Académique Documents
Professionnel Documents
Culture Documents
programacin lineal
E
l desarrollo de la programacin lineal ha sido clasificado como uno de los avances cien
tficos ms importantes de mediados del siglo xx, y estamos de acuerdo con esta aseve
incluso empresas medianas, en los distintos pases industrializados del mundo; su aplicacin
a otros sectores de la sociedad se ha ampliado con rapidez. Una proporcin muy grande de
los programas cientficos en computadoras est dedicada al uso de la programacin lineal.
Se han escrito docenas de libros de texto sobre esta materia y se cuentan por cientos los
artculos publicados que describen aplicaciones importantes.
Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede ma
nejar? El lector adquirir una nocin de este tema a medida que trabaje en los ejemplos que
se presentarn ms adelante. Sin embargo, un resumeu verbal puede permitirle elaborar una
idea. Expresado en forma breve, el tipo ms comn de aplicacin abarca el problema general
de asignar de la mejor manera posible --es decir, de folna ptima- recursos limitados a ac
tividades que compiten entre s por ellos. Con ms precisin, este problema consiste en ele
gir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizar
las. Despus, los niveles de actividad elegidos dictan la cantidad de recursos que consumir
cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es
sin duda muy grande, ya que abarca desde la asignacin de instalaciones de produccin a los
productos hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde
la seleccin de una cartera de inversiones hasta la seleccin de los patrones de envo; desde
la planeacin agrcola hasta el diseo de una terapia de radiacin, etc. No obstante, el ingre
diente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades
mediante la eleccin de los niveles de stas.
La programacin lineal utiliza un modelo matemtico para describir el problema. El ad
jetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones
lineales. En este caso, la palabra programacin no se refiere aqu a trminos computaciona
les; en esencia es sinnimo de planeacin. Por lo tanto, la programacin lineal involucra la
planeacin de las actividades para obtener un resultado ptimo; esto es, el resultado que me
jor alcance la meta especificada -de acuerdo con el modelo matemtico- entre todas las
alternativas factibles.
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la
programacin lineal tiene muchas otras posibilidades. En realidad, cualquier problema cuyo
modelo matemtico se ajuste al formato general del modelo de programacin lineal, es un
problema de programacin lineal. (Por esta razn, los problemas de programacin lineal y
sus modelos con frecuencia son llamados slo programas lineales.) An ms, se dispone de
25
26
CAPTULO 3
un procedimiento de solucin muy eficiente llamado mtodo smplex para resolver estos
problemas lineales, incluso los de gran tamao. stas son algunas razones del tremendo efec
to de la programacin lineal en las dcadas recientes.
Por su gran importancia, hemos dedicado a la programacin lineal ste y los siguientes
seis captulos. Despus de presentar aqu las caractersticas generales de programacin li
neal, los captulos 4 y 5 se dedican al mtodo smplex. El captulo 6 analiza los problemas
de programacin lineal despus de la aplicacin inicial del mtodo smplex. El captulo 7
examina varias extensiones del mtodo smplex ampliamente usadas e introduce el algorit
mo de punto interior que en ocasiones se usa para resolver problemas de programacin li
neal an ms grandes que los que maneja el mtodo smplex. Los captulos 8 y 9 conside
ran algunos problemas especiales de programacin lineal cuya trascendencia justifica su
estudio individual.
Adems, en varios de los captulos posteriores se vern aplicaciones de programacin
lineal a otras reas de la investigacin de operaciones.
Este captulo inicia con el desarrollo de un ejemplo prototpico simplificado de un pro
blema de programacin lineal. Este ejemplo es tan pequeo que puede resolverse de mane
ra directa en una grfica. En las secciones 3.1 y 3.2 se presentan el modelo general de pro
gramacin lineal y sus supuestos bsicos. Las secciones 3.4 y 3.5 proporcionan algunos
ejemplos adicionales de programacin lineal que incluyen tres casos de estudio. L a seccin
3.6 describe cmo pueden establecerse y resolverse problemas de programacin lineal de ta
mao mediano en una hoja de clculo. Sin embargo, algunos problemas reales requieren mo
delos en verdad masivos. La seccin 3.7 ilustra cmo suelen surgir estos modelos de gran
tamao y cmo se pueden formular bien con la ayuda de lenguajes especiales de modelado
como MPL -descrito en esta seccin- o LINGO -descrito en el apndice de este cap
tulo-.
3.1
EJEMPLO PROTOTIPO
La WYNDOR GLASS CO. produce artculos de'vidrio de alta calidad, entre ellos ventanas
y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la
planta 1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.
Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar
la lnea de produccin de la compaa. Se descontinuarn varios productos no rentables y se
dejar libre una parte de la capacidad de produccin para emprender la fabricacin de dos
productos nuevos que tienen ventas potenciales grandes:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio
Producto 2: una ventana corrediza con marco de madera de 4 pies por 6
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la
planta 2. El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercia
lizacin ha concluido que la compaa puede vender todos los productos que se puedan fa
bricar en las plantas. Sin embargo, como ambos productos competiran por la misma capa
cidad de produccin en la planta 3, no est claro qu mezcla de productos sera la ms
rentable. Por lo tanto, se ha formado un equipo de ro para estudiar este problema.
El grupo comenz por realizar juntas con la alta administracin para identificar los ob
jetivos del estudio y desarrollaron la siguiente definicin del problema:
Determinar qu
tasas de produccin deben tener los dos productos con el fin de maximizar
las utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. (Cada producto se fabricar en lotes de 20 unida
des, de manera que la tasa de produccin est definida como el nmero de lotes que se pro-
3.1
27
EJEMPLO PROTOTIPO
Para formular el modelo matemtico de programacin lineal para este problema, se define
ganancia semanal total (en miles de dlares) al elaborar estos dos productos
TIempo de produccin
por lote, horas
Producto
Planta
1
2
1
O
O
2
2
$3000
$5000
Tiempo de produccin
disponible a la semana, horas
4
12
18
"""_"'l"""'t"\_"""""'
28
CAPTULO 3
Por lo tanto, x y X2 son las variables de decisin del modelo. Si se usa el ltimo rengln de
la tabla 3.1 se obtiene
Z
3x
5X2'
El objetivo es elegir los valores de X y X2 que maximicen Z = 3x + 5X2, sujeta a las res
tricciones impuestas sobre sus valores por las capacidades de produccin limitadas disponi
bles en las tres plantas. La tabla 3.1 indica que cada lote del producto 1 que se produce por
semana emplea 1 hora de produccin en la planta 1, y slo se dispone de 4 horas semana
les. Matemticamente, esta restriccin se expresa mediante la desigualdad X :5 4. De igual
manera, la planta 2 impone la restriccin 2x2:5 12. El nmero de horas de produccin usa
das a la semana en la planta 3 que se consume al elegir x y X2 como las tasas de elabora
cin de los nuevos productos sera 3x + 2x2 Entonces, la expresin matemtica de la res
triccin de la planta 3 es 3x + 2x2:5 18. Por ltimo, como las tasas de produccin no pueden
ser negativas, es necesario restringir las variables de decisin a valores no negativos: X 2:O
y X22:0.
Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste
en seleccionar valores de X y X2 para
Maximizar
Z = 3x
5X2,
y
X2:.2.:: O.
(Obsrvese cmo la informacin de la tabla 3.1 en esencia se duplica en la distribucin de
los coeficientes de XI y X2 en el modelo de programacin linea!.)
Solucin grfica
Este pequeo problema tiene slo dos variables de decisin, esto es, slo dos dimensiones,
as que se puede usar un procedimiento grfico para resolverlo. Este procedimiento incluye
la construccin de una grfica de dos dimensiones con XI y X2 en los ejes. El primer paso es
identificar los valores de (XI, X2) permitidos por las restricciones. Este objetivo se logra di
bujando cada una de las rectas que limitan los valores permitidos por una restriccin. Para
comenzar, ntese que las restricciones de no negatividad XI 2: O Y X2 2: O exigen que el pun
to (XI> X2) se encuentre en el lado positivo de los ejes (incluso sobre cualquiera de los dos
ejes), es decir, en el primer cuadrante. Despus, debe observarse que la restriccin XI :5 4
significa que (XI> X2) no puede estar a la derecha de la recta XI
4. Estos resultados se mues
tran en la figura 3.1, en la que el rea sombreada contiene los nicos valores de (XI> X2) per
mitidos.
De manera parecida, la restriccin 2x2:5 12 (o de modo equivalente, X2:5 6) implica que
la recta 2x2 = 12 debe agregarse a la frontera de la regin permisible. La ltima restriccin,
3xI + 2x2 :5 18, se encuentra al graficar los puntos (XI> X2) tales que 3x, + 2x2 18 (otra rec
ta) para completar la frontera. (Obsrvese que los puntos que cumplen 3xI + 2x2 :5 18 son
aquellos que estn sobre o por debajo de la recta 3xI + 2x2 18, por lo que sta es la recta
que limita, y ms all de ella, la desigualdad no se satisface.) En la figura 3.2 se muestra la re
gin de valores permisibles de (XI, X2), llamada regin factible. (La demostracin llamada
Graphical Method -mtodo grfico- en el OR Tutor proporciona un ejemplo detallado de
la construccin de la regin factible.)
El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el va
lor de Z = 3xI + 5X2. Para descubrir cmo realizar este paso de manera eficiente se pueden
=
3.1
29
EJEMPLO PROTOTIPO
X2
5
4
3
2
FIGURA 3. 1
El rea sombreada muestra
los valores de (Xl' X2)
permitidos por X, <= 0,
X22::: O, Xl :5 4.
Xl
10
3Xl + 2x2 = 18
Xl = 4
---------+-- 2x2= 1 2
FIGURA 3.2
El rea sombreada muestra
los valores permitidos de
(Xl, X2), llamada la regin
factible.
Xl
30
CAPTULO 3
X2
8
Z = 36
3x, + 5x2
20 =
3x, + 5x2
10
3x, + 5x2
FIGURA 3.3
El valor de (x" X2) que
maximiza 3x, + 5X2 es (2, 6).
10
Obsrvese abora en la figura 3.3 que las dos rectas que se acaban de graficar son para
lelas. Esto no es coincidencia, ya que cualquier recta construida de esta manera tiene la for
ma Z
3x, + Z o,
en forma equivalente,
X2
1
3
-s-x, + Z
5
-),
eje X2 es
3x, + 5X2
20
fija en
del origen hacia arriba que la otra recta (Z = 10). Este hecho tambin est implcito en la
forma de pendiente-ordenada al origen de la funcin objetivo, lo que indica que la intersec
cin con el eje x,
Estas observaciones implican que el procedimiento de prueba y error para construir las
rectas de la figura 3.3 involucra slo dibujar una familia de rectas paralelas que contengan
figura 3.3 muestra que esta recta pasa por el punto (2, 6), lo cual indica que la solucin pti
ma es x,
Y X2
12 Y 3x,
+ 2x2
3(2) + 5(6)
36
Z; que di
3.1
EJEMPLO PROTOTIPO
31
Con frecuencia se hace referencia a este procedimiento como el mtodo grfico de pro
gramacin lineal. Se puede usar para resolver cualquier problema de programacin lineal con
dos variables de decisin. Con alguna dificultad es posible extender el mtodo a tres varia
bles de decisin, pero no ms de tres. (En el siguiente captulo se estudia el mtodo smplex
para resolver problemas ms grandes.)
Conclusiones
El equipo de ro utiliz este procedimiento para encontrar que la solucin ptima deseada es
6, con Z 36. Esta solucin indica que la Wyndor Glass Co. debe fabricar los
2, X2
productos 1 y 2 a una tasa de 2 y 6 lotes por semana, respectivamente, con una ganancia to
tal resultante de 36 mil dlares semanales. No existe otra mezcla de los dos productos que
sea tan redituable, de acuerdo con el modelo.
No obstante, en el captulo 2 se puso de manifiesto que un buen estudio de investiga
cin de operaciones no slo encuentra una solucin para el modelo inicial formulado. Cada
una de las seis etapas que se describieron es importante, incluso las pruebas exhaustivas del
modelo (vase la seccin 2.4) y el anlisis posptimo (seccin 2.3).
Si reconoce la totalidad de estas realidades prcticas, el equipo de ro est listo para eva
luar la validez del modelo de una manera ms crtica (esta explicacin continuar en la sec
cin 3.3), y para llevar a cabo un anlisis de sensibilidad sobre el efecto que tendra el he
cho de que las estimaciones dadas en la tabla 3 . 1 fueran diferentes debido a inexactitudes,
cambios en las circunstancias, etc. (este tema continuar en la seccin 6.7).
Xl
ste es el primero de muchos puntos en los cuales ser til emplear el OR Courseware que
se encuentra en el CD que acompaa al libro. Un programa clave en este CD es el llamado
OR Thtor que contiene un ejemplo de demostracin completo del mtodo grfico que se es
tudia en esta seccin. Esta demostracin comienza por la introduccin de un problema y la
formulacin de un modelo de programacin lineal, antes de aplicar el mtodo grfico para
resolverlo, con la intencin de proporcionar un ejemplo adicional de formulacin de un mo
delo. Al igual que muchos otros ejemplos de demostracin en otras secciones, ste resalta
los conceptos que son difciles de explicar en una pgina impresa. En el apndice 1 se pue
de consultar la documentacin sobre el software.
Si el lector desea ver ms ejemplos, puede consultar la seccin de problemas resueltos
-Worked Examples- en el CD-ROM. Esta seccin incluye unos cuantos ejemplos con
soluciones completas para casi todos los captulos, como un complemento de los ejemplos
del libro y del OR Tutor. Los ejemplos de este captulo comienzan con un problema relati
vamente directo que implica la formulacin de un pequeo modelo de programacin lineal
y la aplicacin del mtodo grfico. Los ejemplos siguientes implicarn de manera progresiva
un reto mayor.
Otra parte clave del OR Courseware es un programa llamado IOR Thtorial. ste reali
za muchos procedimientos interactivos para ejecutar los diferentes mtodos de solucin pre
sentados en el libro, lo que permite que el lector se enfoque en el aprendizaje y la ejecucin
de la lgica del mtodo en forma eficiente, mientras que la computadora realiza los clcu
los numricos. Se incluye un procedimiento interactivo para aplicar el mtodo grfico en la
programacin lineal. Una vez que se haya captado este primer procedimiento, un segundo
enfoque permite aplicar con rapidez el mtodo grfico para desarrollar anlisis de sensibili
dad sobre el efecto de cambios en los datos del problema. Despus, es posible imprimir los
trabajos y resultados como una tarea. Como los otros procedimientos del rOR Thtorial, s
tos estn especficamente diseados para proporcionar al lector una experiencia de aprendi
zaje eficiente, amena y enriquecedora mientras realiza sus tareas.
Cuando se formule un modelo de programacin lineal con ms de dos variables de de
cisin -por lo que no puede usarse el mtodo grfico-, el mtodo smplex descrito en el
CAPTULO 3
captulo 4 permitir encontrar una solucin ptima de inmediato. Obtenerla tambin es til
para la validacin del modelo puesto que encontrar una solucin sin sentido indica que se
cometieron errores en la formulacin del modelo.
En la seccin lA se mencion que el OR Courseware es una introduccin a los tres
paquetes de software comerciales que ms se usan -Excel Solver, LINGOILINDO y
MPLlCPLEX- para resolver una variedad de modelos de 10. Los tres paquetes incluyen el
mtodo smplex para resolver problemas de programacin lineal. En la seccin 3.6 se des
cribe cmo usar Excel para formular y resolver modelos de programacin lineal en el for
mato de una hoja de clculo. Las descripciones de los otros paquetes se proporcionan en la
seccin 3.7 -MPL Y LINGO-, el apndice 3.1 -LINGO-, la seccin 4.8 -CPLEX y
LINDO- y el apndice 4. 1 -LINDO-. Adems, el OR Courseware incluye un archivo
para cada uno de los tres paquetes que muestra cmo se puede usar para resolver los ejem
plos en este captulo .
3.2
Ejemplo modelo
Problema general
Fabricacin de productos
2 productos
Tasa de produccin del producto j, Xi
Ganancia Z
Recursos
recursos
Actividades
n actividades
Nivel de actividad j, Xj
3.2
33
Ciertos smbolos se usan de manera convencional para denotar los diversos componentes
de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con
su interpretacin para el problema general de asignacin de recursos a actividades.
Z
Xj
ej
bi
aij
1, 2, ... , n).
1,
El modelo plantea el problema en trminos de tomar decisiones sobre los niveles de las ac
tividades, por lo que x" X2,
, Xn se llaman variables de decisin. Como se resume en la
1, 2, . . , n) son las cons
tabla 3.3, los valores de ej' bi, y aij (para i 1, 2, . . , m yj
tantes de entrada al modelo. Las ej' bi y aij tambin se conocen como parmetros del mo
delo.
Obsrvese la correspondencia entre la tabla 3.3 y la tabla 3.1.
.
Para proceder con el problema de la Wyndor Glass Ca., ahora se puede formular el modelo
matemtico del problema general de asignar recursos a actividades. En particular, este mo
delo consiste en elegir valores de x" X2,
, Xn para
.
Maximizar
sujeta a las restricciones
:s;
b1
b2
Xz;=::: 0,
Xl ;::: 0,
. . . ,
Xn;::: O.
!!II TABLA 3.3 Datos necesarios para elaborar un modelo de programacin lineal
Recurso
1
O2 ,
Contribucin a Z por
unidad de actividad
m'
e,
0'2
022
o"
"
Om2
e2
..
Cantidad de
recursos disponibles
O'n
02n
Omn
en
b,
b2
bm
CAPTULO 3
sta es llamada nuestra forma estndar del problema de programacin lineal. Cualquier cir
cunstancia cuya formulacin matemtica se ajuste a este modelo es un problema de progra
macin lineal.
Obsrvese que el modelo del problema de la Wyndor Glass Ca. se ajusta a la forma es
tndar con m = 3 y n = 2.
En este momento se puede resumir la terminologa comn de los modelos de programa
cin lineal. La funcin que se desea maximizar, CX + C2X2 + . .
objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las pri
meras m restricciones (aquellas con unafunci6n de todas las variables ax + a2, >'2
an
xn
tricciones estructurales) .De manera parecida, las restricciones Xj :2: O se conocen como res
tricciones de no negatividad (o condiciones de no negatividad) .
Otras formas
Debe hacerse notar que el modelo anterior no se ajusta a la forma natural de algunos pro
blemas de programacin lineal. Las otras formas legtimas son las siguientes:
Cualquier problema que incluye una, varias o todas estas formas con las otras partes del mo
delo anterior tambin se clasifica como un problema de programacin lineal. La interpreta
cin de las palabras asignaci6n de recursos limitados entre actividades que compiten puede
ya no aplicarse muy bien, si es que se aplica; pero sin importar cul sea la interpretacin o
el contexto, lo nico necesario es que la formulacin matemtica del problema se ajuste a
las formas permitidas.
(x, X2, .. .
ra permitida. Despus se identifican los tipos de soluciones mediante el empleo de un adje
tivo apropiado.
Una solucin factible es aquella para la que todas las restricciones se satisfacen.
Una solucin no factible es una solucin para la que al menos una restriccin se
viola.
mientras
Se llama
nuestra foona estndar en lugar de la fonna estndar porque otros libros adoptan foonas distintas.
