre las caractersticas de la versin 6.0 no presentes en
versiones anteriores cabe destacar que importa y resuelve modelos en formato MPS y permite visualizar
la densidad matricial del problema y su estructura mediante la representacin grfica de la matriz de
coeficientes del modelo con el comando LINGO/Picture.
2
LINGO son las iniciales de Linear Integer Nonlinear General Optimizer.
72
Introduccin al LINGO
73
74
Introduccin al LINGO
y2 + x
4 + z y xz
( y) 2 +
x
+ z yxz .
4
Se puede ejecutar este mismo comando desde el men Lingo seleccionando Solve como se indica, o
bien haciendo "clic" con el ratn sobre el botn que contiene una diana.
75
6
0.8888889
Reduced Cost
0.0000000
0.0000000
Dual Price
1.000000
-0.7222223
1.111111
76
Introduccin al LINGO
77
78
Introduccin al LINGO
79
80
Introduccin al LINGO
4
En versiones anteriores de LINGO, la funcin que importaba datos tomaba otro nombre, @IMPORT;
mientras que para exportar datos haba que utilizar el comando Lingo/Export to Spreadsheet.
81
DATA:
r,cov=@OLE(C:\EJEMPLOS\CARTERA.XLS);
@OLE(C:\EJEMPLOS\CARTERA.XLS)=x;
ENDDATA
Ello supone que existe una hoja de clculo llamada CARTERA.XLS en la
carpeta EJEMPLOS que tiene tres rangos cuyos nombres son r, cov y x. Los
dos primeros contienen los datos de rentabilidades y de varianzas y covarianzas y el
ltimo recoger la solucin para los porcentajes invertidos una vez ejecutado el
modelo. Si los nombres de los rangos de las celdas no coinciden con los nombres de
las variables habra que especificar dichos nombres de rango despus del nombre
del fichero.
Otra seccin optativa que existe en LINGO es la seccin INIT. Esta seccin se
ocupa de establecer valores iniciales para las variables del problema a partir de los
cuales los solvers empiezan a realizar iteraciones para buscar la solucin. Slo tiene
sentido en problemas no lineales. La forma de construir esta seccin es exactamente
igual a la de la seccin DATA, incluyendo la posibilidad de poner espacios en
blanco o interrogantes en el valor de alguna variable, empezando con "INIT:" y
acabando con "ENDINIT", sin poner en estas dos lneas de la seccin el punto y
coma. Obsrvese, sin embargo, que la seccin DATA afecta a constantes o
parmetros mientras que la seccin INIT afecta a variables.
La sintaxis a seguir para asignar valores dentro de la seccin INIT es:
Caracterstica=lista de valores;
Se pueden citar tres razones para utilizar esta seccin, como ya se ha
comentado:
Para reducir el tiempo de bsqueda de la solucin: si se conocen
aproximadamente los valores ptimos de las variables se pueden
proporcionar en la seccin INIT y as se llegar a la solucin en menos
iteraciones al estar el punto de partida ms cerca del ptimo.
Para llegar a ptimos globales en lugar de locales: en problemas no
lineales, los solvers slo proporcionan ptimos locales. Resolviendo el
problema para distintos valores iniciales se puede llegar a otros ptimos
locales y as, comparando el valor de la funcin objetivo, obtener el ptimo
global con mayor probabilidad.
Para evitar la falta de definicin de algunas funciones que pudiera darse en
el punto inicial generado por defecto por el algoritmo de resolucin.
Adems de las secciones SETS, DATA e INIT, el resto de las lneas del
modelo se encargan de describir el problema de optimizacin. En ellas se puede
82
Introduccin al LINGO
83
Clculos financieros
@FPA(I,N): Calcula el valor presente de una corriente de pagos de 1 unidad
monetaria con un tipo periodal de I (en tanto por uno) durante N periodos.
@FPL(I,N): Calcula el valor presente de una unidad monetaria recibida
dentro de N periodos utilizando un tipo de inters periodal igual a I (en
tanto por uno).
Clculos matemticos
@ABS(X): Valor absoluto de x, @COS(X): coseno de x, @SIN(X): seno de
x, @TAN(X): tangente de x, @EXP(X): ex, @LOG(X): Ln x
Clculos de probabilidades
@PSN(X): Probabilidad de obtener un valor menor o igual que X en una
normal N(0,1).
@PPS(A,X): Idem para una Poisson con media A.
Funciones para trabajo con conjuntos
@FOR(nombre del conjunto|condicin:expresin): aplica la expresin
indicada para cada elemento del conjunto que cumpla la condicin. Si no se
especifica condicin se ejecuta para todos los elementos del conjunto y
equivale al smbolo .
@IN(nombre del elemento, nombre del conjunto): devuelve verdadero si el
elemento est dentro del conjunto.
@MAX(nombre del conjunto|condicin:expresin): proporciona el valor
mximo de la expresin para los elementos del conjunto que cumplan la
condicin.
@MIN(nombre del conjunto|condicin:expresin): proporciona el valor
mnimo de la expresin para los elementos del conjunto que cumplan la
condicin.
@SIZE(nombre del conjunto): devuelve el nmero de elementos del
conjunto.
@SUM(nombre del conjunto|condicin:expresin): realiza el sumatorio de
la expresin indicada para cada elemento del conjunto que cumpla la
condicin. Equivale al smbolo .
La totalidad de las funciones @ se pueden incorporar al enunciado de un
problema con el comando Edit-Paste function.
84
Introduccin al LINGO
@SUM
Realiza el sumatorio de la expresin matemtica especificada para cada
elemento de un conjunto que, en su caso, cumpla una condicin. Su sintaxis general
es:
@SUM(nombre del conjunto | condicin: expresin matemtica)
Ejemplo 5.- En el ejemplo 2, la rentabilidad de la cartera se obtiene
multiplicando rentabilidades por porcentajes invertidos. Si se exige en una
restriccin que la rentabilidad de la cartera sea superior al 5'5%, se escribir:
85
que equivale a x i = 1 .
i =1
@FOR
Esta funcin genera expresiones para cada elemento de un conjunto que
cumpla la condicin especificada. La sintaxis de la funcin @FOR es igual que la de
@SUM, es decir:
@FOR(nombre del conjunto | condicin: expresin matemtica)
El resultado de una funcin @FOR es un conjunto de expresiones matemticas,
mientras que el de la funcin @SUM es un valor. Esta funcin sustituye al smbolo
matemtico para todo (). Si existen varias expresiones que se deben cumplir para
todos los elementos de un conjunto se pueden encadenar dentro de una nica
funcin @FOR separndolas con punto y coma.
Ejemplo 6.- En el ejemplo 2, si se desea que el porcentaje invertido en cada
activo est acotado entre un 5% y un 40%, habra que utilizar una funcin @BND
para cada uno de los 8 activos. En su lugar se puede utilizar una sola vez esta
funcin dentro de una funcin @FOR, como se muestra a continuacin:
@FOR ( ACTIVOS: @BND(0.05, x, 0.4) );
que es lo mismo que: 0'05 xi 0'4; i.
Los ejemplos 2 a 6 forman un problema completo de seleccin de cartera de
activos financieros que en lenguaje matemtico es:
86
Introduccin al LINGO
Min. cov ij x i x j = x t Qx
i =1 j=1
8
ri x i 0'055 ,
s.a
i =1
8
x = 1,
i =1 i
0'05 xi 0'4; i.
Y el mismo problema en lenguaje de modelizacin de LINGO es:
SETS:
ACTIVOS/1..8/:r,x;
MATRIZCOVARS(ACTIVOS,ACTIVOS):cov;
ENDSETS
DATA:
r,cov=@OLE('C:\EJEMPLOS\CARTERA.XLS');
@OLE('C:\EJEMPLOS\CARTERA.XLS')=x;
ENDDATA
@SUM(ACTIVOS:r*x)>0.055;
MIN=@SUM(MATRIZCOVARS(I,J):cov(I,J)*x(I)*x(J));
@SUM(ACTIVOS:X)=1;
@FOR(ACTIVOS:@BND(0.05,x,0.4));
87
88
Introduccin al LINGO
5
Casi todos los comandos de LINGO tienen asociado un botn en la barra de herramientas para
ejecutarlos de forma ms rpida.
89
90
Introduccin al LINGO
91
Men Window
Se ocupa de la gestin de las ventanas. Destaca la opcin de pasar a modo
comando (Command Window) para los que estn familiarizados con versiones de
LINGO en modo D.O.S.. Muy til resulta tambin la opcin Send to Back para
intercambiar las ventanas abiertas, por ejemplo la del modelo y la de la solucin.
Men de ayuda (Help)
Permite visualizar el contenido de la ayuda, bien por captulos o bien por
contenidos alfabticamente, introduciendo en la casilla correspondiente la opcin a
buscar.
92
Introduccin al LINGO
93
(producto 1)
4 x2 - 2 x3 + 2 x4 + 3 x5 5
(producto 2)
x1 - 6 x2 +3 x3 + 7 x4 + 5 x5 7
(producto 3)
una
2 x1 + 5 x2 + x4 + x5 6
(producto 1)
4 x2 - 2 x3 + 2 x4 + 3 x5 5
(producto 2)
x1 - 6 x2 +3 x3 + 7 x4 + 5 x5 7
(producto 3)
94
Introduccin al LINGO
funcin convexa (lo es por ser lineal), y al ser positivas todas las derivadas parciales
con respecto a las variables acotadas inferiormente (todas las del problema, ya que
los coeficientes en la funcin objetivo de todas las variables son positivos, por lo
que las derivadas parciales lo son tambin).
d) Solucin
A continuacin se recoge el fichero de entrada de datos de LINGO, llamado
coste.lng. Tambin se recoge el informe de respuestas generado por LINGO, as
como el anlisis de sensibilidad proporcionado por la ventana de Range al tratarse
de un modelo lineal.
MODEL:
! Problema de minimizacin de costes;
!El planteamiento es:
!Min C(x1, x2, x3, x4, x5)= 3 x1+ 2 x2 + x3+ 2 x4 + 3x5
sujeto a:
2 x1 + 5 x2 + x4 + x5 >= 6
4 x2 - 2 x3 + 2 x4 + 3 x5 >= 5
x1 - 6 x2 +3 x3 + 7 x4 + 5 x5 >= 7
x1, x2, x3, x4, x5 >= 0;
! Se introducen los datos para operar de forma matricial;
! Se usarn los bloques SETS, DATA para tal fin, as como funciones;
SETS:
FACTORES /1..5/:COSTE,CANTIDAD;
PRODUCT /1..3/:PRMIN;
COEF(PRODUCT,FACTORES):A;
ENDSETS
DATA:
COSTE=3,2,1,2,3;
PRMIN=6,5,7;
A= 2,5,0,1,1,
0,4,-2,2,3,
1,-6,3,7,5;
ENDDATA
MIN=@SUM(FACTORES(I):COSTE(I)*CANTIDAD(I));
@FOR(PRODUCT(J):
@SUM( FACTORES(I):A(J,I)*CANTIDAD(I))>=PRMIN(J));
95
Solution Report:
Rows=
4 Vars=
5 No. integer vars=
0 ( all are linear)
Nonzeros=
21 Constraint nonz=
13(
3 are +- 1) Density=0.875
Smallest and largest elements in absolute value=
1.00000
7.00000
No. < :
0 No. =:
0 No. > :
3, Obj=MIN, GUBs <=
1
Single cols=
0
Optimal solution found at step:
Objective value:
Variable
COSTE(1)
COSTE(2)
COSTE(3)
COSTE(4)
COSTE(5)
CANTIDAD(1)
CANTIDAD(2)
CANTIDAD(3)
CANTIDAD(4)
CANTIDAD(5)
PRMIN(1)
PRMIN(2)
PRMIN(3)
A(1, 1)
A(1, 2)
A(1, 3)
A(1, 4)
A(1, 5)
A(2, 1)
A(2, 2)
A(2, 3)
A(2, 4)
A(2, 5)
A(3, 1)
A(3, 2)
A(3, 3)
A(3, 4)
A(3, 5)
Row
1
2
3
4
96
2
5.170732
Value
3.000000
2.000000
1.000000
2.000000
3.000000
0.0000000E+00
0.8536585
0.0000000E+00
1.731707
0.0000000E+00
6.000000
5.000000
7.000000
2.000000
5.000000
0.0000000E+00
1.000000
1.000000
0.0000000E+00
4.000000
-2.000000
2.000000
3.000000
1.000000
-6.000000
3.000000
7.000000
5.000000
Reduced Cost
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.536585
0.0000000E+00
0.4146342
0.0000000E+00
1.390244
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Slack or Surplus
5.170732
0.0000000E+00
1.878049
0.0000000E+00
Dual Price
1.000000
-0.6341463
0.0000000E+00
-0.1951219
Introduccin al LINGO
Anlisis de sensibilidad
Ranges in which the basis is unchanged:
Variable
CANTIDAD(1)
CANTIDAD(2)
CANTIDAD(3)
CANTIDAD(4)
CANTIDAD(5)
Row
2
3
4
Current
Coefficient
3.000000
2.000000
1.000000
2.000000
3.000000
Current
RHS
6.000000
5.000000
7.000000
e) Discusin de la solucin
Cuestiones del procedimiento de resolucin y formulaciones alternativas
No han habido formulaciones alternativas.
Propiedades matemticas de la solucin
El ptimo obtenido por LINGO es el mnimo global del problema. En
principio, no puede comprobarse que es nico al tratarse de una funcin objetivo
lineal, pero se puede concluir que se trata del nico mnimo global analizando los
datos de la ventana de informes. En concreto, fijndose en la columna de Reduced
cost, para las variables principales no bsicas CANTIDAD, y la columna de Dual
Price para las variables de holgura no bsicas, se puede concluir que sus
rendimientos asociados a todas las variables son positivos, es decir, que si dichas
variables dejan de tomar el valor cero, la funcin objetivo crecer, es decir,
empeorar, al ser una funcin de costes a minimizar, por lo que la solucin obtenida
no se puede mejorar ni igualar con otra combinacin de cantidades a producir que la
proporcionada por LINGO.
Interpretacin de la solucin
Esta empresa slo debe emplear en la produccin de sus tres productos dos
ingredientes, el segundo y el cuarto, 08536585 unidades del segundo y 1731707
unidades del cuarto. El coste generado es de 5170732 unidades monetarias.
En el ptimo, producir 6 unidades del primer producto, 6878049 unidades
del segundo y 7 unidades del tercero. Es decir, para los productos primero y tercero
se va a limitar a satisfacer la demanda mnima, mientras que para el segundo va a
97
Este valor puede conocerse en la columna Slack/Surplus de las filas, rows, del Informe de Respuestas,
ya que esa columna recoge el valor de las variables de holgura.
7
Esta informacin se deduce del signo y valor de los multiplicadores asociados a las restricciones que se
encuentra disponible en la columna Dual price, precios sombra para los problemas lineales.
98
Introduccin al LINGO
99
100
ANEXO 2
Breve introduccin a los mtodos numricos en
programacin no lineal
I.-
b)
c)
102
103
k = a k +
k = a k +
F n k 1
F n k +1
F n k
F n k +1
(b k a k )
(b k a k )
104
105
uu t
t H t t H + H t
.
Frmula de BFGS: Hk+1=Hk + 1 + t t
t
t
t
ut
H t H
t H
Las combinaciones lineales de las dos ltimas frmulas con parmetros que
sumen uno, y (1-), generan la familia de Broyden de frmulas.
La frmula de BFGS pasa por ser la mejor tanto en rapidez como en
convergencia. Sin embargo, es un mtodo poco eficiente en problemas de gran
dimensin al tener que evaluar una aproximacin a la matriz hessiana.
106
k =
f(x
k +1 t
) f(x
k t
k +1
f(x ) f(x )
f(x
) f(x
k t
f(x ) d
[f(x
=
k
k +1 t
k +1
k +1
) f(x ) f(x
k +1
f(x ) f(x )
k t
107
108
i =1
i =1
1
g( x )
1 t
HL(xk, k),
2
1 t
HL(xk, k)
2
s. a: g(xk)+ g(xk) = 0.
Como se observa, en cada etapa se aproximan las restricciones por funciones
lineales (primer trmino del desarrollo de Taylor) alrededor del punto resultante de la
109
etapa anterior y la funcin objetivo se aproxima por una funcin cuadrtica dada por
los dos primeros trminos del desarrollo de Taylor, pero con la hessiana de la funcin
lagrangiana, tambin alrededor del punto resultante de la etapa anterior. Con ello se
reduce el problema no lineal original a subproblemas cuadrtico-lineales cuyas
tcnicas de resolucin son generalmente exactas. Tras cada etapa se consigue una
nueva solucin (xk+1=xk+k) que sirve de base para construir otro subproblema
cuadrtico-lineal a resolver como el anterior.
Tomando como base el mtodo SQP, existen distintas maneras de modificarlo
para aumentar su eficiencia o asegurar la convergencia de la solucin. Entre ellas se
puede citar el uso de aproximaciones a la hessiana de la lagrangiana (por ejemplo con
la frmula BFGS) o utilizar funciones de penalizacin para realizar las aproximaciones
cuadrticas.
Si el desarrollo se realiza slo hasta el primer trmino de Taylor, es decir, si la
funcin objetivo se aproxima por una funcin lineal se tiene el mtodo SLP. ste
requiere menos clculos en cada iteracin, pero ms iteraciones que el anterior, de ah
que sea recomendable para problemas de gran dimensin.
II.4.- Mtodos de direcciones factibles
Estos mtodos, iniciados por Zoutendijk en 1960, actan sobre un punto factible
desplazndolo a otro donde la funcin objetivo es mejor, para ello la direccin de
desplazamiento debe tener la doble cualidad de ser factible y de mejora:
110
donde se han aadido cotas a las componentes de la direccin para que la solucin sea
acotada.
Este mtodo utiliza una aproximacin lineal de la funcin objetivo y de las
restricciones, lo cual es similar a los mtodos de programacin lineal sucesiva,
utilizados inicialmente debido a que se dispone de un mtodo de programacin lineal
muy eficiente. Sin embargo, estos mtodos convergen lentamente si el punto ptimo
no es un punto vrtice.
Existen otros mtodos para encontrar la direccin factible de mejora como es el
mtodo del gradiente proyectado de Rosen, el mtodo del gradiente reducido de Wolfe
generalizado por Abadie y Carpentier o el caso particular del mtodo convex-simplex
de Zangwill. A continuacin se proporciona una breve descripcin de dichos mtodos.
Mtodo del gradiente proyectado de Rosen: Al moverse en la direccin opuesta a
la del gradiente es posible pasar a puntos infactibles por lo que, a continuacin, se
realiza una proyeccin para llegar a un punto factible. Una matriz proyeccin P es
simtrica e idempotente (PP=P).
La direccin de desplazamiento que se toma es:
dk = -Pf(xk) si es distinta del vector nulo.
En el caso de restricciones lineales (Axb) donde A1xk=b1 y A2xk<b2, se toma
como matriz proyeccin la siguiente:
P=I-(A1)t(A1(A1)t)-1A1.
Si las restricciones no son lineales la matriz que juega el papel de A1 esta formada
por los gradientes de las restricciones de igualdad y de desigualdad activas en xk. La
proyeccin del gradiente, no obstante, lleva a un punto infactible por lo que, al final
del proceso, ser necesario un movimiento corrector.
Mtodo del gradiente reducido de Wolfe generalizado por Abadie y Carpentier:
El mtodo del gradiente reducido se aplica sobre el problema con restricciones lineales
del tipo Ax=b, x0. Se supone que no se dan soluciones degeneradas y entonces se
puede realizar una particin entre variables bsicas (estrictamente positivas) y no
bsicas (positivas aunque pequeas o cero, debido a que los puntos intermedios no
tienen porque ser extremos). La direccin factible de mejora debe cumplir:
Mejora: f(xk)dk<0,
Factible: Adk = 0, si xi = 0 entonces dik0.
Descomponiendo el vector de direccin y el gradiente segn las componentes
asociadas a variables bsicas y no bsicas se tiene que:
f(xk)dk = (Nf(xk)-Bf(xk)B-1N)dkN = rN dN < 0.
111
r j si rj 0
dj =
x j r j si rj > 0
mientras que dB=-B-1NdN . De esta manera, la direccin es factible de mejora.
Similar a ste es el mtodo convex-simplex de Zangwill con la diferencia de que
en cada paso slo se intercambia una variable bsica por una no bsica. Las
componentes del gradiente reducido equivalen a los rendimientos marginales en el
mtodo smplex.
Este ltimo mtodo presenta la ventaja de acelerar cada etapa, pero requiere un
nmero mayor de etapas porque slo puede cambiar una componente de dN. Para
armonizar ambas tendencias se puede realizar una particin del bloque N en (S,N). El
bloque S es el de variables superbsicas, o subconjunto de las no bsicas cuyo valor
est estrictamente dentro de su intervalo de acotacin. De esta manera, dN=0, es decir
las variables no bsicas se mantienen constantes ; dB=-B-1SdS y dS son las que se
calculan en cada iteracin. Por tanto se trata de resolver el problema:
Min. rS dS
s. a: -xj|rj| dj |rj| .
El mtodo del gradiente reducido generalizado maneja restricciones no lineales.
Mediante la introduccin de variables de holgura positivas se pasa a restricciones de
igualdad. Estas se aproximan por una funcin lineal en un punto factible, de donde:
g(xk)+g(xk)(x-xk)=0 implica g(xk)x=g(xk)xk .
Este sistema de ecuaciones lineal es el que se equipara a Ax=b en el mtodo del
gradiente reducido. El inconveniente vuelve a ser que, al final de cada etapa, el punto
xk+1 puede ser infactible y es necesario un movimiento corrector lo cual complica el
algoritmo.
El mtodo GRG tambin se ha generalizado tomando como funcin objetivo para
buscar la direccin de mejora no el gradiente (aproximacin de primer orden) sino una
aproximacin de segundo orden, dando lugar al mtodo GRG2. Si a esta consideracin
se une la particin antes realizada para obtener las variables superbsicas el problema a
resolver es:
Min. rSdS+
1
(dS)t(ZtH(xk)Z)dS
2
donde:
112
B 1S
Z= I .
113
114
CAPTULO 3
Modelos de programacin no lineal resueltos mediante
programacin lineal y programacin entera mixta
3.1.- INTRODUCCIN
3.2.- PROBLEMAS NO LINEALES RESUELTOS MEDIANTE
PROGRAMACIN LINEAL
3.3.- PROBLEMAS NO LINEALES RESUELTOS MEDIANTE
PROGRAMACIN ENTERA MIXTA
3.4.- OTRAS TRANSFORMACIONES DE PROBLEMAS DE P.N.L.
3.1.- INTRODUCCIN
Este captulo recoge problemas econmicos de optimizacin no lineales
diferenciables y no diferenciables que pueden ser transformados en problemas de
programacin lineal, o en problemas de programacin no lineal diferenciables
cuando no lo fueran inicialmente, o bien en problemas de programacin entera
mixta (P.E.M.). Con estas transformaciones se persigue resolver dichos problemas
con los mtodos ms eficientes existentes para el tipo de problema resultante de la
transformacin. En concreto, las transformaciones de los problemas diferenciables
de programacin no lineal en problemas de programacin lineal tienen su
justificacin, como ya se ha comentado en el captulo anterior, en buscar una mejora
en el tiempo de resolucin y garantizar la globalidad de la solucin obtenida,
mientras que las transformaciones de los problemas no diferenciables en problemas
de programacin lineal o no lineal diferenciables, o en problemas de P.E.M.,
persiguen alcanzar la solucin del problema, pues esta obtencin se ve dificultada, y
en algunos casos imposibilitada, por el menor desarrollo de los mtodos de
resolucin de problemas no diferenciables. Si bien es cierto que existen dichos
mtodos y que estn implementados en algunas de las aplicaciones existentes de
apoyo a la toma de decisiones, tambin es cierto que son menos eficientes, precisos
y robustos que los existentes para problemas diferenciables. Este hecho aconseja
transformar, siempre que sea posible, el problema original no diferenciable en uno
que s lo sea, aunque luego se requiera un mayor esfuerzo en el momento de
interpretar la solucin a partir de los resultados obtenidos para el problema
transformado.
En muchos problemas de optimizacin, la no linealidad de las relaciones entre
las variables puede traducirse en funciones no diferenciables. Algunos autores
sealan que la no linealidad aparece en los modelos econmicos por distintas
circunstancias, entre las que se encuentran las siguientes:
Existencia de economas y deseconomas a escala. Como ejemplo, en el
mbito de la gestin empresarial, se tendran los descuentos sobre precio de
ventas por volumen, los costes decrecientes cuando aumenta el nivel de
produccin, etc.
Determinacin conjunta de precios y cantidades causada, en general,
por la existencia de elasticidades en la demanda y/o en la oferta de un
producto. En la prctica, muchas decisiones de produccin y de la poltica de
precios son decisiones conjuntas, por lo que los agentes econmicos tienen que
determinar simultneamente precios y cantidades. En ciertos problemas esa no
linealidad tiene su origen en la existencia de las economas a escala antes
mencionadas.
116
117
Input 1
150
16
205
2000
3000
Input 2
100
26
30
1700
4000
Input 3
60
4
120
3800
1250
Input 4 Requerimiento
90
84
12
18
90
70
2500
2900
-
x1
x
x
x
+ 100 2 + 60 3 + 90 4 84,
x
x
x
x
x1
x2
x3
x4
16 + 26
+4
+ 12
18,
x
x
x
x
x
x
x
x
205 1 + 30 2 + 120 3 + 90 4 70.
x
x
x
x
150
118
xS,
119
f1 ( x )
f ( x)
2
f ( x) =
f k ( x)
si a 0 x a 1
si a 1 < x a 2
si a k-1 < x a k
con fj(x):RR lineal j=1,2,,k, pero con f(x) no diferenciable en a1, a2, , ak, y
con rendimientos decrecientes, es decir, si x > y, entonces f(x) < f(y). S est
caracterizado por restricciones lineales.
