Académique Documents
Professionnel Documents
Culture Documents
1.-Introduccin
La programacin lineal se aplica a modelos de optimizacin en los que las funciones
objetivo y restricciones son estrictamente lineales. La tcnica se aplica en una amplia
variedad de casos, en los campos de agricultura, industria, transporte, economa, salud,
ciencias sociales y de la conducta, y militar.. Debido a su gran eficiencia de clculo, la
programacin lineal forma la columna vertebral de los algoritmos de solucin para otros
modelos de investigacin de operaciones, como las programaciones entera, estocstica y
no lineal.
Un problema general de investigacin de operaciones es:
Optimizar z= c1x1 +c2x2 + + cnxn
Ecuaciones de restriccin
Sujeta a :
x1
x 2 , b
...
xn
opt z cx
s/a
Ax b
x0
b1
b2
, c c1 , c2 ,..., cn A
...
bm
a 1n
a 2n
...
a 11
a 21
...
a12
a 22
...
...
...
...
a m1
a m2
... a mn
Problemas equivalentes
Regla 1
Maximizar cx es equivalente a minimizar cx
Minimizar cx es equivalente a maximizar cx
Ejemplo min z= 10 x1 - 4 x2
Es equivalente a max - z= -10x1 + 4x2
Regla 2
La desigualdad Ax b es equivalente a Ax - b
Y la desigualdad Ax b es equivalente a Ax - b
Ejemplo
x1 + 2x2 - 2x3 200
es equivalente a
-x1 - 2x2 + 2x3 - 200
y
Es equivalente a
20 x1 - 3x2 + x3 - 100
-20 x1+ 3x2 - x3 100
Regla 3
Toda igualdad puede descomponerse como la interseccin de dos desigualdades
Ax=b Ax b y Ax b
Ejemplo
x1 - 3x2 =5
Es equivalente a x1 - 3x2 5
y
x1 - 3x2 5
Regla 4
Toda desigualdad Ax b , puede convertirse en igualdad mediante la adicin de un
vector de holgura (slack), no negativo.
Ejemplo :
10 x1 -5 x2 8
11 x1 + 3 x2 9
Es equivalente a
10 x1 - 5 x2 + x3
= 8
11 x1 + 3 x2 +
x4 = 9
x 3 0
Donde el vector de holgura es
x 4 0
Toda desigualdad de la forma Ax b, puede convertirse en igualdad mediante la resta
de un vector llamado superfluo (surplus), no negativo.
Ejemplo
12 x1 -8 x2 1 8
10 x1 + 3 x2 6
12 x1 -8 x2 - x3
10 x1 + 3 x2 -
x4
=18
= 6
x 3 0
Donde el vector superfluo es
x 4 0
Regla 5
Una variable no restringida, o sea aquella que puede tomar toda clase de valores,
positivos, cero y negativos, puede escribirse como la diferencia de dos variables no
negativas.
Ejemplo
Sea x1 una variable no restringida, entonces x1=x2-x3
Donde x20 , x30. As si x2 > x3, entonces x1 > 0, si x2=x3 entonces x1=0, si x2< x3,
entonces x1 <0
Resolucin de problemas bsicos
Ejemplo 1
Max z=6x1+8x2
s/a
6x1+4x224
x1+2x26
-2x1+2x22
x22
x1,x2 0
1.1 SOLUCIN GRFICA
X2
L1
(2,2)
(3,1.5)
(1,2)
L3
L4
(0,1
)
L2
(0,0)
X1
(4,0)
Z=22
Z=30
Z=32
(0,0)
Z=0
(0,1)
8
30
Solucin
Resultado
LP OPTIMUM FOUND AT STEP
30.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
REDUCED COST
0.000000
0.000000
437.6471
VARIABLE
VALUE
X1
470.588226
X2
329.411774
REDUCED COST
0.000000
0.000000
x2
200
r1
600
r2
800
r3
-138
min
0
640
Ambos vrtices (200,600) y (470.5882, 329.4117) son ptimos, en realidad hay infinitos
ptimos (toda la recta)
Modelo
Determinar la cantidad de autobuses en funcionamiento durante cada turno (variables)
que satisfaga la demanda mnima (restricciones) y minimice al mismo tiempo la
cantidad de autobuses en operacin (objetivo).
Sabemos que cada autobs debe trabajar durante 8 horas, pero no sabemos cundo debe
comenzar un turno.
Si seguimos un horario normal de tres turnos (8:01 A.M. a 4:00 P.M., 4:01 P.M. a 12:00
media noche, y 12:01 A.M. a 8:00 A.M.) y suponemos que x1, x2 y x3 sean las
cantidades de autobuses que inician en el primero, segundo y tercer turno, podremos
ver, en la parte superior de la figura que x1 10, x2 12 y x3 8. La cantidad mnima
correspondiente de autobuses diarios es x1 + x2 + x3 = 10 + 12 + 8 =30.
Esta solucin slo es aceptable si los turnos deben coincidir con el horario normal de
tres turnos. Sin embargo, sera mejor dejar que el proceso de optimizacin elija la
mejor hora de inicio de un turno. Una forma razonable de hacerlo es dejar que un
turno pueda comenzar cada 4 horas. La parte inferior de la figura muestra este concepto,
y se ven turnos traslapados que pueden comenzar a las 12:01 A.M., 4:01 A.M., 8:01
A.M., 12:01 P.M., 4:01 P.M. y 8:01 P.M.; cada turno abarca 8 horas consecutivas.
Entonces se pueden definir las variables como sigue:
x1 _ cantidad de autobuses que comienzan a las 12:01 A.M.
x2 _ cantidad de autobuses que comienzan a las 4:01 A.M.
x3 _ cantidad de autobuses que comienzan a las 8:01 A.M.
x4 _ cantidad de autobuses que comienzan a las 12:01 P.M.
x5 _ cantidad de autobuses que comienzan a las 4:01 P.M.
x6 _ cantidad de autobuses que comienzan a las 8:01 P.M.
El modelo matemtico se escribe en la siguiente forma:
Minimizar z =x1 + x2 + x3 + x4 + x5 + x6
sujeta a
.
1)
26.00000
VARIABLE
VALUE
X1
0.000000
X2
8.000000
X3
2.000000
X4
12.000000
X5
0.000000
X6
4.000000
REDUCED COST
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
X1
X2
X3
X4
X5
X6
ROW
2
3
4
5
6
7
1.000000
1.000000
1.000000
1.000000
1.000000
1.000000
0.000000
0.000000
0.000000
0.000000
INFINITY
0.000000
0.000000
0.000000
0.000000
1.000000
0.000000
0.000000
Ejemplo
En el modelo de Reddy Mikks , la solucin ptima en C proporciona el valor mximo
de z = 5x1 + 4x2. Si se cambia la solucin objetivo a z = c1x1 + c2x2, la solucin en C
permanecer ptima mientras la pendiente de z quede entre las pendientes de las dos
lneas que se cruzan en C, que son 6x1 + 4x2 = 24 (materia prima, M1) y
x1 + 2x2 = 6 (materia prima, M2). Esta relacin se puede expresar algebraicamente
como
Si
o
si
c1 0
c2 0
4 c2 2
6
c1 1
1
c1 6
2 c2 4
4M2(20/3)
De nuevo se puede verificar que si M1=4
x1 = - (1/2) M2-6
x2=(3/4)M1- 3
4 M2 (20/3)