3.2
35
no
tenga
soluciones factibles.
50 mil dlares
3x,
factible, con lo que ninguna mezcla de nuevos productos sera superior a la situacin actual.
Este caso se ilustra en la figura
3.4.
Una
3x,
2x2, de manera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) seran
soluciones ptimas, situacin que se ilustra en la figura 3.5. Igual que en este caso, cualquier
problema que tenga soluciones ptimas mltiples tendr un nmero infinito de ellas, todas con
=
si: 1) no tiene soluciones factibles, o 2) las restricciones no impiden que el valor de la fun
cin objetivo (Z) mejore indefinidamente en la direccin favorable (positiva o negativa). Este
ltimo caso
sera cierto si, por error, en el ejemplo se omitieran las ltimas dos restricciones funcionales
del modelo, lo cual se ilustra en la figura
3.6.
Ahora se introducir un tipo especial de soluciones factibles que tiene un papel impor
tante cuando el mtodo smplex trata de encontrar una solucin ptima.
FIGURA 3.4
El problema de la Wyndor
Glass Ca. no tendra
soluciones ptimas si se le
agregara la restriccin
3x, + 5x2 ;" 50.
3xI + 5X2.
Xl
:s; 4
2x2 ,;; 12
3x, + 2x2 ,;; 18
3x, + 5x2 ;" 50
xl2:: 0,
x2;:::Q
Maximizar
10
sujeta a
X2 O
o
10
x,
36
CAPTULO 3
Z= 18 =
3x + 2x2,
10
3x + 2x2,
Xl
::s; 4
2x2:5 12
3x + 2x2:5 18
X l O.
x2;:::O
MaximizarZ=
sujeta a
2
11 FIGURA 3.5
El problema de la Wyndor
Glass Ca. tendra soluciones
ptimas si la funcin objetivo
se cambiara a Z = 3x, + 2xz.
(4,00),Z = 00
I r
x2
(4, 10),Z= 62
,
10
11 FIGURA 3.6
El problema de la Wyndor
Glass CA, no tendra
soluciones ptimas si la nica
restriccin funcional fuera
x, :5 4, puesto que X2 podra
aumentar de modo
indefinido en la regin
factible sin llegar a un valor
mximo de Z = 3x, + 5xz.
52
(4,8),Z =
(4,6), Z= 42
(4,4),Z =
(4,2),Z= 22
32
10
3.3
37
X2
(0.6)f,-_
(4.3)
FIGURA 3.7
Los puntos indican las cinco
soluciones FEV para el
problema de la Wynd o r
Glass eo.
(O. O)
Una
(4. O)
xl
3.7 pone de relieve cinco soluciones factibles en los vrtices del ejemplo.
5 . 1 se analizarn varias propiedades tiles de las soluciones FEV
para problemas de cualquier tamao, incluso la siguiente relacin con las soluciones pti
mas.
las soluciones
blema de programacin lineal con soluciones factibles y una regin factible acotada. El pro
blema debe poseer soluciones FEV y al menos una solucin ptima. Adems, la mejor solu
cin FEV debe ser una solucin ptima. Entonces, si un problema tiene exactamente una
solucin ptima, sta debe ser una solucin FEV. Si el problema tiene mltiples soluciones
ptimas, al menos dos deben ser soluciones FEV.
sidrese la forma como el mtodo grfico que conduce a la solucin ptima que es FEV.)
Cuando se modifica el ejemplo para que tenga soluciones ptimas mltiples, como se mues
tra en la figura
3.3
ta matemtico, los supuestos simplemente son que el modelo debe tener una funcin ob
jetivo lineal sujeta a restricciones lineales. Sin embargo, desde el punto de vista d e
modelacin, estas propiedades matemticas de u n modelo d e programacin lineal impli
can que se deben considerar ciertos supuestos acerca de las actividades y datos del pro
blema que ser modelado, incluso algunos acerca del efecto de las variaciones en el ni
vel de las actividades. Vale la pena hacer hincapi en ellas para que sea ms sencillo
evaluar si esta tcnica es adecuada para un problema dado. An ms, es necesario anali
zar por qu el equipo de 10 de la Wyndor Glass Co. concluy que la formulacin de pro
gramacin lineal proporcionaba una representacin satisfactoria del problema.
38
CAPTULO 3
Proporcionalidad
satIsfecha
X,
Proporcionalidad violada
Caso 1
Caso 2
Caso 3
O
2
8
11
12
18
O
1
2
12
Proporcionalidad
(2
individual, dados cualesquiera valores fijos para las otras variables. Por lo tanto, un trmino de producto cruzado
satisface la proporcionalidad siempre que cada variable del trmino tenga un exponente de
quier tnnino de producto cruzado viola el
1.
- 1 para toda
XI 2: 0, incluso XI = 0, entonces la cons
tante fija, -}, se podra eliminar de la funcin objetivo sin cambiar la solucin ptima y se restablecer[a la propor
-1 no se aplica si Xl
O.
3.3
39
Contribucin
de X I aZ
12
Satisface
/
/
el supuesto de
/
proporcionalidad /
FIGURA 3.8
/
/
\/
y
/
Viola el
supuesto de
proporcionalidad
Costo fijo
xI
-3
Contribucin
dexl aZ 8
1
15
12
FIGURA 3.9
La curva continua viola el
supuesto de proporcionalidad
porque su pendiente (el
rendimiento marginal del
producto 1) sigue en
aumento a medida que x,
aumenta. Los valores de los
puntos estn dados en la
columna del caso 2 de
la tabla 3.4.
Viola el
supuesto de
proporcionalidad
'-..
/
"
/
/
/
""
Satisface el
supuesto de
proporcionalidad
A primera vista, podra parecer que el caso 2 de la tabla 3.4 es bastante parecido al caso
1. Pero el hecho es que el caso 2 surge de forma muy diferente. No existe un costo fijo y la
ganancia generada por la primera unidad del producto 1 por semana, por supuesto, es de 3
dlares, como se supuso en un principio. Pero abora se tiene un rendimiento marginal cre
ciente; es decir, la pendiente de la funci6n de ganancia del producto 1 (vase la curva con
tinua de la figura 3.9) crece a medida que X, aumenta. Esta violacin de la proporcionalidad
puede ocurrir debido a economas de escala que en ocasiones se pueden lograr en niveles al
tos de produccin, por ejemplo, a travs del uso de maquinaria ms eficiente para altos
volmenes, corridas de produccin ms grandes, descuentos por cantidad por compras grandes
de materia prima y por el efecto de la curva de aprendizaje debido a la cual los trabajadores
40
CAPTULO 3
son cada vez ms eficientes a medida que adquieren experiencia en un trabajo de produc
cin dado. Cuando el costo incremental disminuye, la ganancia incremental aumenta -si se
supone un rendimiento marginal constante-.
De nuevo, segn los datos de la tabla 3.4, el caso contrario del 2 es el caso 3, en el que
existe un rendimiento marginal decreciente.En este caso, la pendiente de la funcin de ganan
cia del producto 1 (dada por la curva continua de la figura 3.10) disminuye conforme XI
aumenta. Esta violacin de la proporcionalidad puede ocurrir debido a que los costos de comer
cializacin tengan que elevarse ms que proporcionalmente para lograr aumentos en el nivel de
1)
ventas. Por ejemplo, tal vez el producto 1 se pueda vender a una tasa de 1 por semana (x I
sin publicidad, mientras que lograr ventas que sostengan una tasa de produccin de XI
2 pue
3 es posible que sea necesaria una extensa cam
de requerir una publicidad moderada, para XI
paa publicitaria y para XI
4 puede requerirse tambin una disminucin de precios.
Los tres casos son ejemplos hipotticos de la forma en que el supuesto de proporciona
lidad puede no cumplirse. Cul es la situacin real? La ganancia real al fabricar el produc
to 1 (o cualquier otro) se deriva del ingreso por ventas menos los distintos costos directos e
indirectos. Es inevitable que algunos de estos componentes de costos no sean estrictamente
proporcionales a las tasas de produccin, tal vez por alguna de las razones ya expuestas. Sin
embargo, la pregunta importante es si despus de acumular todos los componentes de ga
nancia, la proporcionalidad es una aproximacin razonable del modelado. En el problema de
la Wyndor GIass Ca., el equipo de ro verific tanto la funcin objetivo como las restriccio
nes funcionales. La conclusin fue que sin duda poda suponerse la proporcionalidad sin dis
torsiones serias.
Qu ocurre cuando el supuesto no se cumple, ni siquiera como una aproximacin ra
zonable? En la mayor parte de los casos, esto significa que se debe emplear programacin
no lineal (vase el capitulo 12). Sin embargo, en la seccin 12.8 se seala que cierta clase
importante de falta de proporcionalidad se puede manejar mediante programacin lineal a
travs de la reelaboracin del problema de manera adecuada. An ms, si se viola el supuesto
nada ms debido a los costos fijos, existe una extensin de la programacin lineal (progra
macin entera mixta) que se puede usar, presentada en la seccin 13.3 (el problema de cos
tos fijos).
=
Adltivldad
Contribucin
dex aZ
12
9
6
Satisface el
supuesto de
proporcionalidad
/
/
Viola el
supuesto de
proporcionalidad
/
/
3.3
41
Para que esta definicin sea ms concreta y aclare por qu es necesario preocuparse por
sibles de la funcin objetivo del problema de la Wyndor Glass Co. En cada caso, las
de Z
otra variable es proporcional al valor de esa variable.) Este caso surge si los dos productos
son
rado.
suponga que ambos productos deben usar la misma maquinaria y equipo. Si se produce
cada uno por s solo, maquinaria y equipo se dedican a este nico uso. Sin embargo, cuan
do son fabricados ambos productos, se requiere cambiar los procesos de produccin de uno
a otro, con tiempo y costos involucrados en la interrupcin temporal de la produccin de
uno y la preparacin del otro. Debido a est costo adicional importante, su ganancia conjun
ta ser algo menos que la
rado.
El mismo tipo de interaccin de actividades puede afectar la aditividad de las funciones
de restriccin. Por ejemplo, considrese la tercera restriccin del problema de la Wyndor Glass
Co., 3x + 2x2 "" 18. (sta es la nica restriccin que incluye ambos productos.) Esta restric
semanales de produccin para los dos nuevos productos, mientras que la funcin del lado iz
quierdo
(3x[
tras que las dos columnas siguientes exponen casos en los que la funcin tiene un trmino
adicional de producto cruzado que viola la aditividad. En las tres columnas, las
contribucio- .
(Xl' X2)
Adltlvldad satisfecha
Caso 1
Caso 2
(1, O)
(0, 1 )
3
5
3
5
3
5
(1 , 1 )
42
CAPTULO 3
"
(x" x.)
Adltlvldad satisfecha
Caso 3
Caso 4
(2 , O)
(0, 3)
6
6
6
6
6
6
(2, 3)
12
15
10.8
-
nes individuales de los productos en cuanto a! uso de la capacidad de la planta 3 son las su
puestas antes, es decir, 3x para el producto 1 y 2x2 para el producto 2. o sea, 3(2)
6, pa
6 para X2
ra X
2 Y 2(3)
3. Igual que en la tabla 3.5, la diferencia estriba en el ltimo
rengln que abara da el valor total de la funcin para el tiempo de produccin utilizado cuan
do se fabrican los dos productos de manera conjunta.
En el caso 3 (vase la tabla 3.6), el tiempo de produccin para los dos productos est da
do por la funcin 3x + 2x2 + 0.5XX2' de manera que el valor total de lafuncin es 6 + 6 + 3
1 5 cuando (x, X2) (2, 3), lo que viola el supuesto de aditividad de que el valor es slo 6
+ 6 12. Este caso puede surgir justo de la misma forma que se describi en el caso 2 (tabla
3.5): tiempo adicional desperdiciado en el cambio de procesos de produccin entre los dos pro
ductos. El tmno adicional de producto cruzado (0.5XX2) representa el tiempo de produccin
desperdiciado en esta forma. (Obsrvese que el desperdicio de tiempo al cambiar de un pro
ducto a otro da por resultado, en este caso, un trmino positivo de producto cruzado en donde
la funcin total mide el tiempo de produccin utilizado, mientras que lleva a un tm1no nega
tivo de producto cruzado en el caso 2 puesto que esa funcin total mide la ganancia.)
En el caso 4 dela tabla 3.6, la funcin de la capacidad que se usa es 3x + 2x2 - o. lx fx2
por lo que el valor de lafuncin para (x, X2) (2, 3) es 6 + 6 - 1 .2
10.8. Este caso surge
de la siguiente manera. Igual que en el caso 3, s\lpngase qe los dos productos requieren
el mismo tipo de maquinaria y equipo, pero que abara el tiempo para cambiar de un produc
to a otro es relativamente pequeo. Como cada producto pasa por una serie de operaciones,
las instalaciones de produccin individua!, que por lo general se dedican a ese producto, ten
dran algunos tiempos ociosos. Estas instalaciones podran utilizarse durante estos tiempos
en otros productos. En consecuencia, el tiempo total de produccin usado cuando se fabri
can en forma conjunta los dos productos, es menor que la suma de los tiempos de produc
cin usados por los productos individuales cuando se fabrican por separado.
Despus de analizar los tipos posibles de interaccin de los dos productos ilustrados en
estos cuatro casos, el equipo de 10 concluy que ninguno tena un papel importante en el
problema real de la Wyndor Glass Ca. Por lo tanto, el supuesto de aditividad se adopt co
mo una aproximacin razonable.
En otros problemas, si la aditividad no es un supuesto razonable, de forma que algunas
o todas las funciones matemticas del modelo necesariamente son no lineales (debido a tr
minos de producto cruzado), resulta definitiva la entrada en el mbito de la programacin no
lineal (captulo 12).
=
'
Divisibilidad
El siguiente supuesto se refiere a los valores permitidos para las variables de decisin.
3.3
43
senta el nivel de alguna actividad, se supondr que las actividades se pueden realizar
a niveles fraccionales.
En el problema de la Wyndor Olass Ca., las variables de decisin representan tasas de .
produccin (nmero de lotes de un producto fabricados a la semana). Como estas tasas pueden
tomar cualquier valor fraccional dentro de la regin factible, el supuesto de divisibilidad se
cumple.
En ciertas situaciones, el supuesto de divisibilidad no se cumple porque algunas o todas
las variables de decisin deben restringirse a valores enteros.Los modelos matemticos con
esta restriccin, que se llaman modelos de programaci6n entera, se estudiarn en el captu
lo 1 1.
Certidumbre
El ltimo supuesto se refiere a los parmetros del modelo, es decir, a los coeficientes Cj' en
la funcin objetivo, los coeficientes aij ' en las restricciones funcionales y los b, en el lado
derecho de las restricciones funcionales.
En la seccin 2.2 se hizo hincapi en que el modelo matemtico intenta ser slo una repre
sentacin idealizada del problema real. Por lo general se requieren aproximaciones y los su
puestos de simplificacin para que el modelo se pueda manejar. Agregar demasiados detalles
y precisin puede hacer que el modelo sea difcil de manipular para llevar a cabo un anlisis
til del problema. En realidad, todo lo que se necesita es que exista una correlacin relativa
mente alta entre la prediccin del modelo y lo que de hecho pasara en el problema real.
Este consejo sin duda es aplicable a la programacin lineal. Es muy frecuente en las
aplicaciones reales de esta tcnica que casi ninguno de los cuatro supuestos se cumpla. Ex
cepto, quiz, en el caso del supuesto de divisibilidad, deben esperarse pequeas disparidades.
Esto es cierto en especial para el supuesto de certidumbre, de manera que es normal que
deba aplicarse el anlisis de sensibilidad para compensar la violacin de este supuesto.
Sin embargo, es importante que el equipo de ro examine los cuatro supuestos en el pro
blema que se estudia y analice el tamao de las disparidades. Si cualquiera de los supuestos
es violado de manera importante, es necesario disponer de varios modelos alternativos,
44
CAPTULO 3
como se ver en captulos posteriores de este libro. Una desventaja de estos modelos es que
los algoritmos disponibles para resolverlos no son tan poderosos como el de programacin
lineal, pero en algunos casos este inconveniente se ha solucionado. En algunas aplicaciones
se utiliza el poderoso enfoque de programacin lineal para el anlisis inicial y despus un
modelo ms complejo para perfeccionar el anlisis.
Al trabajar los ejemplos de la siguiente seccin se demostrar que el anlisis del grado
en que se cumplen los cuatro supuestos de la programacin lineal es una buena prctica.
3.4
EJEMPLOS ADICIONALES
E l problema d e l a Wyndor Glass Co. e s u n ejemplo prototpico d e programacin lineal en
varios aspectos: comprende la asignacin de recursos limitados entre actividades que com
piten por ellos, su modelo se ajusta a la forma estndar y su contexto es el tradicional de
planeacin para mejorar la administracin. Sin embargo, la aplicacin de la programacin li
neal es mucho ms extensa. Esta seccin comienza por ampliar el horizonte. Al estudiar los
siguientes ejemplos, obsrvese que se caracterizan como problemas de programacin lineal
por el modelo matemtico, ms que por su contexto. Luego, debe considerarse que el mis
mo modelo matemtico surge en muchos otros contextos con slo cambiar los nombres de
las actividades.
Estos ejemplos son versiones simplificadas de aplicaciones reales -incluso los dos que
se presentan como casos de estudio en la siguiente seccin-o Como el problema de Wyn
dor y el ejemplo de demostracin del problema grfico en el OR Tutor, el primero de estos
ejemplos tiene slo dos variables de decisin, de manera que puede ser resuelto mediante el
mtodo grfico. Ahora se trata de un problema de minimizacin y tiene una mezcla de for
mas para las restricciones funcionales. Los ejemplos subsecuentes tienen muchas ms de dos
variables de decisin y por lo tanto son ms difciles de formular. Aunque se mencionarn
las soluciones ptimas que se obtienen por medio del mtodo smplex, en esta seccin el en
foque se concentra en la manera de formular el modelo de programacin lineal para estos
problemas ms grandes. En las secciones subsecuentes y en el captulo siguiente se dar ma
yor importancia a las herramientas de software y al algoritmo (mtodo smplex) que se uti
liza para resolver dichos problemas.
Si el lector considera que requiere ejemplos adicionales de formulacin de modelos de
programacin lineal pequeos y relativamente directos antes de tratar con los ejemplos de
formulacin ms grandes, se le sugiere regresar al caso de demostracin para el mtodo gr
fico en el OR Tutor y a los ejemplos en la seccin de Worked Examples para este captulo
en el CD-ROM.
terapia de radiacin ex
tensa.
La terapia implica el uso de una mquina de rayos externos que enva radiacin ioni
zante a travs del cuerpo del paciente y daa tanto los tejidos cancerosos como los sanos.
Es normal que se administren los rayos con precisin desde diferentes ngulos en un plano
de dos dimensiones. Debido a la atenuacin, cada rayo descarga ms radiacin sobre el te
jido cercano al punto de entrada que sobre el cercano al punto de salida. La dispersin tam
bin provoca que parte de la radiacin se descargue sobre tejidos que estn fuera de la tra
yectoria directa del rayo. Como las clulas del tumor casi siempre se encuentran diseminadas
entre clulas sanas, la dosis de radiacin a travs de la regin del tumor debe ser suficiente
para matar las clulas malignas que son un poco ms sensibles a sta, pero suficientemente
pequea para no matar a las clulas sanas. Al mismo tiempo, la dosis agregada que reciben
3.4
fiGURA 3.11
Corte transversal del tumor
de Mary (visto desde arriba),
cerca de tejidos crticos y de
los rayos de radiacin
usados.