En este caso, se puede transformar el problema no lineal y no diferenciable de
una nica variable en otro lineal y diferenciable con k variables, una para cada
tramo de definicin de la funcin objetivo original. El planteamiento resultante es
Max. F(x1, x2, , xk) = f1(x1)+f2(x2)++fk(xk) =
s. a
xj S
f j (x j )
j=1
j=1,2,,k,
Unidades
vendidas
[0-2000]
(2000-4000]
(4000 -...)
Precio
unitario
700
600
500
120
I(x)= p(x) x ;
700
p( x ) = 600
500
con
si 0 x 2000
si 2000 < x 4000
si 4000 < x
700
600
500
400
300
0
2000
4000
6000
8000
si 0 x 2000
700x
4000000
3000000
2000000
1000000
0
0
2000
4000
6000
8000
121
Atendiendo al hecho de que este problema posee una funcin de ingresos por
ventas no lineal, pero con tramos rectilneos, puede aproximarse dicha funcin
mediante una transformacin en una funcin lineal de tantas variables como tramos
se consideren, solventando, adems, la no diferenciabilidad.
I(v1, v2, v3) = 700 v1 + 600 v2 + 500 v3
donde:
v1 son las ventas correspondientes al primer tramo (hasta 2000 unidades),
v2 son las ventas correspondientes al segundo tramo (entre 2000 y 4000 unidades),
v3 son las ventas correspondientes al tercer tramo (ms de 4000 unidades).
La formulacin queda:
Max I(v1, v2, v3)= 700 v1 + 600 v2 + 500 v3
sujeto a: v1 + v2 + v3 19000,
v1 2000,
v2 4000-2000 = 2000 v2 2000,
v1, v2, v3 0.
Obsrvese que mientras existen cotas superiores para las variables
representativas de las ventas de los dos primeros tramos, no existe limitacin
superior a la cantidad a vender en el tercer tramo. El problema ha quedado
formulado como un problema de programacin lineal. Con esta formulacin no est
garantizado, a priori, que la variable v2 tome valores reales positivos antes de que
v1 alcance su mximo. A simple vista, podra pensarse que el punto (500,1000,1000)
es un candidato a mximo y, por tanto, que podra resultar del proceso de bsqueda
del mximo de este problema. Si esto fuera posible en realidad, se generara una
discontinuidad inaceptable y no sera adecuado emplear la P.L. para este problema.
Qu es lo que garantiza que este hecho no pueda darse?
La justificacin
econmica es la siguiente: si se quiere maximizar la funcin de ingresos, se tiene que
las ventas del primer tramo son las que proporcionan mayor ingreso unitario (mayor
precio), despus siguen las del segundo tramo y por ltimo las del tercero. Por tanto,
slo se usar el segundo tramo cuando se haya agotado el primero, y el tercero
cuando se haya agotado el segundo. La racionalidad de los procesos de optimizacin
econmica se encarga de que no se den esas discontinuidades. Esto es as, porque la
funcin de ingresos presenta rendimientos decrecientes.
Aunque con esta formulacin se puede perder precisin y se trabaje con un
mayor nmero de variables, es preferible, pues suele ser mejor utilizar la P.L. en
122
lugar de las tcnicas de P.N.L. para resolver ciertos problemas con rendimientos
decrecientes (en maximizacin).
3.2.2- Problemas de optimizacin de funciones de coeficientes fijos
En el anlisis econmico, se emplean funciones de coeficientes fijos de
utilidad, de produccin, etc., que vienen a representar determinados supuestos sobre
los bienes, los factores productivos y/o la tecnologa existente en la funcin de
produccin. Estas funciones no van a ser diferenciables. Al igual sucede con
problemas de optimizacin multiobjetivo que se tratan en el siguiente epgrafe. A
continuacin se muestra cmo abordar dichos problemas con un ejemplo concreto.
Sea el problema de
Min. {Mx.{f1(x),, fk(x)}}
sujeto a x S,
con fj(x): R R lineales j =1, 2, , k, y S caracterizado por restricciones
lineales. Es posible una transformacin de este problema no lineal y no diferenciable
en uno de P.L., mediante la introduccin de una variable, y, acotada inferiormente:
n
y fj(x) j =1, 2, , k,
x S.
M > 0.
123
MIN
MIN
MIN
MIN
aixi
i=1, 2, ..., n,
M > 0.
Pollo
100
10
Tomate
75
5
Sal
35
3
Arroz
40
4
Colorante
55
5
Verdura
98
10
Aceite
72
7
Romero
12
1
Conejo
190
20
Agua
25
2
124
100xpol+75xtom+35xsal+40xarr+55xcol+98xver+72xace+12xrom+190xcon+25xagu 2500
umin 10 xpol, umin 5 xtom, umin 3 xsal, umin 4 xarr, umin 5 xcol,
umin 10 xver, umin 7 xace, umin
xpol, xtom, xsal, xarr, xcol, xver, xace, xrom, xcon, xagu 0.
3.2.3.- Problemas de programacin por objetivos resueltos mediante P.L.
La programacin por objetivos permite tratar problemas que tengan en cuenta
varios objetivos a la vez. Una manera de abordarla es mediante el establecimiento de
metas u objetivos abiertos, es decir, sin unos valores prefijados, intentando lograr el
mayor progreso en todas ellos de forma simultnea. En este caso, puede ser
apropiado plantearse la maximizacin del progreso mnimo hacia todos los
objetivos. Para problemas de programacin por objetivos en donde estos estn
representados por funciones lineales y el conjunto de oportunidades est
caracterizado por restricciones lineales, la transformacin de la funcin objetivo que
se sugiere a continuacin proporciona un planteamiento de problema de
programacin lineal.
Suponiendo que el nmero de objetivos a maximizar es k, y que vienen dados
por las funciones lineales Z1(x1,,xn), Z2(x1,,xn), , Zk(x1,,xn), se desea
aumentar todos los valores de estas funciones objetivo individuales. Maximizar el
progreso mnimo de todos estos objetivos proporciona el siguiente planteamiento
que recoge la funcin objetivo global a maximizar, as como las restricciones dadas
por funciones lineales que caracterizan al conjunto de oportunidades S:
Max. {Mn.{Z1, Z2, ..., Zk}}
sujeto a x S.
En este problema, se trata de buscar aquella combinacin (x1, x2, ..., xn) que
haga tan grande como sea posible el valor ms pequeo de las k funciones objetivo,
(Z1,Z2,..., Zk). La funcin objetivo global no es diferenciable aunque lo sean las
funciones Zj por ser lineales. Se puede reformular como un problema diferenciable
introduciendo una variable auxiliar, al igual que se haca en el caso de las funciones
de coeficientes fijos del epgrafe anterior, ZMIN, que represente el valor mnimo entre
los k objetivos, ZMIN = Mn. {Z1, Z2, ..., Zk}. Incorporar esta variable auxiliar en el
modelo implica tener en cuenta lo que esta variable significa, es decir, que ZMIN no
pueda ser mayor que ninguno de los valores de las k funciones objetivo, ya que
representa al mnimo de todas ellas. Estas k cotas de la variable auxiliar ZMIN se
transforman en k restricciones.
125
c ji x j , y las restricciones
j=1
Z MIN c ji x j 0
i=1, 2, ..., k.
j=1
donde
A es una matriz de (mxn),
x es el vector de variables independientes de decisin, siendo, xRn,
b es el vector de trminos independientes de las restricciones, bRm,
n
Z1 = c j1x j
(objetivo 1),
j =1
n
Z 2 = c j2 x j
(objetivo 2),
j=1
... =
...
...
Z k = c jk x j
(objetivo k).
j=1
126
127
4 x2 + x3 30,
x1 + 2 x2 +2 x3 12,
6 x1 + 20 x2 +10 x3 500,
x1, x2, x3 0.
Reformulndolo, se introduce la variable auxiliar ZMIN definida como
ZMIN = Mn. {Z1, Z2, Z3}= Mn.{ 3000x1, 5000x2, 4000x3}.
El modelo de programacin lineal equivalente es:
Max Z= ZMIN
3000x1 - ZMIN 0, 5000x2 - ZMIN 0, 4000x3 - ZMIN 0,
sujeto a:
f (x) =
f 1 (x )
,
f 2 (x )
Max.f ( x ) =
c t x + c0
d x + d0
t
c jx j + c0
=
j=1
n
[PFL]
d jx j + d0
j=1
s.a
n
Ax b, x ,
128
y0 =
xj
d t x + d0
1
d x + d0
t
yj
y0
s.a
t
d y + d0y0 = 1,
y , y0 0.
As pues, resumidamente la transformacin consiste en un cambio de variables
tal que permita seleccionar el denominador de la funcin objetivo para obtener una
restriccin de normalizacin, dty + d0y0 = 1, y usar el numerador de la misma como
la funcin objetivo de un programa lineal equivalente.
Ejemplo 3.5.- Sea una empresa que quiere maximizar la tasa de rentabilidad
sobre los costes que origina al realizar dos actividades distintas, la de produccin y
la de distribucin de sus productos. El coste variable por tonelada obtenida por el
proceso de produccin es de 4 millones de pesetas, mientras que el coste por
tonelada distribuida es de 41 millones de pesetas. La empresa debe sufragar un
coste fijo de 10 millones de pesetas, independientemente de la cantidad producida
y/o comercializada. Por cada tonelada producida obtiene un beneficio unitario de
18 millones de pesetas, mientras que por la distribucin obtiene 19 millones por
tonelada. Dispone de dos recursos productivos para desarrollar esas dos actividades,
personales e instalaciones. Ha valorado su disponibilidad de recursos personales en
2
En caso de que el denominador sea negativo, dtx+d0 < 0, se recomienda replantear la funcin objetivo
como f(x) = -f1(x)/-f2(x).
129
18
' x1 + 1' 9x2
4 x1 + 4'1x 2 + 10
3x1+2x2 12,
3x1+4x2 20
x1, x2 0.
x2
1
x1
, y0 =
,
, y2 =
4x1 + 4'1x 2 + 10
4x1 + 4'1x 2 + 10
4 x1 + 4'1x 2 + 10
s.a
3y1+4y2 - 20y0 0,
4y1+41y2+10y0 = 1,
y1, y2, y0 0,
que una vez resuelto permite obtener el resultado ptimo del problema original
mediante la transformacin inversa de variables
x1* =
y1 *
, x 2* = y2 * .
y0 *
y0 *
130
k j + c j x j si x j > 0
C j (x j ) =
si x j = 0
0
Esta funcin Cj(x) no es diferenciable cuando xj = 0, por lo que tampoco lo es
la funcin de costes C(x).
De ah que, si adems existen variables principales que son enteras, no sea descartable el redondeo, ya
que la prdida de factibilidad y optimalidad no suele ser substancial.
131
Cj(xj)
xj
Figura 3.3.- Funcin de coste de xj con carga fija
El planteamiento general de este tipo de problemas mediante P.E.M. es el
siguiente, tras introducir variables binarias:
Min( z) =
(c jx j + k jy j )
n
j=1
sujeto a: Ax b,
x j x j y j 0, yj{0,1}, xj 0, j{1,2,,n},
siendo x j la cota superior de produccin o actividad.
De esta manera, si la variable yj toma el valor 0, por las restricciones del
problema se tiene simultneamente xj0 y xj0, lo que determina xj=0. De otro
modo, si la variable yj=1, la funcin objetivo soportar la carga fija kj y las
restricciones del problema permitirn que xj tome cualquier valor comprendido entre
0 y x j . Para las variables xj (actividades) no acotadas superiormente, se dara un
valor a x j suficientemente grande para que no existiera en la prctica una limitacin
efectiva, pero teniendo cuidado en no incurrir en problemas de escalado que
impidieran la resolucin posterior del problema mediante ordenador, al existir
grandes diferencias entre las distintas magnitudes de los parmetros del modelo.
Ejemplo 3.6.- Una empresa agraria se plantea la produccin de 4 cultivos
(tomate, alcachofa, naranja, arroz). Dispone de 450 millones para efectuar la
preparacin de los terrenos as como para sufragar todos los costes (variables y
fijos). Tiene unos costes fijos, independientes de la produccin, de un milln de
pesetas. Ha estimado que los costes de preparacin de las tierras para esos 4 cultivos
son 25, 30, 40 y 35 millones respectivamente. Los costes variables por cada kilo
producido de esos cultivos son 25, 20, 15 y 12 pesetas, respectivamente. Tras un
132
k j + c j
con CVj ( x j ) =
0
si x j > 0
si x j = 0
En concreto:
0
La funcin de beneficios resultante es:
B(x1,x2,x3,x4)= I(x1,x2,x3,x4)- C(x1,x2,x3,x4) = I(x1,x2,x3,x4) -CV(x1,x2,x3,x4) - CF
La formulacin original es:
Max B(x1,x2,x3,x4)
sujeto a:
133
250y1+25x1+300y2+2x2+400y3+15x3+350y4+12x4+10 4500,
x1 3y1; x2 2y2; x3 y3; x4 25y4 ,
x4 x3 ,
x1+x2+x3+x4 3,
x1, x2, x3, x4 0,
y1, y2, y3, y4{0,1}.
134
En general, en estos casos, cuando los valores de una variable deben ser o cero,
o son mayores que un determinado nivel, se dice que esa variable es semicontinua.
Esta semicontinuidad origina la no diferenciabilidad de las funciones del problema
de optimizacin. Suponiendo que los lotes mximo y mnimo de un bien son x j y
x j x j y j 0,
x j x j y j 0,
y j { 0,1} ,
x j 0.
Como se ha visto para el caso de la carga fija, si la variable binaria yj toma el
valor de 0, la primera restriccin y la condicin de no negatividad determinan que
xj=0. Pero si yj=1, la variable xj queda acotada entre sus correspondientes valores
mximo, x j , y mnimo, x j . Al igual que en el caso del problema de carga fija o
coste fijo, si la actividad xj no tiene lmite superior, x j puede fijarse en un valor
convenientemente grande para que la solucin ptima no lo alcance. Tambin puede
suceder que producir un cierto lote mnimo acarrear un cierto coste fijo igual a kj y,
por tanto, para formular la funcin de costes se atender a lo visto en el caso de
carga o costes fijos.
Ejemplo 3.7.- Una empresa desea realizar unos regalos a sus clientes con
publicidad de su marca. Entre los productos del catlogo de la casa proveedora ha
escogido tres tipos de regalos: bolgrafos, calendarios y mecheros. El coste unitario
es de 450 ptas., 250 ptas. y 850 ptas., respectivamente. El pedido mnimo que le
exige la empresa para poder efectuar la impresin del anagrama publicitario es de
1000 bolgrafos, 500 calendarios y 300 mecheros. El coste fijo de la impresin por
el fotolito es de 2000 ptas., 3000 ptas. y 2000 ptas., respectivamente. Adems, por
cada unidad que se imprima es de 5 ptas., 15 ptas., y 12 ptas., respectivamente. El
mnimo de regalos que quiere efectuar entre los tres tipos de productos es de 2.000,
mientras que no piensa regalar ms de 1000 mecheros, ni ms de 1500 calendarios,
ni ms de 2000 bolgrafos. Quiere determinar la cantidad a solicitar de esos
productos que minimice el coste y satisfaga las restricciones para mantener
contentos a los clientes. Aunque las variables en realidad son enteras, se va a
considerar la continuidad de las mismas para especificar la formulacin.
135
La formulacin sera:
Min. C(x1, x2, x3, y1, y2, y3) =
= (450+5)x1+2000y1+(250+15)x2+3000y2+(850+12)x3+2000y3 =
= 455 x1+ 2000 y1 + 265 x2 + 3000 y2 + 862 x3+ 2000y3
s. a:
(niveles superiores),
(lotes mnimos),
(regalos mnimos),
(no negatividad),
(integridad).
Por ltimo, si el lote de produccin slo puede ser nulo o tomar determinados
valores discretos, las restricciones son:
q
k =1
q
k =1
yjk{0,1}, xj 0,
j{1, 2, , n},
siendo
Ljk el tamao del lote k del producto j,
q el nmero de tamaos de lote posibles para el producto j.
3.3.3.- Minimizacin (maximizacin) de funciones de rendimientos decrecientes
(crecientes) no lineales y no diferenciables
Ya se ha tratado en el epgrafe 3.2.1 el caso de una funcin no lineal con
deseconomas a escala, sin embargo, cuando el crecimiento de una variable da lugar
a mejoras ms que proporcionales en el valor de la funcin objetivo, no es posible
aplicar la tcnica descrita que transformaba la no diferenciabilidad y no linealidad
del problema en otro lineal. Sin embargo, en determinados problemas s se puede
transformar el problema no diferenciable en un problema de P.E.M.
Si la funcin objetivo y las restricciones que caracterizan al conjunto de
oportunidades del problema original vienen dadas por funciones lineales, si existe la
136
solucin del problema de P.E.M., ser global. Si por el contrario son funciones no
lineales, no estar garantizada la globalidad de la solucin mientras dichas funciones
y la funcin objetivo no cumplan unas propiedades sobre convexidad-concavidad
que permitien asegurar la globalidad de la solucin. Es importante tenerlo en cuenta,
pues aunque se transforme el problema no diferenciable en uno de P.E.M. no se
tiene garantizado el xito en la bsqueda de la solucin del problema.
En cuanto a los problemas que presentan economas a escala como los que se
muestran ms adelante en esta seccin pueden resolverse de manera muy eficiente
mediante la programacin separable, aunque esta ltima, a diferencia de la P.E.M.
en problema lineales, no garantiza la optimalidad y globalidad de la solucin. El
planteamiento y los mtodos de resolucin especficos de los problemas de
programacin separable se recogen en el quinto captulo en la seccin 5.2.
Se ver a continuacin cmo puede tratarse la existencia de economas a escala
mediante la P.E.M. en dos funciones de coste, la primera con costes unitarios
decrecientes en forma discreta, la segunda con costes unitarios decrecientes en
forma continua. En los ejemplos planteados se verifica el supuesto de linealidad de
la funcin objetivo y el de las restricciones, lo que garantiza el carcter global para
la posible solucin obtenida. Mediante la correspondiente adaptacin, se puede
utilizar la misma tcnica para otro tipo de funciones.
*
Este tipo de funcin de coste es muy comn a muchos casos reales. Por
ejemplo, cuando el precio de compra depende de forma inversa de la cantidad que
se compra al proveedor de una serie de productos, es decir, se tendrn economas de
escala si aplica un descuento por volumen de compra, ya que el coste unitario o
precio vara en funcin de las unidades que se compren. Otro caso de economas de
escala se puede dar por razones tecnolgicas, pues, por ejemplo, no es lo mismo
instalar una cadena de montaje de coches para producir 10 automviles a la hora,
que poner en marcha 10 cadenas de montaje para producir un slo vehculo en una
hora. El tiempo medio dedicado al montaje de un vehculo disminuye con el nmero
de vehculos, pues hasta alcanzar el ritmo adecuado de trabajo existe un coste inicial
de arranque de las tareas. Sin embargo, este caso sera de costes unitarios
decrecientes de forma continua.
El coste unitario de produccin de un producto va a decrecer, bien porque el
precio de las materias primas se aminora con el volumen de compra requerido para
la produccin, bien por el mejor aprovechamiento de la tecnologa productiva al
abordar niveles de produccin mayores.
Sea un nico producto con k niveles de produccin distintos, cada uno con un
coste unitario diferente que es menor que el del anterior nivel por la existencia de
137
c 1
c
2
c( x ) =
c j
c k
si x U1 ,
si U1 x U 2 ,
si U j-1 x U j ,
si U k-1 x U k ,
Min. C(x) =
c jx j
j=1
sujeto a:
Lmites superiores de los tramos
x1 U1 y1 ; x2 U2 y2 ; xk Uk yk;
138
{c x }
k
j j j=1 .
yk 1 ;
j=1
Otras restricciones
gi(x1, x2, , xk) bi
i=1, 2, ..., m;
las
139
volumen de compras, por lo que los costes unitarios decrecen de forma discreta al
aumentar la cantidad producida. Estos costes son:
Subproducto
1
2
Coste variable
Ms de 200 kilos
hasta 1000 kilos
80
180
Hasta 200
kilos
100
200
Ms de 1000
kilos
70
160
140
x21 200 y21; x22 1000 y22; x23 4000 y23; (producto 2)
Lmites inferiores en los tramos de produccin5
x12 20000001 y12; x13 100000001 y13; (producto 1)
x22 20000001 y22; x23 100000001 y23; (producto 2)
Slo se puede producir en un tramo
y11 + y12 + y13 1;
(producto 1),
(producto 2),
Al no considerar enteras a las variables de decisin, se han puesto lmites inferiores no coincidentes
con el extremo superior del tramo anterior para evitar que el valor que tome la variable en un tramo j no
le haga pertenecer al tramo anterior j-1. Si las variables fuesen enteras, se sumara una unidad a los
extremos superiores de los tramos anteriores para establecer esos lmites inferiores. Si en la solucin
final la variable xjk toma el valor del lmite inferior que se ha escrito en estas restricciones, habr que
plantearse si es posible en la realidad que esa variable tome ese valor. En caso afirmativo, se podra
optar por la solucin obtenida, o por reformular el problema e imponer un lmite inferior ms pequeo,
pero mayor que el extremo superior del tramo inmediato anterior, resolviendo el problema y
plantendose hasta cunto es posible fraccionar la unidad de medida de las variables de decisin. Si por
el contrario, la variable no puede tomar el valor proporcionado habr que reformular el problema.
141
-
- cj para las siguientes Uj-Uj-1 unidades del producto,
-
- ck para las siguientes Uk-Uk-1 unidades del producto.
As pues, una vez superado el primer tramo con coste unitario de c1, conforme
se vaya produciendo una unidad ms, el coste medio o coste por unidad de producto
ir disminuyendo de forma continua. La funcin de coste unitario o coste medio
resultante depende de la cantidad producida y no es diferenciable:
c1 si x U1 ,
c U + c (x U )
2
1
1 1
si U1 x U 2 ,
x
j1
c i U i + c j ( x U j1 )
c( x) = CMe( x) = i
=1
si U j-1 x U j ,
k 1
c i U i + c k ( x U k 1 )
i =1
si U k-1 x U k ,
CMe
U1
U2
142
CT
U1
U2
Figura 3.5.- Coste total con costes medios decrecientes en forma continua
Min. C(x) =
c jx j
j=1
sujeto a:
Lmites de produccin en cada tramo
k
k
x1 U1 y j ; x2 (U2 -U1) y j ; ; xk (Uk -Uk-1)yk;
j=1
j= 2
Slo se produce en un tramo o en ninguno
k
y j 1;
j=1
k
k
x1 U1 y j ; x2 (U2 - U1) y j ; ; xk-1 (Uk-1 - Uk-2)yk;
j= 2
j= 3
143
Otras restricciones
gi(x1, x2, , xk) bi
i=1, 2, ..., m;
CT
U1
U2
U3
Figura 3.6.- Coste total (costes medios decrecientes en forma continua y carga fija)
144
Ejemplo 3.9.- Una empresa azulejera fabrica un tipo de azulejo de lujo. Las
materias primas se mezclan y se cuecen a altas temperaturas en un horno con
capacidad para cocer 2.000 toneladas al mes. Este proceso tiene economas a escala,
de forma que el coste de calentamiento de las primeras 500 toneladas es de 100.000
ptas. por tonelada, el de las siguientes 1.000 toneladas es de 50.000 ptas. y el de las
ltimas 500 es de 25.000 ptas. No se contempla la posibilidad de almacenar ninguna
cantidad. Adems, el precio neto del producto (precio menos coste de las materias
primas) vara de acuerdo con la cantidad producida y vendida, es decir, el precio al
que vender toda su produccin es el mismo, pero depende de la cantidad ofertada
al mercado tal y como se muestra en la siguiente tabla:
Tramo
1
2
3
4
5
Produccin Tm
Desde
Hasta
0
500
500
1000
1000
1500
1500
1700
1700
2000
Precio Neto
(ptas./Tm.)
400.000
350.000
300.000
280.000
260.000
145
sujeto a:
Cantidad vendida igual a la producida
q1 + q2 + q3 + q4 + q5 = x1 + x2 + x3 ,
Slo se produce y se vende en uno de los tramos
y1 + y2 + y3 1,
r1 + r2 + r3 + r4 + r5 1,
Lmites en los tramos de la funcin de costes
x1 500 (y1 + y2 + y3),
x2 1000 (y2 + y3),
x3 500 y3,
Lmites en los tramos de la funcin de precio neto
q1 500 r1; q2 1000 r2; q3 1500 r3; q4 1700 r4; q5 2000 r5;
Restricciones de continuidad
x1 500 y2 + 500 y3,
x2 1000 y3.
Restricciones de no negatividad e integridad
q1, q2, q3, q4, q5, x1, x2, x3 0
y1, y2, y3, r1, r2, r3, r4, r5, {0,1}.
3.3.4.- Problemas con la funcin valor absoluto
El uso de la funcin valor absoluto es frecuente en programacin multiobjetivo
y en la metodologa economtrica, por ejemplo para estimar funciones de
produccin6. En este epgrafe se plantea un problema general con funcin objetivo
de ese tipo. Sea el problema de
Opt. |f(x)|
s. a
x S,
con f: D Rn R, diferenciable en S D.
6
Aigner, D. J. y Chu, S. F. (1968), On estimating the industry production function, American
Economic Review 58, 826-829.
146
f ( x) si f(x) 0
f ( x) = f ( x) =
f ( x) si f(x) < 0
da lugar al siguiente problema de P.E.M.:
Opt. f ( x, y 1 , y 2 ) = y1 f(x) - y2 f(x)
s. a
3t 2 + gt + g 2 si 3t 2 + gt + g 2 0
Desv( t , g) = NAT ( t , g) =
3t 2 gt g 2
si 3t 2 + gt + g 2 0
dando lugar al siguiente problema de P.E.M.:
Min. Desv( t , g, y 1 , y 2 ) = y1 [-3t3 + gt + g2 ] - y2 [-3t3 + gt + g2 ]
s. a
y1 [-3t3 + gt + g2 ] 0; y2 [-3t3 + gt + g2 ] 0;
y1 + y2 = 1; y1, y2 {0,1}.