Rayo 2
45
EJEMPLOS ADICIONALES
los tejidos crticos no debe exceder los niveles de tolerancia establecidos, con el objeto de
prevenir complicaciones que puedan resultar ms serias que la enfermedad misma. La dosis
completa que recibe el cuerpo sano debe minimizarse.
Debido a la necesidad de balancear con cuidado todos estos factores, el diseo de la te
rapia de radiacin es un proceso muy delicado. La meta principal de este diseo es elegir la
combinacin de rayos que se utilizar y l a intensidad de cada uno para generar la mejor dis
tribucin posible de la dosis -la fuerza de la dosis en cualquier punto del cuerpo se mide
en unidades llamadas
Rayo 1
1. Vejiga y tumor
2. Recto, c6ccix,
etctera
3 . Fmur, parte de la
pelvis. etctera
que deben evitarse. Estos tejidos incluyen rganos vitales -por ejemplo, el recto- y es
tructura sea --el fmur y la pelvis- que atenuarn la radiacin. Adems, se muestra el
punto de entrada y la direccin de los nicos dos rayos que se pueden usar con un grado re
lativamente moderado de seguridad en este caso. (El ejemplo se ha simplificado en este pun
to, pero en la realidad se consideran docenas de rayos posibles.)
En el caso de cualquier rayo propuesto de una cierta intensidad, el anlisis para deter
minar cul sera la absorcin de radiacin resuItante por distintas partes del cuerpo requiere
desarrollar un difcil proceso. En resumen, con base en un anlisis anatmico cuidadoso, la
distribucin de energa dentro de un corte transversal de dos dimensiones se puede graficar
en un mapa de isodosis en el que las curvaS representan la fuerza de la dosis como un por
centaje de la fuerza de sta en el punto de entrada. Despus, se coloca una red fina sobre el
mapa de isodosis. Si se suma la radiacin absorbida en los cuadros que contienen cada tipo
de tejido, se puede calcular la dosis promedio que absorbe el tumor, los tejidos sanos y los
tejidos crticos. La absorcin de la radiacin es aditiva cuando se administra ms de un ra
yo (en forma secuencial).
Despus de un anlisis exhaustivo, el equipo mdico estim con detalle los datos nece
sarios para el diseo del tratamiento de Mary, cuyo resumen se presenta en la tabla
3.7. La
primera columna presenta una lista de las reas del cuerpo que deben considerarse y las
dos siguientes proporcionan la fraccin d la dosis de radiacin de cada rayo en el punto
de entrada que se absorbe en promedio en las reas respectivas. Por ejemplo, si el nivel de
la dosis en el punto de entrada del rayo 1 es 1 kilorad, entonces se absorbern
en
0.4 kilorad
toda la anatoma sana en el plano de dos dimensiones, un promedio de 0.3 kilorad en los
sis total de ambos rayos que se absorbe en promedio en las diferentes partes del cuerpo. En
particular, la absorcin promedio de la dosis por la anatoma sana debe ser
tan pequea co
mo sea posible, los tejidos crticos no deben exceder 2.7 kilorads, el promedio sobre todo
el tumor debe ser igual a 6 kilorads y en el centro del tumor debe ser por lo menos de 6
kilorads.
rea
Anatoma sana
Tejido crtico
Regin del tumor
Centro del tumor
Rayo 1
Rayo 2
0.4
0.3
0.5
0.6
0.5
0.1
0.5
0.4
6
". 6
CAPTULO 3
Minimizar
O.4x,
0.5X2.
sujeta a
O.3x,
O.5x,
0.6x,
0. lx2 :5 2.7
0.5X2 6
0.4X2 2': 6
=
y
Xl
O,
Xz ;::: O.
Obsrvense las diferencias entre este modelo y el que se present en la seccin 3.1 pa
ra la Wyndor Glass Co. Este ltimo involucraba maximizar Z, y todas las restricciones fun
cionales tenan la forma :5 . El nuevo modelo incorpora otras tres formas legtimas descritas
en la seccin 3.2; a saber: minimizar Z, restricciones funcionales de la forma
y restric
ciones funcionales de la forma 2':.
Sin embargo, ambos modelos tienen slo dos variables, de manera que este nuevo pro
blema tambin se puede resolver por el mtodo gr4fico que se ilustr en la seccin 3 . 1 . La
figura 3.12 muestra la solucin grfica. La regin factible consiste nada ms en el segmen
to entre los puntos (6, 6) Y (7.5, 4.5), ya que los puntos en este segmento son los nicos que
satisfacen todas las restricciones al mismo tiempo. (Obsrvese que la restriccin de igualdad
limita la regin factible a la recta que contiene este segmento y las otras restricciones fun
cionales determinan los puntos extremos del segmento.) La lnea punteada representa la fun
cin objetivo que pasa por la solucin ptima,(x" X2)
(7.5, 4.5) con Z 5.25. Esta solu
cin es ptima y no (6, 6) porque disminuir Z(para valores positivos de Z) empuja la funcin
objetivo hacia el origen (donde Z O). Y Z 5.25 para (7.5, 4.5) es menor que Z
5.4
para (6, 6).
En consecuencia, el diseo ptimo implica utilizar una dosis total en el punto de entrada
de 7.5 kilorads para el rayo 1 y 4.5 kilorads para el rayo 2.
=,
Planeacln regional
La Confederacin Sur de Kibbutzim est formada por tres kibbutzim (comunidades agrco
las comunales) de Israel. La planeacin global de este grupo se hace en su oficina de coor
dinacin tcnica. En la actualidad planean la produccin agrcola para el ao prximo.
La produccin agrcola est limitada tanto por la extensin de terreno disponible para
irrigacin como por la cantidad de agua que la Comisin de Aguas (una oficina del gobierno
nacional) asigna para irrigarlo. La tabla 3.8 contiene los datos.
Los tipos de cultivos adecuados para la regin incluyen remolacha, algodn y sorgo,
que son precisamente los tres que estn en estudio para la estacin venidera. Los cultivos
lEn realidad, la tabla 3.7 es una simplificacin de la situacin real, de manera que el modelo sera algo ms com
plicado que ste y tendra docenas de variables y restricciones. Si se desea conocer los detalles de ) a situacin ge
neral consulte D. Sonderman y P. G. Abrahamson, "Rdiotherapy Treatment Design Using Mathematical Program
ming Models", en
Operations Research, 33:705725, 1985 y su referencia 1 . La profesora Eva K. Lee, del Georgia
Institute of Technology, es una lder en los esfuerzos de investigacin actuales para extender an ms la aplicacin
de la programacin lineal y otras reas de l a programacin matemtica al diseo de terapias de radiacin.
3.4
47
EJEMPLOS ADICIONALES
X2
15
10
(7.5, 4.5)
":...
FIGURA 3.12
Solucin grfica del diseo
de la terapia de radiacin de
Mary.
" Z
5.25
,
O.4X + 0.5x2
"
0.5x[
5
0.5x2
10
6
x
Klbbutz
2
3
400
600
300
600
800
375
48
CAPTULO 3
Cultivo
Cantidad
mxima (acres)
Consumo de agua
(ae.....ple/aere)
Rendimiento
neto (S/aere)
600
500
325
3
2
1
1 000
750
250
Remolacha
Algodn
Sorgo
Cultivo
Remolacha
Algodn
Sorgo
X,
X,
X,
x.
X3
X6
X9
x.
x,
tivos se puede sembrar en cualquiera de las granjas. El trabajo al que se enfrenta la oficina
de coordinacin tcnica consiste en planear cuntos acres deben asignarse a cada tipo de cul
tivo en cada kibbutz, de forma que cumpla con las restricciones dadas. El objetivo es maxi
mizar el rendimiento neto total de la Confederacin Sur de Kibbutzim.
Formulacin como un problema de programacin lineal. Las cantidades sobre las
que se tomar la decisin son el nmero de acres que se dedicar a cada cultivo en cada kib
butz. Las variables de decisin Xj (j
1, 2, . . . , 9) representan estas nueve cantidades, como
se muestra en la tabla 3 . 1 0.
Como la medida de eficacia Z es el rendimiento neto total, el modelo de programacin
lineal que resulta para este problema es
=
Maximizar
XI + X2 + X3 :5 600
X4 + X5 + X6 :5 500
X7 + X8 + X9 :5 325
49
Cultivo
Remolacha
Algodn
Sorgo
1 33
1 00
100
250
25
1 50
Xl + X4 + X7
400
Xz + Xs + Xs
600
X3 + X6 + X9
300
5. No negatividad:
para j
1 , 2, . . . , 9.
Esto completa el modelo, a excepcin de las igualdades que no estn en la forma apropiada
para un modelo de programacin lineal porque algunas variables estn en el lado derecho de
las ecuaciones. En consecuencia, la forma final J es
3(x + X. + X7) - 2(X2 + X, + X8)
(X2 + X, + X8) - 2(X3 + X6 + X9)
4(X3 + X6 + X9) - 3(x + X4 + X7)
=
=
=
O
O
( t
ha crecido y prosperado junto con la compaa, que de momento emplea a cerca de 50 mil resi-
lEn realidad, cualquiera de estas ecuaciones es redundante y se puede eliminar si as se desea. Debido a la fonna
de las ecuaciones. cualesquiera dos de las restricciones referentes al terreno til tambin se pueden eliminar por"
que se satisfacen de manera automtica cuando se satisfacen las restricciones restantes del terreno til y estas
ecuaciones. Sin embargo, la inclusin de restricciones no necesarias no produce problemas (excepto un esfuerzo
computacional un poco mayor), por lo que no es necesario preocuparse por identificarlas y eliminarlas del modelo
fonnulado.
50
CAPTULO 3
Contaminante
Partculas
xidos de azufre
Hidrocarbonos
60
1 50
1 25
iI! TABLA
3.11 Reduccin de la tasa de emisin (en millones de libras por ao) con el
uso mximo factible del mtodo de abatimiento de Norl &: leets Co.
Chimeneas ms altas
Contaminante
Altos
hornos
Partieula,
xidos de azufre
Hidrocarbonos
12
35
37
Hornos de
corazn
abierto
9
42
53
MeJores combustibles
Filtros
Altos
hornos
Hornos de
corazn
abierto
Altos
hornos
25
18
28
20
31
24
17
56
29
Hornos de
corazn
abierto
13
49
20
dentes. La actitud de los habitantes ha sido siempre "lo que es bueno para Nori & Leets es bueno
para nosotros". Sin embargo, esta actitud est cambiando; la contaminacin no controlada del ai
re debida a los altos hornos de la planta est en camino de arruinar la apariencia de la ciudad
y de
Como resultado, despus de una revuelta entre los accionistas se eligi un nuevo con
sejo directivo ms responsable. Los nuevos directores han decidido seguir polticas de res
ponsabilidad social
dadanos para tomar medidas respecto de la contaminacin ambiental. Juntos han establecido
estndares rigurosos de calidad del aire para la ciudad de Steeltown.
Los tres tipos principales de contaminantes son partlculas de materia, xidos de azufre
e hidrocarburos. Los nuevos estndares requiyren que la compaa reduzca su emisin anual
de estos contaminantes en las cantidades presentadas en la tabla
En amhos casos, los ingenieros determinaron que los mtodos de abatimiento ms eficaces
!
son: 1) aumentar la altura de las chimeneas, 2) usar filtros (con trampas de gas) en ellas y
3) incluir limpiadores de alto grado en los combustibles de los hornos. Todos estos mtodos
tienen limitaciones tecnolgicas en cuanto al nivel en que pueden usarse -por ejemplo, un
incremento factible mximo de la altura de las chimeneas-, pero tambin existe una gran
flexibilidad para usar el mtodo en cualquier nivel fraccionario de su lmite tecnolgico.
La tabla
3.13 muestra la cantidad de emisin (en millones de libras anuales) que se puede
eliminar de cada tipo de horno mediante el empleo del mtodo de abatimiento al mximo
lmite tecnolgico. Para fines de anlisis, se supone que cada mtodo se puede usar a un nivel
menor para lograr cualquier fraccin de reduccin de las tasas de emisin que se presentan
en esta tabla. Ms an, las fracciones pueden ser diferentes para los hornos altos
a corazn abierto,
y los hornos
3.4
51
EJEMPLOS ADICIONALES
Despus de obtener estos datos, qued claro que ningn mtodo por s solo poda lograr
las reducciones requeridas. Por otro lado, la combinacin de los tres mtodos a toda su ca
pacidad -lo que sera demasiado caro si se quiere que los productos sean competitivos en
precio-- genera un resultado mucho ms elevado de lo que se pide. Por todo esto, la con
clusin de los ingenieros fue que deban usar alguna combinacin de mtodos, tal vez con
capacidades fraccionarias, basada en sus costos relativos. An ms, debido a las diferencias
entre los altos hornos y los hornos de corazn abierto, es probable que la combinacin sea
diferente para cada tipo de horno.
Se llev a cabo un anlisis para estimar el costo total anual de cada mtodo de aba
timiento. El costo anual de un mtodo incluye el aumento de los gastos de operacin y man
tenimiento al igual que la reduccin de los ingresos debida a cualquier prdida de eficiencia
en el proceso de produccin que pueda generar el uso del mtodo. El otro costo importante
es el costo fijo inicial (el capital inicial) requerido para instalar el mtodo. Para hacer que
este costo nico fuera conmensurable con los costos anuales, se us el valor del dinero en
el tiempo para calcular el gasto anual (sobre el tiempo esperado de vida del mtodo) que
sera equivalente a este costo fijo inicial.
El anlisis proporcion estimaciones de los costos anuales totales (en millones de
dlares), que se presentan en la tabla 3. 14, en que se incurre al usar los mtodos a toda su
capacidad de abatimiento. Tambin se determin que el costo de un mtodo que se utiliza a
un nivel menor es esencialmente proporcional a la capacidad fraccional de la capacidad de
abatimiento que se logra y que se presenta en la tabla 3.13. Entonces, para cualquier frac
cin que se logre, el costo total anual sera en esencia la fraccin de la cantidad correspon
diente de la tabla 3. 14.
En esta etapa, todo est listo para desarrollar el marco general del plan de la compaa
para disminuir la contaminacin. Este plan especifica qu tipo de mtodos de reduccin de
bern emplearse y a qu fracciones de su capacidad para: 1) los altos hornos y 2) los hornos
de corazn abierto. Debido a la naturaleza combinatoria del problema de encontrar un plan
que satisfaga los requisitos con el menor costo posible, se form un equipo de investigacin
de operaciones para resolverlo. El equipo decidi enfocar el problema desde un punto de
vista de programacin lineal, y formul el modelo que se resume a continuacin.
Formulacin como un problema de programacin lineal. Este problema tiene seis
1 , 2, . . . , 6, que representan el uso de cada uno de los tres
variables de decisin, Xj' j
mtodos de reduccin en cada tipo de horno, expresado como una fracci6n de la capacidad
de reduccin (de manera que Xj no exceda de 1). En la tabla 3.15 se muestra el orden asig
nado a estas variables. Tomndose en cuenta que el objetivo es minimizar el costo total sin
=
Mtodo de abatimiento
Chimeneas ms altas
Filtros
Mejores combustibles
Altos hornos
8
7
11
10
6
9
Mtodo de abatimiento
Chimeneas ms altas
Filtros
Mejores combustibles
Altos hornos
X,
X3
X,
52
CAPTULO 3
I Ix5
9X6,
2. Tecnolgicas:
Xj ::5 1 ,
paraj = 1 , 2, . . . , 6
3. No negatividad:
paraj = 1 , 2, . . . , 6.
El equipo de ro us este modelo ' para encontrar el plan de costo mnimo
(x " X2, X3' X4, x" X6) = (1, 0.623, 0.343, 1 , 0.048, 1),
con Z 32. 16 (costo total anual de 32. 16 millones). Despus realiz un anlisis de sensi
bilidad para explorar el efecto de hacer los ajustes posibles en los estndares del aire que se
presentan en la tabla 3 . 1 2, y para verificar el efecto de inexactitudes en los datos de costo
dados en la tabla 3. 14. (Esta historia continuar en el caso de estudio 6 . 1 al final del cap
tulo 6.) Despus, se hizo una planeacin detallada y la administracin la aprob. Muy poco
tiempo despus el programa se puso en prctica y los habitantes de Steeltown respiraron
-ms limpio- con alivio.
=
La Save-It Company opera un centro de reciclado que recoge cuatro tipos de material de
desecho slido y los trata para amalgamarlos en un producto que pueda lanzarse al mercado
--el tratamiento y el amalgamado son dos procesos diferentes-o Se pueden obtener tres gra
dos diferentes de este producto (vase la primera columna de la tabla 3 . 16), segn la mez
cla de materiales que se use. Aunque existe alguna flexibilidad para esta mezcla en cada
grado, los estndares de calidad especifican una cantidad mnima y una mxima de la pro
porcin de los materiales permitidos en ese grado -esta proporcin es el peso del material
expresado como un porcent'lie del peso total del producto de ese grado--. Para los dos gra
dos ms altos se especifica un porcent'lie fijo de uno de los materiales. Estas especificaciones
se presentan en la tabla 3 . 1 6 junto con el costo de amalgamado y el precio de venta de cada
grado.
El centro de reciclado recoge los materiales de desecho slido de ciertas fuentes habi
tuales por lo que casi siempre puede mantener una tasa de produccin estable para tratarlos.
En la tabla 3 . 1 7 se muestran las cantidades disponibles para la recoleccin y tratamiento se
manal, al igual que el costo del proceso de cada tipo de material.
La Save-It CO. es propiedad de Green Earth, una organizacin dedicada a asuntos ecolgi
cos, por lo que las ganancias se usan para apoyar las actividades de Green Earth. Esta organi
zacin ha logrado contribuciones y apoyos por la cantidad de 30 mil dlares semanales, que
deben usarse slo para cubrir el costo del tratamiento completo de los desechos slidos. El con
sejo directivo de Green Earth ha girado instrucciones a la administracin de Save-It para que
l
Una fonnulaci6n equivalente puede expresar cada variable de decisin en unidades naturales para su mtodo de
abatimiento; por ejemplo, Xl y X2 podran representar el nmero de pies que aumentan las alturas de las chimeneas.
3.4
53
EJEMPLOS ADICIONALES
Precio de venta
($) por libra
Material
Mate,ial
Mate,ial
Mate,ial
3.00
8.50
2.50
7.00
2.00
5.50
CrllClo
Especificacin
1:
2:
3:
4:
Material
Libra. por
semana disponible.
Costo del
tratamiento
($) por !lbra
1
2
3
4
3 000
2 000
4 000
1 000
3.00
6.00
4.00
5.00
Restricciones adicionales
divida este dinero entre los materiales, de manera tal que se recolecte y se trate al menos la
mitad de la cantidad disponible de cada tipo de material. Estas restricciones adicionales se enu
meran en la tabla 3.17.