MODELIZACIN Y RESOLUCIN DE PROBLEMAS DE OPTIMIZACIN EN ECONOMA
147
f ( x) ,
p
n
k f ( x) , k R, k,
k=1
148
149
150
donde x1, x2, x3 son las cantidades de los tres factores empleadas medidas en
toneladas, y C(x1, x2, x3) es el coste medido en miles de euros para evitar problemas
de escalado.
Con la transformacin, el planteamiento queda
Min. C(x1, x2, x3) = 500 + 10 x1 +20 x2 + 30 x3
s a: ln10 + 2ln x1 + ln x2 +05 ln x3 ln(100)
151
C x 1* , x *2 , x *3 b
1 1 TRANSF
TRANSF
ORIGI =
= TRANSF
=
b
b TRANSF
b
10
b
10
De esta manera, se puede interpretar correctamente la informacin facilitada
por los multiplicadores de las restricciones transformadas en estos casos.
152
Problemas resueltos
1.- Una empresa de electrodomsticos utiliza la chapa metlica como materia prima.
El sistema de produccin consta de 4 productos y cinco procesos o secciones
productivas.9 En la siguiente tabla se recogen las horas requeridas por unidad
producida de cada producto:
Seccin
1.Estampado
2.Perforacin
3.Ensamblaje
4.Acabado
5.Empaquetado
TABLA
Necesidad de recursos (horas) por unidad
producida
producto producto producto producto
1
2
3
4
003
015
005
010
006
012
010
005
010
005
012
004
020
003
012
002
006
002
005
Horas
disponibles
400
400
500
450
400
Precio
10
25
16
20
Coste unitario
6
15
11
14
Produccin mnima
1.000
500
100
Produccin mxima
6.000
500
3.000
1.000
8
Los problemas resueltos y propuestos en este captulo son tanto de P.L. como de P.N.L. transformables
en problemas de P.L. o P.E.M., as como de redes y combinatoria. El hecho de mezclar problemas
lineales bsicos y problemas de redes y combinatoria con los tratados en el captulo 3 se justifica para
que el lector sea capaz de distinguir unos problemas de otros, y no presuponga que todos los problemas
son como los tratados en dicho captulo. Tambin estn recogidos para que el lector ejercite las
habilidades adquiridas en los captulos previos respecto a la modelizacin y resolucin de problemas.
9
Este problema se corresponde exactamente con el ejemplo 7.1 recogido por Villalba y Jerez (1990) en
su pgina 153 y siguientes. Los autores lo resolvieron con HYPERLINDO sin emplear lenguaje de
modelizacin que s se emplea en este problema resuelto.
153
Solucin:
Las variables de decisin son las cantidades a producir de los 4 productos, y
representndolas por x1, x2, x3 y x4, se llega a la siguiente formulacin del problema:
Max. B(x1, x2, x3, x4)= 4 x1+10 x2+5 x3 +6 x4
sujeto a:
Disponibilidad de chapa:
2 x2 + 12 x4 2000.
154
6
42600.00
Value
5500.000
500.0000
3000.000
100.0000
4.000000
10.00000
5.000000
6.000000
6000.000
500.0000
3000.000
1000.000
1000.000
0.0000000E+00
500.0000
100.0000
400.0000
400.0000
500.0000
450.0000
400.0000
2000.000
0.3000000E-01
0.1500000
0.5000000E-01
0.1000000
0.6000000E-01
0.1200000
0.0000000E+00
0.1000000
0.5000000E-01
0.1000000
0.5000000E-01
0.1200000
0.4000000E-01
0.2000000
0.3000000E-01
0.1200000
0.2000000E-01
0.6000000E-01
0.2000000E-01
0.5000000E-01
0.0000000E+00
Reduced Cost
0.0000000E+00
0.0000000E+00
-3.888889
1.777778
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
155
A( CHA, 2)
A( CHA, 3)
A( CHA, 4)
Row
1
2
3
4
5
6
7
2.000000
0.0000000E+00
1.200000
Slack or Surplus
42600.00
0.0000000E+00
0.0000000E+00
12.99999
28.00000
195.0000
880.0000
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
22.22222
55.55556
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Current
RHS
400.0000
400.0000
500.0000
450.0000
400.0000
2000.000
156
Se ha incorporado un bloque INIT para dar unos valores iniciales iguales a todas las variables. El
lector puede intentar resolver nuevamente el problema para unos valores de partida diferentes y
posiblemente obtenga un ptimo local diferente. La solucin aqu recogida, parte del origen, es un
ptimo local, distando bastante de la solucin ptima global del problema proporcionada por la
resolucin del problema transformado.
157
ENDDATA
MAX=@MIN(ingred(I): cantidad(I)*utiluni(I));
@SUM(ingred(I): precio(I)*cantidad(I))<=2500;
9
15.13784
Value
2.161210
3.027569
8.579435
3.925436
3.027569
3.027569
3.027569
19.00317
1.507569
16.39291
10.00000
5.000000
3.000000
4.000000
5.000000
10.00000
7.000000
1.000000
20.00000
2.000000
100.0000
75.00000
35.00000
40.00000
55.00000
98.00000
72.00000
11.00000
190.0000
25.00000
Slack or Surplus
15.13784
13.01517
Reduced Cost
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
0.0000000E+00
158
ENDSETS
INIT:
cantidad=0;
ENDINIT
DATA:
utiluni=10,5,3,4,5,10,7,1,20,2;
precio=100,75,35,40,55,98,72,11,190,25;
ENDDATA
MAX=Umin;
@SUM(ingred(I): precio(I)*cantidad(I))<=2500;
@FOR(ingred(I):
Umin<=cantidad(I)*utiluni(I));
Slack or Surplus
22.57288
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
0.9029151E-02
0.9029151E-01
159
4
5
6
7
8
9
10
11
12
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.1354373
0.1053401
0.9029151E-01
0.9932067E-01
0.8848568E-01
0.9287127E-01
0.9932067E-01
0.8577694E-01
0.1128644
Tramo
1
2
3
4
5
6
Produccin Tm
Desde
Hasta
0
50
50
100
100
150
150
200
200
250
250
300
Precio Neto
(ptas./Tm.)
450.000
430.000
380.000
350.000
310.000
280.000
160
q2 - 100 r2 0;
q5 - 250 r5 0;
q3 - 150 r3 0;
q6 - 300 r6 0;
161
Restricciones de continuidad
x1 - 100 y2 - 100 y3 0
x2 - 100 y3 0
Restricciones de no negatividad e integridad
q1, q2, q3, q4, q5, q6, x1, x2, x3 0
y1, y2, y3, r1, r2, r3, r4, r5, r6 {0,1}
El fichero de LINGO y la informacin de la solucin se muestran a
continuacin:
Problem4.lng
!Problema 4;
MODEL:
SETS:
TRAMOSCOSTES /1..3/:CANTPROD,CTEUNITRAMO,VBINCTE;
TRAMOSVENTAS /1..6/:CANTVEND,PRECIOTRAMO,LIMSUPVTA,VBINVTA;
!Para preparar restricciones de lmites en los tramos de la funcin de
costes;
LIMCTE(TRAMOSCOSTES,TRAMOSCOSTES):A;
!Para preparar restricciones de continuidad de la cantidad producida;
CONTCTE(TRAMOSCOSTES,TRAMOSCOSTES):B;
ENDSETS
DATA:
! Costes unitarios por tramo;
CTEUNITRAMO= 400, 250, 150;
! Precios por tramo;
PRECIOTRAMO= 450, 430, 380, 350, 310, 280;
!Coeficientes restricciones lmites tramos funcin costes;
A= 100, 100, 100,
0, 100, 100,
0,
0, 100;
! Lmites en los tramos de la funcin de ingresos;
LIMSUPVTA=50,100,150,200,250,300;
!Coeficientes restricciones continuidad tramos funcin costes. Se ha
aadido una tercera fila
para la tercera variable con el fin de emplear el producto matricial
de esta matriz por el
vector de variables binarias de costes, pero realmente la restriccin
que queda es x3>=0.
Otra opcin hubiera sido definir en SETS un conjunto de 2 elementos
correspondientes a las
dos restricciones de continuidad, aadiendo como caracterstica una
matriz B definida por
los conjuntos o ndices (SETS) TRAMOSCOSTES y ese nuevo conjunto
creado a tal efecto;
B=
0, 100, 100,
0,
0, 100,
0,
0,
0;
ENDDATA
162
44
5000.000
2
Value
100.0000
100.0000
0.0000000E+00
400.0000
250.0000
150.0000
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
200.0000
0.0000000E+00
0.0000000E+00
450.0000
430.0000
380.0000
350.0000
310.0000
280.0000
50.00000
Reduced Cost
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
35000.00
0.0000000E+00
120.0000
36.66666
0.0000000E+00
0.0000000E+00
3.333328
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
163
LIMSUPVTA(2)
LIMSUPVTA(3)
LIMSUPVTA(4)
LIMSUPVTA(5)
LIMSUPVTA(6)
VBINVTA(1)
VBINVTA(2)
VBINVTA(3)
VBINVTA(4)
VBINVTA(5)
VBINVTA(6)
A(1, 1)
A(1, 2)
A(1, 3)
A(2, 1)
A(2, 2)
A(2, 3)
A(3, 1)
A(3, 2)
A(3, 3)
B(1, 1)
B(1, 2)
B(1, 3)
B(2, 1)
B(2, 2)
B(2, 3)
B(3, 1)
B(3, 2)
B(3, 3)
Row
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
164
100.0000
150.0000
200.0000
250.0000
300.0000
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
100.0000
100.0000
100.0000
0.0000000E+00
100.0000
100.0000
0.0000000E+00
0.0000000E+00
100.0000
0.0000000E+00
100.0000
100.0000
0.0000000E+00
0.0000000E+00
100.0000
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
25000.00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Slack or Surplus
5000.000
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
100.0000
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
-150.0000
0.0000000E+00
40000.00
0.0000000E+00
250.0000
0.0000000E+00
300.0000
400.0000
266.6667
200.0000
160.0000
133.3333
-250.0000
-350.0000
0.0000000E+00
Problemas propuestos
1.- Un fabricante de jabn no puede satisfacer la demanda de uno de sus detergentes
en polvo por tener insuficiente capacidad de produccin, lo que le lleva a una
prdida de ventas de 10000 kgs. semanales. Recurre a la compra de jabn en polvo a
otros diez fabricantes, para mezclarlos y obtener uno que satisfaga, al menos, las
especificaciones del jabn que est comercializando. Las cinco caractersticas
fundamentales del jabn en polvo son: poder de lavado, generacin de espuma,
aroma, dureza y cuidado al medio ambiente. El jabn a obtener debe tener un factor
de poder de lavado no inferior a 65, de generacin de espuma no inferior a 3, de
aroma no inferior a 7, de dureza no mayor de 4 y de dao al medio ambiente no
superior a 25. Las caractersticas de los jabones que se mezclan se expresan en la
tabla adjunta:
jabn 1
jabn 2
jabn 3
jabn 4
jabn 5
jabn 6
jabn 7
jabn 8
jabn 9
jabn 10
Poder de
lavado
50
40
30
70
65
81
88
45
54
77
generacin
espuma
30
39
90
42
63
39
48
90
52
49
aroma
dureza
100
80
60
50
30
90
45
76
81
45
33
90
65
81
93
23
44
21
12
33
dao al medio
ambiente
22
55
23
32
18
17
21
14
20
19
2.- Una industria puede llevar a cabo su proceso productivo mediante tres tcnicas o
mediante alguna combinacin de las mismas. Cada tcnica ha sido diseada para
minimizar las emisiones de un tipo de gas contaminante aunque a costa de aumentar
las emisiones de otro. La siguiente tabla muestra el volumen de emisiones de tres
gases, donde 1 indica el nivel mximo permitido por la ley:
165
Tcnica
A
B
C
CO2
1,2
0,7
0
Azufre
0,6
0,2
1,1
Clorofluocarbonados
0,1
1,3
0,3
La empresa no puede utilizar una sola tcnica porque excedera las emisiones
permitidas de algn gas, as que necesita combinarlas de alguna manera para llevar a
cabo su produccin. Asumiendo que las emisiones se combinan linealmente,
determine cul debe ser la combinacin ptima de tcnicas (la suma debe ser igual a
uno) bajo dos criterios :
a) minimizar la suma de los tres niveles de emisiones exigiendo que no se
sobrepase el tope legal en ningn caso.
b) minimizar el mximo nivel de emisin de los tres gases.
3.- Un ayuntamiento tiene tres opciones para llevar a cabo un proyecto urbanstico.
Cada opcin ha sido valorada por parte de distintos grupos influyentes en base a
cuatro criterios, dando lugar a puntuaciones entre 0 (opcin nada satisfactoria) y 1
(opcin muy satisfactoria). Los resultados se han ordenado en la siguiente tabla:
Grupo
Sindicatos
Empresarios
Grupos ecologistas
Partidos polticos
Criterio
Opcin A
Generacin de empleo
0,9
Beneficios empresariales
0,6
Impacto medioambiental
0,3
Gasto presupuestario
0,4
Opcin B
0,6
0,3
0,5
0,8
Opcin C
0,3
0,8
1
0,5
4.- Una empresa de reciclado recoge cuatro tipos de material de desecho slido y
los trata para amalgamarlos en un producto comercializable. Se pueden hacer tres
grados diferentes de este producto, segn la mezcla de materiales que use. Aunque
existe alguna flexibilidad para esta mezcla en cada grado, los estndares de calidad
especifican un porcentaje mnimo y uno mximo (en peso) de ciertos materiales
permitidos en ese grado.
En la siguiente tabla se muestran estas especificaciones junto con el costo del
proceso de amalgamado y el precio de venta para cada grado.
166
Grado
A
B
C
Especificacin
Amalgamado
Coste: ptas./kg.
Precio de venta
ptas./kg.
300
850
250
700
200
550
kgs./semana disponibles
3000
2000
4000
1000
5.- Una empresa de muebles quiere determinar la cantidad a producir de los dos
tipos de sillas que actualmente fabrica. Dispone de tres mquinas (torno grande,
torno pequeo y mquina para tallar) y mano de obra, es decir, de cuatro tipos de
factores productivos: horas de uso de torno grande, horas de uso de torno pequeo,
horas de uso de la mquina de tallar y horas de mano de obra. Dispone de 90, 140,
120 y125 horas, respectivamente. Los dos tipos de silla que produce son funcional y
de lujo. Una silla funcional tiene un coste de fabricacin de 1.500 pesetas y una de
lujo de 2.500 ptas. El precio de venta es de 8.200 y 10.500 ptas., respectivamente.
Los requerimientos de los 4 recursos productivos que corresponden a la produccin
de cada tipo de silla, funcional o de lujo, vienen recogidos en la siguiente tabla:
Recurso
Torno pequeo
Torno grande
Mquina tallar
Mano de obra
Funcional horas/silla
08
05
04
10
De lujo horas/silla
12
07
10
08
167
Recursos/Tipo de silla
Torno pequeo
Torno grande
Mquina de tallar
Mano de obra
Incremento coste ptas./silla
Uso intensivo
torno pequeo
Funcional
De lujo
horas/silla horas/silla
13
17
02
03
04
10
105
082
100
150
Uso intensivo
torno grande
Funcional
De lujo
horas/silla horas/silla
02
05
13
15
04
10
110
084
70
160
Se desea determinar las cantidades a producir de cada silla en cada proceso que
maximicen el beneficio.
6.- Una granja produce trigo y paja utilizando siete procesos. Los datos de estos
siete procesos se recogen a continuacin:
Procesos
1
2
3
4
5
6
7
Produccin
trigo
paja
arrobas/hanegada balas/hanegada
30
10
50
17
65
22
75
26
80
29
80
31
75
32
Inputs
fertilizante
semillas
kgs./hanegada kgs./haneg.
0
10
5
10
10
10
15
10
20
10
25
10
30
10
El precio de venta para el trigo es de 400 ptas. por arroba y para la bala de paja
es de 50 pesetas. El kilo de semilla cuesta 20 ptas. y el de fertilizante 200 pesetas.
Adems, tiene un coste de produccin de 500 ptas. por hanegada que incluira el
resto de inputs (mano de obra, maquinaria, etc.). La disponibilidad de tierra de esa
explotacin agrcola es de 5000 hanegadas. Se pide determinar la cantidad a vender
de trigo y de paja, la cantidad a comprar de semilla y de fertilizante, as como las
hanegadas a destinar a cada uno de los siete procesos, para maximizar el beneficio.
168
7.- Una empresa de piensos para animales quiere sacar al mercado un nuevo
producto en envases de 1 kilo. Los componentes de este alimento son maz, avena,
soja, urea, fosfato biclcico, sal, vitamina A y patata. El coste de los ingredientes
por kilo se recoge en la siguiente tabla:
ptas./kg.
maz
avena
soja
urea
133
498
77
11
fosfato
biclcico
30
sal
vitamina A
patata
286
332
10
Las propiedades alimenticias que debe satisfacer este pienso deben estar
comprendidas entre unos mnimos y unos mximos. Estas propiedades o nutrientes
son la energa neta, la protena digestible, la grasa, la vitamina A, el calcio, la sal y
el fsforo. En el siguiente cuadro se recogen las propiedades que debe reunir el
nuevo pienso:
Nutriente
energa neta
protena digestible
grasa
vitamina A
sal
calcio
fsforo
peso
unidad de medida
miles de kilocaloras
kilos
kilos
unidades internacionales
kilos
kilos
kilos
kilos
mnimo aporte
unidad/kilo
134351
0071
2200
0015
00025
00035
1
mximo aporte
unidad/kilo
013
005
002
001
0012
1
Cada uno de los componentes del pienso contiene estos nutrientes en distintas
proporciones. La informacin relacionada con estos contenidos est reflejada en la
siguiente tabla, recogiendo unidad de medida de nutriente por kilo de ingrediente
alimenticio:
vit. A
patata
fosfato
biclcico
-
13900
1
-
02313
01865
2204600
-
00320
00090
00020
00024
169
energa
neta
protena
grasa
vit. A
sal
calcio
fsforo
maz
avena
soja
urea
sal
148
049
129
0075
00357
600
00002
00035
0127
0022
50880
00125
00023
0438
0013
80
00036
00075
262
068
Se quiere determinar la composicin del kilo del nuevo pienso para que se
minimice el coste de produccin y se satisfagan todas las caractersticas de
nutrientes.
ptas./kg.
demanda mxima semanal
B
240
100
C
300
80
D
200
60
El tiempo que se requiere para producir los diferentes productos en los cinco
centros de produccin de la empresa, la disponibilidad de tiempo en cada uno de
estos centros, los costes de funcionamiento y los costes de material para los distintos
productos son los siguientes:
horas por kilo de
centro 1
centro 2
centro 3
centro 4
centro 5
coste material ptas./kg.
A
1
2
5
2
B
3
2
4
40
C
3
6
2
62
D
1
1
3
2
38
Horas
disponibles
semanales
240
360
280
400
160
costes
funcionamiento
ptas./hora
12
18
8
20
14
El signo en las horas por kilo de producto significa que el centro no puede
fabricar dicho producto. Para satisfacer a sus clientes debe producir semanalmente
como mnimo 10 kilos de A, 20 de B, 20 de C y 15 de D.
Puede aumentar la capacidad de horas de los cinco centros pagando un 20%
ms por cada hora extra hasta un total de 100 horas en total entre los cinco centros.
Obtngase la cantidad a producir de cada uno de los 4 productos en cada uno
de los 5 centros, as como las horas extra a utilizar.
9.- La empresa Orden Hedores, S.L. trabaja con tres plantas, W, X, Y, para montar
dos tipos de ordenadores. Debido a diferencias en las tcnicas de trabajo y salarios,
as como en la automatizacin de las diferentes tareas, el tiempo medio requerido
para montar los productos y los mrgenes de beneficio varan con la localizacin de
la planta y la lnea de montaje. Las siguientes tablas resumen la informacin de los
mrgenes de beneficio (ptas./unidad), requerimientos de tiempo por unidad
(minutos/unidad), capacidad de las lneas de montaje (horas/semana), el nivel
mximo de produccin que puede absorber el mercado de cada producto as como
las mnimas entregas contratadas con sus clientes (unidades/semana):
170
Planta
Lnea
W
W
X
Y
Y
1
2
1
1
2
Ordenador A
tiempo medio
margen
min./unidad
ptas./unidad
60
420
72
350
30
625
30
600
Planta
Lnea
W
W
X
Y
Y
1
2
1
1
2
Ordenador B
tiempo medio
margen
min./unidad
ptas./unidad
150
610
180
525
60
825
60
750
-
Ordenador C
tiempo medio
margen
min./unidad
ptas./unidad
30
42
12
18
300
250
390
370
Capacidad
de la lnea
horas/semana
40
40
40
40
40
A
1200
700
B
1500
950
C
1000
600
10.- La empresa vitivincola Blanco, S.A.L. vende tres tipos de vinos blancos que
prepara mezclando tres variedades de uva. La siguiente tabla recoge la composicin
de los tres vinos, sus mrgenes de beneficio y la oferta disponible de los distintos
tipos de uva para elaborar los vinos. Se supone que se vende todo el vino que se
produce a los mrgenes mencionados.
Tipo de vino
Blanc Plus
Marqus Ina
Castellet Blau
Oferta de uva disponible, Tm.
Margen
ptas./litro
275
145
80
171
Tiene unas limitaciones sobre las cantidades que puede vender en el mercado
de 8.000 litros de Blanc Plus, 5.000 litros de Marqus Ina y 10.000 litros de
Castellet Blau.
Se pide:
a) La cantidad de cada tipo de vino que debe producir Blanco, S.A.L. para
maximizar el beneficio.
b) La cantidad de vino de cada tipo que debe producir Blanco, S.A.L. para
maximizar el beneficio, si puede aumentar la disponibilidad de uva de la variedad
meseguera en unas 4 toneladas ms, pagando 90.000 pesetas por tonelada,
importndola de otras regiones.
11.- Una empresa inmobiliaria ha comprado dos solares para construir edificios. El
total de metros cuadrados es de 120.000. La empresa debe decidir qu tipos de casa
construir en los dos solares. Las posibilidades que tiene pasan por variar el tamao
de las viviendas y el tamao de las parcelas o solares individuales. Un anlisis de
mercado proporciona una estimacin del mximo nmero de unidades a vender
segn cada una de las alternativas de tamao elegida. En la siguiente tabla se
recogen esos resultados:
Alternativa
Descripcin
Casa grande
Parcela grande
Casa grande
Parcela mediana
Casa mediana
Parcela mediana
Casa pequea
Parcela mediana
Casa pequea
Parcela pequea
B
C
D
E
Tamao
parcela
m2
5600
Margen
unitario
ptas.
5800
Lmites del
mercado
unidades
5
5000
5100
5000
4500
11
5000
4200
12
4300
3900
Quiere determinar el nmero de viviendas de cada tipo que debe construir para
maximizar el beneficio.
12.- La empresa Mont tiene tres fbricas que pueden producir los dos nicos
productos que actualmente comercializa. Una de las tres factoras es ms moderna y
eficiente que las otras, por lo que los costes laborales son sustancialmente inferiores.
Por esta razn, Mont prefiere fabricar todo lo que sea posible en esa factora. Los
costes de distribucin tambin varan con la ubicacin de las factoras. La demanda
172
prevista de los dos productos es de 800 toneladas del producto A y 600 del producto
B. La siguiente tabla resume los costes laborales (ptas./kg.), costes de distribucin
(ptas./kg.) y la capacidad (toneladas) de las tres factoras para afrontar esa demanda.
Fbrica
Albacete
Cuenca
Puertollano
Coste
personal
ptas./kilo
200
350
375
Producto A
Coste
distribucin
ptas./kilo
35
30
25
Capacidad
Tm.
700
300
250
Coste
personal
ptas./kilo
325
500
450
Producto B
Coste
distribucin
ptas./kilo
30
25
20
Capacidad
Tm.
500
300
300
Algodn
Trigo
Requerimientos de
agua
hectolitros /hectrea
45
25
Capacidad de cultivo
mediante mano de
obra y equipo
750
800
Beneficio anual
esperado
ptas./hectrea
350
250
14.- Jabono, S.A. fabrica seis jabones lquidos diferentes para el cuidado personal y
para tareas de limpieza. Los mrgenes de beneficio de los productos son:
173
Producto
Jabn de mano
Champ
Limpiador de cocina
Quitamanchas
Limpia tapetes
Limpia coches
Margen ptas./litro
220
235
245
250
230
260
Producto
Jabn de mano
Champ
Limpiador de cocina
Quitamanchas
Limpia tapetes
Limpia coches
Disponibilidad de ingredientes
(miles de litros)
Composicin
% por volumen de ingrediente:
A
B
C
D
E
45
25
10
10
10
40
40
5
5
10
55
15
10
15
5
60
10
5
10
15
45
15
30
5
5
50
5
30
10
5
150
50
75
20
30
Mxima cantidad
a vender (litros)
100.000
20.000
70.000
15.000
50.000
30.000
Mnima cantidad
a producir (litros)
80.000
7.500
20.000
6.000
15.000
10.000
174
15.- La compaa Pest Chemical produce tres tipos de insecticidas para proteger
plantas y cultivos. Envasa cada insecticida en contenedores de una capacidad de 16
onzas. El contenido de materiales activos de cada insecticida, la disponibilidad de
estos materiales para la produccin del prximo mes, el nmero de contenedores
vacos disponibles y el margen de beneficio son los siguientes:
Tipo insecticida
Flores
Jardn
Cultivos
Disponibilidad (onzas)
16.- Frutos Secos del Maestrazgo, S.L. produce una serie de alimentos preparados
para servir en fiestas. Sus productos consisten en tres tipos de mezclas de frutos
secos cuya composicin, margen de beneficio, cantidades disponibles de cada fruto
seco, lmites mximos de cantidad a vender y mnimo de produccin para satisfacer
la demanda ya contratada de los clientes son:
Mezcla
Cocktails Plus
Standard
Bar Mix
Disponibilidad
Mezcla
Cocktails Plus
Standard
Bar Mix
Nueces %
20
10
0
2800
Cacaos %
40
35
15
9500
Margen beneficio
(ptas./kilo)
39
32
20
Almendras %
30
30
25
12000
Mnima produccin
(kgs.)