Con las restricciones especificadas en las tablas 3.16 y 3.17, la administracin desea de
terminar la cantidad que debe producir de cada grado y la mezcla exacta de materiales que
usar para cada uno, de manera que se maximice la ganancia semanal neta -ingresos totales por ventas
de
menos costo total del amalgamado-, exclusivo del costo del tratamiento fijo
inapropiado de
variables de decisin.)
Como un conjunto de decisiones se refiere a la cantidad de cada grado de producto que
se debe fabricar, parecera natural definir un conjunto de variables de decisin acorde. Si
guiendo tentativamente esta lnea de pensamiento, se define
(i
A, B, C).
mezcla se identifica por la proporcin de cada material en el producto, lo que sugiere definir
el otro conjunto de variables de decisin como
zij
(i
A, B, C;j
1 , 2, 3, 4).
54
CAPTULO 3
ZNYA
ZBjYB
zCjYc
Por ejemplo, como la tabla 3.17 indica que se dispone de 3 000 libras del material 1 por se
mana, una restriccin del modelo sera
ZAIYA + ZBlYB
:S
ZC lYc
3 000.
Xij
=
=
(para i A, B, C; j
1 , 2, 3, 4)
ZijYi
nmero total de libras del material j asignadas al producto grado i por semana,
=
y despus se definen xij como las variables de decisin. Al combinar las xij en diferentes for
mas se llega a las siguientes cantidades necesarias en el modelo (para i A, B, C; j
1 , 2,
3, 4).
=
XiI
_
_
_
Xii + Xi2
Xi3
Xj4
=
=
El hecho de que esta ltima expresin sea una funcin no lineal no causa complica
ciones. Por ejemplo, considrese la primera specificacin para el producto grado A en la
tabla 3 . 1 6 (la proporcin de material 1 no debe exceder de 30%). Esta limitacin conduce a
la restriccin no lineal
Sin embargo, al multiplicar ambos lados de esta desigualdad por el denominador se llega a
la restriccin equivalente
XA I
:S
O.3(XA I + XA2
XA3
XA4),
de manera que
:S
O,
5.5(XA I
XA2
",,,11
3.4
55
EJEMPLOS ADICIONALES
XA!
Si
XA2
2:
O.4(XA!
XA2
XA3
(grado A, material
XA4)
(grado A , material
XA4)
(grado A, material
XB!
Si
0.2(XA!
4).
XB3 + XB4)
(grado B, material
1)
(grado B , material
(grado B, material
3)
(grado A, material
2)
XA4)
XA2 + XA3
0.5(XBl + XB2
1)
(grado e, material
2)
4).
1).
XA! + XB!
XA2
XA4
XB4
Si
3 000
(material
1)
2 000
(material
2)
4 000
(material
3)
XC4 Si I 000
(material
4).
XC!
XB2 + XC2
XA3 + XB3
+
XC3
Si
Si
XA! + XB!
XC!
2:
I 500
(material
1)
(material
2)
XA2 + XB2
XC2 2: I 000
XA3 + XB3
XC3
XA4 + XB4
2:
2 000
(material
3)
XC4 2:
500
(material
4).
3(XA! + XB !
XB4 + XC4)
+
=
5. Restricciones de no negatividad:
. . .,
XC4
2!
O.
Esta formulacin completa el modelo, excepto que las restricciones de las especifica
ciones de la mezcla necesitan reescribirse en la forma adecuada para un modelo de progra
macin lineal con todas las variables en el lado izquierdo y combinar los trminos:
Especificaciones de mezcla:
Si
2:
-0.5XA! - 0.5XA2
0.5XA3 - O.5XA4 Si O
-O. IXBl
(grado A, material
(grado A , material
(grado A, material
1)
2)
3)
(grado A, material
4).
(grado B, material
1)
(grado B, material
(grado B, material
(grado e, material
2)
4).
1).
56
CAPTULO 3
La tabla 3 . 1 8 muestra una solucin ptima para este modelo, y despus estos valores de
se usan para calcular otras cantidades de inters dadas en la misma tabla. El valor ptimo
de la funcin objetivo que se obtiene es Z = 35 109.65 (o sea, una ganancia semanal total
de $35 109.65).
El problema de la Save-It Co. es ejemplo de un problema de mezclas. El objetivo de
un problema de este tipo es encontrar la mejor mezcla de ingredientes de los productos fi
nales para cumplir con ciertas especificaciones. Algunas de las primeras aplicaciones de pro
gramacin lineal se hicieron para la mezcla de gasolina, en donde los ingredientes del pe
trleo se mezclaban para obtener varios grados de gasolina. El reconocido estudio de la en
Texaco presentado al final de la seccin 2.5 trata sobre mezcla de gasolina -aunque Texa
co us un modelo de programacin no lineal-o Otros problemas de mezclas incluyen pro
ductos finales como acero, fertilizantes y alimento para animales.
X'j
Programacin de personal
Union Airways va a agregar vuelos desde y hacia su aeropuerto base, por lo cual necesita
contratar ms agentes de servicio a clientes. Sin embargo, no est claro cuntos ms debe
contratar. La administracin reconoce la necesidad de controlar el costo y al mismo tiempo
proporcionar de manera permanente un nivel satisfactorio de servicio. Por todo esto, un equi
po de la estudia la forma de programar a los agentes para proporcionar un servicio satisfac
torio con el menor costo en personal.
Con base en la nueva programacin de vuelos, se ha realizado un anlisis del nmero
mnimo de agentes de servicio a clientes que deben encontrarse de guardia en diferentes mo
mentos del da para proporcionar un nivel satisfactorio de servicio. La columna de la derecha
j TABLA 3.18
Grado
41 2.3
(1 9.2%)
2 587.7
(50%)
B
e
Total
859.6
(40%)
51 7.5
(1 0%)
o
1 377
3 000
Nmero de libras
producidas por semana
447:4
(20.8%)
1 552.6
(30%)
429.8
(20%)
51 7.5
(1 0%)
2 000
947
2 1 49
5 1 75
o
Periodo
6:00 a.m. a 8:00 a.m.
8:00 a.m. a 10:00 a.m.
1 0:00 a.m. a 1 2 a.m.
1 2 a.m. a 2:00 p.m.
2:00 p.m. a 4:00 p.m.
4:00 p.m. a 6:00 p.m.
6:00 p.m. a 8:00 p.m.
8:00 p.m. a 1 0:00 p.m.
1 0:00 p.m. a 1 2:00 p.m.
1 2:00 p.m. a 6:00 a.m.
1
1/
1/
1/
1/
1/
1/
1/
1/
$ 1 60
1/
1/
1/
"
$ 1 70
$ 1 75
"
1/
1/
1/
1/
$ 1 80
$ 1 95
1/
Nmero mnimo
necesario de agentes
48
79
65
87
64
73
82
43
52
15
3.4
57
EJEMPLOS ADICIONALES
de la tabla 3.19 muestra el nmero de agentes necesario para los periodos dados en la primera
columna. Los otros datos de la tabla reflejan uno de los acuerdos del contrato colectivo vi
gente entre la compaa y el sindicato que representa a los agentes de servicio a clientes. El
acuerdo es que cada agente trabaje un tumo de 8 horas 5 das a la semana, y los tumos au
torizados son
Thmo 1 :
Tumo 2:
Thmo 3 :
Thmo 4:
Thmo 5:
Las marcas en el cuerpo de la tabla 3.19 muestran las horas cubiertas por los tumos respec
tivos.Como algunos tumos son menos deseables que otros, los salarios especificados en el
contrato difieren de uno a otro. En el ltimo rengln se muestra la compensacin diaria
-con las prestaciones- por cada agente para cada tumo. El problema consiste en determi
nar cuntos agentes deben asignarse a los lUmos respectivos cada da para minimizar el cos
to total de personal debido a los agentes, de acuerdo con este ltimo rengln, al mismo tiem
po que se cumplen (o se sobrepasan) los requerimientos de servicio dados en la columna de
la derecha.
Formulacin como un problema de programacin lineal.
para j = 1, 2, 3, 4, 5.
La restriccin principal sobre los valores de estas variables de decisin es que el nmero
de agentes que trabaja en cada periodo debe satisfacer el requerimiento mnimo que se pre
senta en la columna de la derecha de la tabla 3.19. Por ejemplo, de las 2:00 p.m. a las 4:00
. p.m., el nmero total de agentes asignados a los tumos que cubren este periodo (tumos 2 y
3) debe ser al menos 64, de manera que
sujeta a
X
Xl
Xl
Xl
+
+
+
X2
X2
X2 + X3
X2 + X3
X3
X3
+
+
X4
X4
X4
X4
;", 48
;", 79
;", 65
;", 87
;", 64
;", 73
;", 82
;", 43
+ x, ;", 52
X5 ;'" 15
(6-8 a.m.)
(8-1 0 a.m.)
( 1 0- 1 2 a.m.)
( 1 2 a.m.-2 p.m.)
(2-4 p.m.)
(4-6 p.m.)
(6-8 p.m.)
(8-10 p.m.)
(10-12 p.m.)
(12 p.m.-6 a.m.)
58
CAPTULO 3
y
para j
1 , 2, 3, 4, 5.
3.4
50 unidades
$200/unidad
40 unidades
producidas
$900/unidad
FI
producidas
FIGURA 3 . 1 3
Red de distribucin de
Distribution Unlimited Ca.
59
EJEMPLOS ADICIONALES
30 unidades
requeridas
Mximo 1 0 unidades
CD
$300/unidad
$200/unidad
60 unidades
F2
requeridas
cantidad requerida.
Como se indica en la figura 3 . 1 3, estas cantidades requeridas son 50 para Fl, 40 para F2,
-30 para A l y -60 para A2.
Cul es la cantidad requerida para CD? Todas las unidades producidas en las fbricas
se necesitan en algn momento en los almacenes, de manera que las unidades enviadas de
las fbricas a los centros de distribucin deben mandarse a los almacenes. Por 10 tanto, la
cantidad total enviada del centro de distribucin a los almacenes debe ser igual a la canti
dad total enviada desde las fbricas al centro de distribucin. En otras palabras, la diferen
cia de estas dos cantidades enviadas -la cantidad requerida para la restriccin de flujo neto
debe ser cero.
Como el objetivo es minimizar el costo total de envo, los coeficientes de la funcin ob
jetivo son directamente los costos unitarios de envo que se muestran en la figura 3 . 1 3 . Por
lo tanto, si se usan unidades monetarias en cientos de dlares en esta funcin objetivo, el
modelo completo de programacin lineal es
Minimizar
3XP2_CD + XCD-A2
60
CAPTULO 3
50 (fbrica 1 )
40 (fbrica 2)
O (centro de
+ XAI-A2 - XA2-AI
- XCD-A2 - XAI_A2 + XA2-AI
=
=
distribucin)
n 1)
(almac
- 30
-60 (almacn 2)
XPI-F2
::::;
XCD_A2
10,
80
3. Restricciones de no negatividad:
XpI-F2
;:=:: O,
XPI-CD
XpI_Al
;::: O,
XAI -A2
:;;:: O,
XF2-CD
XA2-Al
2:: O,
2:: O.
:=:: O ,
XCD-A2 O,
Este problema se ver de nuevo en la seccin 9.6, que est dedicada a problemas de programacin lineal de este tipo -llamados problemas de flujo de costo mnimo-o En la seccin 9.7 se obtendr su solucin ptima:
XpI_F2 = O,
XAI_A2 O,
=
XFI-CD 40,
XA2.AI = 20.
=
XFI_AI
10,
XnCD
40,
XCD.A2 = 80,
3.5
lA. Roy, E, E. DeFalomir y L. Lasdon, "An Oprimization-Based Decision Support Systems for a Product Mix Pro
bIem", en
3.5
61
62
CAPTULO 3
recibir respuestas inmediatas. Con frecuencia se logran mejores decisiones explorando otros
escenarios posibles, y tambin da ms confianza a la administracin saber que sus decisiones
tendrn un buen desempeo bajo las circunstancias previsibles.
En cualquier aplicacin, esta facilidad para responder con rapidez a las necesidades y
preguntas a travs del anlisis posptimo -interactivo o no- es una parte vital de un estu
dio de programacin lineal.
Programacin de personal en Unlted Alrllnes 1
A pesar de la competencia sin precedentes en esa industria, en 1 983 y 1984, United Airlines
logr un crecimiento sustancial con servicio a 48 nuevos aeropuertos. En 1984 se convirti
en la nica lnea area con servicio a ciudades en los 50 estados de la unin americana. Sus
ganancias de operacin en 1 984 llegaron a 564 millones de dlares, con un rendimiento de
6.2 mil millones, un incremento de 6% sobre 1983, mientras que los costos crecieron menos
de 2%.
El control de costos es esencial para el xito competitivo en la industria area. En 1982,
la alta administracin de United Airlines inici un estudio de ro sobre la programacin de
su personal como parte de las medidas de control de costos asociadas con la expansin de
la lnea en 1983 y 1984. La meta era programar el personal en las oficinas de reservaciones
y aeropuertos para minimizar el costo de proporcionar el servicio necesario a los clientes.
En esa poca, United Airlines tena 4 000 empleados entre representantes de ventas y
personal de apoyo en sus 1 1 oficinas de reservaciones y alrededor de 1 000 agentes de ser
vicio a clientes en los 10 aeropuertos ms grandes. Algunos trabajaban tiempo parcial, con
turnos de 2 a 8 horas; la mayora 'eran de tiempo completo, con jornadas de 8 a 10 horas.
Los turnos comenzaban con horarios diferentes. Cada oficina de reservaciones est abierta
-por telfono- las 24 horas del da, igual que los aeropuertos ms importantes. Sin em
bargo, el nmero de empleados necesatio en cada localidad para proporcionar el nivel de ser
vicio requerido, vara mucho durante el da y puede fluctuar de manera considerable entre
una media hora y la siguiente.
El intento de disear los horarios de trabajo de todos los empleados de un lugar dado
para cumplir con estos requerimientos de servicio del modo ms eficiente e s una pesadilla
de consideraciones combinatorias. Una vez que un empleado entra a trabajar, l o ella es
tarn ah todo su turno -de 2 a 10 horas, segn el empleado- excepto por un descanso
para comer o los descansos cada 2 horas. nado el nmero mnimo de empleados que deben
estar en actividad cada intervalo de media hora durante las 24 horas -donde los requeri
mientos cambian de un da para otro los 7 das de la semana-, cuntos empleados de ca
da tamao de turno deben comenzar a trabajar y en qu horario de inicio durante las 24 ho
ras del da, los 7 das de la semana? Por fortuna, la programacin lineal resuelve e stas
pesadillas combinatorias.
En realidad se usaron varias tcnicas de 10 descritas en este libro para desarrollar el sis
tema de planeacin computatizada para atacar este problema. Pronsticos (captulo 27) y l
neas de espera (captulos 17 y 26) se usaron para determinar el nmero mnimo de emplea
dos necesario cada intervalo de media hora. Programacin total (captulo 1 1) se us para
determinar las horas del da a las que se permitira el inicio de los tumos. Sin embargo, la
tarea del sistema de planeacin es de programacin lineal, que realiza la programacin real
para proporcionar el servicio con menor costo posible de la fuerza de trabajo. Se desarroll
un programa completo de trabajo para la primera semana de un mes, y despus se utiliz
nuevamente para el resto del mes. Este proceso se repiti cada mes para reflejar las condi
ciones cambiantes.
Aunque los detalles sobre el modelo de programacin lineal no se han publicado, es evi
dente que el enfoque bsico usado es el que se ilustra en el ejemplo de Unin Airways so
bre programacin de personal en la seccin 3.4. La funcin objetivo que se Rnimiza repreJT. J. Holloran y 1. E. Bryn, "United Airlines Station Manpower Planning System", en
enerofebrero de 1986.
lnteifaces, 16(1):3950,
3.5
63
senta el costo total de personal para la localidad que se programa. Las restricciones funcio
nales principales requieren que el nmero de empleados en actividad durante cada periodo
no sea menor que los niveles aceptables.
No obstante, el ejemplo de la Unin Airways slo tiene cinco variables de decisin. En
contraste, el modelo de United Airlines para algunas localidades tiene ms de 20 mil! La
diferencia es que una aplicacin real debe considerar innumerables detalles importantes que
en el ejemplo de un libro se pueden pasar por alto. En consecuencia, el modelo de United
Airlines debe tomar en cuenta aspectos como los tiempos de descanso y comida asignados
a cada empleado, las diferencias en la duracin del tumo de los diferentes empleados y los
das de descanso a la semana, entre otros detalles de programacin.
Se tiene conocimiento de que esta aplicacin de programacin lineal ha tenido un "efecto
colosal no slo en la administracin de United y los miembros del grupo de planeacin de
la fuerza de trabajo, sino tambin en muchos que nunca antes haban odo hablar de ciencia
de la administracin (lO) o modelado matemtico". Se gan al aplauso de la alta adminis
tracin, de los gerentes de operacin y tambin de los empleados afectados. Por ejemplo, un
gerente describi el sistema de programacin como
Mgico, . . . justo cuando comienzan a formarse las colas [de clientes). alguien aparece en
el trabajo, y justo cuando se piensa que hay demasiado personal, la gente comienza a irse a
casa. 1
gerentes, quienes despus se resistieron a adoptar las primeras recomendaciones del equipo.
Los lderes del equipo describen su error como sigue:
La regla cardinal para ganarse la confianza
Despus de este descubrimiento, el equipo trabaj mucho ms de cerca con los gerentes de
operacin, con resultados sobresalientes.
2/bid., p. 47.
3
10.
64
CAPTULO 3
ciones de la "han cambiado la manera en que Citgo hace negocios y han dado como resul
tado una mejora de 70 millones de dlares anuales en las ganancias".
Las dos aplicaciones ms importantes son los sistemas de programacin lineal (PL) que
proporcionan a los administradores un poderoso apoyo en la planeacin. Uno, llamado siste
ma PL de refinera, permiti grandes mejoras en la produccin de la refinera, reducciones sus
tanciales en el costo de la mano de obra y otros ahorros importantes. Este sistema contribuy
a aumentar las ganancias en $50 millones de dlares en 1985. (Vase la explicacin del papel
que tuvo la validacin del modelo en el desarrollo de este sistema, al final de la seccin 2.4.)
En este apartado la atencin se centrar en el otro sistema de programacin lineal, lla
mado sistema de modelado de abastecimiento. distribucin y comercializacin -o nada ms
sistema SDM, por Supply, Distribution and Marketing Modeling System-. El sistema SDM
es de particular inters porque est basado en un tipo especial de modelos de programacin
lineal que usa redes, muy parecido al ejemplo de la Distribution Unlimited presentado al fi
nal de la seccin 3.4. El modelo del sistema SDM proporciona una descripcin de toda la
red de distribucin y comercializacin de Citgo.
Cuando el equipo realiz el estudio de la, Citgo era propietaria o rentaba 36 almacenes
de productos que se abastecan desde cinco terminales mediante' una red de distribucin entu
bada, autotanques y barcos. Tambin venda productos en ms de 350 terminales de intercam
bio que comparta con otros comercializadores de petrleo. Para abastecer a sus clientes, la em
presa adquira productos en su refinera en Lake Charles, LA, o en uno de cinco puntos de
comercializacin, intercambio de productos o trueque con otros refinadores. Las decisiones de
adquisicin de productos se tomaban por da. Sin embargo, el tiempo que transcurra entre to
mar la decisin y que el producto llegara al cliente poda ser hasta de 1 1 semanas. Por lo tan
to, el modelo de programacin lineal se bas en un horizonte de planeacin de 1 1 semanas.