1500
2500
10000
Pistachos %
10
25
60
20000
Mxima venta
(kgs.)
3000
8500
30000
17.- El responsable financiero de una gestora de patrimonios tiene que decidir sobre
la inversin de 100 millones de pesetas de sus clientes. Despus de un estudio
preliminar de las inversiones disponibles, se decide por invertir la totalidad del
175
Para equilibrar los activos de alto riesgo-alto rendimiento (acciones) con los de
bajo riesgo-bajo rendimiento (certificados de depsito), decide que la inversin en
los primeros no supere el doble de la inversin en los segundos. Para diversificar,
tambin decide invertir al menos el 10% de los fondos en cada uno de lo dos tipos
de empresas (suministros y electrnicas). Por ltimo, las inversiones en una sola de
las compaas no puede superar el 80% de la cantidad invertida en el total de las dos
empresas del mismo sector.
a) Determine las cantidades a invertir en los diferentes activos para alcanzar la
mxima tasa de rendimiento.
b) Se sustituye en la cartera los certificados de depsito por bonos del estado
que tienen el mismo rendimiento, pero que deben comprarse en incrementos de
10.000 pesetas, (valor nominal de cada bono). Tambin, para evitar costes de
adquisicin, las acciones de las cuatro empresas deben comprarse en lotes de 100. El
precio de estas acciones es el siguiente:
Acciones
Ibertrola
Gas Popular
Traca electrnica
Imperio electrnico
Precio. Ptas./accin
37125
6225
23875
56375
176
informacin que los planificadores han recogido acerca del coste de construccin de
las instalaciones, del gasto anual de mantenimiento de las mismas, de los
requerimientos de espacio para cada una y del uso diario esperado.
coste inicial
miles de ptas.
mantenimiento
anual
Miles de ptas.
Espacio
requerido
m2
Media de uso
anticipado
personas/da
15.500
38.000
9.000
15.000
42.500
125.000
50.000
35.000
5.500
11.000
2.500
5.500
14.000
19.000
6.500
5.000
13.000
14.000
5.000
6.000
7.000
8.500
6.500
4.000
750
1100
120
180
1150
1300
250
325
70.000
5.000
3.000
8.000
3.000
2.000
8.700
14.600
7.300
400
500
250
Instalacin
177
20.- Una empresa tiene tres fbricas que abastecen a cinco regiones de ventas. En la
siguiente tabla se presentan los costes de transporte y los requisitos de las ventas.
Fbrica
1
2
3
Requisitos ventas (unidades)
178
Total ventas
1000
Cada fbrica puede operar en uno o dos turnos; los costes y las capacidades
correspondientes son los siguientes:
Primer turno
Segundo turno
Fbrica
cte. variable
ptas./unidad
coste fijo
(ptas.)
capacidad
(unidades)
cte. variable
ptas./unidad
coste fijo
(ptas.)
capacidad
(unidades)
1
2
3
300
150
100
20000
50000
40000
100
300
200
450
200
150
5000
7000
7000
100
300
200
Obsrvese que los costes fijos del primer turno son mayores porque se
incluyen los gastos adicionales generales de la fbrica, mientras que los costes fijos
del segundo turno slo incluyen los costes relacionados con el funcionamiento de
dicho turno.
La gerencia pretende aadir 400 unidades de capacidad adicional a la fbrica 3
(200 unidades en cada turno). El coste variable sera de 100 pesetas por unidad en el
primer turno y de 150 pesetas en el segundo. Los costes fijos adicionales seran de
30000 pesetas en el primer turno y de 5000 pesetas en el segundo (estas cantidades
incluiran el rendimiento esperado de la inversin).
Una poltica de la compaa es que el segundo turno no opere por debajo del
40% de su capacidad ni el primer turno debajo del 60% (es decir, un turno no opera
o lo hace por encima de esos lmites).
La compaa quiere determinar el programa ptimo de envos (unidades
enviadas desde fbricas a almacenes) que minimice el coste. Adems, quiere
averiguar si debe aadirse la capacidad adicional a la fbrica 3 y qu turnos hay que
cerrar en las fbricas, si es necesario. Obsrvese que el cierre de los dos turnos de
una misma fbrica equivale al cierre de la misma.
21.- Una empresa de conservas produce tres productos: Yaya, Estost y Demuert.
El precio de venta de estos tres productos es de 120, 210 y 200 pesetas
respectivamente. El coste variable de produccin es de 55 pesetas para Yaya y 110
pesetas para una Estost. El proceso de produccin de la Demuert conlleva un coste
fijo de 100.000 pesetas por el precalentamiento de un horno ms 80 pesetas por
unidad de Demuert que se produzca. Como es obvio, los costes de fabricacin de las
Demuert son cero si se determina no producir nada de esta conserva.
La capacidad de la fbrica impone un lmite de 240 horas mquina por semana.
Para producir cien unidades de Yaya se requiere dos horas de mquina, para
producir cien unidades de Estost una, y para producir cien unidades de Demuert,
tres horas.
179
Tiene un contrato con el Centro Excursionista del Istmo de Botul que le obliga
a producir, al menos, 1000 unidades de Estost. La demanda mxima del mercado
para las Demuert es de 6000 unidades.
a) Modelice y resuelva el problema de maximizacin de beneficios.
b) Le interesa a la empresa ampliar la cantidad servida al centro
excursionista?
22.- Un mensajero tiene que desplazarse cada da desde Alcoy hasta Albacete,
motivo por el que est estudiando en un mapa de carreteras cul es el trayecto ms
corto. Las carreteras existentes entre los distintos pueblos y su distancia en Km. se
encuentran disponibles en mapas de carreteras, por lo que no se facilita aqu esa
informacin, debiendo consultarse para resolver el problema. Obtenga el camino
ms corto desde Alcoy hasta Albacete mediante el tratamiento cientfico
correspondiente.
23.- La empresa Ruino, S.A. vende a mayoristas doce productos: ajo, alcachofa,
apio, cebolla, coliflor, espinaca, hinojo, lechuga, patata, pimiento, tomate y
zanahoria. El precio actual que le pagan depende de la cantidad vendida, pues la
competencia le obliga a rebajar el precio de venta de todo lo que pase de unos
determinados niveles. La tabla de precios y niveles a partir de los que se aplica el
descuento son:
Producto
Ajo
Alcachofa
Apio
Cebolla
Esprrago
Espinaca
Hinojo
Nabo
Patata
Pimiento
Tomate
Zanahoria
Precio ptas./kg.
200
30
40
29
100
10
35
9
30
55
45
15
180
recogidos en la siguiente tabla, junto con las disponibilidades de hectreas que posee
la empresa:
Producto
Ajo
Alcachofa
Apio
Cebolla
Esprrago
Espinaca
Hinojo
Nabo
Patata
Pimiento
Tomate
Zanahoria
Disponibilidad
Campos tipo 1
Ha/Tm
0087
0120
0100
0091
0111
0119
0161
0083
0250
100 Ha
Campos tipo 2
Ha/Tm
0500
0100
0280
0167
0083
0125
0125
0182
0125
80 Ha
Campos tipo 3
Ha/Tm
1000
0200
0100
0112
0133
0192
0143
0120
0250
0109
50 Ha
Coste por Tm
10.000
12.500
9.000
15.000
17.000
6.000
5.000
4.000
4.000
6.000
7.500
4.000
181
Requerimiento de jornales
jornal/Tm
1200
900
600
500
1100
700
500
450
450
750
600
450
90000
182
% merma
325
500
660
400
383
1000
800
410
450
352
580
287
24.- Una empresa dispone de tres fbricas y tres almacenes. Los costes de cada
envo, las unidades disponibles en cada fbrica y las unidades requeridas por cada
almacn para satisfacer la demanda son las siguientes:
Fbricas
Xtiva
Alzira
Carlet
Silla
Unidades requeridas
0,80
0,90
1,00
10
Almacenes
Torrent
Millares
0,85
0,70
0,60
28
1,45
1.05
1,15
22
Unidades
disponibles
10
20
30
60
3000 unidades
2000 unidades
2500 unidades
2200 unidades
2700 unidades
183
Por la experiencia obtenida en otras zonas donde opera la empresa, sabe que
los costes de transporte le resultan a 3 ptas. por Km. y unidad transportada. La
distancia entre las poblaciones viene dada en cualquier mapa de carreteras. Para dar
un mayor servicio y abaratar los costes de transporte, la empresa ha decidido instalar
un almacn con capacidad para 5000 unidades en tres de esas cinco ciudades. El
problema que se le presenta es determinar en qu poblaciones deber instalar los tres
almacenes para que el coste de la distribucin sea mnimo.
Fotografa
8
2
8
7
8
3
8
Discos
9
9
7
5
9
9
7
Calzado
2
4
3
6
6
1
6
Juguetera
4
1
9
10
9
10
3
Librera
1
2
1
1
3
4
4
184
De Vandells a:
coste (euros/unidad)
Mnima cantidad
Mxima cantidad
De Vinaroz a:
coste (euros/unidad)
mnima cantidad
mxima cantidad
De Alcaiz a:
coste (euros/unidad)
mnima cantidad
mxima cantidad
Vinaroz
17
700
1000
Alcaiz
20
500
1800
Zaragoza
12
400
800
Zaragoza
9
300
1000
Valencia
11
300
700
Valencia
7
350
750
En funcin de esta informacin, determine los envos entre Vandells y los dos
centros de transbordo (Vinaroz y Alcaiz), y entre stos y Zaragoza y Valencia que
minimicen el coste total de transporte.
Horas trabajo
Materia prima (kg.)
Energa (kw/h)
Precio de venta: ptas./kg.
A
4
20
600
10000
B
8
26
360
20000
C
3
16
240
18000
D
3
18
500
15000
Reacme tiene hasta 1600 horas de trabajo disponibles en sus operaciones del
primer turno (en el mes). El contrato de trabajo permite esta cantidad de horas a
1000 ptas. la hora. La materia prima (pasta de papel) cuesta 250 ptas. por kilo y se
pueden comprar hasta 320 toneladas al mes. La energa cuesta cinco pesetas por
kw/h (kilovatio por hora) y se puede obtener cualquier cantidad.
Se pide determinar la cantidad de los tres productos a producir y la de los
factores a emplear en la produccin (horas de trabajo, energa y materia prima) que
maximicen el beneficio en los siguientes supuestos:
a) Es posible implantar un segundo turno de operaciones. Este turno permitira
disponer de 2700 horas de trabajo adicionales a un coste de 1200 ptas. por hora. As
185
29.- Una empresa pirotcnica produce tres productos, Pim, Pam y Pum. El precio
de venta de estos tres productos es de 20, 10 y 35 pesetas respectivamente. El coste
variable de produccin es de 5 pesetas para un Pum y 7 pesetas para un Pam. Tiene
un coste fijo de 1.000.000 de pesetas. La produccin de los Pim se beneficia de unas
economas a escala que le permiten producir las primeras 150 unidades a 10
pesetas, pero las que pasen de 150 a 8 pesetas de coste. La capacidad de la fbrica
impone un lmite de 2000 horas mquina por semana, pero que puede ampliar
alquilando otra nave a razn de 1000 pesetas la hora de maquinaria adicional hasta
un lmite de 200 horas ms. Adems, tiene un contrato con la Junta Central de
Fiestas que le obliga a producir, al menos, 200 unidades de Pam. Para producir un
Pim se requiere media hora de mquina, para producir un Pam una hora y para
producir un Pum, dos horas.
a)
186
CAPTULO 4
Anlisis de modelos de programacin no lineal
4.1.- INTRODUCCIN
4.2.- ESQUEMA GENERAL DEL ANLISIS EN P.N.L.
4.3.- ESTUDIO DE LA ESTABILIDAD DE LA SOLUCIN: ANLISIS DE
SENSIBILIDAD EN P.N.L.
4.1.- INTRODUCCIN
En el captulo 1 se ha adelantado que en los modelos econmicos de
optimizacin hay tres cuestiones fundamentales: la existencia, la unicidad y la
estabilidad de la solucin del problema. En los captulos siguientes, haciendo uso de
LINGO, se ha constatado que los sistemas soporte proporcionan a problemas de
programacin lineal o programacin lineal entera un ptimo global, siempre que
ste exista. Sin embargo, si el problema de optimizacin es de P.N.L., la solucin
que pueda facilitar el sistema soporte slo se puede asegurar que es local, por lo que
podra no ser la solucin buscada.
En este captulo se recogen las herramientas conceptuales para llevar a cabo el
anlisis de problemas de P.N.L.1 cuyo esquema se explica en la segunda seccin y
que incide en los aspectos fundamentales mencionados antes. Previamente, en el
epgrafe 4.2.1, con el fin de dar un apoyo a los siguientes pasos del anlisis, se
enuncian unas condiciones de concavidad/convexidad generalizadas para funciones
de clase C2, por ser las condiciones ms fciles de contrastar. El epgrafe siguiente
contiene unas condiciones suficientes para que exista solucin finita en un problema
de optimizacin. Las caractersticas de las condiciones de Kuhn y Tucker se tratan
en el epgrafe 4.2.3, en cuanto a si son necesarias y/o suficientes de ptimo local, y
por tanto global. El epgrafe 4.2.4 aborda la globalidad de la solucin, enunciando el
teorema local-global y sus extensiones segn las propiedades de concavidad o
convexidad generalizadas. Habr que estudiar si estos teoremas se verifican o no
para los problemas no lineales resueltos mediante sistema soporte. Este mismo
epgrafe proporciona condiciones suficientes para asegurar la unicidad de la
solucin mediante la adaptacin de los teoremas anteriores al caso de estricta
concavidad/convexidad y sus generalizaciones.
El anlisis de la estabilidad de la solucin ante cambios en los parmetros se
trata en la seccin tercera, dedicada al anlisis de sensibilidad y, en concreto, a los
pasos a seguir para efectuarlo.
En los problemas resueltos se muestran distintos casos de aplicacin del
anlisis de problemas no lineales.
1
Para efectuar el anlisis de un problema de P.N.L. son necesarios conocimientos sobre convexidad de
conjuntos, y sobre concavidad y convexidad generalizadas de funciones. El lector que no est
familiarizado con estos conceptos deber consultar la bibliografa bsica que los trata, por ejemplo,
Madden (1986); Barbolla y otros (1991); Meneu y otros (1999); Bazaraa y otros (1993); Mangasarian
(1969). Si el instrumental matemtico proporcionado por este texto en su epgrafe 4.2.1 se muestra
insuficiente para llevar a cabo el anlisis del problema, se deber recurrir inexcusablemente a la
bibliografa antes citada para completarlo.
188
189
Por matriz semidefinida negativa se entiende en este texto que la matriz representa a una forma
cuadrtica negativa, semidefinida negativa o nula, es decir, a una forma cuadrtica cuyas imgenes no
pueden ser nmeros reales positivos. Anlogamente, una matriz semidefinida positiva representa a una
forma cuadrtica cuyas imgenes no pueden ser nmeros reales negativos.
190
f
H *r = x 1
f
x r
f
2f
2f
x 1
2 x1
x r x 1
f
x 1x r .
f 2
x r
x r
[f (x )]t = 0
0
f ( x ) Hf ( x ) I
son todas negativas (positivas), j < 0 (j >0).
191
[f (x )]t = 0
0
f ( x ) Hf ( x ) I
son no positivas (no negativas), j 0 (j 0); y si x S la funcin es no
estacionaria y las n races son negativas (positivas), entonces la funcin es
estrictamente cuasicncava (cuasiconvexa).
A modo de resumen, las relaciones inmediatas entre los distintos conceptos
relacionados con la concavidad generalizada se recogen en el siguiente diagrama de
flujo:
Cuasicncava
S abierto y
f diferenciable
Cncava
Pseudocncava
Explcitamente
cuasicncava
S abierto y
f diferenciable
Estrictamente
cncava
Estrictamente
pseudocncava
Estrictamente
cuasicncava
192
Funcin:
f : R +n + R +
Estrictamente
cuasicncava y
estrictamente
cncava
Estrictamente
cuasicncava y
cncava
Estrictamente
cuasicncava y no
cncava
COBB-DOUGLAS:
f (x) = k
a j <1
x aj i ,
j =1
j =1
aj =1
j =1
a j >1
j =1
k > 0, a j > 0 j N
C.E.S.:
-
n
-
f (x)= k jx j ,
j =1
0 < <1
=1
>1
> 0, 0, > 1
Funcin:
f : R +n + R +
Cuasicncava y
cncava
Cuasicncava y
no cncava
>1
LEONTIEF:
x j
> 0, j > 0 j N
193
f(x) > 0
si i J (i K)
x i < 0 si i K (i J)
x x * n
siendo el primer trmino el supremo de los lmites de f(x) para todas las sucesiones de puntos
convergentes a x*. La definicin para el caso de semicontinua inferiormente es anloga.
194
f(x)
f(x)
= 5 < 0 ,
= 7 < 0 .
x
y
En consecuencia, queda garantizada la existencia de mximo global. Obsrvese
que el conjunto de oportunidades no est acotado por lo que no se cumple el
teorema de Weierstrass.
4.2.3.- Caractersticas de las condiciones de Kuhn y Tucker
Como ya se ha adelantado, esta etapa del anlisis se desarrollar si se pretende
obtener la solucin del problema mediante las condiciones de Kuhn y Tucker. Para
195
Max. f(x)
s.a g(x) b ,
x X,
[PNL]
f(x) -
m
i g i (x)
KT a),
i =1
i 0
g i (x) b i
i = 1,..., m
i = 1,..., m
i [b i - g i (x)] = 0
i = 1,..., m
KT b),
KT c),
KT d).
Estas condiciones son la base para encontrar puntos ptimos, aunque por s
solas no son ni necesarias ni suficientes de mximo local ni global. Las condiciones
KTa) hasta KTd) se llaman respectivamente condicin de estacionariedad, condicin
de no negatividad de los multiplicadores, condicin de factibilidad y condicin de
holgura complementaria. Alternativamente, las condiciones KTa) y KTb) juntas son
la condicin de factibilidad dual. La condicin de factibilidad dual implica que la
direccin del gradiente (direccin de mximo crecimiento) se puede expresar como
combinacin lineal no negativa de los gradientes de las restricciones y, ms
concretamente, de las restricciones saturadas, dada la condicin de holgura
complementaria. Si esto ocurre, el punto es de Kuhn y Tucker.
Condiciones necesarias de Kuhn y Tucker
Las condiciones de Kuhn y Tucker no siempre son necesarias de mximo local.
Para que lo sean, debe exigirse una condicin adicional llamada cualificacin de
restricciones. De esta manera, los ptimos del problema se encontrarn, dada alguna
cualificacin de restricciones, en el subconjunto de puntos de Kuhn y Tucker. Entre
las ms operativas destacan las siguientes:
Se ha desarrollado todo el captulo para este enunciado, para problemas de minimizacin, problemas
con restricciones de igualdad o de desigualdad en otro sentido, o con condiciones de no negatividad, se
pueden enunciar condiciones anlogas para que las condiciones de Kuhn y Tucker que resulten sean
necesarias y suficientes. Puede consultarse Meneu y otros (1999), en su captulo 5, si se desea conocer
cmo se adaptan esas condiciones para otro tipo de enunciados.
196
5
Una restriccin saturada o activa en un punto es aquella que se verifica en trminos de igualdad, es
decir, x* satura la restriccin g(x) b si y slo si g(x*)=b.
6
Para las definiciones de pseudoconcavidad, pseudoconvexidad, cuasiconcavidad y cuasiconvexidad
local, en un punto, consltese las pginas 171, 182 y 183 de Meneu y otros (1999).
197
d.2)
f(x*)
x j
f(x*)
x j
198
tener la certeza de que el punto proporcionado sea el ptimo global buscado, por lo
que se hace necesario el estudio del teorema local-global bsico o alguna de sus
extensiones para asegurar que la solucin obtenida es la deseada. A continuacin se
facilitan, a modo de condiciones suficientes, el teorema local-global y sus
extensiones. Despus se muestran las relaciones que existen entre los ptimos de
una funcin y los ptimos de determinadas funciones compuestas obtenidas a partir
de la primera con el fin de ampliar las herramientas disponibles para el estudio de la
globalidad de la solucin de un problema.
Condiciones sobre la globalidad y la unicidad de la solucin:
199
200
2 0
; H1= 2 > 0, H2= 4 > 0
Hf(x,y) =
0 2
Tampoco es pseudocncava, porque no es cuasicncava, y es sabido que la
pseudoconcavidad implica cuasiconcavidad. Y no es cuasicncava porque incumple
la condicin necesaria para funciones de clase C2:
La matriz hessiana orlada con el gradiente es:
2x 8 2 y 8
0
0
f ( x, y)
= 2x 8
2
0
' f ( x , y) Hf ( x, y) 2 y 8
0
2
Para que f(x,y) sea cuasicncava es necesario que los menores principales
orlados verifiquen que (-1)r hr*f(x,y) 0, r = 1, ..., n = 1, 2. Es decir, los menores
principales orlados de orden impar deben ser negativos, y los de orden par positivos.
Empezando por los de orden 1, se tiene:
h 1* =
2y 8
2y 8
201
~*
h1 =
2x 8
2x 8
0
2x 8 2 y 8
2x 8
2
0 = 2(2 y 8) 2 2(2x 8) 2 < 0 (x,y)S
2y 8
0
2
Como este menor principal orlado de orden 2 es negativo, f(x,y) no verifica la
condicin necesaria de funcin cuasicncava, y por lo tanto no es ni cuasicncava ni
pseudocncava.
Con todo esto se puede concluir que las condiciones de K-T son necesarias,
aunque no se sabe si son suficientes de mximo global.
Para resolver este problema se van a plantear las condiciones de K-T y obtener
los puntos que las cumplan. Entre estos puntos se encontrar el mximo global, ya
que K-T es condicin necesaria (hay cualificacin de restricciones) y se sabe que
existe mximo finito en el conjunto de oportunidades al verificarse el Teorema de
Weierstrass. Se elegir el que proporcione mayor valor a la funcin objetivo.
La funcin lagrangiana es
L(x, y, 1 , 2) = x2 + y2 - 8x - 8y + 1 [4- x2 - y2] + 2[3+ x - 3y],
y las condiciones de Kuhn y Tucker son:
De punto estacionario:
L( x, y, 1 , 2 )
= 2 x 8 2x 1 + 2 0; x 0; x[2x 8 2 x 1 + 2 ] = 0,
x
L( x, y, 1 , 2 )
= 2 y 8 2 y 1 3 2 0; y 0; y[2 y 8 2 y 1 3 2 ] = 0,
y
No negatividad de los multiplicadores:
1, 2 0,
Factibilidad de la solucin:
x2 + y2 4,
- x + 3 y 3,
202
Holgura complementaria:
1[4- x2 - y2] = 0,
2[3 + x -3 y] = 0.
El nico punto que cumple todas estas condiciones es el (0, 0, 0, 0), y por todo
lo establecido antes, ser el nico mximo global, por lo que han resultado ser
suficientes. Mediante LINGO, se hubiera obtenido la misma solucin.
Ej43.lng
!Ejemplo 4.3;
Max=x^2+y^2-8*x-8*y;
x^2+y^2<4;
-x+3*y<3;
Value
0.0000000
0.0000000
Slack or Surplus
0.0000000
4.000000
3.000000
Reduced Cost
8.000000
8.000000
Dual Price
1.000000
0.0000000
0.0000000
203
del
En LINGO, para resolver un problema para diferentes valores de un parmetro se expresa en la seccin
DATA el valor del parmetro mediante el smbolo de interrogacin, "?"; de esta forma, al resolver el
problema LINGO requiere que se introduzca un valor para dicho parmetro y as poder continuar
resolviendo el problema.
8
Para los fundamentos tericos del anlisis de sensibilidad puede consultarse el octavo captulo de
Meneu y otros (1999).
204
h ( x*)
[h(x*)]t
Hf ( x*)
205
V()
, se va a proceder primero
i
a verificar si es posible realizarlo o no. Por eso se estudiar si se cumplen los
supuestos del Teorema de la Envolvente, esto es recomendable hacerlo ya en la
segunda etapa para evitar realizar clculos innecesarios. Estos supuestos son:
Antes de efectuar el anlisis de sensibilidad,
10
Se exige que las funciones hi sean cuasiconvexas por haberse expresado la restriccin como hi 0,
pero si existe alguna restriccin hs 0 se exigir que hs sea cuasicncava; y si existe alguna restriccin
206
207
Problemas resueltos
1.- En el problema de optimizacin:
Max. -x-y
s. a
- xy -9,
x0 ;
se pide:
a) Analice la existencia de solucin.
b) Escriba las condiciones de Kuhn y Tucker del mismo. Son necesarias?
c) Verifique que el punto (3,3) cumple dichas condiciones y calcule los
multiplicadores asociados.
d) Razone si se trata de un mximo global.
e) Resuelva el problema con LINGO e interprete sus resultados a la luz de lo
estudiado en los apartados anteriores.
Solucin:
a) Existe mximo global finito para la funcin en el conjunto de oportunidades
pues:
- La funcin objetivo es cncava al ser lineal.
- El conjunto de oportunidades es cerrado ya que las restricciones no estrictas
que lo caracterizan garantizan que todos los puntos frontera del conjunto pertenecen
al mismo. Tampoco est vaco, pues, por ejemplo, el (9,1) pertenece al conjunto al
cumplir todas las restricciones. El conjunto de oportunidades tambin es convexo,
pues se trata de la interseccin de dos conjuntos convexos. El primero lo es porque
se trata de un conjunto de nivel inferior de una funcin cuasiconvexa. La funcin
g1(x,y)=-xy es cuasiconvexa por ser la opuesta de la funcin xy que es estrictamente
cuasicncava, ya que es del tipo Cobb-Douglas xayb. El segundo conjunto es
convexo pues es un semiespacio cerrado, x 0. Pero el conjunto no est acotado,
pues no existe cota superior para ninguna de las dos variables, pero s cota inferior,
x0, y0. sta ltima se deduce de x0, xy9, lo que obliga a ambas variables a ser
positivas.
- Las derivadas de la funcin objetivo respecto a las dos variables (acotadas
inferiormente) son negativas y el problema es de maximizacin.
b) Las condiciones de Kuhn y Tucker surgen tras escribir la funcin
Lagrangiana, que es la siguiente:
208
0 1
,
1 0
H=
209
Value
3.000023
2.999977
Row
1
2
Reduced Cost
1.000000
1.000000
Slack or Surplus
-6.000000
0.0000000
Dual Price
1.000000
0.0000000
s.a
Kuhn y Tucker.
b) Razone si dicho punto es mnimo global. Es nico?
c) Obtenga la solucin mediante LINGO.
Solucin:
a) Como L(x,y,) = x + y + ( -1+ x2+y2), las condiciones de KT son :
1+2x = 0, 1+2y = 0 , 0, x2+y2 1, (-1+ x2+y2) = 0.
El punto cumple las dos ltimas condiciones al saturar la restriccin.
Sustituyendo en la primera o la segunda, se tiene :
1+2 12 =0
210
cuya solucin es =
1 2 , 1 2 cumple las
condiciones de Kuhn y Tucker, que por otra parte son necesarias al verificarse la
cualificacin de restricciones de Slater. La funcin de la restriccin es estrictamente
convexa, y existe un punto factible que no satura la nica restriccin del problema,
el (1/2, 1/2) por ejemplo.
b) La funcin objetivo es convexa por ser lineal (o cncava si se cambia de
signo) y la funcin de la restriccin es estrictamente convexa, pues su matriz
hessiana es definida positiva. En consecuencia, se verifican las hiptesis del teorema
bsico de suficiencia (teorema de suficiencia de Kuhn y Tucker), por lo que el punto
Rows=
2 Vars=
2 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints=
Nonzeros=
5 Constraint nonz=
2 Density=0.833
No. < :
1 No. =:
0 No. > :
0, Obj=MIN Single cols=
0
Value
-0.7071102
-0.7071034
Row
1
2
Slack or Surplus
-1.414214
0.0000000
Reduced Cost
1.000000
1.000000
Dual Price
1.000000
0.0000000
x2 + y2 - 2y 1.
211
Rows=
2 Vars=
2 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints=
Nonzeros=
5 Constraint nonz=
2 Density=0.833
No. < :
1 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
Variable
X
Y
Row
1
2
5
3.000000
Value
1.000001
1.999999
Slack or Surplus
3.000000
0.0000000
Reduced Cost
0.0000000
-0.1067261E-05
Dual Price
1.000000
0.4999997
4.- a) Enunciado
La empresa Farino, S. A. fabricante de productos alimenticios basados en
harina de pescado, elabora 4 productos finales (3 sopas y 1 potenciador del sabor) y
un producto intermedio, la harina de pescado. Para producir los 4 productos finales
dispone de 5 componentes alimenticios (sal, desperdicios de pescado, agua, verduras
congeladas, harina de trigo) y de la harina de pescado que obtiene, a su vez,
212
sal
ptas./Kg.
10
desperdicios agua
de pescado
20
5
verduras
congeladas
30
harina de
trigo
6
harina de
pescado
7
Tiene unos costes fijos de 500.000 pesetas. Tras una estudio estadstico, la
empresa llega a determinar las distintas funciones de produccin de los 4 productos
finales y la de la harina de pescado. Tres de dichas funciones son del tipo CobbDouglas y las otras dos son lineales. Su expresin analtica es la siguiente:
SOPA 1 (Sopa de Marriesgo):
sopa1(x1, x2, x3, x4, x5, x6) =100 x11/2 x21/3 x31/4 x41/6 x51/8 x61/10 unidades.
SOPA 2 (Sopa Vomit):
sopa2(x1, x2, x3, x4, x5, x6) = 500 x11/20 x21/2 x31/30 x41/4 x51/5 x61/15 unidades.
SOPA 3 (Sopa Mer damour):
sopa3(x1, x2, x3, x4, x5, x6)=10 (x1 + 2x2 +3x3 +4x4 + 6x5 + x6 ) unidades.
POTENCIADOR DEL SABOR (Megapeix):
pot(x1, x2, x3, x4, x5, x6)= 200 ( 6x1 + x2 - 3x3 -5x4 + x5 + 3x6 ) unidades.
HARINA DE PESCADO:
x6 (x1, x2, x3, x4, x5)= 10 x21/2 x31/2
Produccin
mnima
Sopa 1
Sopa 2
Sopa 3
Potenciador
100.000
unidades
700.000
unidades
200.000
unidades
160.000
unidades
Harina
pescado
3.000
Kilos
213
x2
x3
x4
x5
x6
214
S = x R 6
10( x 1 + 2 x 2 + 3x 3 + 4 x 4 + 6x 5 + x 6 ) 200000,
200(6x 1 + x 2 3x 3 5x 4 + x 5 + 3x 6 ) 160000,
x 6 3000,
x 1 , x 2 , x 3 , x 4 , x 5 0.
Modelo matemtico
Inicialmente, considerando slo las restricciones contempladas antes,
modelo matemtico queda as:
el
Apartado a) Formulacin 1:
215
Apartado a) Formulacin 2:
Cabra otro planteamiento que consistira en sustituir la ecuacin que hace
depender el valor de la variable x6 de las variables x2 y x3, en la funcin objetivo y
en el resto de desigualdades. El resultado sera una funcin objetivo no lineal de 5
variables, y un conjunto de oportunidades de R5 caracterizado por cinco
restricciones definidas por funciones no lineales.
Min. C(x)= 10 x1 + 20x2 + 5x3 + 30x4 + 6x5 + 70 x21/2 x31/2 + 500000
sujeto a:
Apartado b) Formulacin:
La variable x6 (harina de pescado) utilizada como componente en los distintos
procesos productivos ya no es el resultado de la produccin interna de la empresa,
sino que se compra fuera, aunque se sigue requiriendo 3 toneladas como mnimo
tanto para la empleada en la produccin como para la que se venda. La harina de
pescado que produce la empresa es un producto ms que no tiene ya el carcter de
producto intermedio.
Min. C(x) = 10 x1 + 20x2 + 5x3 + 30x4 + 6x5 + 7x6 + 500000
sujeto a:
216
a2)
sujeto a:
b)
sujeto a:
217
218
219
s. a:
220
221
!FARINOSA a2);
SETS:
INGREDIENTES/SAL,PESCADO,AGUA,VERDURA,HARINATRIGO/:X,C,EXPONENTESHARIN
A,COTAINF;
RESTCOBB/MARRIESGO,VOMIT,HARINAPESCADO/:PRODMINNL;
RESTLINEAL/MERDAMOUR, MEGAPEIX/:PRODMINL,COEFHARPES;
COEFLOGARITMOS(RESTCOBB,INGREDIENTES):ALOG;
COEFLINEAL(RESTLINEAL,INGREDIENTES):A;
ENDSETS
DATA:
C=10,20,5,30,6;
COTAINF=0.0001,0.0001,0.0001,0.0001,0.0001;
ALOG = 0.5,0.3833333,0.3,0.16666666,0.125,
0.05,0.53333333,0.06666666,0.25,0.2,
0,0.5,0.5,0,0;
PRODMINNL= 0.794328234724281,1.200774258027250, 0.3;
A=
10,20,30,40,60,
1200,200,-600,-1000,200;
PRODMINL= 200,160;
COEFHARPES= 100, 6000;
ENDDATA
INIT:
X=100;
ENDINIT
MIN=@SUM(INGREDIENTES(I):X(I)*C(I))+70*(X(PESCADO)*X(AGUA))^(0.5)+500;
@FOR(RESTCOBB(J):
@SUM(INGREDIENTES(I):(@LOG(X(I)))*ALOG(J,I))>(@LOG(PRODMINNL(J))));
@FOR(RESTLINEAL(J):
@SUM(INGREDIENTES(I):X(I)*A(J,I))+COEFHARPES(J)*(X(PESCADO)*X(AGUA))^(
0.5)>PRODMINL(J));
@FOR(INGREDIENTES(I):
@BND(COTAINF(I),X(I),10000));
END
!FARINOSA b);
SETS:
INGREDIENTES/SAL,PESCADO,AGUA,VERDURA,HARINATRIGO,HARINAPESCADO/:X,C,E
XPONENTESHARINA,COTAINF;
RESTCOBB/MARRIESGO,VOMIT,HARINAPESC/:PRODMINNL;
RESTLINEAL/MERDAMOUR, MEGAPEIX/:PRODMINL;
COEFLOGARITMOS(RESTCOBB,INGREDIENTES):ALOG;
COEFLINEAL(RESTLINEAL,INGREDIENTES):A;
ENDSETS
DATA:
C=10,20,5,30,6,7;
COTAINF=0.0001,0.0001,0.0001,0.0001,0.0001,3;
ALOG = 0.5,0.3333333,0.25,0.16666666,0.125,0.1,
0.05,0.5,0.0333333333,0.25,0.2,0.0666666666,
0,0.5,0.5,0,0,0;
PRODMINNL= 1,1.4,0.3;
A=
1,2,3,4,6,1,
6,1,-3,-5,1,3;
PRODMINL= 1,0.8;
ENDDATA
INIT:
X=100;
ENDINIT
222
MIN=@SUM(INGREDIENTES(I):X(I)*C(I))+500;
@FOR(RESTCOBB(J):
@SUM(INGREDIENTES(I):(@LOG(X(I)))*ALOG(J,I))>(@LOG(PRODMINNL(J))));
@FOR(RESTLINEAL(J):
@SUM(INGREDIENTES(I):X(I)*A(J,I))>PRODMINL(J));
@FOR(INGREDIENTES(I):
@BND(COTAINF(I),X(I),10000));
END
SOLUCIONES:
FARINOSA a1)
Rows=
6 Vars=
6 No. integer vars=
0
Nonlinear rows=
3 Nonlinear vars=
6 Nonlinear constraints=
Nonzeros=
38 Constraint nonz=
27 Density=0.905
Optimal solution found at step:
Objective value:
Variable
X( SAL)
X( PESCADO)
X( AGUA)
X( VERDURA)
X( HARINATRIGO)
X( HARINAPESCADO)
C( SAL)
C( PESCADO)
C( AGUA)
C( VERDURA)
C( HARINATRIGO)
C( HARINAPESCADO)
EXPONENTESHARINA( SAL)
EXPONENTESHARINA( PESCADO)
EXPONENTESHARINA( AGUA)
EXPONENTESHARINA( VERDURA)
EXPONENTESHARINA( HARINATRIGO)
EXPONENTESHARINA( HARINAPESCAD
COTAINF( SAL)
COTAINF( PESCADO)
COTAINF( AGUA)
COTAINF( VERDURA)
COTAINF( HARINATRIGO)
COTAINF( HARINAPESCADO)
PRODMINNL( MARRIESGO)
PRODMINNL( VOMIT)
PRODMINL( MERDAMOUR)
PRODMINL( MEGAPEIX)
ALOG( MARRIESGO, SAL)
ALOG( MARRIESGO, PESCADO)
ALOG( MARRIESGO, AGUA)
ALOG( MARRIESGO, VERDURA)
ALOG( MARRIESGO, HARINATRIGO)
ALOG( MARRIESGO, HARINAPESCADO
ALOG( VOMIT, SAL)
ALOG( VOMIT, PESCADO)
ALOG( VOMIT, AGUA)
ALOG( VOMIT, VERDURA)
55
609.9647
Value
1.805836
1.535564
0.8434141E-01
0.6635794
2.612421
3.598772
10.00000
20.00000
5.000000
30.00000
6.000000
7.000000
0.0000000E+00
0.5000000
0.5000000
0.0000000E+00
0.0000000E+00
-1.000000
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
3.000000
1.000000
1.400000
200.0000
160.0000
0.5000000
0.3333333
0.2500000
0.1666667
0.1250000
0.1000000
0.5000000E-01
0.5000000
0.3333333E-01
0.2500000
Reduced Cost
0.0000000E+00
-0.8910685E-05
0.0000000E+00
0.0000000E+00
-0.3245146E-05
0.2622110E-05
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
223
0.2000000
0.6666667E-01
10.00000
20.00000
30.00000
40.00000
60.00000
10.00000
1200.000
200.0000
-600.0000
-1000.000
200.0000
600.0000
Row
Slack or Surplus
1
609.9647
2
0.0000000E+00
3
0.0000000E+00
4
70.57603
5
4281.680
6
0.0000000E+00
ITERACIONES = 55;
TIEMPO= 10 sg.
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
-30.16476
-59.51970
0.0000000E+00
0.0000000E+00
18.20694
FARINOSA a2)
Rows=
Nonlinear rows=
Nonzeros=
6 Vars=
10 No. integer vars=
0
6 Nonlinear vars=
5 Nonlinear constraints=
33 Constraint nonz=
22 Density=0.500
224
28
609.9647
Value
1.806041
1.535427
0.8432798E-01
0.6631068
2.615435
10.00000
20.00000
5.000000
30.00000
6.000000
1.234568
1.234568
1.234568
1.234568
1.234568
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.7943282
1.200774
0.3000000
200.0000
160.0000
Reduced Cost
0.0000000E+00
0.1703847E-01
0.0000000E+00
0.0000000E+00
0.1128152E-01
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
COEFHARPES( MERDAMOUR)
COEFHARPES( MEGAPEIX)
ALOG( MARRIESGO, SAL)
ALOG( MARRIESGO, PESCADO)
ALOG( MARRIESGO, AGUA)
ALOG( MARRIESGO, VERDURA)
ALOG( MARRIESGO, HARINATRIGO)
ALOG( VOMIT, SAL)
ALOG( VOMIT, PESCADO)
ALOG( VOMIT, AGUA)
ALOG( VOMIT, VERDURA)
ALOG( VOMIT, HARINATRIGO)
ALOG( HARINAPESCADO, SAL)
ALOG( HARINAPESCADO, PESCADO)
ALOG( HARINAPESCADO, AGUA)
ALOG( HARINAPESCADO, VERDURA)
ALOG( HARINAPESCADO, HARINATRI
A( MERDAMOUR, SAL)
A( MERDAMOUR, PESCADO)
A( MERDAMOUR, AGUA)
A( MERDAMOUR, VERDURA)
A( MERDAMOUR, HARINATRIGO)
A( MEGAPEIX, SAL)
A( MEGAPEIX, PESCADO)
A( MEGAPEIX, AGUA)
A( MEGAPEIX, VERDURA)
A( MEGAPEIX, HARINATRIGO)
100.0000
6000.000
0.5000000
0.3833333
0.3000000
0.1666667
0.1250000
0.5000000E-01
0.5333333
0.6666666E-01
0.2500000
0.2000000
0.0000000E+00
0.5000000
0.5000000
0.0000000E+00
0.0000000E+00
10.00000
20.00000
30.00000
40.00000
60.00000
1200.000
200.0000
-600.0000
-1000.000
200.0000
Row
Slack or Surplus
1
609.9647
2
0.0000000E+00
3
0.0000000E+00
4
0.1818562
5
70.73240
6
4282.713
ITERACIONES = 28;
TIEMPO= 9 sg.
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
-30.17521
-59.45601
0.1037585E-02
0.0000000E+00
0.0000000E+00
FARINOSA b)
Rows=
6 Vars=
12 No. integer vars=
0
Nonlinear rows=
3 Nonlinear vars=
6 Nonlinear constraints=
Nonzeros=
37 Constraint nonz=
26 Density=0.474
Optimal solution found at step:
Objective value:
Variable
Value
X( SAL)
0.6362163
X( PESCADO)
1.717076
X( AGUA)
0.7437177
X( VERDURA)
0.5723585
X( HARINATRIGO)
2.280719
X(HARINAPESCADO)
3.000000
C( SAL)
10.00000
C( PESCADO)
20.00000
C( AGUA)
5.000000
C( VERDURA)
30.00000
C( HARINATRIGO)
6.000000
C( HARINAPESCADO)
7.000000
EXPONENTESHARINA( SAL)
1.234568
100
596.2773
Reduced Cost
0.0000000E+00
0.0000000E+00
0.7677033E-05
-0.3895339E-05
-0.2622390E-05
5.357520
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
225
EXPONENTESHARINA( PESCADO)
EXPONENTESHARINA( AGUA)
EXPONENTESHARINA( VERDURA)
EXPONENTESHARINA( HARINATRIGO)
EXPONENTESHARINA( HARINAPESCAD
COTAINF( SAL)
COTAINF( PESCADO)
COTAINF( AGUA)
COTAINF( VERDURA)
COTAINF( HARINATRIGO)
COTAINF( HARINAPESCADO)
PRODMINNL( MARRIESGO)
PRODMINNL( VOMIT)
PRODMINNL( HARINAPESC)
PRODMINL( MERDAMOUR)
PRODMINL( MEGAPEIX)
ALOG( MARRIESGO, SAL)
ALOG( MARRIESGO, PESCADO)
ALOG( MARRIESGO, AGUA)
ALOG( MARRIESGO, VERDURA)
ALOG( MARRIESGO, HARINATRIGO)
ALOG( MARRIESGO, HARINAPESCADO
ALOG( VOMIT, SAL)
ALOG( VOMIT, PESCADO)
ALOG( VOMIT, AGUA)
ALOG( VOMIT, VERDURA)
ALOG( VOMIT, HARINATRIGO)
ALOG( VOMIT, HARINAPESCADO)
ALOG( HARINAPESC, SAL)
ALOG( HARINAPESC, PESCADO)
ALOG( HARINAPESC, AGUA)
ALOG( HARINAPESC, VERDURA)
ALOG( HARINAPESC, HARINATRIGO)
ALOG( HARINAPESC, HARINAPESCAD
A( MERDAMOUR, SAL)
A( MERDAMOUR, PESCADO)
A( MERDAMOUR, AGUA)
A( MERDAMOUR, VERDURA)
A( MERDAMOUR, HARINATRIGO)
A( MERDAMOUR, HARINAPESCADO)
A( MEGAPEIX, SAL)
A( MEGAPEIX, PESCADO)
A( MEGAPEIX, AGUA)
A( MEGAPEIX, VERDURA)
A( MEGAPEIX, HARINATRIGO)
A( MEGAPEIX, HARINAPESCADO)
1.234568
1.234568
1.234568
1.234568
1.234568
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
0.1000000E-03
3.000000
1.000000
1.400000
0.3000000
1.000000
0.8000000
0.5000000
0.3333333
0.2500000
0.1666667
0.1250000
0.1000000
0.5000000E-01
0.5000000
0.3333333E-01
0.2500000
0.2000000
0.6666667E-01
0.0000000E+00
0.5000000
0.5000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
2.000000
3.000000
4.000000
6.000000
1.000000
6.000000
1.000000
-3.000000
-5.000000
1.000000
3.000000
Row
Slack or Surplus
1
596.2773
2
0.0000000E+00
3
0.0000000E+00
4
1.326237
5
24.27527
6
10.92215
ITERACIONES = 100;
TIEMPO= 21 sg.
226
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
-6.274310
-64.50016
0.0000000E+00
0.0000000E+00
0.0000000E+00
e) Discusin de la solucin
Cuestiones del procedimiento de resolucin y formulaciones alternativas
En ningn apartado ha existido problemas de tiempo excesivo en la resolucin,
y dado que por defecto LINGO establece un nmero ilimitado de iteraciones, se
puede concluir que se han solucionado los problemas de escalado previsibles con los
cambios de unidades de medida de las variables y parmetros del modelo. Si estos
no se hubieran solventado, LINGO hubiera tardado mucho ms tiempo en resolver
los problemas.
En el apartado a), ninguno de los valores que toman las variables principales
coincide con el de su cota inferior o el de su cota superior que se ha establecido
artificialmente para evitar problemas de no definicin y para acortar el tiempo de
resolucin. Por tanto, no es necesario modificar esas cotas y volver a resolver el
problema. Las dos formulaciones del apartado han conducido a la misma solucin,
como tena que suceder en ausencia de errores en la entrada de datos. La segunda
formulacin, al sustituir en la funcin objetivo la variable x6 por su funcin de x2 y
x3, ha reducido el nmero de variables, al mismo tiempo que introduce una no
linealidad en la funcin objetivo, sin embargo, ha transformado en no lineales las
dos restricciones lineales que el problema tena originalmente. As pues, esta
segunda formulacin no se puede saber, en principio, cmo afectar al tiempo de
resolucin (y nmero de iteraciones), pues afecta de dos maneras opuestas al
modelo, por lo que depender del punto de partida que se tome el que una
formulacin u otra sean ms convenientes en cuanto a ahorro de tiempo. Los
resultados que recoge la ventana de Lingo Solver-Status para este apartado en sus
formulaciones indican que la primera formulacin ha empleado ms tiempo (10
segundos) y ms iteraciones (55) que la segunda (9 segundos y 28 iteraciones). A la
vista de estos resultados, se podra caer en la tentacin de aseverar que la segunda
formulacin es mejor que la primera, pues ahorra tiempo e iteraciones. Sin
embargo, esta afirmacin sera incorrecta pues, por ejemplo, cambiando el trmino
independiente de la primera restriccin de 100 a 200 y volviendo a resolver, la
primera formulacin emplea 58 iteraciones y 9 segundos, mientras que la segunda
38 iteraciones y 10 segundos.
En el apartado b) ninguno de los valores que toman las variables principales
coincide con el de su cota inferior o el de su cota superior. Por lo que tampoco es
necesario modificar esas cotas artificiales y volver a resolver el problema. Para
resolver este apartado ha empleado 21 segundos, y un total de 100 iteraciones, y la
explicacin hay que buscarla en la inexistencia de una restriccin (ecuacin) que
ampla el conjunto de soluciones posibles respecto al otro apartado.
227
228
Este valor del multiplicador se ha calculado 1 = 3016476/100, donde el numerador viene dado por
LINGO, en el informe de respuestas, en la columna Dual Price, y 100 es el trmino independiente
original, previo a la transformacin logartmica, tal y como est justificado en el ejemplo 3.13.
229
Al exigir que debe emplear tres toneladas de harina de pescado del exterior
(cota inferior para esa sexta variable), se tiene en el ptimo que ese es el valor
alcanzado, lo que hace plantearse cmo afectara a la solucin un cambio en esa
cota. Analizando el multiplicador asociado a esa variable se aprecia que es de
5357520, columna Reduced Cost, lo que indica que si se redujera esa produccin
mnima podra conseguirse un menor coste. Si se reduce una unidad marginal la
produccin mnima exigida de la harina de pescado, el coste mnimo se reducira
aproximadamente en 5357520 mil pesetas.
Las producciones son para la sopa Marriesgo de 100.000 unidades, para la
sopa Vomit de 700.000 unidades, para la sopa Mer dAmour de 252.753 unidades,
para el potenciador de 2.344.430 unidades y 8.301.000 kilos para la harina de
pescado propia.
El valor de los multiplicadores de las restricciones asociadas a la sopa 1 y 2
son negativos. Si la produccin mnima de la sopa 1 aumenta en una unidad
marginal, el coste para la empresa aumentar aproximadamente en 63 pesetas. Con
respecto a la produccin mnima exigida para la sopa 2, el incremento de una unidad
de esa produccin mnima acarrear un aumento del coste de 92 pesetas (0092
miles de pesetas aproximadamente). Para los dems productos (restricciones) como
la produccin supera el mnimo exigido, que vare ese mnimo de forma marginal no
va a tener efectos sobre el coste (funcin objetivo) en el ptimo.
f) Respuestas concretas a las preguntas propuestas6
a) La combinacin ptima de factores productivos a emplear para minimizar el
coste es de 1.806 kilos de sal, 1.536 kilos de desperdicios de pescado, 84 litros de
agua, 664 kilos de verdura, 2.612 kilos de harina de trigo y 3.599 kilos de harina de
pescado. La produccin resultante en este mnimo es de 100.000 unidades de sopa
Marriesgo, 700.000 unidades de sopa Vomit, 270.576 unidades de sopa Mer
damour, 4.441.680 unidades de Megapeix y 3.599 kilos de harina de pescado.
b) La combinacin ptima de factores productivos a emplear para minimizar el
coste es de 636 kilos de sal, 1.717 kilos de desperdicios de pescado, 744 litros de
agua, 572 kilos de verdura, 2.281 kilos de harina de pescado y 3.000 kilos de harina
de pescado africana. El coste mnimo es inferior a la formulacin original del
apartado a), 596.277 ptas. frente a 609.965 pesetas, por lo que es preferible importar
la harina de frica.
5.- La utilidad de un individuo depende del consumo de tres bienes: tabaco (x),
agua (y), y alimentos (z). Los precios son 4, 1 y 2 unidades monetarias,
respectivamente. Debe consumir un mnimo de 1 unidad de agua y un mnimo de
6
Estas afirmaciones se realizan para el apartado a) suponiendo que el mximo local obtenido lo es
global.
230
Modelizacin matemtica
El planteamiento matemtico del problema queda as:
231
Max. U(x,y,z) = x + ln yz
s. a
4 x + y + 2z 120,
x 0; y, z 1.