El sistema SDM se emplea para coordinar el abastecimiento, la distribucin y la comer
cializacin de cada uno de los productos importantes de Citgo -cuatro grados de combus
tible para motor y aceite del nmero 2- en todo Estados Unidos. La administracin utiliza
el sistema para tomar decisiones tales como dnde vender, qu precio cobrar, dnde com
prar o intercambiar, cunto comprar o intercambiar, cunto mantener en inventario, y cun
to mandar por cada modo de transporte. La programacin lineal gua estas decisiones y cun
do llevarlas a cabo para minimizar el costo total o maximizar la ganancia total. El sistema
SDM tambin se usa en sesiones de "qu pasa si", en las que los administradores hacen es
tas preguntas sobre escenarios que difieren de aquellos supuestos por el modelo original.
El modelo de programacin lineal del sistema SDM tiene la misma forma que el mode
lo del ejemplo de la Distribution Unlimited presentado al final de la seccin 3.4. De hecho,
ambos modelos se ajustan a una clase especial de problemas de programacin lineal, llama
da problema del flujo de costo mnimo que se estudiar en la seccin 9.6. Las restricciones
funcionales principales son restricciones de igualdad en donde cada una prescribe cul de
be ser el flujo neto de bienes que salen de una localidad especfica.
El modelo de la Distribution Unlimited tiene slo siete variables de decisin y cinco res
tricciones de igualdad. En contraste, el modelo de Citgo para cada producto importante tie
ne alrededor de 15 mil variables de decisin y 3 000 restricciones de igualdad!
Al final de la seccin 2.1 se describe el importante papel que tuvieron la recoleccin y
la verificacin de datos en el desarrollo de los modelos de Citgo. Con modelos tan grandes
debe reunirse una cantidad masiva de datos para determinar todos los valores de los parme
tros. Con este objetivo en mente, fue desarrollado, con tecnologa de punta, un sistem a de
administracin de la base de datos. Antes de introducir los datos al modelo se us un pro
grama de precarga para buscar errores e incongruencias. La importancia de hacerlo fue ine
ludible cuando, como se observ en la seccin 2 . 1 , la corrida inicial del programa de pre
carga gener una lista de mensajes de error de una pulgada de grueso! Era evidente que el
proceso de recoleccin de datos tena que revisarse en forma exhaustiva para asegurar que
el modelo fuera vlido.
I Vea la pgina 4 de la segunda referencia citada en la nota 2 al pie de la pgina 10.
3.6
65
El sistema de programacin lineal SDM mejor en gran medida la eficiencia de las ope
raciones de abastecimiento, distribucin y comercializacin de Citgo, y permiti una reduc
cin cuantiosa de los inventarios de productos sin que los niveles de servicio se deteriora
sen. En particular, el valor de los productos de petrleo que se mantenan en inventario se
redujo en 1 16.5 millones de dlares. Esta gran reduccin del capital invertido en mantener
el inventario gener de 14 millones de dlares anuales en gastos de inters por los prsta
mos de capital, y sum 1 4 millones de dlares a las ganancias anuales de la empresa. Se es
tim que las mejoras en las decisiones de coordinacin, costeo y compra agregaron al me
nos otros 2.5 millones de dlares anuales a estas ganancias. Tambin se atribuyeron a esta
aplicacin de programacin lineal muchos beneficios indirectos que incluyen datos mejora
dos, mejores estrategias de precios y la eliminacin de terminales de productos innecesarias,
al igual que mejor comunicacin y coordinacin entre los grupos de abastecimiento, distri
bucin, comercializacin y refinacin.
Algunos de los factores que contribuyeron al xito de este estudio de lO son los mis
mos que en los dos casos anteriores. Igual que en Ponderosa Industrial, uno fue el desarro
llo de informes de resultados en el lenguaje de los administradores para satisfacer realmen
te sus necesidades. Estos informes se disearon para facilitar su comprensin y empleo por
parte de los .administradores as como para incluir los aspectos importantes para ellos. Tam
bin, igual que en Ponderosa, otro factor fue que la administracin pudo responder con ra
pidez a la dinmica de la industria usando ampliamente el sistema de programacin lineal,
en las sesiones "qu pasa si". Al igual que en muchas de las aplicaciones de la programa
cin lineal, el anlisis posptimo result ms importante que la solucin ptima inicial ob
tenida para una versin del modelo.
Igual que en el caso de United Airlines, otro factor fue el apoyo entusiasta de los geren
tes de operacin durante el desarrollo e implantacin de este sistema de programacin lineal.
Sin embargo, el factor ms importante fue el apoyo ilimitado que la alta administracin
proporcion al grupo de trabajo, desde el jefe ejecutivo hasta el director del consejo de ad
ministracin de la casa matriz de Citgo, Southland Corporation. Como se mencion, el di
rector del grupo de trabajo -un eminente consultor de 10- reportaba directamente al pre
sidente de Citgo y al del consejo directivo de Southland. Este soporte por parte de la alta
administracin incluy un fuerte apoyo organizacional y financiero.
El apoyo organizacional asumi gran variedad de formas. Un ejemplo es la creacin del
puesto de vicepresidente de coordinacin de operaciones, para evaluar y coordinar las reco
mendaciones basadas en los modelos, que poda cruzar las fronteras de la organizacin.
Cuando fueron analizados tanto este sistema de programacin lineal como otras aplica
ciones de 10 implantadas por el grupo de trabajo, los miembros del equipo describieron el
apoyo financiero de la alta administracin como sigue:
El costo total de los sistemas implantados,
tculo para concretar este proyecto. Sin embargo, debido a la explosin de informacin en
la industria del petrleo, sta se dio cuenta de que eran esenciales muchos sistemas de infor
macin para reunir, almacenar y analizar datos. El costo incremental de agregar tecnologas
de las ciencias de la administracin (10) a estas computadoras y sistemas fue pequeo, de
hecho, muy pequeo a la luz de los enormes beneficios que proporcionaron. 1
3.6
"
66
CAPTULO 3
FIGURA 3.14
Hoja de clculo inicial del
problema de la Wyndor
despus de transferir los
datos de la tabla 3.1 a las
celdas de datos.
datos. Si se incluye cierta informacin adicional, la hoja de clculo se puede usar para analizar
con rapidez soluciones potenciales. Por ejemplo, se puede verificar una solucin potencial
para ver si es factible y qu valor de Z (ganancia o costo) adquiere. Una gran parte del poder
de la hoja de clculo estriba en su capacidad para apreciar de inmediato los resultados de los
cambios en la solucin.
Adems, el Exel Solver puede aplicar el mtodo smplex para encontrar una solucin
ptima para el modelo.
Para ilustrar este proceso, se considerar de nuevo el ejemplo de la Wyndor GIass de la
seccin 3. I .
Formulacin del modelo en una hoja de clculo
bordes y el sombreado de celdas se pueden modificar mediante los botones de bordes y sombreado que estn en
la barra de herramientas de Fonnato o al seleccionar "Celdas" del men "Fonnato" para despus elegir la opcin de
"Bordes" o ''Tramas''.
3.6
67
En la figura 3.15 se muestra la forma como estas respuestas se pueden incorporar a una
hoja de clculo. Con base en la primera respuesta, las tasas de producci6n de los dos pro
ductos se colocan en las celdas C l 2 y D l 2 para ubicarlas en las columnas de estos produc
tos justo debajo de las celdas de datos. Como an no se sabe cules deben ser las tasas de
produccin, en este punto se introducen slo como ceros. (En realidad, se puede introducir
cualquier solucin de prueba, aunque los valores negativos se deben excluir puesto que son
imposibles). Estos nmeros cambiarn a medida que se busca la mejor mezcla de tasas de
produccin. Por ello, las celdas que contienen las decisiones a tomar se llaman celdas cam
biantes (o celdas ajustables). Para resaltar las celdas cambiantes, stas se muestran sombrea
das y con un borde. (En los archivos para hoja de clculo del OR Courseware, las celdas
cambiantes aparecen sombreadas en amarillo brillante). Las celdas cambiantes han recibido
el nombre de rango LotesProducidos (CI2:DI2).
Con base en la respuesta 2, el nmero total de horas de produccin utilizadas cada sema
na por los dos productos en las plantas respectivas se introduce en las celdas E7, ES Y E9,
justo a la derecha de las celdas de datos correspondientes. Las ecuaciones de Excel para es
tas tres celdas son
E7
C7*C12 + D7*D12
ES
CS*CI2 + DS*DI2
E9
C9*C12 + D9*D12
donde cada asterisco denota multiplicacin. Como cada una de estas celdas proporciona una
salida que depende de las celdas cambiantes (C1 2 y DI2), son llamadas celdas de salida.
Obsrvese que cada una de las ecuaciones de las celdas de salida implica la suma de
dos productos. Existe una funcin en Excel, llamada SUMAPRODUCTO, que suma el pro
ducto de los trminos individuales contenidos en dos diferentes rangos de celdas cuando
los dos rangos tienen el mismo nmero de renglones y columnas. Cada producto que se
r sumado es el producto de. un trmino del primer rango y el trmino de la ubicacin co
rrespondiente del segundo rango. Por ejemplo, considrese los dos rangos, C7:D7 y
C I2:DI2, de manera que cada rango tiene un rengln y dos columnas. En este caso,
SUMAPRODUCTO (C7:D7, C 1 2:DI2) toma cada trmino individual en el rango C7:D7,
los multiplica por el trmino correspondiente en el rango C 1 2:D12 y despus suma estos
productos individuales, tal como se muestra en la ecuacin anterior. Si se utiliza el nom
bre de rango LotesProducidos (CI2:DI 2), la frmula se convierte en SUMAPRODUCTO
(C7:D7, LotesProducidos). Aunque es opcional con ecuaciones tan pequeas, esta funcin
es til cuando se trata de capturar ecuaciones de programacin lineal ms largas.
Despus se introducen los signos .;; en las celdas F7, FS y F9 para indicar que cada
valor total a su izquierda no puede exceder al nmero correspondiente en la columna G. La
hoja de clculo permitir introducir soluciones de prueba que violan los signos .;; . Sin em-
FIGURA 3.15
Hoja de clculo completa del
problema de la Wyndor con
una solucin de prueba
inicial (ambas tasas de
produccin iguales a cero)
introducidas en las celdas
cambiantes (C12 y 01 2).
68
CAPTULO 3
bargo, estos signos sirven como recordatorio de que tales soluciones de prueba deben ser
rechazadas si no se hacen cambios en los nmeros de la columna G,
Por ltimo, como la respuesta a la tercera pregunta es que la medida global de desem
peo es igual a la ganancia tata! obtenida por los dos productos, dicha ganancia (por sema
na) se introduce en la celda G 12. En forma parecida a los nmeros de la columna E, sta se
obtiene mediante la suma de productos,
Gl2
ste es un buen ejemplo del beneficio que se obtiene cuando se utilizan los nombres de rango
para que las ecuaciones resultantes sean ms fciles de interpretar, En lugar de tener que con
sultar la hoja de clculo para ver lo que hay en las celdas G l 2, C4:D4 y CI2:D12, los nombres
de rango revelan de inmediato lo que hace la ecuacin,
GananciaTotal (GI2) es un tipo especial de celda de salida, sta es la celda particular
que tiene el objetivo de alcanzar un valor tan grande como sea posible cuando se toman las
decisiones relativas a las tasas de produccin. Por lo tanto, GananciaTotal (G 12) es referida
como la celda objetivo. Dicha celda est sombreada con un color ms oscuro que el de
las celdas cambiautes y se distingue con un borde ms grueso. (En los archivos para hoja de
clculo contenidos en el OR Courseware, esta celda aparece en color naranja.)
La esquina inferior derecha de la figura 3.16 muestra las frmulas que deben introducirse
en la columna de HorasUsadas y en la celda de GananciaTotal. Tambin se presenta un resu
men de los nombres de rango (en orden alfabtico) y las direcciones de celda correspondientes.
Lo anterior completa la formulacin del modelo en una hoja de clculo del problema de
Wyndor.
Con esta formulacin, es sencillo analizar cualquier solucin de prueba para las tasas de
produccin. Cada vez que se introducen tasas de produccin en las celdas C l 2 y 012, Ex
cel calcula de inmediato la cantidad total empleada de cada recurso y la ganancia total. Sin
embargo, no es necesario utilizar la prueba y el error. A continuacin se presenta cmo usar
Excel para encontrar en forma rpida una solucin ptima.
Uso de Excel Solver para resolver el modelo
Excel incluye una herramienta llamada Solver que aplica el mtodo smplex para encontrar
una solucin ptima. (Una versin ms poderosa de Solver, llamada Premium Solverfor Ed
ucation, est disponible en el OR Courseware.)
Para entrar a Solver por primera vez, es necesario ingresar a! men de complementos
de Excel y agregar el Solver, despus podr encontrarlo en el men de herramientas.
Para iniciar, en la figura 3.16 se ha introducido una solucin arbitraria de prueba al colo
car ceros en las celdas cambiantes. El Solver las modificar con los valores ptimos despus
de resolver el problema.
Este procedimiento inicia cuando se elige Solver del men Herramientas. El cuadro de
dilogo se muestra en la figura 3 . 1 7 .
Antes de que Solver aplique el mtodo smplex, necesita conocer con exactitud dnde
se localizan los componentes del modelo en la hoja de clculo. El cuadro de dilogo de Sol
ver se usa para introducir esta informacin. El usuario tiene la opcin de escribir los nom
bres de rango, las direcciones de las celdas o hacer clic sobre las celdas en la hoja de clcu
lo. I En la figura 3.17 se muestra el resultado de utilizar la primera opcin, por lo cual se ha
I S las celdas se seleccionan mediante un die sobre ellas, aparecern al principio en el cuadro de dilogo con sus
direcciones y signos monetarios (por ejemplo, $C$9;$O$9), los cuales pueden ignorarse. Solver reemplazar tanto
las direcciones de celda como los signos monetarios por el nombre de rango correspondiente (si es que existe al
gn nombre de rango definido para las celdas especificadas), pero slo despus de agregar una restriccin o cerrar
3.6
FORMULACiN
69
f-=.
5--+__
6
__
1 1
1 2
3.16
11 FIGURA
3.17
---i
' - -----
usadas
=SUry1APRQPJ,J..QTO( C7:Q1.LotesProducic!os
=VI\J1APRODl,.LGI9JC8:D8,LotesProducid-
=SUMAPRODUCTO C9:D9, LotesProducidos
7
8
9
11 FIGURA
__Ho"-ra",,s
G
Ganancia total
=SUMAPRODUCTO GananciaPorLote LotesProducidos
_
_
_
Modelo en hoja de clculo del problema de la Wyndor que incluye las frmulas de la celda objetivo GananciaTotal (G 1 2)
y las otras celdas de salida en la columna E, donde el objetivo es maximizar la celda objetivo.
. valor de la
celda
.
'
"
'II!!J
'
GananciaTotal
Max O
Mo
Q Valores de:
rCa1lribimdo Is celdas:
I LotesProducido5
s_
fS_,uea,:
la_
re_st_
ric_c_io_ne_s_:_-,,-=::::-+-'--+"""4 . [ o. p.. CJ.OS . J..
'.
Agreg\lr J
..
..
'
CilIll).bl.r.r. . .f.
{ Re.sf..JQao. .1
EUll1i
.
[
oir '1
-_".J [ yu,lti\ tr
2.'
'W'
L================
.
.
.
70
CAPTULO 3
las celdas de HorasUsadas (E7:E9) deben ser menores o iguales que las celdas correspon
dientes de HorasDisponibles (G7:G9). Estas restricciones se especitican en Solver al intro
ducir HorasUsadas (o E7:E9) en el lado izquierdo del cuadro de dilogo de Agregar Restric
cin y HorasDisponibles (o G7:G9) en el lado derecho. Para ingresar el signo entre estos dos
lados, existe un men para elegir entre los signos <= (menor o igual que),
o >= (mayor o
igual que), en el que se ha elegido <= para estas restricciones. Esta seleccin es necesaria
aun cuando antes se hayan escrito los signos oS en la columna F de la hoja de clculo, por
que Solver usa slo las restricciones funcionales que se especifican en el cuadro de dilogo
de Agregar restriccin.
Si hubiera ms restricciones funcionales que aadir, se debera hacer clic en "agregar"
para que aparezca de nuevo el cuadro de dilogo. Sin embargo, como no hay ms en este
ejemplo, el siguiente paso es hacer clic en "aceptar" para regresar al cuadro de dilogo de
Solver.
Ahora el cuadro de dilogo resume el modelo completo (vase la ligura 3. 19) en trmi
nos de la hoja de clculo de la figura 3. 16. Pero antes de pedir a Solver que resuelva el mo-
Cuadro de dilogo de
Agregar restriccin despus
de introducir el conjunto de
restricciones, HorasUsadas
(E7: E9) ,; HorasDisponibles
(G7: G9), las cuales
especifican que se requiere
que las celdas E7, E8 Y E9 de
la figura 3 . 1 6 sean menores
o iguales que las celdas
respectivas G7, G8 Y G9.
Referencia de la celda:
ra..:;s.:..LJ.:.;sac.;d..:;a:;.s_
!i
H..:;
o__
...__
Restriccin:
-,JI"'''
'''''; ,''' I< L$J f HorasDisponibles
'"
_
_
_
LCalcelar l
, jGananciaTotIIM
Celda dpjetiQ:
Valor de la ,
, :'
,,
celda Qbjtfvo: fl Mx Q Mn
eamb'Jando ras. eeIdas:
'
1 LotesProducidos
,
de:
el valores
..
, .,
- --
--
jO
1""
' _......
-,
I , Etimar
,
[ Qpcjnes J
Agregar..)
( Cambiar.l
(Re,st. todo)
"
,.."
-
-;;
----Oo
[ Eliminar J ( Ayuda t
9t
3.6
FORMULACiN
FIGURA 3.20
Cuadro de dilogo de
Opciones de Solver despus
de elegir las opciones
"Adoptar modelo lineal" y
Asumir no negativos" para
indicar que se desea resolver
un modelo de programacin
lineal que tiene restricciones
de no negatividad.
71
Rrogresvas
i, >
11
Q Centrles
delo, se debe dar otro paso. Al elegir el botn "opciones", aparecer el cuadro de dilogo
que se muestra en la figura 3.20. ste permite especificar cierto nmero de opciones sobre
la manera como se resolver el modelo. Las ms importantes son las opciones "adoptar mo
delo lineal" y "asumir no negativos". Asegrese de elegir los cuadros de ambas opciones co
mo se muestra en la figura. Esto indica a Solver que es un problema de programacin lineal
con restricciones de no negatividad para todas las variables de decisin, y que el mtodo sm
plex se debe usar para resolver el problema. r En cuanto al resto de las opciones, en general
los valores preestablecidos se pueden aceptar para problemas pequeos. Con un clic en acep
tar se regresa al cuadro de dilogo de Solver.
Ahora todo est listo para hacer clic en "resolver" en el cuadro de dilogo de Solver,
con lo que se ejecutar el mtodo smplex. Despus de unos segundos (para un problema pe
queol, Solver indicar los resultados. Por lo comn sealar que encontr una solucin p
tima, como se especifica en el cuadro de dilogo de Resultados de Solver que se muestra en
la figura 3.2 1 . Si el modelo no tiene soluciones factibles o una solucin ptima, este cuadro
de dilogo lo indicar con un mensaje como "Solver no pudo encontrar una solucin factible"
o "el conjunto de valores en las celdas no converge". El cuadro de dilogo tambin presenta
la opcin de generar varios informes. Uno de ellos -el informe de sensibilidad- se analizar
con detalle en las secciones 4.7 Y 6.8.
Despus de resolver el modelo, el Solver sustituye el valor original de las variables de
decisin en la hoja de clculo por los valores ptimos, como se muestra en la figura 3.22.
Las versiones de Excel anteriores a Excel 97 no cuentan con la opcin de no negatividad, por 10 que las restric
ciones de este tipo deben aadirse en el cuadro de dilogo de Agregm- restriccin, No todos los modelos de progra
macin lineal tienen restricciones de no negatividad, pero s casi todos. En el caso de los modelos nusuales en los
que algunas de las celdas cambiantes tienen restricciones de no negatividad y otras no, estas restricciones deben in
cluirse mediante el cuadro de dilogo de Agregar restriccin en lugar de seleccionar la opcin de "Asumir no ne
gatividad" .
CAPTULO 3
72
FICURA 3.21
Cuadro de dilogo de
Resultados de Solver que
indica que se encontr una
solucin ptima.
FICURA 3.22
Hoja de clculo obtenida despus de resolver el problema de la Wyndor.
Ventanas
Puertas
-Hora
--.
.
---t
Horas usadas por lote producido
,.c:1.
$3000
f-'''-.--.------..---- 1------. 1
0
3.
__
..-1
--
$5 000
O
2
2
7
8
9
ibles
,P:p1s:(SJyr
Gi!ti\dOptar modelo lineal
Iif Asumir no negativos
1 1
1 2
:2.
12.
.___
:$
:$
disponibles
.
4.
1:r ;
la "
"
li()rall.
....!a! d_.
__ ..
=Ql,J MAE..RQ-t,JCTO(C7:D7,LotsProducidos)
-",SUMAPR9-UCIQ(C8:D8,LotesPmducidosl
=SUMAPRODUCTO C9:D9,LotesProducidos)
____ ._ _
__
... _ . _ _
_ ____ ___
_ ____. _ _
___._ .
G
Ganancia total
":SUM-APRODUCTO(GananclaPorLoteLotesProducldos\ -
." C&
Nombre .. d& rartlll)
Jdall
LotesProducidos
C1g':);)r2
HorasDispohibls
GI':9 --"
Horas.Usadas
Ei7:E9
HOrsUsadasPorLoteProducido C7D9 .
.GananciaPbrLote
C4:D4 .
GananciaTotal
G12
3.7
73
As, la solucin ptima es producir dos lotes de puertas y seis lotes de ventanas por sema
na, tal como se encontr mediante el mtodo grfico en la seccin 3. 1 . La hoja de clcu
lo tambin indica el nmero correspondiente en la celda objetivo -una ganancia total de
36 mil dlares por semana-, as como los nmeros en las celdas de salida HorasUsadas
(E7:E9).
En este punto, se podra verificar lo que pasa con la solucin ptima si cualquiera de
los nmeros en las celdas de datos se cambiara por otros valores posibles. Esto es fcil de
hacer porque el Solver guarda todas las direcciones de la celda objetivo, celdas cambiantes,
restricciones, etc., cuando se guarda el archivo. Todo lo que se debe hacer es realizar los
cambios que se desee en las celdas de datos y despus dar clic de nuevo sobre "resolver" en
el cuadro de dilogo del Solver. (Las secciones 4.7 y 6.8 se enfocan en este tipo de anlisis
de sensibilidad, incluso se aborda la manera de utilizar el Informe de Sensibilidad del Sol
ver para realizar el anlisis "qu pasara si".)
Para ayudar a experimentar con este tipo de cambios, el OR Courseware incluye archi
vos de Excel para ste y otros captulos que proporcionan una formulacin completa y una
solucin de los ejemplos -el problema de Wyndor y los de la seccin 3.4- en un formato
de hoja de clculo. Se recomienda "jugar" con estos ejemplos para ver qu pasa con los di
ferentes datos, distintas soluciones, etc. Estas hojas de clculo tambin pueden resultar tiles
como plantillas para resolver problemas de tarea.
Adems, se sugiere utilizar los archivos de Excel de este captulo para revisar de mane
ra cuidadosa las formulaciones en hoja de clculo para algunos de los ejemplos de la sec
cin 3.4. Este enfoque explica cmo formular modelos de programacin lineal en hojas de
clculo cuando stos son ms grandes y complicados que el del problema de Wyndor.
En captulos posteriores se vern otros ejemplos de cmo formular y resolver varios ti
pos de modelos de 10 en una hoja de clculo. Los captulos complementarios del CD-ROM
tambin incluyen un captulo completo (21 ) que est dedicado al modelado en hojas de
clculo. Ese captulo describe en detalle tanto el proceso general como las directrices bsi
cas para construir modelos en hoja de clculo. Tambin presenta algunas tcnicas para de
purar tales modelos .
3.7
74
CAPTULO 3
Lenguajes de modelado
3.7
75
tal de cada producto de cada planta en cada uno de los prximos 10 meses. Aunque la canti
dad de product.o vendido en un mes dado no puede exceder la demanda, la cantidad produci
da puede ser mayor, y la cantidad en exceso se debera almacenar en inventario (con un cos
to unitario por mes) para su venta posterior. Cada unidad de cada producto ocupa el mismo
espacio en almacn, y cada planta tiene un lmite superior para el nmero total de unidades
que se puede guardar (la capacidad del inventario).
Cada planta tiene los mismos 10 procesos de produccin -se har referencia a ellos co
mo mquinas--, cada uno de los cuales se puede usar para producir cualquiera de los 10
productos, Tanto el costo de produccin por unidad como la tasa de produccin de un pro
ducto -nmero de unidades producidas por da dedicado a ese producto- dependen de la
combinacin de plantas y mquinas involucradas (pero no del mes). El nmero de das h
biles (das de produccin disponibles) varia un poco de un mes a otro.
Como algunas plantas y mquinas pueden producir un producto dado ya sea a menor
costo o a una tasa ms rpida que otras plantas y mquinas, en ocasiones vale la pena en
viar algunas unidades del producto de una planta a otra para que esta ltima las venda. Exis
te cierto costo asociado con cada unidad enviada de cualquier producto de cada combina
cin de una planta que enva (planta origen) y una planta que recibe (planta destino), donde
este costo unitario es el mismo para todos los productos.
La administracin necesita determinar cuntas unidades de cada producto debe produ
cir en cada mquina de cada planta cada mes, al igual que cuntas unidades de cada produc
to debe vender cada planta cada mes y cuntas unidades de cada producto debe enviar cada
planta cada mes a cada una de las otras plantas. Si se toma en cuenta el precio en todo el
mundo de cada producto, el objetivo es encontrar el plan factible que maximice la ganancia
total -ingreso por ventas totales menos la suma de los costos totales de produccin, inven
tario y envo--.
Se debe considerar de nuevo que ste es un ejemplo simplificado en varias formas. Se
ha supuesto que el nmero de plantas, mquinas, productos y meses es exactamente el mis
mo (10). En situaciones ms reales, es probable que el nmero de productos sea mucho ms
grande y que el horizonte de planeacin sea considerablemente ms grande que 10 meses;
asimismo, el nmero de "mquinas" (tipos de procesos de produccin) debera ser menor a
10. Tambin se ha supuesto que todas las plantas tienen los mismos tipos de mquinas (pro
cesos de produccin) y que cada tipo de mquina puede fabricar todos los productos. En rea
lidad, las plantas pueden tener algunas diferencias en trminos de tipos de mquinas y de los
productos que son capaces de manufacturar. El resultado neto es que el modelo correspon
diente para algunas corporaciones puede ser ms pequeo que el de este ejemplo, pero el
modelo para otras puede ser considerablemente ms grande.
Estructura del modelo resultante
Debido a que los costos de inventario y las capacidades de almacenamiento son limitadas,
es necesario mantener un registro de la cantidad de cada producto que se guarda en cada
planta durante cada mes. En consecuencia, el modelo de programacin lineal tiene cuatro ti
pos de variables de decisin: cantidades de produccin, cantidades de inventario, cantidades
de venta y cantidades enviadas. Con 10 plantas, 10 mquinas, 10 productos y 10 meses, es
to da un total de 21 mil variables de decisin, como se describe a continuacin.
Variables de decisin
10 mil variables de produccin: una por cada combinacin de planta, mquina, producto y
mes
variables de inventario: una por cada combinacin de planta, producto y mes
000
1
1 000 variables de ventas: una por cada combinacin de planta producto y mes
9 000 variables de envo: una por cada combinacin de producto, mes, planta (planta origen,
fromplant) y otra planta (la planta destino, toplant).
76
CAPTULO 3
Cuando se multiplica cada variable de decisin por el costo unitario o ingreso unitario co
rrespondiente y despus se suma segn cada tipo, se puede calcular la siguiente funcin objeti
vo:
Funcin objetivo
Maximizar
ganancia
donde
Costo total
Cuando se maximiza esta funcin objetivo, las 2 1 000 variables de decisin deben sa
tisfacer las restricciones de no negatividad al igual que los cuatro tipos de restricciones fun
cionales: de capacidad de produccin, de balanceo de plantas (restricciones de igualdad que
proporcionan valores adecuados para las variables de inventario), de inventario mximo y de
ventas mximas. Como se enumeran enseguida, existe un total de 3 100 restricciones fun
cionales, pero todas las restricciones de un tipo siguen el mismo patrn.
Restricciones funcionales
mquina y mes):
Das de produccin usados
:5
donde el lado izquierdo es la suma de 10 fracciones, una por cada producto, donde cada
fraccin es la cantidad de ese producto (una variable de decisin) dividida entre la tasa
de produccin del producto (una constante dada).
1 000 restricciones de balance de las plantas (una por cada combinacin de planta, producto
y mes):
Cantidad producida + inventario del mes pasado
inventario actual + cantidad enviada,
cantidad recibida
ventas
donde la cantidad producida es la suma de las variables de decisin que representan las
cantidades de produccin de las mquinas, la cantidad recibida es la suma de las varia
bles de decisin que representan las cantidades enviadas desde otras plantas y la canti
dad enviada es la suma de las variables de decisin correspondientes a las cantidades que
se mandan a las otras plantas.
100 restricciones de inventado mximo (una por cada combinacin de planta y mes):
Inventado total
:5
capacidad de inventario,
donde el lado izquierdo es la suma de las variables de decisin que representan las can
tidades de inventario de los productos individuales.
1 000 restricciones de ventas (una por cada combinacin de planta, producto y mes):
Ventas
:5
demanda.
3.7
77
: =
(Al ,
month
: =
(Jan,
plant
, ( pl ,
fromp lant
! =
toplant
: =
machine
: =
A2 ,
A3 ,
Feb,
p2 ,
A4 ,
Mar,
AS ,
Apr,
A6,
May,
(mI ,
m2 ,
AS,
Jun,
A9 ,
Ju l ,
Al O ) ;
Aug,
Sep,
p3 ,
p4 ,
p5 ,
p6,
p7 ,
p8 ,
p9 ,
plOl ,
m3 ,
m4 ,
mS ,
m6,
m'? ,
ma ,
m9 ,
mI O ) ;
plant j
plant i
A7 ,
Oc t )
Excepto por los meses, los elementos del lado derecho son etiquetas arbitrarias de los res
pectivos productos, plantas y mquinas, donde las mismas etiquetas se usan en los archivos
de datos. Obsrvese que se colocan dos puntos despus del nombre de cada elemento y pun
to y coma al final de cada instruccin (pero una instruccin puede extenderse ms de un ren
gln).
El trabajo pesado en cualquier modelo grande es la recoleccin y organizacin de los dis
tintos tipos de datos en archivos de datos, los cuales pueden estar en formato denso o disper
so. En el formato denso, el archivo contiene una entrada para cada posible combinacin de
los ndices sobre los que corren los datos. Por ejemplo, supngase que el archivo de datos
contiene las tasas de produccin para elaborar los diferentes productos con las distintas m
quinas (procesos de produccin) en las diversas plantas. En formato denso, el archivo contie
ne una entrada para cada combinacin de una planta, una mquina y un producto. Sin embar
go, la entrada puede necesitar ser cero para la mayora de las combinaciones porque esa planta
en particular puede no tener esa mquina especfica o, incluso si la tiene, esa mquina indi
vidual puede no ser capaz de producir ese producto particular en esa planta en especfico. El
porcentaje de las entradas en formato denso que son distintas de cero se conoce como densi
dad del conjunto de datos. En la prctica, es comn que los conjuntos de datos tengan una
Y a veces est por debajo de 1 %. Los conjuntos de da
tos que tienen una densidad tan baja se dice que estn dispersos. En tales situaciones, resul
ta ms eficiente utilizar un archivo de datos en formato disperso. En este formato slo se in
troducen al archivo de datos los valores distintos de cero (y una identificacin de los valores
ndice a los que se refieren). Por lo general, los datos se leen en formato disperso desde un
archivo de texto o de las bases de datos corporativas. La capacidad de manejar conjuntos de
datos dispersos de manera eficiente es una de las claves para el xito de la formulacin y la
resolucin de modelos de optimizacin a gran escala. MPL puede trabajar con facilidad tan
to con el formato denso como con el disperso.
En el ejemplo de la Worldwide Corp., se necesitan ocho archivos para precios de produc
tos, demandas, costos de produccin, tasas de produccin, das de produccin disponibles,
costos de inventario, capacidades de inventario y costos de envo. Se supone que estos archi
vos de datos estn disponibles en formato disperso. El siguiente paso es dar un nombre su
gestivo corto a cada uno e identificar (entre parntesis cuadrados) el ndice o ndices sobre
los que corren los datos en los archivos como se muestra a continuacin.
DATA
: :::
Price [produc t 1
Demand [ p l a n t ,
product ,
ProdCost [plant ,
machine,
ProdRate [ p l a n t ,
machine ,
InvtCost [plant ,
product J
product J : ='
. _
ProdDaysAvail [mon t h ]
,-
product 1 : :;;
.. _
toplant 1
41 ,
51 ,
SPARSEFILE
78
CAPTULO 3
Para ilustrar los contenidos de estos archivos de datos, considrese el que proporciona
los costos y las tasas de produccin. Enseguida se presenta una muestra pequea de las
primeras entradas del archivo disperso produce.dat:
!
produ c e . dat
Costo y Tasa de
Produc c i n
ProdCosL: [plan t ,
machi n e ,
produc L J :
[ p l cU l t ,
mi'tchi n e ,
p coduc t l :
ProdRate
500,
73 . 3 0 ,
pI,
mI l ,
Al ,
pI ,
mI l ,
A2 ,
pl ,
mU,
A3 ,
pI,
ml 3 ,
A3 ,
52 . 9 0 ,
450,
6 '5 . 4 0 ,
550,
4 / . 6 0 ,
3 ') 0 ,
machine,
Invento.r:y [ p lant ,
Sales [ p l a n t ,
produc t ,
Ship [ produc t ,
WHERE
produc t ,
produc t ,
monLh,
( f romp l an t.:
month 1
monl: h ]
<>
Prod;
Invt ;
,,>
Sale
rnonth]
toplant 1
fromplan t ,
>
>
Loplant l ;
Revenue
'T'o t a l InvtCost
:=
: = STlJlA ( r 1 'tht- ,
SUM (plan t ,
m "" h : ",,
SUM ( p l an t ,
produc e ,
produc t ,
ProdC o s t * Produce)
month:
Pr lce*Sales )
.c::c.!""" :-: :
rnon t h :
lnvtCost * l n ventory) ;
rro talShipCost
month,
'T'otalCost
: = T o t a l ProdCosl
ShipCo:: t * Sh i p l i
fromplcln t ,
toplant :
Los primeros cuatro macros usan la palabra reservada SUM de MPL para ejecutar las sumas
involucradas, Despus de cada palabra S UM (entre parntesis) se coloca, primero, el (los)
ndice(s) sobre el (los) que corre la suma. Despus (enseguida de punto y coma), el vec
tor producto de un vector de datos (uno de los archivos de datos) multiplicado por un
vector variable (uno de los cuatro tipos de variables de decisin).
Ahora, este modelo con 3 100 restricciones funcionales y 2 1 000 variables de decisin
se puede escribir en la siguiente forma compacta.
MODEL
1'1.i\X
P r oL i t =
SUBJEC'r TO
ProdCapc1c i ty [ p l a n t ,
S U M ( p y o o \ J ct- :
tndch i n c ,
mor': h l
p ,{)clucp/ P r odFatc-')
:S
->
['Cal) :
PrudDdysAvai 1 ;
3.7
plantBal [plant ,
product ,
SUM (machine:
rnonthJ
Ship [ fromplant I
Sales + Inventory
Maxlnventory
[pIant I
SUM (product :
PEal :
Produce) + Inventory
+ 3UM ( fromplant :
+ SUM ( t oplant :
->
rnont h ]
Inventory )
<=
->
79
[month - 1 ]
toplant :
pIant ,
pIant J )
topL:mt 1 ) ;
NaxI :
InvtCapacity ;
BOUNDS
Sales
<.=:
Dernand
END
Por cada uno de los cuatro tipos de restricciones, el primer rengln da el nombre del
tipo. Existe una restriccin de este tipo para cada combinacin de valores de los ndices en
los corchetes que siguen al nombre. A la derecha del parntesis, la flecha seala la abre
viatura de cuatro letras que el solucionador puede usar. Abajo de este primer rengln, se
muestra la forma general de las restricciones con el operador SUMo
Para cada restriccin de capacidad de produccin, los tlminos de la suma consisten en
una variable de decisin (la cantidad de produccin de ese producto en esa mquina en esa
planta durante ese mes) dividida entre la tasa de produccin correspondiente, que da el n
mero de das de produccin empleados. Al sumar todos los productos se obtiene el nmero
total de das de produccin usados en esa mquina de esa planta durante ese mes, de modo
que este nmero no debe exceder el nmero de das de produccin disponibles.
El propsito de la restriccin de balanceo de plantas de cada planta, producto y mes es
proporcionar el valor correcto a la variable de inventario actual, dados los valores de todas
las dems variables de decisin, incluso el nivel de inventario del mes anterior. En estas res
tricciones, cada operador SUM es slo una suma de variables de decisin ms un vector pro
ducto. Ocurre lo mismo con el operador SUM en la restriccin de inventario mximo. Por
el contrario, el lado izquierdo de las restricciones de ventas mximas es una sola variable de
decisin para cada una de las 1 000 combinaciones de planta, producto y mes. (La separa
cin de estas restricciones de cota superior sobre las variables individuales de las restriccio
nes funcionales normales tiene ventajas, debido a la eficiencia computacional que se logra
cuando se emplea la tcnica de la cota superior descrita en la seccin 7.3.) No hay restric
ciones de cota inferior porque MPL supone de modo automtico que las 21 000 variables de
decisin tienen restricciones de no negatividad a menos que especifiquen cotas inferiores
distintas de cero. En cada una de las 3 lOO restricciones funcionales, obsrvese que el lado
izquierdo es una funcin lineal de las variables de decisin y que el lado derecho es una
constante tomada del archivo de datos adecuado. Como la funcin objetivo tambin es
una funcin lineal de las variables de decisin, se trata de un modelo legtimo de programa
cin lineal.