232
1 1
z y
) = ( 1, , )
,
yz yz
y z
La matriz hessiana:
0
0
HU(x,y,z)= 0 1 y 2
0
0
1 z2
T Arrow-Enthoven
f cuasicncava (o cncava)
gi cuasiconvexas / gi(x) bi
gi cuasicncavas / gi(x) bi
233
L
L
0 ; x 0; x
= 0 1 - 41 0 ; x 0 ; x [1 - 4 1 ] = 0
x
x
L
z
1
0
1 + 2 = 0 1 + 2 = 0
y
yz
y
L
y
1
0
2 1 + 3 = 0 2 1 + 3 = 0
z
yz
z
U U
,
>0
(x, y, z) S
y z
U 1
U 1
= 1,
= > 0,
= > 0 ya que y, z 1
y
y
z
z
La matriz hessiana orlada con el gradiente cumple que los menores principales conducentes orlados de
orden impar son negativos y positivos los de orden par, (x,y,z)S. La funcin es no estacionaria en
R3++, pues el gradiente no se anula en ningn punto de R3++.
234
z1
Holgura complementaria:
1[120- 4 x - y - 2z] = 0,
2[-1 + y] = 0,
3[-1 + z] = 0
1
1 + 2 = 0
y
C)
1
21 + 3 = 0
z
4x+y+2z=120
E2) [-1 + y] = 0
y=1
F2) [-1 + z] = 0
z=1
235
La primera combinacin
x = 0;
1
1
1 + 2 = 0 ; 21 + 3 = 0 ; 1 = 0 ; 2 = 0 ; 3 = 0,
z
y
1
1
1 + 2 = 0 ; 21 + 3 = 0 ; 120=4x+y+2z ; 2 = 0 ; 3 = 0
z
y
1
,0,0) que es solucin del sistema de
4
ecuaciones: Se ver a continuacin si verifica el resto de condiciones de Kuhn y
Tucker:
Que proporciona el punto (28,4,2,
- De punto estacionario:
1
1
L(28,4,2, ,0,0) = 1 4 = 1 1 = 0 0 (se cumple),
4
4
x =28 0 (se cumple).
- No negatividad de los multiplicadores:
1 = 025 0 (se cumple),
2 = 0 0 (se cumple),
3 = 0 0 (se cumple).
- Factibilidad:
4(28)+4+2(2)=112+4+4=120 120 (se cumple),
y = 4 1 (se cumple),
z = 2 1 (se cumple).
Por tanto, ste es el punto que se buscaba, es el nico mximo global:
(28,4,2,
236
1
,0,0).
4
Rows=
2 Vars=
3 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints=
Nonzeros=
7 Constraint nonz=
3 Density=0.875
No. < :
1 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
Variable
X
Y
Z
Row
1
2
12
30.07944
Value
28.00000
3.999997
2.000003
Slack or Surplus
30.07944
0.0000000
Reduced Cost
0.0000000
-0.1960949E-06
0.7718588E-06
Dual Price
1.000000
0.2500000
M > 0.
237
Como las funciones fj(x) son cncavas, por ser lineales, se tiene que:
fj[x+(1-)y] fj(x)+ (1-) fj(y)
j=1,2, ..., n
j=1,2, ..., n
x, y S
Por tanto,
fj[x+(1-)y] fj(x)+ (1-) fj(y) Min{fj(x)}+ (1-) Min{fj(y)}
x,y S, [0,1]; j=1,2, ..., n.
Como para todas las funciones fj se verifica que
fj[x+(1-)y] Min{fj(x)}+ (1-) Min{fj(y)}
238
239
Problemas propuestos
1.- Realice todos los pasos del esquema general de anlisis en los siguientes
problemas:
a)
Max. x2 + y2 ; s. a:
x + y 1, x - y 0, - x 0.
b)
Max. x + 3y ;
s. a:
y - (1-x) 5 0, x 0.
c)
Max. y ;
s. a:
6 - x2 - y2 0, x2 - y 0, x, y 0.
d)
e)
Min. 2 x + y ; s. a:
x2 - 4x + y 0, - 2x - 3y -12, x, y 0.
f)
Min. 2 x + y ; s. a:
x y 4, x - y -2, y 0.
g)
Min. x + y + 2 x - 8y +17 ; s. a: x - 4, x + 2y 4.
h)
Max. y + z + x ; s. a:
x2 + y2 + z2 1, x - y - z 1, x 0.
3.- Una empresa produce un nico bien, x, con el uso de dos factores productivos,
capital, K, y trabajo, L. El precio de venta del bien x es de 10 unidades, mientras
que el coste por unidad de los factores productivos es de 2 unidades para el capital y
una unidad para el trabajo. Tiene comprometida con sus clientes la venta de 100
unidades, ni una ms, ni una menos, y esto determina los ingresos fijos que va a
obtener. Sin embargo, puede producir ms de 100 unidades, aunque no las venda.
La funcin de produccin es igual a:
x(K,L)= 5 K05 L05
a) Plantee el problema de maximizacin de beneficios de esta empresa.
b) Analice el problema antes de resolverlo.
240
4.- Realice todos los pasos del anlisis en P.N.L. sobre el siguiente problema.
Justifique si la solucin proporcionada por LINGO es la solucin global del
problema y si se puede afirmar que va a ser nica.
Max U(x,y,z) = x y z
sujeto a: 2x +3y + 4z 36, x, y, z 0.
s. a:
a ij x ij b i , i = 1,2, , m,
j=1
x R n+ ,
donde W es una funcin de bienestar social diferenciable en R n+ y las restricciones
indican la tecnologa de produccin de los n bienes a partir de las disponibilidades
de m recursos o factores de produccin.
a) Suponga una funcin de bienestar social con las mismas propiedades que
una funcin Cobb-Douglas. Bajo qu condiciones puede afirmarse que existe un
plan de asignacin factible ptimo nico.
b) Suponga que alguna de las restricciones indica la disponibilidad total de
fuerza de trabajo y en la solucin ptima no se satura. Qu significado econmico
dara a dicho resultado?
6.- Dado el problema de seleccin de cartera del epgrafe 1.4.3. de este libro,
obtenga las condiciones de Kuhn-Tucker, y analice si las mismas son necesarias y/o
suficientes para la obtencin de un mnimo global.
7.- Un individuo quiere invertir en bolsa y ha considerado tres posibles tipos de
valores, donde x, y, z son la parte del presupuesto que se invertir en dichos valores.
Quiere determinar qu parte de su presupuesto dedicar a cada uno de ellos para
ganar al menos el 12%. Los rendimientos medios de esos valores x, y, z son del 30,
20 y 8% respectivamente. No desea que ningn tipo de valor supere el 75% de la
cartera y quiere minimizar el riesgo de la misma. Si la varianza del rendimiento de
la cartera es:
241
8.- Realice todos los pasos del esquema general de anlisis en el siguiente ejercicio:
Max. B(x1, x 2 , x 3 ) = x1 (30 - x1 ) + x 2 (50 - x 2 ) - 3x1 - 5x 2 - 10x 3
x1 + x 2 x 3 , x 3 17'25,
sujeto a
x1 0, x 2 0, x 3 0.
9.- Para el planteamiento general del modelo bsico de minimizacin de costes del
epgrafe 1.4.1, obtenga las condiciones de Kuhn-Tucker, y analice si las mismas son
necesarias y/o suficientes para la obtencin de un mnimo global del problema en el
caso de:
a) Una funcin de produccin Cobb-Douglas.
b) Una funcin de produccin CES.
AK L Q 0
K 0, L 0
11.- Realice todos los pasos del esquema general de anlisis en el problema de
minimizacin de una funcin de costes, C(K,L,M) sujeta a una produccin mnima,
Q(K,L,M) 10:
Min. 4K + L + 2M
s .a
5 K 1/6 L1 / 6 M 1 / 6 10 ,
K 0 , L 0, M 0.
242
c) Concrete los resultados de los apartados anteriores para los casos de:
- Funcin de utilidad Stone-Geary.
- Funcin de utilidad de Klein-Rubick.
xj xj.
d) Bajo qu circunstancias es posible que la solucin ptima sea una solucin
de esquina, es decir, una solucin en donde exista una variable con valor cero,
xj*=0? Indique los supuestos del planteamiento inicial que deban cambiar. Qu
tipo de bienes son los que actuaran como argumentos en la funcin de utilidad? D
ejemplos econmicos de estos bienes.
243
244
CAPTULO 5
Otros modelos de programacin no lineal
5.1.- INTRODUCCIN
5.2.- PROBLEMAS DE PROGRAMACIN SEPARABLE
5.3.- PROBLEMAS DE PROGRAMACIN CUADRTICA
5.4.- PROBLEMAS DE PROGRAMACIN GEOMTRICA
5.5.- PROBLEMAS DE PROGRAMACIN FRACCIONAL CNCAVA
5.1.- INTRODUCCIN
Este captulo explica cuatro tipos de problemas de programacin matemtica
para los que se ha desarrollado mtodos especficos de resolucin. Conocer el
planteamiento y los mtodos de resolucin de estos problemas puede ayudar tanto
en el proceso de modelizacin matemtica del problema como en la fase de
resolucin. En muchas ocasiones un problema de P.N.L. se transforma o se formula
como uno de estos cuatro tipos para aprovechar los algoritmos y procedimientos de
resolucin desarrollados para ellos.
La seccin 5.2 explica el planteamiento y los mtodos de resolucin ms
bsicos de programacin separable. Como ya se ha dicho en el captulo tres, algunos
de los problemas que presentaban economas a escala pueden ser tratados como
problemas de programacin separable. En principio, es una tcnica de resolucin
mediante aproximaciones iterativas pero que aprovecha las ventajas de la P.L. frente
a la P.N.L.
Si se trabaja con una funcin objetivo cuadrtica, segn las caractersticas de
las restricciones, puede considerarse al problema como uno de programacin
cuadrtica. Para este tipo de problemas de suma importancia en la modelizacin de
problemas econmicos, financieros y de gestin se ha dedicado la seccin 5.3.
En los problemas de programacin geomtrica, la funcin objetivo no suele ser
ni cncava ni convexa, con los inconvenientes que esto conlleva sobre la
optimalidad de la solucin obtenida mediante los algoritmos de P. N. L. generales.
Sin embargo, en la programacin geomtrica posinomial esto se puede subsanar
resolviendo este tipo de problemas mediante, por ejemplo, su problema dual
geomtrico. La seccin 5.4 presenta brevemente este tipo de problemas.
Por ltimo, y como complemento a lo comentado en el epgrafe 3.2.4 sobre
problemas de programacin fraccional lineal, se dedica la seccin 5.5, a la
programacin fraccional cncava, donde se abandona el supuesto de linealidad de
las funciones que intervienen en el cociente o fraccin de la funcin objetivo, y se
imponen propiedades de concavidad-convexidad a las funciones del problema. Lo
fundamental de la metodologa es que se pasa de un problema de concavidad
(convexidad) generalizada a un problema de concavidad (convexidad) simple.
246
Max. f(x) =
f j ( x j ) = f1(x1) + + fn(xn)
j=1
s.a
g ij ( x j ) b i , i {1,2, ,m} ,
j=1
Lj xj Uj , j {1, , n }.
Este tipo de funciones son aditivas pero, en comparacin con las funciones
lineales, son no proporcionales. Para superar dicho inconveniente, cada funcin de
una nica variable se aproxima por una funcin lineal a tramos1 definida sobre una
particin dada de la variable en cuestin. Por lo tanto, al resolver el problema
mediante programacin separable lo que se hace es obtener una solucin
aproximada a la autntica solucin ptima.
Existen algunas funciones, en principio, no separables que pueden
transformarse en separables. Este es el caso de la funcin
f(x1, x2) = x1x2,
que mediante la transformacin y = x1 + x2 permite obtener
x1x2 =
1 2
y x 12 x 22 ,
2
que ya es separable.
247
1
1
(x1+x2) e y2 = (x1-x2),
2
2
f (x) =
aj
j=1
5.2.2.- Mtodos
Para aplicar la metodologa de la programacin separable, cada variable xj
debe estar acotada tanto inferior como superiormente. Entre la cota inferior, Lj, que
puede ser simplemente la condicin de no negatividad, y la cota superior, Uj, se
toma una particin ordenada en orden creciente de r+1,
P[xj] = {Lj = xj0 < xj1 < < xjr = Uj },
y a continuacin se determinan los valores de las funciones en dichos puntos, que en
principio no tienen porqu estar igualmente distanciados, aunque s sea aconsejable.
A partir de los elementos de la particin se define para cada variable xj,
xjk = xjk+1 - xjk , j {1,,n},
fj(xjk) = fj(xjk+1)-fj(xjk),
j {1,,n},
Para la ltima de las transformaciones aludidas vase al respecto el ejemplo 3.13 en la seccin 3.4.
248
jk + jk x j si x j intervalo
f j (x j ) =
0
si x j intervalo,
f j ( x jk )
x jk
g ij ( x jk )
x jk
Max. f(x) =
n r 1
jk y jk + jk z jk ,
j=1 k = 0
s.a
g ij (x) =
n r 1
ijk y jk + ijk z jk b i ,
i {1, 2, , m},
j=1 k = 0
xj =
r 1
z jk ,
k =0
x jk y jk z jk x jk +1 y jk , k = 1, 2, , r - 1,
r 1
y jk = 1,
k =0
249
Forma delta:
Se aproxima el problema original mediante el problema lineal
jk f j (x jk )
n r 1
Max.
j =1 k = 0
n r 1
s.a
j=1 k = 0
( )
jk g ij x jk b i
g ij (x j0 ),
i {1, , m},
j=1
x j = x js + js x js = x j0 +
jk x jk ,
k=0
( )
f j (x j ) = f j (x js ) + js f j x js = f j (x j0 ) +
( )
jk f j (x jk ),
k =0
jk gij (x jk ),
k =0
Es decir, en cada iteracin no se admite que una jk puede pasar a ser bsica a
no ser que todas las anteriores (j0, , jk-1) sean bsicas y tomen su valor en la cota
superior y slo se permite que una jk est por debajo de su cota superior cuando
todas las posteriores (jk+1, , jr-1) son nulas, generalmente por ser no bsicas.
Forma lambda:
xj = jkxjk + jk+1xjk+1,
donde
jk 0, jk+1 0, jk + jk+1 = 1.
El valor de cada una de las funciones en cualquier xj se aproxima por el
segmento lineal cerrado de las imgenes de la funcin en cuestin evaluada en dos
puntos contiguos de la particin. Es decir,
fj(xj) jkfj(xjk) + jk+1fj(xjk+1),
gij(xj) jkgij(xjk) + jk+1gij(xjk+1),
Este planteamiento puede generalizarse, considerando la combinacin lineal
convexa de los r+1 puntos, como
r
jk = 1, j {1, , n } ,
k =0
jk 0, j {1, , n},
donde las variables auxiliares jk se interpretan como la ponderacin asociada a cada
punto [xjk, fj(xjk)], y puede trasladarse a las funciones:
r
( )
Max. f(x) Z = jk f j x jk
j=1 k =0
jk g ij (x jk ) bi , i {1,, m} ,
n
s.a
j =1 k = 0
r
jk = 1, j {1, n},
k =0
251
Es posible obtener la desviacin mxima con respecto al valor correcto de la funcin objetivo,
f(x*) - f( x * ) 0,
como una funcin de los multiplicadores (variables duales) del problema aproximado y la amplitud de
las particiones [Bazaraa y otros (1993), pp. 515-517].
252
jr-2 yjr-1,
j0 yj0++yjr-1,
j1 yj1++yjr-1,
j2 yj2++yjr-1,
jr-1 yjr-1,
r 1
y jk = 1 ,
[SOS1]
k =0
La transformacin supone introducir variables binarias, as como nuevas restricciones lineales sobre
las variables continuas, restricciones lgicas, y restricciones sobre las variables binarias.
5
Algunos cdigos informticos de programacin entera vienen ya preparados con la oportuna opcin que
introduce implcitamente las modificaciones pertinentes.
253
0 jk yjk-1+ yjk,
0 jr yjr-1,
r
y
k=0
jk
= 1,
1 si x j [x k , x k +1 ] ,
y jk =
0 en caso contrario,
y como la restriccin SOS1,
r
y
k=0
jk
= 1,
254
B( x ) = B j ( x j ),
j=1
6
Al tratarse de modelos estticos se supone la Ley de Say que identifica la produccin con las ventas en
trminos fsicos siguiendo la idea de que toda oferta crea su propia demanda. En modelos dinmicos
multiperiodo dicha Ley no suele aplicarse, generndose un excedente de produccin almacenable o
inventario o un dficit de produccin que deber satisfacerse con recursos externos si no se quiere
defraudar a la demanda, con toda la repercusin que ello pueda traer.
255
I(x,y) = x(27.000.000-250.000x)+y(65.000.000-125.000y),
C(x,y) = 1.000.000x2+4.000.000y2,
10.000.00x2+4.000.000y2 100.000.000,
x 0, y 0.
s.a
x 0, y 0,
que es un problema de programacin separable
Max. b(x,y) = b(x)+b(y)
s.a
c(x)+c(y) 100,
x 0, y 0,
siendo
b(x) = -1'25 x2+27x, b(y) = -4'125 y2+65y, c(x) = x2, c(y) = 4y2.
De la restriccin presupuestaria y de las condiciones de no negatividad se
extrae que
x [0,10],
y [0,5],
256
y0 = y1 - y0 = 2'5,
y1 = y2 - y1 = 2'5,
y si se evala las respectivas funciones en los puntos de las particiones se obtienen
los valores contenidos en la tabla 1, y los incrementos para las funciones contenidos
en la tabla 2,
Tabla 1
k
0
1
2
x
0
5
10
b(x)
0
103'75
145
c(x)
0
25
100
y
0
2'5
5
b(y)
0
136'71875
221'875
c(y)
0
25
100
b(y)
136'71875
85'15625
c(y)
25
75
Tabla 2
k
0
1
x
5
5
b(x)
103'75
41'25
c(x)
25
75
y
2'5
2'5
2510+7511+2520+7521 100,
257
y * = 2'5(1)+2'5(2/3) = 4'166667.
Tabla 3
k
0
1
2
3
4
x
b(x)
0
0
2'5 59'6875
5
103'75
7'5 132'1875
10
145
c(x)
0
6'25
25
56'25
100
y
0
1'25
2'5
3'75
5
b(y)
0
74'8046875
136'71875
185'742188
221'875
c(y)
0
6'25
25
56'25
100
b(y)
74'8046875
61'9140625
49'0234375
36'1328125
c(y)
6'25
18'75
31'25
43'75
Tabla 4
k
0
1
2
3
258
x
2'5
2'5
2'5
2'5
b(x) c(x)
59'6875 6'25
44'0625 18'75
28'4375 31'25
12'8125 43'75
y
1'25
1'25
1'25
1'25
6'25(10+20)+18'75(11+21)+31'25(12+22)+43'75(13+23) 100,
jk [0,1], j {1,2}, k {0, 1, 2, 3}.
259
Aproximacin 1
Aproximacin 2
Para x*
16'66%
8'33%
Para y*
4'16%
6'25%
Para f(x*,y*)
4'42%
1'43%
Por ltimo, para terminar el ejercicio restara obtener los valores de la funcin
de beneficios original y de los precios mediante las respectivas funciones preciodemanda originales:
Precio de un portimis
p*1 = 27.000.000-250.000(6) = 25'5 millones de u.m.
Precio de un altamare
p*2 = 65000000-125000(4) = 64.5 millones de u.m ,
siendo el beneficio real obtenido con la fabricacin y venta de x* = 6 veleros
portimis y de y* = 4 veleros altamare de B(x*, y*) = 285 millones de u.m.
Puede aplicarse a otros problemas econmicos de eleccin individual o
colectiva en los que la toma de decisiones se vea influida por una funcin de utilidad
o bienestar separable. En algunos casos las funciones ya sern directamente
separables y cumpliran las adecuadas condiciones de concavidad/convexidad, como
las funciones de utilidad logartmicas tipo
U( x ) =
i lg(x j + j ) .
n
j=1
C 0'75L C - 0'75L 0, C 0, 8 L 0,
260
C U(C) g(C)
0
0
0
3
9
3
6
36
6
L U(L) g(L)
0
0
0
4
-4
-3
8 -32
-6
Tabla 2
C U(C) g(C) L U(L) g(L)
3
9
3
4
-4
-3
3
27
3
4
-28
-3
k
0
1
010+311+612+020-321-622 0,
10+11+12 = 1,
20+21+22 = 1,
10 0, 11 0, 12 0, 20 0, 21 0, 22 0.
261
Forma Delta
Max. Z = 910+2711 - 420 -2821
s.a
3(10+11)-3(20+21) 0,
0x1h
010
020
z
w
0
10
0
1
0
0
0
9
11
3
1
0
0
9
36
12
6
1
0
0
36
0
20
0
0
1
0
0
-4
21
-3
0
1
0
-4
-32
22
-6
0
1
0
-32
0
x1h
1
0
0
0
0
b
0
1
1
0
en la que se aprecia que segn las reglas del mtodo smplex tradicional debera
entrar la variable 12 y salir x1h, pero al restringir la regla de entrada a la condicin
de adyacencia entra 11 y sale x1h, obteniendo la nueva
Tabla 1 iteracin
911
010
020
z
w
0
10
0
1
0
0
0
9
11
1
0
0
9
0
36
12
2
-1
0
18
18
0
20
0
0
1
0
0
-4
21
-1
1
1
-9
5
-32
22
-2
2
1
-18
-14
0
x1h
1/3
-1/3
0
3
-3
b
0
1
1
0
tabla en la que siguiendo las reglas del mtodo smplex debera entrar la variable 12
y salir 11, lo que incumple la condicin de adyacencia, por lo que teniendo en
cuenta la regla de entrada en la base restringida debe entrar 21 y puede salir 10
20. Si se opta por sacar de la base a 10 se obtiene la siguiente
262
Tabla 2 iteracin A
911
-421
020
z
w
0
10
1
1
-1
5
-5
9
11
1
0
0
9
0
36
12
1
-1
1
13
23
0
20
0
0
1
0
0
-4
21
0
1
0
-4
0
-32
22
0
2
-1
-8
-24
0
x1h
0
-1/3
1/3
4/3
-4/3
b
1
1
0
5
de la que se deduce sin duda que debe entrar en la base 12 y debe salir de la base
20, dando lugar a la siguiente
Tabla 3 iteracin A (Tabla ptima)
911
-421
3612
z
w
0
10
2
0
-1
-18
18
9
11
1
0
0
9
0
36
12
0
0
1
36
0
0
20
-1
1
1
23
-23
-4
21
0
1
0
-4
0
-32
22
1
1
-1
-31
-1
0
x1h
-1/3
0
1/3
9
-9
b
1
1
0
5
que ya es la tabla ptima segn las reglas del mtodo smplex restringido a la
condicin de adyacencia, ya que aunque parece que 10 puede pasar a ser variable
bsica, en realidad no puede serlo ya que el nico candidato a salir de la base es 11,
y en dicho caso se incumplira la mencionada condicin de adyacencia al estar
juntas en la base dos variables no contiguas como son 10 y 12. As pues, se tiene
que
11* = 21* = 1, 10* = 12* = 20* = 22* = 0, Z* = 5.
Si se hubiese optado tras la 1 iteracin por sacar de la base a 20, la tabla
siguiente sera
Tabla 2 iteracin B (Tabla ptima)
911
010
-421
z
w
0
10
0
1
0
0
0
9
11
1
0
0
9
0
36
12
2
-1
0
18
18
0
20
1
-1
1
5
-5
-4
21
0
0
1
-4
0
-32
22
-1
1
1
-13
-19
0
x1h
1/3
-1/3
0
3
-3
b
1
0
1
5
263
que ya es ptima, ya que la nica variable que puede entrar en la base es 12 pero a
costa de que salga 11, lo que incumplira la condicin adyacente. Obviamente el
resultado es el mismo que en la otra opcin:
11* = 21* = 1, 10* = 12* = 20* = 22* = 0,
Z* = 5.
0x1
0x2h
0x3h
0x4h
0x5h
z
w
9
10
3
1
0
0
0
0
9
27
11
3
0
1
0
0
0
27
-4
20
-3
0
0
1
0
0
-4
-28
21
-3
0
0
0
1
0
-28
0
x1h
1
0
0
0
0
0
0
0
x2h
0
1
0
0
0
0
0
0
x3h
0
0
1
0
0
0
0
0
x4h
0
0
0
1
0
0
0
0
x5h
0
0
0
0
1
0
0
b
0
1
1
1
1
0
264
910
0x2h
0x3h
0x4h
0x5h
z
w
9
10
1
0
0
0
0
9
0
27
11
1
-1
1
0
0
9
18
-4
20
-1
1
0
1
0
-9
5
-28
21
-1
1
0
0
1
-9
-19
0
x1h
1/3
-1/3
0
0
0
3
-3
0
x2h
0
1
0
0
0
0
0
0
x3h
0
0
1
0
0
0
0
0
x4h
0
0
0
1
0
0
0
0
x5h
0
0
0
0
1
0
0
b
0
1
1
1
1
0
tabla en la cual vuelve a observarse que la aplicacin del mtodo smplex tradicional
transgrede la regla de entrada restringida a la condicin de continuidad adyacente,
ya que segn dicha regla le corresponde entrar a la variable 20, y no 11, mientras
que debe salir de la base la variable x2h, y no 10. Una vez realizada la pertinente
iteracin se obtiene la siguiente tabla
910
-420
0x3h
0x4h
0x5h
z
w
9
10
1
0
0
0
0
9
0
27
11
0
-1
1
1
0
4
23
-4
20
0
1
0
0
0
-4
0
-28
21
0
1
0
-1
1
-4
-24
0
x1h
0
-1/3
0
1/3
0
4/3
-4/3
0
x2h
1
1
0
-1
0
9
-9
0
x3h
0
0
1
0
0
0
0
0
x4h
0
0
0
1
0
0
0
0
x5h
0
0
0
0
1
0
0
B
1
1
1
0
1
5
910
-420
0x3h
2711
0x5h
z
w
9
10
1
0
0
0
0
9
0
27
11
0
0
0
1
0
27
0
-4
20
0
1
0
0
0
-4
0
-28
21
0
0
1
-1
1
-27
-1
0
x1h
0
0
-1/3
1/3
0
9
-9
0
x2h
1
0
1
-1
0
-18
18
0
x3h
0
0
1
0
0
0
0
0
x4h
0
1
-1
1
0
23
-23
0
x5h
0
0
0
0
1
0
0
b
1
1
1
0
1
5
265
que ya es la ptima, pues aunque se observa que debera pasar a ser bsica x2h y salir
de la base x3h, dicho proceso llevara a la tabla en la que 10=0 y 11=1, resultado
que incumple la condicin de continuidad, al igual que si sale de la base 10 y
permanece 11. As pues, del resultado de dicha tabla se tiene que
C* = 3(10+11) = 3(1+0) = 3,
L* = 4(20+21) = 4(1+0) = 4,
U( C *, L *) = Z* = 5,
resultado sobre el que se debe tener las mismas precauciones que para el obtenido en
la forma lambda.