Para resolver el modelo, MPL cuenta con varios solucionadores (paquetes de software
para resolver modelos de programacin lineal y modelos relacionados) que se pueden insta
lar en el MPL. Como se ve en la seccin 4.8, CPLEX es un solucionador en especial pode
roso. La versin de MPL en el OR CO\lrseware ya tiene instalado la versin para estudian
tes de CPLEX, que usa el mtodo smplex para resolver estos modelos. Por lo tanto, para
resolver un modelo formulado con MPL, todo lo que debe hacerse es elegir Solve CPLEX
en el men Run o seleccionar el botn Run Solve en la barra de herramientas. Despus se
puede ver el archivo con la solucin en una ventana si se oprime el botn View en la parte
inferior de la ventana Status Window.
Esta breve introduccin a MPL ilustra la facilidad con que se pueden usar los lenguajes
de modelado para formular modelos de programacin lineal muy grandes de manera clara y
concisa. Como ayuda cuando se utiliza MPL, se incluye en el CD un tutorial, que revisa to
dos los detalles de construccin del modelo de las versiones ms pequeas de los ejemplos
80
CAPTULO 3
de planeacin de la produccin considerados aqu. En otro lugar del CD se puede ver cmo
se formulan con MPL y se resuelven con CPLEX todos los ejemplos de programacin lineal
en este captulo y los subsecuentes.
Lenguaje de modelado LlNGO
LINGO es otro lenguaje de modelado conocido que se presenta en este libro. La compaa
que 10 produce, LINDO Systems, tambin elabora un solucionador llamado LINDO y uno
para hoja de clculo, What'sBest; las versiones para estudiantes de los tres paquetes de soft
ware se incluyen en el CD-ROM. (Las versiones de prueba ms recientes tambin se pue
den bajar de www.lindo.com.) Los tres comparten un conjunto de solucionadores basados en
el mtodo smplex y las versiones ms avanzadas se basan en las tcnicas algortmicas in
troducidas en las secciones 4.9 y 7.4. Los solucionadores tambin incluyen algunos algorit
mos, entre los que se encuentra un optimizador global, mediante el cual se abordan los pro
blemas que caen fuera del mbito de la programacin lineal. (Se estudiar LINDO en la
seccin 4.8 y el apndice 4 . 1 . )
Como MPL, LINGO permite al modelador formular con eficiencia un modelo de progra
macin lineal grande de manera clara y concisa. Tambin se puede usar para una amplia va
riedad de otros modelos.
LINGO utiliza los conjuntos como sus bloques fundamentales de construccin. Por ejem
plo, en el problema de planeacin de la produccin de Worlwide Corp., los conjuntos de inte
rs incluyen las colecciones de productos, plantas, mquinas y meses. Cada miembro de un
conjunto puede tener uno o ms atributos asociados, como el precio de un producto, la capa
cidad del inventario de una planta, la tasa de produccin de una mquina y el nmero de das
de produccin disponible en un mes. Estos atributos proporcionan datos para el modelo. Algu
nos conjuntos de atributos, como las cantidades de produccin y cantidades enviadas, pueden
ser variables de decisin del modelo. Igual que en MPL, el operador SUM por lo comn se
usa para escribir la funcin objetivo y cada tipo de restriccin de manera compacta. Despus
de completar la formulacin, el modelo se puede resolver al elegir el comando Solve del me
n LINGO o al presionar el botn Solve en la barra de herramientas.
Un apndice de este captulo describe un poco ms de LINGO e ilustra su uso con un par
de ejemplos pequeos. Un suplemento en el CD muestra cmo se puede usar LINGO para for
mular el modelo para el ejemplo de planeacin de la produccin de Worldwide Corp. Un t,,
torial de LlNGO en el CD proporciona los detalles necesarios para realizar el modelado bsi
co con este lenguaje. Las formulaciones y soluciones de LINGO para los distintos ejemplos
tanto en este captulo como en otros tambin se incluyen en el CD-ROM .
3.8
CONCLUSIONES
La programacin lineal es una tcnica poderosa para tratar problemas de asignacin de re
cursos escasos entre actividades que compiten, al igual que otros problemas cuya formula
cin matemtica es parecida. Se ha convertido en una herramienta estndar de gran impor
tancia para muchas organizaciones industriales y de negocios. An ms, casi cualquier
organizacin social tiene el problema de asignar recursos en algn contexto y cada vez es
mayor el reconocimiento de la aplicacin tan amplia de esta tcnica.
Sin embargo, no todos los problemas de asignacin de recursos limitados se pueden for
mular de manera que se ajusten a un modelo de programacin lineal, ni siquiera como una
aproximacin razonable. Cuando no se cumplen uno o ms de los supuestos de progra
macin lineal, tal vez sea posible aplicar otro tipo de modelos matemticos, por ejemplo,
los modelos de programacin entera (captulo 1 1 ) o de programacin no lineal (captulo
12).
>
APNDICE 3.1
AP N DI CE 3 . 1
81
Maximizar
20x + 31y,
sujeta a
2x +
5y s; 1 6
4x - 3y
y
x =:: 0,
y '"
O.
La pantalla de la mitad superior de la figura A3.l muestra cmo se fannulara este problema en
LINGO.
La primera lnea del modelo es slo un comentario que lo describe. Obsrvese que va precedi
do de un signo de exclamacin y termina con punto y coma. ste es un requisito de todos los comen
tarios que se efectan en un programa LINGO. La segunda lnea indica la funcin objetivo (no in
cluye la variable
Z)
medio de un asterisco. La funcin objetivo termina con punto y coma, como cada una de las funcio
nes de restriccin en las dos lneas que siguen. Las restricciones de no negatividad no aparecen
porque LINGO supone que las variables son no negativas de modo automtico. (Si alguna varia
ble
lacin.)
Las variables se pueden escribir en maysculas o minsculas, puesto que LINGO no lo toma en
cuenta. Por ejemplo, una variable
XL
maysculas o minsculas (o una combinacin): Por claridad, se usarn maysculas para todas las pa
labras reservadas que tienen un significado predeterminado en LINGO.
Obsrvese la barra de men en la primera parte de la figura A3.1. Los elementos 'File' y 'Edil'
se comportan de la manera estndar de Windows. Para resolver el modelo una vez escrito, se hace cHc
en el icono de 'tiro al blanco' . (Si se usa una plataforma diferente a Windows para PC, se escribe el
comando GO despus de los dos puntos en el cursor y se presiona la tecla 'enter'.) Antes de intentar
resolver el modelo, LINGO verifica si las instrucciones tienen errores de sintaxis y, si es as, indica
La mitad inferior de la figura A3.1 muestra la ventana de informe del ejemplo. La columna
Value contiene los valores ptimos de las variables de decisin. El primer elemento de la colum
na Slack or Surplus (holgura o supervit) muestra los valores correspondientes de la funcin objetivo.
Los dos elementos que siguen indican la diferencia entre los dos lados de las restricciones respectivas.
Las columnas
para el problema. Despus de estudiar el anlisis posptirno (que incluye el anlisis de sensibilidad)
en la seccin 4.7, cuando se describa LINDO en el apndice 4 . 1 se explicar lo que son los costos
reducidos y los precios duales. Estas cantidades proporcionan slo una parte de la informacin til
del anlisis de sensibilidad. Para generar un informe del anlisis de sensibilidad completo (como el
que se muestra en el apndice 4.1 para LINDO), debe elegirse el comando
Range en el men de
L1NGO.
Como se ilustr con MPL en la seccin 3.7, LINGO est diseado para fonnular con eficiencia
modelos muy grandes pues maneja al mismo tiempo todas las restricciones o variables del mismo tipo.
Se usar el siguiente ejemplo para ilustrar cmo funciona LINGO.
. CAPTULO 3
82
2 0 w x + 3 1 y;
2 "' x +
1 " :<
S y
3"y
<""
16)
6:
Ro"
1
O . OO(')lOOO
0 . 0000000
11 FIGURA A3.1
Pantallas que muestran la formulacin de
de programacin lineal.
Ejemplo.
Dual Price
1 . 0000eo
7 . 076CJ23
1 . "0 1 5 3 8
Considrese un
cuatro productos que se fabricarn durante la prxima semana. Para cada producto, cada unidad pro
ducida requiere una cantidad conocida de tiempo de produccin en cada una de tres mquinas. Cada
mquina tiene cierto nmero de horas disponibles por semana. Cada producto proporciona cierta ga
nancia por unidad producida.
En la tabla A3 . 1 se presentan tres tipos de datos: datos relacionados con las mquinas, con los
producir de cada producto de manera que se maximice la ganancia total al mismo tiempo que no se
exceda la capacidad de produccin limitada de cada mquina.
En forma algebraica estndar, la estructura del modelo de programacin lineal de este problema
es elegir los niveles de produccin no negativos (nmero de unidades producidas durante la siguiente
semana) de los cuatro productos para
Maximizar
sujeta a
4
aljXj :S: hi
j- I
para
1 , 2, 3 ;
APNDICE 3.1
83
Mquina
1 .7
P02
P03
P04
2.1
1 .4
1.7
2.4
Bobinadora
Cortadora
Soldadora
1 .1
2.5
1 .3
1 .6
0.8
Ganancia/unidad
26
35
25
37
1 .6
Tiempo de produccin
disponible por semana, horas
28
34
21
2.6
donde
Xj
cionales, por lo cual sera posible escribirlas completas, trmino por tnnino, pero sera tedioso. En
aplicaciones similares, podran ser cientos de variables de decisin
que escribir cada semana una versin trmino por trmino de este modelo no sera prctico. LINGO
proporciona una manera de formular el problema mucho ms eficiente y compacta, comparable al re
sumen anterior del modelo, como se ver enseguida.
2.
2.
Atributos de cada producto: ganancia por unidad producida; nmero de unidades producidas por se
mana.
En consecuencia, los primeros dos tipos de atributos son los datos de entrada que se convertirn en los
parmetros del modelo, mientras que el ltimo tipo (nmero de unidades producidas por semana de los
respectivos productos) proporciona las variables de decisin para el modelo. Estos atributos se abre
vian como sigue.
mquina: ProdHoursAvail (horas de produccin disponibles)
producto: Profit, Produce (ganancia, producir).
Otro tipo clave de informacin es el nmero de horas de produccin que cada unidad de cada pro
ducto usar en las mquinas. Este nmero se puede ver como un
El orden est implcito en los conjuntos de UNCiO, de manera que, en sentido estricto, no existen conjuntos ver
84
CAPTULO 3
lo de combinaciones de un producto y una mquina. Como este conjunto se deriva de los dos conjuntos
simples, se conoce como un conjunto derivado. La fonna de abreviar este atributo de los miembros de
este conjunto es la siguiente.
MaPr (machine, product): ProdHoursUsed
Por lo comn, una formulacin LINGO tiene tres secciones.
1.
Una seccin de conjuntos. SETS, que especitica los conjuntos y sus atributos. Se puede pensar que
describe la estructura de los datos.
2. Una seccin de datos, DATA, que proporciona los datos a usar o indica dnde obtenerlos.
3. Una seccin en la que se prepara el modelo matemtico.
Primero se mostrarn las dos primeras secciones del ejemplo.
!
LINC0 3 h ;
Ejemplo d e m e z c l a d e produ c t o s ;
Not a :
s e c c J,n SE'rs no
la
nombres
de
con t i ene
o produ c t o s .
los
datos
Esa
informacin
proporcionados
se determina
SETS :
!
Conjuntos
Prof 1. t I
Produ c t :
!
s i mp l e s ;
ProdHoursAva 1. 1 ;
Machi n e :
Produce ;
MaPr
(Mach i n e ,
Produc t ) :
ENDSE'rs
ProdHoursU.sed
DA'1'A :
Obtener el
Mach-ine
cortar I
soldar
Ro l l Cut Weld;
28
34
l o s nombres
=
pOl
P02
21;
de productos
P03
P04 ;
Horas
2G
3 '1 i
ProdHoursUsed
1.7
1.1
1. 6
2.1
.S
1.3
1.4
2.4
BobLnJr:
1 .7
2.6
Cor t a r ;
1.6
0.8;
Soldar;
ENDDATA
Antes de presentar el modelo matemtico, es necesario introducir dos funciones ciclicas de con
juntos que permiten aplicar una operacin a todos los miembros del conjunto con slo una instruccin.
Una es la funcin @SUM, que calcula la suma de una expresin sobre todos los miembros del con
junto. La fonna general de @SUM es @SUM{ S12t : expre s s i. on ) . La expresin se calcula para ca
da miembro de un conjunto y despus se suman todos los clculos. Por ejemplo,
@SUM (
Product
(j ) :
P r o C i t ( j ) *produce ( j ) )
suma la expresin que sigue a los dos puntos -la ganancia unitaria de un producto multiplicada por la
tasa de produccin de ese producto----- sobre todos los miembros del conjunto que precede a los dos pun
tos. En particular, corno este conjunto es el de productos { Producto() para j 1 , 2, 3 , 4 } , la suma se
realiza sobre el ndice j. Por lo tanto, esta funcin especfica @SUM proporciona la funcin objetivo,
=
CjXj,
j=1
APNDICE 3.1
85
La segunda funcin cclica de conjuntos es @FOR. Esta funcin se usa para generar restricciones
sobre los miembros de un conjunto. La forma general es @FOR (
set :
@FOR ( Machine ( i ) :
@SUM (
ProdHoursUsed ( i I
Product ( i ) :
<=
j ) * Produce
ProdHoursAvai l
(i,
j )
(j ) )
i
) ;
indica que se genere la restriccin que sigue a los dos puntos para cada miembro del conjunto que les
precede. (El smbolo "menor o igual que" , s, no est en el teclado estndar, por lo que LINGO maneja
los smbolos < = como equivalentes a :::; .) ste es el conjunto de mquinas {Machine
(i) para
i = 1 , 2, 3 } , funcin que cubre el ciclo sobre el ndice i. Para cada i, la restriccin que sigue a los dos
I aijXj :=; bj
j=l
Por lo tanto, una vez que se aade l a tercera seccin d e l a formulacin LINGO (el modelo
matemtico), se obtiene la formulacin completa que se muestra a continuacin:
!
LING0 3 h
SETS:
! Conjuntos
s i mples ;
Machine :
ProdHoursAva i l
Product :
! Conjunto
MaPr (
Prof i t ,
Produce
derivado ;
Mach i n e ,
Produc t ) :
ProdHoursUsed
ENDSETS
DATA :
! Obtener
el
nombre
de
las
mquinas;
Horas
disponibles d e
ProdHoursAvail = 28
Obtener
los
34
nombres
Product = P 0 1
Contribucin
Frafit =
Horas
de productos ;
P02
la
26
cada mquina;
21;
P03
35
necesarias
P04
ganancia
25
por
unidad;
37;
ProdHoursUsed = 1 . 7
2.1
1.4
2.4
Bobinar ;
1.1
2.5
1.7
2.6
Cortar i
1.6
1.3
1.6
0 . 8;
Soldar;
ENDDATA
Maximizar
MAX = @SUM(
Para
la
contribucin
Product ( i ) :
cada mquina
@FOR (
Machine (
Horas
usadas
@SUM(
Product (
i) :
<
<=
1;
a
*
la
gananc i a ;
Produce ( i ) )
:L
horas
j) :
total
Pro f i t ( i )
disponibles;
ProdHoursused (
ProdHoursAva i l ( i ) i
i,
j)
Produce (
j ) )
POI)
P02 )
Value
Reduced Cost
0 . 0000000
3 . 577921
1 0 . 00000
0 . 0000000
86
CAPTULO 3
PRODUCE {
P03 )
5 . 000000
0 . 0000000
PRODUCE {
P04 )
0 . 0000000
1 . 44 1 5 5 8
Slack
Row
1
or
Surplus
Dual
4 7 5 . 0000
Price
1 . 000000
0 . 0000000
1 5 . 2 5 974
0 . 5000000
0 . 0000000
0 . 0000000
2 . 272727
En consecuencia, deben producirse 10 unidades del producto POZ y 5 del P03, donde el rengln 1 mues
tra la ganancia total obtenida, esto es, 475. Obsrvese que esta solucin usa justamente la capacidad
disponible en la primera y tercera mquinas (puesto que los renglones 2 y 4 dan una holgura o supe
rvit de O) y deja la segunda mquina con 0.5 horas inactivas. (Se estudiarn los costos reducidos y
los precios duales en el apndice 4.1 junto con LINDO.)
La seccin de renglones de este infonne es un poco ambigua en cuanto a que es necesario recor
dar que en el rengln 1 del modelo se escribi la funcin objetivo y que los renglones subsecuentes
contienen las restricciones sobre las capacidades de las mquinas. Esta asociacin se puecJe aclarar en
el infonne si se dan nombres a cada restriccin del modelo. Esto se hace con el nombre entre [ J, colo
cado justo frente a la restriccin. Vase el siguiente fragmento modificado del modelo.
[TotprofJ
Para
cada
mquina
@FOR (
Machine (
Horas
usadas
[Cape]
Produc t :
@SUM(
Profit
Produce )
i) :
<=
horas
Product (
<=
dispon i b l e s i
j) :
ProdHoursUsed (
i,
j)
Produce (
j))
ProdHoursAva i l ;
) ;
Slack
TOTPROF
or
Surplus
47 5 . 00 0 0
Dual
Price
1 . 000000
CAPC ( ROLL )
0 . 0000000
1 5 . 25974
CAPC ( WELD)
0.. 5 0 0 0 0 0 0
0 . 0000000
0 . 0000000
2 . 272727
CAPC(
CUT)
Una caracterstica importante de un modelo LINGO como ste es que e s totalmente "escalable" en
cuanto a productos y mquinas. En otras palabras, si se desea resolver otra versn de este problema de
mezcla de productos con un nmero diferente de mquinas y productos, slo habra que introducir los
nuevos datos en la seccin DATA. No sera necesario cambiar la seccin SETS o las ecuaciones. Esta
conversin puede realizarla el personal de apoyo sin conocimiento de las ecuaciones del modelo.
Importacin y exportacin de datos a una hoja de clculo con LlNGO
El ejemplo anterior es autocontenido en el sentido de que todos los datos se incorporaron de manera
directa en la fonnulacin LINGO. En algunas otras aplicaciones, se almacena un cuerpo ms grande
de datos en alguna fuente y ser necesario introducirlo al modelo desde esa fuente. Un lugar comn
para almacenar datos son las hojas de clculo.
LINGO tiene una funcin sencilla, @OLE ( ) , para recuperar y colocar datos de y a una hoja de
clculo. Para ilustrarlo, suponga que los datos originales del problema de mezcla de productos se in
trodujeron en una hoja de clculo como se muestra en la figura A3.2. Por el momento interesan slo
las reas sombreadas de las columnas A-B y E-H. Los datos de estas celdas describen por completo el
pequeo ejemplo de mezcla de productos. Se quiere evitar volver a capturar estos datos en el modelo
de LINGO. Supngase que esta hoja de clculo est almacenada en d:\dirfred7\wbest03i.xls. La nica
parte del mode"lo LINGO que necesita variar es la seccin DATA como se muestra a continuacin.
DATA :
Obtener
nombres
de
Machine = @OLE (
las
mqu i n a s ;
3.1
Horas
DE MODELADO LlNGO
disponibles
ProdHoursAvai l
Obtener
nombres
Product
necesarias
gananc i a por
por
los
valores
de
unidad
unidad:
ProdHoursUsed = @OLE (
@OLE(
mquina ;
la
Profit = @QLE (
Enviar
cada
de product o s :
@OLE (
Contribucin
Horas
en
@OLE (
87
de producto;
solucin:
ENDDATA
funcin @OLE ( ) acta a manera de "plomero". Maneja el flujo de datos de la hoja de clculo ha
cia LINGO y a la inversa. La funcin llamada "enlace y empotrado de objetos" (OLE, por Object Lin
king and Embedding) es una caracterstica del sistema operativo de Windows. LINGO la usa para ha
cer un enlace entre el modelo y la hoja de clculo. Las primeras cinco aplicaciones anteriores de
@OLE ( ) ilustran que esta funcin se puede usar a la derecha de una instruccin de asignacin para re
cuperar datos de una hoja de clculo. La ltima muestra que se puede colocar a la izquierda de una
asignacin para colocar los resultados en la hoja de clculo. Obsrvese en la figura A3.2 que la solu
cin ptima se ha colocado en las celdas E6:H6. Un paso sencillo pero oculto que debe realizarse an
tes en las hojas de clculo es definir los nombres de los rangos de las distintas colecciones de celdas
que contienen datos. Los nombres de los rangos se pueden definir en Excel con el ratn y el elemen
to del men Insertar, Nombre, Definir. Por ejemplo, el conjunto de celdas A9:Al l recibi el nombre
de Machine. De la ntisma manera, al conjunto de celdas E4:H4 se les dio el de Product.
En el ejemplo anterior, la referencia @OLE ( ) contena el nombre completo de la ruta del archivo
de Excel. Si el archivo (wbest03i.xls) estuviera abierto en Excel en el momento en que el modelo de
LINGO est en ejecucin, no hay necesidad de utilizar el nombre completo de la ruta, puesto que
@OLE( 'wbe s t 0 3 1 . x l s ' ) sena suficiente. En realidad, si wbest3i.xls fuera el nico archivo abierto en
Excel, se podra incluso eliminar el nombre del archivo. En este caso, por ejemplo,
La
Profit
:::
@OLE (
) ;
FIGURA A3.Z
CAPTULO 3
@ODBC ( ) , para transferir datos desde y hacia una base de datos. Esta
funcin se basa en el estndar de conectividad abierta (ODBC, por Open DataBase Connectivity) con
bases de datos SQL (Structured Query Language). Las bases de datos de mayor uso, como Oracle,
Paradox,DB/2,MS Access y SQL Server,son compatibles con la convencin ODBC.
Se ilustrar la conexin ODBC para el pequeo ejemplo de mezcla de productos. Supngase que
todos los datos que describen el problema estn almacenados en una base de datos llamada acces03j.
La modificacin requerida en el modelo de LINGO es casi trivial. Slo vara la seccin DATA, como
se ilustra en el siguiente fragmento del modelo LINGO.
DATA :
Obtener
nombres
Machine,
Obtener
nombres
Produc t ,
Horas
de
mquinas
de productos
necesarias
por
::::: @OOBC (
Enviar valores
de
accesO 3 j
')
la
=
disponibles ;
acces 0 3 j ' )
y ganancias ;
' acces03j 1 ) ;
unidad
ProdHoursUsed
@ODBC (
y horas
de
produc t o ;
'acces03j ' ) ;
solucin
de
regreso;
Produce ;
ENDDATA
Obsrvese que, al igual que en el modelo basado en la hoja de clculo, el tamao del modelo en
trminos del nmero de variables y restricciones se detennina por completo con lo que se encuentra
en la base de datos. El modelo LINGO ajusta de modo automtico lo que all encuentra.
Ahora se mostrar qu hay en la base de datos con la que se trabaj. Contiene tres tablas relacio
nadas. Estas tablas reciben nombres que coinciden con los del modelo de L1NGO, a saber, 'Machine' ,
con los datos relacionados con las mquinas. 'Product' para los datos relacionados con e l producto y
'MaPr'
para los relacionados con las combinaciones de mquinas y productos. Estas tablas se ven en
Machlne
28
34
21
RolI
Cut
Weld
Product
P01
P02
P03
P04
B]
26
35
25
37
APNDICE 3.1
89
MaPr
",",, ' .
P01
P02
P03
P04
P01
P02
P03
P04
P01
P02
P03
P04
RolI
RolI
RolI
RolI
Cut
Cut
Cut
Cut
Weld
Weld
Weld
Weld
1.7
2.1
1 .4
2.4
1 .1
2.5
1 .7
2.6
1 .6
1 .3
1 .6
0.8
Obsrvese que la columna de 'Produce' est en blanco en la tabla de producto. Una vez resuelto
el modelo, las cantidades a producir se insertan en la base de datos y la tabla queda de la manera siguiente:
Product
O
10
5
O
26
35
25
37
P01
P02
P03
P04
95.
datos con el administrador de ODBC de Windows. Este paso se concreta mediante la apertura (con
clics del ratn) de la ventana MiPClPanel de ControUODBC32. En ella, el usuario debe dar un nom
bre a la base de datos (que puede diferir del nombre real del archivo en que residen las tablas) y es
pecificar el directorio en donde se encuentra. Este nombre registrado es el que se debe usar en el mo
delo LINGO. Como se registran las bases de datos, no tiene que especificarse el directorio en la funcin
@ODBC
, acces
O3 j
5.) La versin ms grande (llamada versin extendida) est limitada slo por el
tricciones funcionales y cientos de miles de variables. LINGO est disponible para la mayora de los
sistemas operativos ms importantes, incluso para LINUX.
90
CAPTULO 3
Si desea ver cmo puede LINGO formular un modelo muy grande como el ejemplo de planeacin
de la produccin introducido en la seccin 3.7, un suplemento de este apndice en el CD-ROM mues
tra la formulacin de LINGO para este ejemplo. El suplemento reduce el nmero de productos, plan
tas, mquinas y meses, introduce los datos reales en la formulacin y despus muestra la solucin com
pleta. Sigue con la ilustracin de la depuracin y verificacin de este modelo grande. Adems, describe
con ms detalle cmo recuperar datos de archivos externos (incluso las hojas de clculo) y cmo in
sertar los resultados en los archivos existentes.
Adems de este suplemento, el CD incluye tanto un tutoral de LINGO como archivos de LIN
GOILINDO con numerosos ejemplos de formulaciones de LINGO. Estos archivos de LINGOILINDO
para otros captulos incluyen formulaciones de LINGO de problemas en un mbito distinto al de la
programacin lineal. Adems, en la seccin 1 2 . 1 0 se explica la caracterstica de optimizacin global
en LINGO para afrontar problemas complicados de programacin no lineal. Tambin vanse las refe
rencias seleccionadas 4 y 6 si se desea un mayor detalle en el estudio de LINGO.
REFERENCIAS SELECCIONADAS
1.
2.
3.
4.
5.
6.
7.
Complemento de Excel:
Premium Solver for Education
91
PROBLEMAS
Suplemento del apndice 3.1:
Ms acerca de LINGO.
P ROBLEMAS
Los smbolos a la izquierda de algunos problemas (o de sus incisos)
significan lo siguiente:
El ejemplo de demostracin indicado puede ser til.
D:
1:
C:
Xl + X2 :$ 1 8
3x, + X2 :5 44
y
XI O,
D,!
1:
IOx, + 20X2,
..
sujeta a
3.1
Maximizar
3.1-5.
a) x, + 3X2 :5 6
b) 4x, + 3X2 :5 12
e) 4x, + X2 :5 8
d) Ahora combine
3.12.
programacin lineal:
MaximizarZ
a)
b)
2x1 + 3X2
6, Z 12 yZ 18.
3.1-3.
a)
b)
3.1-6.
dera y de
a)
b)
D.!
recta.
D,!
3.1-4.'
8 pies cuadra
dos.
$60 a $40? y
$60 a $20? (Puede resultar til emplear el procedimiento de
Maximizar
sujeta a
X2 :$ 10
2x, + 5X2 :5 60
1 e)
CAPTULO 3
92
3.1-7.
paras (productos
3.1-10:
a)
D.!
b)
Tiempo disponible
(en horas-mquina por semana)
Tipo de mquina
Fresadora
Torno
Rectificadora
500
350
150
3.1-8.
Coeficiente de productividad
(en horas-mquina por unidad)
La ganancia esperada es de
Horas-hombre
por unidad
Departamento
Riesgo especial
Suscripciones
Administracin
Reclamaciones
3
O
2
Hipoteca
Tipo de mquina
Producto 1
Producto 2
9
5
3
3
4
O
Fresadora
Torno
Rectificadora
Horas-hombre
disponibles
2
1
O
2 400
800
1 200
Producto 3
5
O
2
a)
D,!
e)
a)
b)
3.1-11.
Maximizar
que fabrica hot dogs y pan para hot dogs. Muelen su propia harina
para el pan a una tasa mxima de . 200 libras por semana. Cada
pan requiere
el mtodo smplex.
todava no s e ha establecido.
vantes.
3.1 ..9.
b)
5 em
exl + Xz,
Xl + x2 ::; 6
XI + 2x2 '" 10
sujeta a
especifica la entrega de
Weenies and Buns desea saber cuntos hot dogs y cuntos panes
a)
D,I
3.1-12.
dava no se ha establecido.
b)
Maximizar
Z=
XI + 2x"
k to
93
PROBLEMAS
sujeta a
-Xl + X2 :s; 2
X2 :s; 3
kx + X2 :5 2k + 3,
x,
donde k 2: O
Xl 2: O,
La solucin que se usa por ahora es Xl
2, X2 = 3. Utilice el anli
sis grfico para determinar los valores de k tales que esta solucin
=
..J _ "'-':c...-'-'''''"'--'
(O, O) ...."'""--"'""'-'-"'-" ""'-'-"--.::.""-'
Maximizar
sujeta a
2x + X2 :5 1 1
-Xl + 2x2 :S; 2
y
Recursos utilizados
por unidad de producto
Recurso
Producto
Q
R
S
2
1
3
Ganancia por
unidad
Producto B
Cantidad
de recursos
disponibles
1
2
3
2
2
4
4>-___
(6, O) X
_
_
'"
D,I 3.2-4. Use el mtodo grfico para encontrar todas las soluciones
5OOx + 3OOx,.
94
CAPTULO 3
sujeta a
15x + 5x, ,,; 300
IOx + 6X2 "; 240
&xl + 12x, ,,; 450
X.
X,
o
1
2
o
3
6
4
8
12
8
13
18
y
Xl 2: 0,
X2 ;::: O.
z=
5x + 7x,.
sujeta a
2x, - x2 ::5 - 1
-Xl + 2x2 :5 1
-
y
X2 2: O.
Z=
15x + 20X2'
sujeta a
Xl + 2x2 ==: I D
3X2 S 6
Xl + X2 ==: 6
2x I
y
XI ==: O,
X2 ==: O.
Z=
sujeta a
XI + 2x2 ::s 12
2x + 3x, = 12
2x1 + X2 8
y
XI ;;:':: O,
X2 =:-: O.
3x + Zx"
9S
PROBLEMAS
Maximizar
CIX + 2x2
sujeta a
4x + X2 :s:: 12
Xl - X2 2
y
40x, + 50x"
sujeta a
3X2 ." 30
XI + Xl 2': 12
2>:, + X2 '" 20
2>:, +
Mes
y
XI 2': O,
Gramos de
Ingrediente
por porcin
1
2
3
4
5
Espacio
requerido
(ft2)
30 000
20 000
40 000
1 0 000
50 000
Res
Papas
Requerimiento diario
(gramos)
Carbohidratos
Protefnas
Grasa
5
20
15
15
5
2
;::: 50
40
$ 60
$4
$2
Costo por fe
arrendado
$ 65
$ 1 00
$ 1 35
$ 1 60
$ 1 90
2
3
4
5
Hora
Ingrediente
Periodo de
arrendamiento
(meses)
8 a.m.-1 2 p.m.
1 2 p.m.-4 p.m.
4 p.m.-8 p.m.
8 p.m.-12 a.m.
4
8
10
6
CAPTULO 3
96
Fbrica 1
Fbrica 2
Tamao de
la orden
Cliente 2
Cliente 3
Produccin
$600
$400
$800
$900
$700
$600
400 unidades
500 unidades
300
unidades
200
unidades
400
unidades
3.4-11: Al Fertis tiene $60 000 que desea invertir ahora para usar
lo que se acumule en la compra de un fondo de retiro dentro de
5 aos. Despus de consultar a su asesor financiero, le ofrecieron
cuatro tipos de inversiones de ingreso fijo, las inversiones A, B, e
y O.
Las inversiones A y B estn disponibles al principio cada uno
de los siguientes 5 aos (aos 1 a 5). Cada dlar invertido en A
al iniciar el ao redita $1.40 (ganancia de $0.40) 2 aos despus
(a tiempo para invertir de inmediato). Cada dlar invertido en B da
$1.70 tres aos despus.
Las inversiones e y D estarn disponibles una sola vez en el fu
turo. Cada dlar invertido en C al principio del ao 2 genera $1 .90
al final del 5. Cada dlar invertido en O al principio del ao 5 pro
duce $1.30 al final de ese ao.
Al desea saber cul plan de inversin maximiza la cantidad de
dinero acumulada al principio del ao 6.
a) Todas las restricciones funcionales de este problema se pueden
expresar como igualdades. Para hacerlo, sean At, Bt, et y Dt las
cantidades respectivas invertidas en A. B, e y D al principio del
ao t si la inversin est disponible y llegar a su madurez al fi
nal del ao 5. Tambin sea Rt la cantidad de dinero disponible
3.4-12. Metalco Company desea hacer una nueva aleacin con 40%
de aluminio, 35% de zinc y 25% de plomo a partir de varias alea
ciones disponibles que tienen las siguientes propiedades:
Aleacin
Propiedad
Porcentaje de aluminio
Porcentaje de zinc
Porcentaje de plomo
60
10
30
25
15
60
45
45
10
20
50
30
50
40
10
Costo ($/Iibra)
22
20
25
24
27
Compartimiento
Delantero
Central
Trasero
Capacidad
de peso
(ton)
Capacidad
de espacio
(ft')
12
18
10
7 000
9 000
5 000
Peso
(ton)
Volumen
Carga
(ft'/ton)
Ganancia
(S/ton)
1
2
3
4
20
16
25
13
500
700
600
400
320
400
360
290
97
PROBLEMAS
rar y
coordina la operacin.
Ingredientes
Pan (1 rebanada)
Mantequilla
de manf
(1 cuch.)
Mermelada
de fresa
(1 cuch.)
Galleta
(1 pieza)
Leche (1 taza)
Jugo (1 taza)
10
70
75
1 00
50
20
70
O
60
1 50
100
O
2
1 20
1
8
1
8
15
35
60
K. C.
D. H.
H. B.
S.
C.
K. S.
N. K.
Tasa salarial
Lun.
Mar.
Mi.
lue.
Vle.
S1 0.00/hora
S 10.1 O/hora
S 9.90/hora
S 9.80/hora
S10.80/hora
S l 1 .30/hora
6
O
4
5
3
O
O
6
8
5
O
O
6
O
4
5
3
O
O
6
O
O
8
6
6
O
4
5
O
2
puede trabajar.
este cambio.
10.
b) Al inicio del estudio, la definici6n del problema especific cinco
necesidades de proyectos. Identifiquelas.
CAPTULO 3
98
Parte
Mquina
1
2
0.02
0.05
0.03
0.02
0.05
0.04
Corporation".
Parte
g)
Ganancia
$50
$40
$30
ti) Utilice Excel Solver para resolver este modelo por el mtodo
smplex.
Actividad
Cantidad de
Actividad 2 recursos disponible
1
1
2
3
2
3
2
3
4
Contribucin
por unidad
$20
$30
10
20
20
Actividad
1
2
3
Actividad 2
5
2
3
2
$60
$50
Costo unitario
Nivel
mnimo
aceptable
60
30
126
>11
PROBLEMAS
99
. bin cra cerdos para venta y desea detenninar las cantidades de los
ditintos tipos de alimento disponibles (maz, grasas y alfalfa) que
debe dar a cada cerdo. Como stos se comern cualquier mezcla de
estos tipos de alimento, el objetivo es detenninar qu mezcla cumple
ciertos requisitos nutritivos a un costo m(nimo. En la siguiente tabla
se presentan las unidades de cada tipo de ingrediente nutritivo bsico
contenido en 1 kilogramo de cada tipo de alimento, junto con los
requisitos de nutricin diarios y los costos de los alimentos:
ingrediente
nutritivo
Carbohidratos
Protefna
Vitaminas
90
30
10
20
80
20
40
60
60
Costo ()
84
72
60
200
1 80
1 50
Planta 1
da esta dieta?
ti) Tome unos minutos para usar un enfoque de prueba y error con
la hoja de clculo a fin de obtener la mejor estimacin de la solu
cin ptima. Cul es el costo diario de su solucin?
e e) Use el Excel Solver para resolver el modelo por el mtodo sm
plexo
Producto
1
2
Planta 2
Febrero
Marzo
Febrero
Marzo
3 600
4 500
6 300
5 400
4 900
5 1 00
4 200
6 000
Ailo
5
10
20
Accin 1
Accin 2
AccIn 3
S2 millones
$0.5 millones
Sl milln
SO.5 millones SO.5 millones
$1 milln
O
$1 .5 millones $2 millones
Flujo de
efectIvo
requerIdo
$400 millones
$1 00 millones
$300 millones
Planta 2
Planta 1
Producto Proceso 1
1
$62
$78
Proceso 2
Proceso 1
Proceso 2
$59
$85
$61
$89
$65
$86
CAPTULO 3
100
Planta 1
Producto Proceso 1
1
1 00
120
Planta
Proceso 2
Proceso 1
140
150
1 30
1 60
Proceso
110
1 30
problema.
vo normal) que recibe la compaa cuando una planta vende los pro
ductos a sus propios clientes (distribuidores en su mitad del pas) es
de $83 por unidad del producto
una planta haga un envio a la otra mitad del pas para ayudar a sa
to adicional de
ducto en cada proceso de cada planta cada mes, al igual que cun
Djk
rktm
el cliente j,
necesarias pa
tipo 1,
C"
Tjk
problema.
i al cliente j.
problema.
este modelo?
CASOS
CASO 3.1
Ensamble de automviles
CASOS
101
el) Rachel sabe que el tiempo extra genera un costo adicional. Cul
es la mxima cantidad que debe estar dispuesta a pagar por todo
el tiempo extra adicional al costo del tiempo normal? Exprese su
respuesta como una sola suma.
102
CAPTULO 3
CASO 3.2
Disminucin de costos
en una cafetera
CASO 3.4
Promocin de un cereal
para el desayuno