Fuera del objetivo marcado en esta obra, cabe sealar que en modelos de
programacin no lineal a gran escala es frecuente recurrir a la descomposicin
parcial de los mismos mediante el concepto de funcin parcialmente separable:
p
f(x) =
f k (x k ),
k =1
nk = n .
k =1
Normalmente estos modelos se identifican por tener funciones con una matriz
hessiana con poca densidad y, generalmente, rango pequeo con relacin a sus
dimensiones, difiriendo de la matriz nula slo en el bloque completo de filas y
columnas correspondientes a cada grupo de variables xk. Para su resolucin existen
tcnicas concretas, precisndose paquetes de optimizacin tipo LANCELOT.
266
Max. f (x1,, xn ) =
xpQpkxk + c jx j + d ,
p=1 k=1
j=1
s.a
a ij x j bi ,
i {1,, m },
j=1
xj 0, j {1, , n},
siendo la correspondiente formulacin en notacin matricial:
Max. f(x) = x t Qx + c t x + d ,
s.a.
Ax b,
[PQ]
x ,
donde c R es un vector de coeficientes, b Rm es un vector de trminos
independientes, x Rn es el vector de variables de decisin, d R es un escalar que
a efectos del anlisis y la resolucin del problema puede omitirse para incorporarse
slo a efectos de obtener el valor ptimo de la funcin objetivo una vez conocidos
los valores ptimos de las variables de decisin, A Mmxn es la matriz de
coeficientes tcnicos aij, y Q Mnxn es una matriz cuyos elementos son los
coeficientes Qpk. En principio las condiciones de no negatividad no son esenciales,
pero se incluyen por similitud con la programacin lineal. Del mismo modo, puede
observarse que no se han considerado restricciones de igualdad, que s son
frecuentes en muchos planteamientos alternativos del problema PQ. De esta forma,
la nica diferencia apreciable con un programa lineal cannico es que en la funcin
objetivo existe el trmino adicional xtQx.
n
267
[CKTPQ]
t[ b - Ax ] = 0.
Teorema 2.11 y Notas adicionales, en especial la Nota 3, de Meneu y otros (1999), p. 115 y siguientes.
En Panne y Theil (1975), Cap. 14, pg. 373-399 puede encontrarse una sucinta exposicin.
10
11
268
[PCLPQ]
, x , h , xh ,
xth = 0,
txh = 0,
269
Para resolver el sistema PCLPQ utiliza una modificacin del mtodo smplex
que conduce a la obtencin de un punto de Kuhn y Tucker en un nmero finito de
iteraciones si
1) Q es semidefinida negativa y c = ,
2) Q es definida negativa,
3) Q tiene elementos no positivos con elementos negativos en la diagonal16.
Parte de la hiptesis de que Q es semidefinida negativa y que existe un pRn tal
que c=Qp tiene solucin, lo que se cumple siempre que exista Q-1, o bien c = .
Consiste en:
a)
Para una exposicin del mismo consltese Panne (1975), cap. 12., pg. 346-351.
El mtodo de Lemke presenta las mismas caractersticas de convergencia.
270
Para una justificacin detallada, vase Panne (1975), seccin 15.3, pg. 403-406.
271
qA = 80-07pA+06pB,
qB = 70+04pA-05pB,
qA 0, qB 0, pA 0, pB 0,
que sustituyendo las dos ecuaciones lineales en la funcin objetivo da el problema
equivalente y considerando las condiciones de no negatividad
Max. B = (pA - 400)(80-07pA+06pB ) + (pB - 300)(70+ 04pA- 05pB ) =
= -07pA2-05pB2+ pA pB+240pA-20pB-53000
s.a
p
0,7 0,5 p A
+ (240,20) A - 53000 ,
B = (p A , p B )
0,5 0,5 p B
pB
se deduce que
0'7 0'5
Q=
0'5 0'5
es definida negativa y c = (240,-20). Se puede aplicar el mtodo de Wolfe ya que
|Q|=035-025 = 010 0, y por lo tanto existe Q-1. A continuacin se obtiene la
funcin lagrangiana
L = -07pA2-05pB2+ pA pB+240pA-20 pB-53000 +
+ 1 (80-07pA + 06pB) + 2 (70+04pA - 05pB),
y a partir de la misma las pertinentes condiciones de Kuhn-Tucker:
L/pA = -14pA + pB + 240 -071 + 042 0,
pA 0,
272
2 0,
pA 0, pB 0, 1 0, 2 0, x1h 0, x2h 0,
1h 0, 2h 0, 1a 0
pA1h = 0, pB2h = 0, 1x1h = 0, 2x2h = 0.
Dicho problema se resuelve mediante el mtodo smplex con las precauciones
ya aludidas referentes a las variables bsicas iniciales y a las condiciones de
complementariedad18, tomando adems una solucin factible bsica inicial del
problema original como puede ser pA= 0, pB= 0, x1h = 80, x2h = 70, lo que supone por
las condiciones de holgura complementaria que 1 = 0 y 2 = 0. Las otras dos
18
Al respecto puede ser til el paquete informtico LINDO, o cualquier otro de similares prestaciones,
que permite realizar las iteraciones del smplex una por una al usuario con indicacin expresa de la
variable que entra en la base y de la que sale en su lugar.
273
-1
0
0
0
1a
2h
x1h
x2h
z
w
0
pA
14
1
07
-04
-14
14
0
pB
-1
-1
-06
05
1
-1
0
1
07
-06
0
0
-07
07
0
2
-04
05
0
0
04
-04
0
1h
-1
0
0
0
1
-1
0
2h
0
1
0
0
0
0
-1
1a
1
0
0
0
-1
0
0
x1h
0
0
1
0
0
0
0
x1h
0
0
0
1
0
0
0
x1h
0
0
1
0
0
0
0
x1h
0
0
0
1
0
0
b
240
20
80
70
-240
-1 1a
0 pA
0 x1h
0 x2h
z
w
0
pA
0
1
0
0
0
0
0
pB
04
-1
01
01
-04
04
0
1
154
-06
042
-024
-154
154
0
2
-11
05
-035
02
11
-11
0
1h
-1
0
0
0
1
-1
0
2h
-14
1
-07
04
14
-14
-1
1a
1
0
0
0
-1
0
b
212
20
66
78
-212
0 pB
0 pA
0 x1h
0 x2h
z
w
274
0
pA
0
1
0
0
0
0
0
pB
1
0
0
0
0
0
0
0
2
1
385
-275
325
-225
0035 -0075
-0625 0475
0
0
0
0
0
1h
-25
-25
025
025
0
0
0
2h
-35
-25
-035
075
0
0
-1
1a
25
25
-025
-025
0
-1
0
x1h
0
0
1
0
0
0
0
x1h
0
0
0
1
0
0
b
530
550
13
25
0
Se ha obtenido una solucin ptima nica segn las reglas del smplex
transformado:
pA = 550 ptas.,
x1 qA = 13 litros,
h
pB = 530 ptas.
x2h qB = 25 litros.
19
Una buena exposicin de los mismos puede encontrarse en Rustem (1998), cap. 2, pg. 34-42.
Fletcher (1991) es una referencia alternativa.
20
Un tpico ejemplo es la obtencin de los estimadores mnimocuadrticos de parmetros sujetos a
relaciones lineales o a condiciones de proporcionalidad entre los mismos.
275
1 1 t
Q A * c ,
2
Con referencia al nucleo de una aplicacin lineal. En este caso a la aplicacin lineal cuya matriz
representativa sea Ak.
276
Para informacin ms detallada vase Rustem (1998), cap. 2, pp. 42-51. Por su parte, el subdirectorio
SAMPLES del programa LINGO tiene disponibles al respecto los archivos INTPTD y INTPTS.
277
Para su descripcin puede consultarse Schrage (1997) o cualquier gua de usuario del programa.
Permite tratar tambin problemas con Q indefinida.
25
En la librera NAG la subrutina E04NAF aplica un mtodo con estrategia de conjunto activo para
problemas con funcin objetivo de matriz simtrica definida, mientras que la subrutina E04MBF, basada
en E04NAF, est especialmente definida para restricciones lineales acotadas por ambos lados.
24
278
Altman, A. (1995), "QHOPDM-A higher order primal-dual method for large scale convex quadratic
programming", European Journal of Operational Research 87, 200-202.
27
Avriel y otros (1988), Cap. 6, es una excelente referencia.
28
Slido significa que su interior no es el vaco: int(S) .
279
Ax = b,
2Qx-At+h= -c,
xth = ,
x, h , y Rm irrestricto,
29
Vase el Teorema 3.6 y el Teorema 3.7 en Meneu y otros (1999), pg. 177-178.
280
cuya solucin da un punto con valor mnimo de la funcin objetivo de entre todos
los puntos de Kuhn y Tucker, recomendndose para la obtencin de la misma
utilizar una aproximacin discreta binaria.
5.3.5.- Transcendencia y aplicaciones
Los modelos lineales con funcin objetivo cuadrtica son, con mucho, los ms
utilizados en la prctica despus de los modelos de programacin lineal. Su mbito
de aplicacin se extiende desde la economa, las finanzas y la gestin: mercados con
precios endgenos, modelos multiperiodo de produccin con inventarios, seleccin
de cartera, etc., pasando por la fundamentacin de mtodos estadsticos y tcnicas
economtricas, como el simple ajuste mnimo cuadrtico a un hiperplano, hasta su
uso en procedimientos y en algoritmos de optimizacin, como en programacin
multiobjetivo o en la programacin cuadrtica secuencial (SQP). A modo ilustrativo
se resean entre todos ellos los siguientes:
*
qd
281
ps
ps = c+dqs
qs
La situacin de equilibrio ms frecuente suele darse con una solucin
simultnea, (p*,q*), que implica pd = ps = p* y qd = qs = q*. No obstante, y dado que
ni precios ni cantidades pueden ser negativos, es posible que el equilibrio se d
tambin para una cantidad nula, q* = 0, con pd p* ps. En general se cumplir que
a-bqd p* c+dqs para qd 0 y qs 0, informacin que se puede resumir en
(a-bqd-p*)qd = 0,
(c+dqs-p*)qs = 0.
Adems, con el supuesto de que qs qd, de modo que p* = 0 cuando qs > qd , lo
que queda se resume en la siguiente formulacin matemtica
q s q d,
(-qs + qd)p* = 0,
qs , qd , p* 0.
Si se asimilaba el precio de equilibrio p* con un multiplicador de Lagrange, el
conjunto de condiciones expresadas constituye un sistema de Kuhn-Tucker cuyo
problema original es el problema de PQ siguiente:
1
1
Max. aqd bqd2 cqs dqs2 ,
2
2
s.a
q s q d,
qs, qd 0.
(1/5)xP+(1/6)xC+ xE - qN- qI 0,
qN , qI 0;
xP, xC, xE 0.
Seleccin de cartera
283
Min. SEC = y x = y y + xx 2 xy = yk jx jk
2
k =1
j=0
s.a
A b, D = c,
t
donde
y Rm es el vector de observaciones de las variables dependientes,
x Mn+1xm es la matriz de observaciones de las n variables independientes,
siendo los elementos x0k = 1, k.
Rn+1 es el vector de parmetros a estimar, con 0 como trmino
independiente,
A y D son matrices con n+1 columnas y tantas filas como restricciones,
b y c son vectores de dimensin adecuada al nmero de restricciones.
Obsrvese que en esta clase de problemas se tiene que Q xxt y c -2xy,
estando las condiciones de no negatividad inmersas en las restricciones de
desigualdad.
*
Programacin multiobjetivo
284
( )
t
1
Min.f x k d + d t Bk d
2
s.a.
g(xk) + Jg(xk) ,
=
Asignacin cuadrtica
285
Min. f ( x) =
i =1 j=1 r =1 s =1
r >i
c ijrs x ijx rs +
cijx ij ,
i =1 j=1
s.a
x ij = 1, j {1,, n},
i =1
n
x ij = 1, i {1,, n},
j=1
30
Ficheros con problemas de asignacin cuadrtica pueden encontrarse en la librera qap-lib mediante la
direccin electrnica http://www.diku.dk/~karisch/quaplib. Por su parte, en el subdirectorio SAMPLES
del programa LINGO se encuentra el fichero QUASGN que contiene un modelo de asignacin
cuadrtica en el que se minimiza la distancia a recorrer por el total de pasajeros entre vuelos de un
aeropuerto cuando se asignan vuelos a terminales.
286
x ij 5, j {1, , n},
i =1
En ocasiones cijrs = airbjs. Por ejemplo, si cijrs es el coste total de comunicacin, air
es la frecuencia de comunicacin entre i y r, mientras que bjs es el coste de
comunicacin entre j y s, que suele depender de la distancia entre j y s. A veces
cij puede ser negativo indicando un beneficio o ganancia por la asignacin en vez
de un coste.
cijrszijrs + cijxij, ,
i =1 j=1 r =1 s =1
r >i
i =1 j=1
287
z ijrs x ij + x rs 1 ,
z x ,
ijrs
ij
z ijrs x rs ,
288
r0
k c k Pk (x ),
k =1
ri
kck Pk (x ) si ,
gi ( x ) =
s.a
i {1, , m} ,
k = ri -1 +1
en donde k {1,, r0, r0+1, , r1, r1+1,, r2, , rm} se tiene que
Pk (x ) =
x j
a jk
j=1
xj = e j ,
entonces
Pk (x ) =
j=1
a
x j jk
(e
n
j=1
y j a jk
a jk y j
a jk y j
= e j=1
j=1
31
Bazaraa y otros (1993), seccin 11.5; Beightler y Phillips (1976) y Duffin y otros (1976) son
referencias fundamentales sobre la materia. Otras referencias introductorias son Fletcher (1987), seccin
13.2; Hillier y Lieberman (1991), cap. 14, pg. 509-511; y Ros (1988), cap. 10, pg. 451-456.
32
Vase el ejemplo 3.22 en Meneu y otros (1999), pg. 213-215.
289
por lo que cada posinomio es una funcin convexa en el vector de variables y, al ser
la transformada mediante una funcin creciente y estrictamente convexa (la funcin
exponencial) de una funcin convexa (el exponente, que es lineal respecto del
vector de variables y). Adems, como la suma de funciones convexas es otra
funcin convexa, tanto la funcin objetivo f como las funciones restriccin gi son
funciones convexas respecto del vector de variables y, ya que k se tiene que ck > 0.
En definitiva, el problema resultante en y Rn es un problema de programacin
convexa en el que una vez obtenida la solucin y* se obtiene la solucin al
problema original como x* = ey*.
En el caso en que k = -1 se obtiene una funcin signomial. Si existe alguna
funcin Pk(x) signomial y si = 1 i, el problema se clasifica como de programacin
geomtrica signomial, lo mismo que si existe un si = -1 con todas las funciones Pk(x)
posinomiales para k [ri-1+1, ri].
5.4.2.- Procedimientos y algoritmos de resolucin
Aunque cualquier problema geomtrico puede resolverse simplemente como
problema de PNL que es, para problemas posinomiales existen dos alternativas
especficas:
1) Resolucin como problema de programacin separable mediante
transformaciones logartmicas como las comentadas en la seccin 3.4. Este es un
procedimiento que, aunque goza de las ventajas de la programacin lineal de cara a
la resolucin y a la post-optimizacin del problema, aumenta considerablemente la
dimension del mismo.
2) Resolucin del problema dual geomtrico [Duffin y Peterson (1966)], que
si el primal es de minimizacin, es
rm
ck
Max . h ( ) =
k =1 k
rm
s.a
a jkk = 0,
ri
ri
k
k = ri 1 + 1
i =1 k = ri 1 +1
k =1
r0
= 1,
[Condicin de normalidad]
k =1
290
donde k son variables duales, una por cada trmino posinomial. El problema dual
puede obtenerse aplicando la desigualdad generalizada entre media aritmtica y
media geomtrica [Peressini, Sullivan y Uhl (1988), pg. 188-193)] o mediante
dualidad lagrangiana33 [Bazaraa y otros (1993), p. 534], en cuyo caso se suele tomar
como funcin objetivo del problema dual el logaritmo de la funcin dual anterior,
Max . ln[h( ) ] =
rm
k (ln c k ln k ) +
k =1
rm
ri
ri
k ln
k = r +1 k
i =1 k = ri 1 +1
i 1
m
k ln kk + ( i ln i ),
k =1
i =1
siendo
i =
ri
k ,
k = ri 1 +1
c) ck Pk (x*)
*k = *kf (x*),
k =ri 1 +1
33
291
ck
Max. h () = 0 0
k
k
=
1
k k
i =1
ri
ck
i i
k
=
r
i 1
k k
r0
k k = 0 = 1,
s.a
[Condicin de normalidad]
k =1
i = s i
ri
kk 0 ,
i {1,,m},
k = ri 1 +1
rm
k a jk k = 0,
j {1,,n}
[Cond. Ortogonalidad]
k =1
gi(x) 1, i {0, 1, , m}
siendo
g0(x) = f 0 ( x) x 01 ,
292
s.a
1 + Pi
1, i { 0, 1, , m},
Qi
Pk
, k {ri -1 + 1, , ri },
k =
Pk ( x )
, k {ri -1 + 1, , ri },
Q i (x )
Pk
, k {ri -1 + 1, , ri }.
293
x1x2+2x1x3+2x2x3 S,
c k f k (x ),
k
34
A dicha conclusin llegan Duffuaa, Shuaib y Alam (1993) tras evaluar distintos cdigos algortmicos
utilizados frecuentemente en modelos econmicos de optimizacin de mquinas sobre cinco modelos
test sacados de literatura. En concreto, la evaluacin se basa en la consideracin de la precisin,
convergencia, la sensibilidad a valores iniciales y el esfuerzo preparacional previo.
35
En el subdirectorio SAMPLES del programa LINGO puede encontrar el archivo BOX en el que se
modeliza el problema de disear la carcasa de un ordenador al mnimo coste segn unos requerimientos
de rea, volumen, marketing y esttica.
294
Min. C =
c x
j
j =1
x j
s.a
aj
y,
j=1
x ,
como la funcin de produccin es Cobb-Douglas se puede obviar las condiciones de
no negatividad [Madden (1987), seccin 11.5], por lo que dicho modelo puede
expresarse en el formato de programacin geomtrica de tipo posinomial,
n
Min. C =
c x
j
j =1
y
A
s.a
xj
a j
1.
j=1
El inters se centra en la aplicacin del mtodo dual, que en este caso nos
conduce al problema
Max. h() =
s.a
cj
j=1 j
n
y n +1
A
n +1
n +1 ,
n +1
j =1,
j=1
295
j =1
j =1
j n +1 a j = 0,
pero como
n
j =1,
j=1
entonces
1 n +1
a j = 0,
j=1
obtenindose
n+1 =
1
n
a j
j=1
a j
j=1
c j x *j = *j C* =
aj
n
C*,
a j
j=1
296
(x )
n
y
A
*n +1 = *n +1 C*,
*
j
j=1
h(*) =
*j
cj
*
j=1 j
n
y
*
A n +1 * *n +1
* n +1 ,
n +1
C* =
a j
n
cj
n
j=1
a
aj
j
j=1
aj
y A
aj
1
j=1
j =1
1 aj
j =1
en dicha
aj
j=1
1 aj
j =1
c
aj
n j
j=1
aj
j=1
aj
y a j
j=1
A
1 aj
a j
j=1
j =1
cj aj
n
j=1
a
j
j=1
aj
aj
n
n
j =1
a j
y a j
j=1 j=1
n
A
aj
n
n
j =1
aj
aj
j=1
j
=
1
1 aj
j =1
cj a j
j=1
n
j=1
aj aj
j=1
n
aj
y aj
a
j
j=1 n j=1
n a j
A a j=1
j=1
a j
j =1
aj
cj
j=1 a j
n
y
A
aj
j =1
n
a ,
j=1 j
297
x *j =
aj
n
C* ,
cja j
j=1
mientras que la tercera relacin primal-dual en este caso slo sirve para obtener una
expresin altenativa pero equivalente del valor ptimo de la funcin objetivo primal,
C*, en funcin de los valores ptimos de las variables primales, x* Rn++.
n
a j = 1 , queda:
j=1
j* = aj , n+1* = 1,
y
C* =
A
cj
j=1 a j
n
j
,
x *j =
aj
cj
C *.
Con fines ilustrativos se aplican dichos resultados a un caso del modelo simple
de minimizacin de costes36 con factores de produccin capital, K, y trabajo, L:
Min. C = 4K+ 5L
s.a
10K05L05 1000,
K 0, L 0.
100 e z 1 ,
z = - 05 ln K - 05 lnL,
y acotando adecuadamente los valores de K y L se puede convertir en un problema
de programacin separable. Mediante la aplicacin del mtodo dual se obtiene el
problema
36
Se corresponde con el problema 5.3b de Mochol, M. y Sala, R. (1999). En las pginas 125 a 128 de
dicho libro puede encontrarse el enunciado del mismo y la resolucin de la formulacin original
mediante el sistema soporte GAMS/MINOS.
298
4
Max.h() =
1
s.a
5
2
100 3 3
3 ,
3
1- 053 = 0
2 - 053 = 0
1+2 = 1
1 0, 2 0, 3 0,
Min. C(x) =
c k f k (x ),
k =1
299
ln f k ( x ) =
a jk x j ,
j=1
lleva en el caso de que r = n+1, con lo que el nmero de grados de libertad es cero,
a la independencia de los costes sombra respecto del vector c, ya que los r valores
sombra k se obtienen simplemente resolviendo el sistema
r
k =1
k =1
a jk k = 0, i = 1,
lo que indica separacin entre factores econmicos y factores tcnicos.
Posteriormente se obtiene xj* resolviendo la ecuacin
r
k * ln kk * .
ln C* =
k =1
Max.
k ln kk Min. k ln c kk ,
k =1
k =1
s.a
a jk j = 0,
k =1
j = 1,
k =1
Max. B = py c j x j ,
j =1
s.a
A x j j y,
a
j=1
300
Max.B = 0 py j c j x j ,
j=1
s.a
n +1
y
A
x j
a j
s,
j=1
301
f 1 (x )
f 2 (x )
g(x) b,
s. a
37
302
303
1
,
f 2 (x)
y j = x j y 0 , j = 1, 2, , m,
el problema resultante en el vector de variables (y0, y) Rn es41
y
Max. f 1
y0
s.a
y
f 2
y0
y 0 ,
= 1 si f 2 es afn
y 0
1 si f 2 es no afn,
y
S,
y0
y
y 0 g i
y0
0, i = 1,2, , m ,
y 0 > 0,
dando lugar a un problema de programacin cncava42, por lo que en definitiva
puede decirse que los denominados problemas de programacin fraccional cncava
son en realidad problemas de programacin cncava generalizada concavificables
mediante transformacin.
40
304
[PA()]
donde > 0, y las restricciones son las del problema original. En realidad se trata de
resolver una secuencia finita de problemas cncavos (convexos) y mediante las
pertinentes relaciones entre el PFG y PA() obtener la solucin ptima al problema
original43. As, si * es la nica raz de F(), una solucin ptima a PA(*), x*,
resuelve PFG y * = f(x*).
5.5.4.- Estructuras particulares y extensiones
Entre los problemas de programacin fraccional no lineal debe destacarse la
programacin fraccional cuadrtica
Max. f ( x ) =
s.a
x t Qx + c t x + c 0
x t Px + d t x + d 0
Ax b, x ,
s.a
Ax b,
x X Rn.
En general es un procedimiento menos eficiente, pero puede resultar ventajoso para determinados
problemas que presenten estructura particular en las restricciones.
305
E rj x j
E rj x j
j=1
rtx
j=1
Max. S =
=
=
,
n n
t
n
x
Vx
r j x j
x j x i cov(r j , ri )
j=1
j=1 i =1
[]
x j =1,
s.a
j=1
xj 0, j {1, 2, , n},
donde x Rn es el vector de porcentajes que cada activo supone sobre el total de la
cartera, y de ah que el termino independiente de la restriccin sea la unidad, r Rn
es el vector aleatorio de rentabilidades de los n activos o inversiones implicadas,
siendo r el vector de valores medios de las rentabilidades y V su matriz de
varianzas-covarianzas.
Se trata de un problema con funcin objetivo pseudocncava y una restriccin
lineal de igualdad, cuya funcin es, por lo tanto, tanto cncava como convexa. Si se
aplica al mismo la transformacin de Charnes-Cooper-Schaible:
y0 =
1
x t Vx
E[r j ]y j = r t y,
n
Max. G =
j=1
s.a
y j y i cov(rj , ri ) =
y t Vy 1,
j=1 i =1
y j = y0 ,
j=1
y 0 > 0, y1 0, y 2 0,, y n 0,
44
306
un problema con funcin objetivo lineal, pero con una restriccin en la que la
funcin es no lineal, pero convexa por tratarse de una desviacin tpica, la raz
cuadrada de la varianza de la cartera que tambin es una funcin convexa. En todo
caso, se ha pasado a un problema con las adecuadas condiciones de concavidad,
problema que una vez resuelto permite obtener x* Rn, el vector de porcentajes que
cada activo supone sobre el total de la cartera, simplemente deshaciendo la
transformacin:
y*
,
y0
x* =
s.a
x j =1,
j=1
xj 0, j {1, 2, , n},
expresin que resulta mucho ms cercana ya que se trata de combinar en la funcin
objetivo la rentabilidad y el riesgo de la cartera medido por su desviacin tpica
mediante un parmetro de penalizacin, > 0. Cabe resaltar, que se ha obtenido
tambin un problema ms fcil de tratar, ya que la funcin objetivo es cncava,
aunque no cuadrtica, y sigue mantenindose una nica restriccin lineal de
igualdad.
Muy similar al anterior es el problema fraccional
Max. f ( x ) =
s.a
tx
(x ' Vx ) 1 2
Ax b,
x ,
Ax b,
x ,
307
Max. f ( x ) =
Max. f ( x ) =
rtx d
x t Vx
x j =1,
s.a
j=1
xj 0, j {1, 2, , n},
obtenindose el siguiente problema transformados segn el mtodo de CharnesCooper-Schaible,
Max. G = r t y dy 0 ,
s.a
n
y j y i cov(rj , ri ) =
y t Vy 1,
j=1 i =1
y j = y0 ,
j=1
y 0 > 0, y1 0, y 2 0,, y n 0,
problema que se puede simplificar si se sustituye la restriccin de igualdad en la
funcin objetivo,
308
(rj d )y j = (r du )t y,
n
Max. G =
j=1
s.a
y j y i cov(rj , ri ) =
y t Vy 1,
j=1 i =1
y 0 > 0, y1 0, y 2 0,, y n 0,
donde u Rn es el vector cuyas n componentes son la unidad.
Existen otras estructuras ms complicadas, pero generalmente van unidas a algn
problema en particular.
Ejemplo 5.10.- En anlisis numrico existe una aplicacin de la programacin
fraccional que consiste en la obtencin de los autovalores mximo y mnimo de una
matriz cuadrada A Mn calculados como un mximo y un mnimo de un cociente:
MAX Max. =
x
MIN Min. =
x
x t A t Ax
xtx
x t A t Ax
xtx
donde la solucin ptima xMAX y xMIN son autovectores asociados a MAX y MIN
respectivamente.
Respecto a las extensiones, por su relevancia cabe destacar:
Max. f ( x ) =
f k (x )
f k (x ) = f1k (x ) ,
k =1
k =1 2
f 1 ( x )
f p ( x )
Max. f ( x ) = Mn. {f k ( x )} = Mn. 11
, , 1p
,
k =1,p
f 2 ( x )
f 2 ( x )
309
45
Schaible, S. (1983): "Bicriteria quasiconcave programs", Cah. Cent. Etud. Rech. Opr. 25, 93-101.
Ashton, D.J. y Atkins, D.R. (1979): "Multi-criteria programming for financial planning", Journal of
Operational Research Society 30, 259-270.
46
310
Problemas resueltos
1.- A continuacin se muestra la solucin proporcionada por LINGO para alguno de
los ejemplos recogidos anteriormente, comparando la solucin dada por LINGO con
la obtenida tras la aplicacin de los mtodos especficos empleados:
a)
Ejemplo 5.1
max=-1.25*x^2+27*x-4.125*y^2+65*y;
x^2+4*y^2<100;
Rows=
2 Vars=
2 No. integer vars=
0
Nonlinear rows=
2 Nonlinear vars=
2 Nonlinear constraints=
Nonzeros=
5 Constraint nonz=
2 Density=0.833
No. < :
1 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
Variable
X
Y
Row
1
2
7
311.0000
Value
6.000000
4.000000
Slack or Surplus
311.0000
0.0000000
Reduced Cost
-0.2122082E-05
0.0000000
Dual Price
1.000000
0.9999998
Rows=
2 Vars=
2 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints= 0
Nonzeros=
4 Constraint nonz=
2 Density=0.667
No. < :
1 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
Variable
C
L
Row
1
2
4
6.750000
Value
4.500000
5.999999
Slack or Surplus
6.750000
0.0000000
Reduced Cost
0.0000000
-0.6734844E-07
Dual Price
1.000000
8.999999
311
Ejemplo 5.3
max=-0.7*PA^2-0.5*PB^2+PA*PB+240*PA-20*PB-53000;
0.7*PA-0.6*PB<80;
-0.4*PA+0.5*PB<70;
Rows=
3 Vars=
2 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints= 0
Nonzeros=
9 Constraint nonz=
4 Density=1.000
No. < :
2 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
Variable
PA
PB
Row
1
2
3
8
7700.000
Value
549.9999
529.9998
Slack or Surplus
7700.000
13.00000
25.00003
Reduced Cost
0.0000000
0.7138678E-05
Dual Price
1.000000
0.0000000
0.0000000
312
y aplicando la transformacin
z = x+y,
que da lugar a
xy =
1 2
z x 2 y2 ,
2
1 2
z x 2 y 2 +x+2y+2
2
4x+6y 130,
z = x+y,
x 10, 0 y 15,
que ya es de programacin separable, ya que las funciones restriccin son todas
lineales, un caso particular de funcin separable, y la funcin objetivo se
descompone como
U(x,y,z) = f1(x)+f2(y)+f3(z),
siendo
1
f1 ( x ) = x 2 + x ,
2
1
f 2 ( y ) = y 2 + 2 y,
2
f 3 (z) =
1 2
z + 2.
2
313
x
10
145
19
235
28
325
f(x)
-40
-90625
-1615
-252625
-364
-495625
y
0
3
6
9
12
15
f(y)
0
15
-6
-225
-48
-825
z
10
175
25
325
40
475
f(z)
52
155125
3145
530125
802
1130125
314
y + 1 x + 2
0
H * f ( x, y) = y + 1
0
1 ;
x + 2
1
0
0
x+2
= ( x + 2) 2 < 0, (x, y) S.
H 1* =
0
x+2
H *2 = H * f ( x, y) = 2( y + 1)( x + 2) > 0, (x, y) S.
Por tanto, se puede concluir que U(x,y) es estrictamente cuasicncava. Como S
es convexo y no vaco, todo mximo local que proporcione un mtodo de resolucin
ser mximo global y nico.
La solucin proporcionada por LINGO se recoge a continuacin, tras ejecutar
LINGO para el fichero problem2.lng.1
max=(x+2)*(y+1);
4*x+6*y<130;
@bnd(10,x,0.1e+21);
@bnd(0,y,15);
Rows=
2 Vars=
2 No. integer vars=
0
Nonlinear rows=
1 Nonlinear vars=
2 Nonlinear constraints= 0
Nonzeros=
6 Constraint nonz=
2 Density=1.000
No. < :
1 No. =:
0 No. > :
0, Obj=MAX Single cols=
0
Optimal solution found at step:
Objective value:
4
216.0000
En el Anexo al libro de Mochol, M. y Sala, R. (1999), pp. 380-388, puede encontrar el contenido del
fichero de entrada de datos UTILGAMS.GMS, que permite resolver este problema como un problema
cualquiera de P.N.L mediante el programa asistente GAMS/MINOS. Tambin encontrar su
correspondiente fichero de salida de datos UTILGAMS.LST.
315
Variable
X
Y
Row
1
2
316
Value
16.00000
11.00000
Slack or Surplus
216.0000
0.0000000
Reduced Cost
0.0000000
-0.2397754E-07
Dual Price
1.000000
3.000000
Problemas propuestos
1.- Un estado federal est organizado en cuatro estados: Norte, Sur, Este y Oeste. El
servicio de estudios de los asesores econmicos del gobierno federal ha modelizado,
tras un estudio economtrico, el P.I.B. de cada uno de los cuatro estados como una
funcin de tipo Cobb-Douglas de la fuerza de trabajo y el stock de capital de cada
uno. En la siguiente tabla se recoge, para cada estado, informacin acerca de la
constante multiplicativa, los exponentes de la fuerza de trabajo y del stock de capital
en la funcin de produccin, las disponibilidades de esos factores y la produccin
mnima para que la renta per cpita en los cuatro estados sea al menos igual a la
actual.
Estado
Norte
Sur
Este
Oeste
Constante
100
50
75
90
Exp. K
0,75
0,25
0,4
0,6
Exp. L
0,25
0,75
0,4
0,3
Disp. K
2000
500
800
1200
Disp. L
1000
3000
2500
1200
Producc. mnima
3000
1500
2000
2800
a) Suponiendo que no existe movilidad del trabajo ni del capital entre los
cuatro estados, el servicio de estudios quiere determinar la combinacin ptima de
los factores productivos en cada estado para maximizar el P.I.B. del estado federal.
Modelice el problema y determine si se trata de un problema de programacin
separable, cuadrtica, geomtrica y/o fraccional. En su caso, efecte la
transformacin y/o los pasos pertinentes para acometer la resolucin del mismo
segn las tcnicas correspondientes. Obtenga la solucin del problema mediante la
tcnica especfica y comprela con la solucin obtenida por el procedimiento
general de resolucin mediante LINGO.
b) Efecte, si es posible, lo mismo que en el apartado anterior para el caso de
existencia de movilidad de los dos factores entre los cuatro estados.
x + y 20
(produccin mnima)
x, y 0,
se le puede aplicar el mtodo de Wolfe para problemas de programacin cuadrtica.
En caso afirmativo, resulvalo por dicho mtodo, explicando como realiza las
iteraciones. En caso negativo, estudie si se puede o no tratar como un problema de
programacin separable, en cuyo caso plantee la forma lambda o la forma delta para
un mnimo de dos particiones y resuelva los problemas auxiliares resultantes. Por
317
0 x1h
0 x2h
0 10
0 20
wj
0
10
0
0
1
0
0
12
11
3
1
1
0
12
20
12
8
2
1
0
20
10
13
-1
2
1
0
10
0
20
0
0
0
1
0
2
21
-2
1
0
1
2
5
22
4
-1
0
1
5
9
23
2
0
0
1
9
0
x1h
1
0
0
0
0
0
x2h
0
1
0
0
0
b
4
10
1
1
0
318
0 x1
0 x2h
0 x3h
0 x4h
0 x5h
0 x6h
0 x7h
wj
9
10
3
1
0
0
0
0
0
9
20
11
3
0
1
0
0
0
0
20
6
13
3
0
0
1
0
0
0
6
20
20
8
0
0
0
1
0
0
8
9
21
8
0
0
0
0
1
0
9
-2
22
8
0
0
0
0
0
1
-2
0
x1h
1
0
0
0
0
0
0
0
0
x2h
0
1
0
0
0
0
0
0
0
x3h
0
0
1
0
0
0
0
0
0
x4h
0
0
0
1
0
0
0
0
0
x5h
0
0
0
0
1
0
0
0
0
x6h
0
0
0
0
0
1
0
0
0
x7h
0
0
0
0
0
0
1
0
b
3
1
1
1
1
1
1
0
7.- Una empresa elabora tres productos, azcar blanquilla, caf y malta. El volumen
de ventas de cada producto depende de su precio, y en el caso de la malta, el
volumen de ventas depende tambin del precio del caf. El departamento de
mercadotecnia estima la siguiente relacin entre el volumen de ventas mensuales (en
toneladas) y el precio por kilo para cada producto:
Ventas de azcar = 10 - precio del azcar
Ventas de caf = 16 - precio del caf
Ventas de malta= 6 - 05 precio de la malta + 025 precio del caf
Los costes variables para cada producto son 6, 7 y 10 pesetas el kilo,
respectivamente. La produccin est limitada por el tiempo disponible de mquina y
los recursos humanos. Cada mes se dispone de 1000 horas-mquina y 2000 horas-
319
Azcar
04
02
Producto
Caf
02
04
Malta
01
01
que
a) Plantee el problema.
b) Determine el volumen de ventas mensual que maximice los beneficios
teniendo en cuenta los recursos disponibles mediante LINGO.
c) Determine si se trata de un problema de programacin cuadrtica, separable
y/o geomtrica, y en su caso resulvalo mediante los mtodos especficos de ese tipo
de problemas.
q2 = 180-4p2+2p1.
Para la correcta formulacin del problema puede serle til el ANEXO 3, en el que encontrar
informacin sobre los modelos media-varianza de seleccin de cartera ptima.
320
Por otro lado, el coste unitario por avioneta, la capacidad productiva de cada
planta, y el consumo de carburante se recogen en la siguiente tabla
Coste unitario en millones de ptas.
Modelo
Planta 1 Planta 2 Planta 3
Avioneta 1
70
80
Avioneta 2
120
105
Capacidad productiva anual
50
10
20
Litros/100 Km.
35
475
Sabiendo que por exigencias legales el consumo medio de carburante entre los
dos tipos de avionetas debe ser de 425 litros cada 100 Km. Determine el plan
ptimo de precios y produccin de la empresa con LINGO y mediante el/los
mtodos especficos que puedan aplicarse (programacin cuadrtica, separable o
geomtrica). Compare los resultados.
0 4 1
El coste unitario de produccin para la variedad queso fresco viene dado por
c(x1) = 075 - 0001x1,
donde x1 son kilos de dicha variedad.
Mientras que el de la variedad queso semicurado viene dado por
c(x2) = 150-00002x2 ,
donde x2 son kilos de dicha variedad.
Sabiendo que los precios de las dos variedades, que son sustitutivas en cierto
grado, vienen dados por
p1 = 4-0001x1-00003x2,
p2 = 7-0004x1-0003x2 ,
determine la produccin semanal si el criterio es maximizar beneficios con LINGO
y mediante el/los mtodos especficos que puedan aplicarse (programacin
cuadrtica, separable o geomtrica). Compare los resultados.
321
dispone sobre los centros son el gasto por alumno y el porcentaje de alumnos con
bajo ingreso (indicativo del carcter pblico o concertado de los mismos):
Colegio 1 Colegio 2 Colegio 3 Colegio 4 Colegio 5 Colegio 6
Gasto mensual
por alumno
% Alumnos de
bajo ingreso
8939
8625
10813
10638
6240
4719
643
99
996
96
962
799
Para analizar el nivel de los alumnos decide que se les realice un test de
escritura y otro sobre conocimientos cientficos. Las puntuaciones obtenidas en los
mismos sobre un mximo de 50 son
Escritura
Ciencia
Para modelizar correctamente el problema puede consultar el ANEXO 4, una breve introduccin a los
modelos de Anlisis Envolvente de Datos.
322
ANEXO 3
Modelo media-varianza de seleccin de cartera ptima
I.- INTRODUCCIN
II.- MODELO BSICO Y FUNDAMENTACIN TERICA
III.- RENTABILIDAD Y RIESGO DE LA CARTERA
IV.- VALORACIN DEL MODELO EN LA PRCTICA
I.- INTRODUCCIN
Sin duda, una de las ms tpicas aplicaciones de la programacin cuadrtica es
el problema de seleccin de la cartera ptima, cuyo planteamiento es generalmente
vlido para la asignacin de inversiones e incluso para la asignacin de recursos
entre actividades en circunstancias de riesgo. El modelo bsico ms conocido es el
modelo de optimizacin media-varianza de Markowitz (1952, 1959, 1987), un
modelo esttico o de un solo periodo entre dos instantes que se sustenta en el
binomio rentabilidad-riesgo, ya que dada una cuanta monetaria determinada se trata
de seleccionar la cartera ptima, combinacin ptima de n posibilidades de
inversin, estableciendo la optimalidad mediante dos ndices de referencia:
rendimiento esperado de la cartera y riesgo asociado a la misma obtenido como la
varianza o desviacin estndar de dicho rendimiento.
324
xj
= C,
j=1
325
xj
= 1,
j=1
326
Max. E[U(rtx)] = 1 - E e a (r x ) = 1 - e
t
[ ]
[ ]
a
aE r t x + V r t x
2
equivale a
[ ]
Max. E[rtx] - a V r t x .
2
327
10
Si la muestra histtica no contiene todas las observaciones se utiliza las cuasivarianzas y las
cuasicovarianzas.
11
No obstante, el vector de medias muestrales y la matriz de covarianzas muestrales son estadsticos
suficientes para distribuciones normales conjuntas.
328
V[rtx] = xtdPdtx,
12
Vase al respecto el captulo 6 de Haugen, R.A. (1997): Modern Investment Theory, Prentice Hall.
En el subdirectorio SAMPLES del programa LINGO puede encontrar el archivo PRTSCEN, que
contiene un modelo de escenarios para la seleccin de cartera en el que adems de la varianza puede
utilizar otras medidas del riesgo como la semivarianza o la suma de desviaciones inferiores respecto del
valor medio (Downside risk).
14
Como extensin han surgido los modelos robustos [Mulvey, Vanderbei y Zenios (1995)] y como
alternativa los modelos borrosos [Tanaka y Guo (1999)].
13
329
330
331
332
ANEXO 4
Introduccin a los modelos D.E.A.
I.- INTRODUCCIN
II.- ELEMENTOS Y FORMULACIN DE UN MODELO BSICO
III.- PROBLEMTICA PRCTICA
I.- INTRODUCCIN
El Anlisis Envolvente de Datos o D.E.A, las iniciales de su denominacin en
ingls: Data Envelopment Analysis, es una materia de creciente difusin e inters.
Se trata de una de las aplicaciones ms recientes y fructferas de la programacin
matemtica en la que la misma se usa como herramienta de control y evaluacin de
las realizaciones pasadas para medir la eficiencia relativa de la gestin efectiva en
un conjunto de unidades homogneas de toma de decisin, DMUs, individuos o
grupos que usan los mismos inputs para obtener los mismos outputs. Tcnicamente
se trata de construir la frontera eficiente a partir de la mejor prctica observada y
evaluar la eficiencia de todas las unidades respecto de la misma1.
Su utilidad en la evaluacin y comparacin de la eficiencia relativa de
unidades de toma de decisin se ha demostrado en el anlisis de departamentos
educativos, clnicas y hospitales, prisiones, produccin agrcola, banca y seguros,
etc.
Los modelos D.E.A. de mayor difusin son el CCR, de Charnes, Cooper y
Rhodes (1978), para rendimientos constantes a escala, y el BCC, de Banker,
Charnes y Cooper (1984), extensin del CCR para rendimientos variables a escala.
En realidad cada modelo es un conjunto de problemas de programacin matemtica
en los que las funciones son medidas de eficiencia, destacando las funciones lineales
o cocientes entre funciones lineales. No obstante, existen extensiones a modelos
D.E.A. no lineales [Sengupta (1989)], consideradas ms flexibles al usar funciones
log-lineales, funciones Cobb-Douglas o funciones cuadrticas, etc.; e igualmente
existen modelos D.E.A. estocsticos [Sengupta (1987)], as como dinmicos
[Sengupta (1994, 1995)].
334
u rk y rk
Max. h k =
u(k), v(k)
r =1
m
v ik x ik
i =1
Las formas ratio CCR y BCC, cuyos antecedentes son Farrell (1957) y el anlisis de ineficiencia de
Charnes y Cooper, son una extensin como problema de programacin matemtica del anlisis
tradicional de ratios output/input que generaliza la medida de eficiencia tcnica de un nico input/ un
nico output al caso de mltiple input/ mltiple output mediante la construccin de una razn de
eficiencia relativa definida como el ratio de la suma ponderada de outputs con respecto a la suma
ponderada de inputs o el ratio inverso al mismo.
335
u rk y rj
hj =
s.a
r =1
m
v ik x ij
1, j {1, , n },
i =1
u rk 0 , r {1,, s},
v ik 0, i {1,, m},
Max. Z k =
(k), ( k )
rk y rk ,
r =1
s.a
ik x ik = 1,
i =1
r =1
i =1
rk y rj ik x ij 0,
j = 1, , k, , n,
rk 0 , r {1,, s},
ik 0, i {1,, m},
rk =
urk
m
vikxik
, r {1,, s},
i =1
ik =
vik
m
vikxik
, i {1,, m}.
i =1
0k = vik x ik ,
i =1
pero la misma no aparece en el programa lineal debido a que el denominador de la funcin objetivo
original no tiene trmino independiente, d0 = 0, y el trmino independiente de las n restricciones es cero
una vez linealizadas, b = , por lo que todos sus coeficientes son cero.
MODELIZACIN Y RESOLUCIN DE PROBLEMAS DE OPTIMIZACIN EN ECONOMA
336
urk
m
vikxik
> 0,
r {1,, s},
> 0,
i {1,, m},
i =1
vik
m
vikxik
i =1
rk > 0 ,
ik > 0
r {1,,s},
i {1,, m}.
337
El subdirectorio SAMPLES del programa LINGO contiene el fichero DEAMOD un modelo D.E.A. de
programacin lineal.
5
El mismo ha sido desarrollado en la Universidad de Warwick (Reino Unido) por el Operational
Research & Systems Group de la Warwick Business School. Informacin detallada sobre el mismo
puede encontrarse en la direccin electrnica http://www.warwick.ac.uk/~bsrlu/. En dicha direccin
puede conseguirse una versin demo que permite trabajar hasta con 20 DMUs.
MODELIZACIN Y RESOLUCIN DE PROBLEMAS DE OPTIMIZACIN EN ECONOMA
338
BIBLIOGRAFA
Abadie, J.M. y Williams, A.C. (1963): "Dual and Parametric Methods in
Decomposition", en Graves, R.L. y Wolfe, P. [Eds.], Recent Advances in
Mathematical Programming, McGraw-Hill, New York.
Attaran, M. (1992a): MSIS-Management Science Information Systems, Wiley, New
York.
Attaran, M. (1992b): OMIS-Operations Management Information Systems, Wiley,
New York.
Avriel, M.; Diewert, W.E.; Schaible, S. y Zang, I. (1988): Generalized Concavity,
Plenum Press, New York. Caps. 6 y 7.
Banker, R.D.; Charnes, A. y Cooper, W.W. (1984): Some Models for Estimating
Technical and Scale Inefficiencies in Data Envelopment Analysis, Management
Science 30(9), 1078-1092.
Barbolla, R.; Cerd, E. y Sanz, P. (1991): Optimizacin Matemtica: teora,
ejemplos y contraejemplos, Espasa-Calpe, Madrid.
Bazaraa, M. y Jarvis, J.J. (1981): Programacin lineal y flujo de redes, Limusa,
Mxico.
Bazaraa, M.S.; Sherali, H.D. y Shetty, C.M. (1993): Nonlinear Programming,
Theory and Algorithms, Segunda edicin, John Wiley, New York.
Beale, E.M.L. (1955): On minimizing a convex function subject to linear
equalities, Journal of The Royal Statistical Society 17 (Series B), 173-184.
Beale, E.M.L. (1959):On Quadratic Programming, Naval Research Logistics
Quaterly 6, 227-243.
Beightler, C.S. y Phillips, D.T. (1976): Applied Geometric Programming, John
Wiley, New York.
Bierman, H.Jr.; Bonini, C.P.; Hausman, W.H. (1994): Anlisis cuantitativo para la
toma de decisiones, Addison-Wesley Iberoamericana, 8 edicin, Wilmington.
Blau, R.A. (1973): "Decomposition Technique for the Chebyshev Problem",
Operations Research 21, 1163-1167.
Blau, G.E. y Wilde, D.J. (1971): A Lagrangian algorithm for equality constrained
generalized polynomial optimization, A:I.Ch.E. Journal 17, 235-240.
339
340
Bibliografa
Ecker, J.G.; Kupeerschmid, M. y Sacher, R.S. (1984): Comparison of a specialpurpose algorithm with general-purpose algorithm for solving geometric
programming problems, Journal of Optimization Theory and Applications
43(2), 237-263.
Farrell, M.J. (1957): The Measurement of Productive Efficiency, Journal of the
Royal Statistical Society (Series A) 120, 253-290.
Fletcher, R. (1991): Practical methods of optimization, Segunda edicin, Wiley,
New York.
Gill, P.E. y Murray, W. (1978): Numerically stable methods for quadratic
programming, Mathematical Programming 14, 249-372.
Gilmore, P.C. y Gomory, R.E. (1963): A linear programming approach to the
cutting stock problem. Part II, Operations Research 11, 863-888.
Goldfarb, D. y Idnani, A. (1983): A numerically stable dual method for solving
strictly convex quadratic programs, Mathematical Programming 27, 1-33.
Haugen, R.A. (1997): Modern Investment Theory, Prentice Hall, New Jersey.
Heal, G.M. (1971): Planning, prices and increasing returns, Review of Economic
Studies, 281-295.
Heras, A. y otros autores (1990): Programacin Matemtica y Modelos
Econmicos: un enfoque terico-prctico, AC, Madrid.
Hillier, F.S. y Lieberman, G.J. (1991): Introduccin a la Investigacin de
operaciones, McGraw-Hill, Mxico.
Isbell, J.R. y Marlow, W.H. (1956), "Attrition Games", Naval Research Logistic
Quaterly 3, 71-93.
Kallberg, J.D. y Ziemba, W.T. (1981): "Generalized concave functions in stochastic
programming and portfolio theory", en Schaible, S, y Ziemba, W.T. [Eds.],
Generalized Concavity in Optimization and Economics, Academic Press, New
York.
Koopmans, T.C. y Beckmann, M.J. (1957): Assignment problems and the location
of economic activities, Econometrica 25, 53-76.
Lasdon, L.S. (1970): Optimization Theory for Large Systems, McMillan, New York.
Lemke, C.E. (1968): On Complementary Pivot Theory, en Dantzig, G.B. y
Veinott, A.F. [Eds.], Mathematics of the Decisions Sciences, American
Mathematical Society, Providence (R.I.).
341
342
Bibliografa
343
344