Académique Documents
Professionnel Documents
Culture Documents
EDUCACIN
FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS
Curso:
INVESTIGACION DE OPERACIONES
Profesor:
ING. CARLOS COELLO OBALLE
Alumno:
QUEDENA ZAPATA MANUEL
Investigacin Formativa:
MONOGRAFIA: PROGRAMACIN LINEAL
AO 2015
NDICE
PROGRAMACIN LINEAL
1. Optimizacin de proyectos
2. Simplificacin del modelo matemtico
3. Modelizacin
3.1. Modelo de transporte
3.2. Modelo de asignacin
3.3. Modelo de ordenacin de tareas
4. Mtodos para la resolucin de problemas en programacin lineal
4.1. Mtodo de representacin grfica
4.2. Mtodo simplex
5. Anlisis de sensibilidad
5.1 Las variables de holgura
5.2. Inclusin de variables
6. Bibliografa
PROGRAMACIN LINEAL
A esta parte se le debe dar una especial importancia debido a que es la herramienta ms
importante dentro del campo de la investigacin operativa. Nos proporciona un tratamiento
matemtico de los problemas.
En este captulo vamos a plantear de forma abstracta los problemas mediante una
modelizacin matemtica que nos permitir resolverlos de forma numrica.
1. OPTIMIZACIN DE PROYECTOS.
Esta parte de la investigacin operativa se encarga del tratamiento de problemas
mediante una modelizacin matemtica del problema.
Se trata de optimizar sistemas partiendo de unas premisas.
En todo sistema existir un conjunto de variables y las relaciones entre dichas variables.
Ejemplo:
Si hemos plantado trigo tendremos una variable X que ser el nmero de kilos
plantados por hectrea y una variable Y que ser la lluvia.
Los valores de la variable X los puedo controlar, pero no los de la variable Y, luego la
variable X ser una variable interna de nuestro problema, y la variable Y ser una variable
externa.
El conjunto de todas las variables internas X nos define el conjunto o dominio donde
estar nuestra solucin ptima.
Este dominio estar definido por el conjunto de premisas de nuestro problema.
Definiremos funcin objetivo (F.O.) a la representacin matemtica de aquello que
queremos optimizar.
Definiremos como conjunto de restricciones, a un conjunto de ecuaciones o
inecuaciones matemticas que representarn las limitaciones de nuestro problema.
Las restricciones son de la forma:
ai * Xi bi
ai *Xi bi
Denominaremos como solucin factible a aquella solucin que cumple las condiciones
planteadas por nuestro problema.
Llamaremos solucin ptima a aquella solucin factible que nos optimice el objetivo de
nuestro problema.
La solucin ptima no tiene por qu ser nica.
2. SIMPLIFICACIN DEL MODELO MATEMTICO.
Una vez establecido correctamente el modelo matemtico de nuestro problema,
deberemos tener en cuenta una serie de consideraciones que simplificarn nuestro trabajo:
1) Eliminacin de restricciones redundantes.
Si alguna restriccin est incluida en otra, es lgico pensar en su anulacin.
Por ejemplo, si tenemos las siguientes restricciones:
(X1/a11) + (X2/b11) 1
(X1/a21) + (X2/b21) 1
Si se cumple:
A11/a211
B11/b211
Grficamente se representa en la figura.
B) F.O..: Max 3 X3 + 8 X4
S.a..:2 X3 + X4 3
4 X3 + 6 X4 12
Nota: Es lgico pensar que si en nuestro problema tenemos n variables y n
restricciones linealmente independientes y sin contracciones (que no estn unas contenidas
en otras), slo existir una nica solucin a nuestro problema.
4) Homogeneizacin de restricciones.
Como veremos ms adelante, para poder resolver los problemas de programacin
lineal por el mtodo Simplex, ser conveniente tener las restricciones de nuestro problema
de tal forma que los trminos bi sean mayores o iguales a cero.
Por ello, ya que podemos encontrarnos con restricciones del tipo:
ai * Xi -bi
ai * Xi -bi
ai * Xi = -bi
F.O..: Max 20 X1 + 15 X2 + 15
X3 S.a..: X1 0
X2 0
X3 0
X1 + * X2 + * X3
100 X3 20
Nota: Las restricciones:X10, X20, X30 se pueden obviar, con lo que nuestro problema
quedara:
F.O..: Max 20 X1 + 15 X2 + 15 X3
S.a..:X1 + * X2 + * X3 100
X3 20
3. MODELIZACIN.
La modelizacin de un problema consiste en representar matemticamente dicho
problema.
Vamos a analizar a continuacin varios tipos de modelizaciones que consideraremos
como representantes de algunos conjuntos de modelos.
Ejemplo:
F.O.: Max 5X+6Y
S.a.: X+Y 4
X+2Y 6
La representacin grfica se ve en la figura.
Dando valores a la funcin objetivo vamos obteniendo sucesivas rectas paralelas, de forma
que segn aumenta la funcin objetivo, la recta se separa del origen.
Por tanto, puede suceder que nuestra funcin objetivo de valor ptimo coincida con una
arista o con un vrtice del polgono que delimite nuestro dominio.
Grficamente:
En este caso nuestra solucin no est acotada, luego nuestro problema no tendr
solucin.
2 X1 + 3 X2 8
8 X1 + 3 X2 20
Entonces partimos de una solucin inicial del sistema formado por las restricciones y
luego mediante una serie de iteraciones del mtodo iremos mejorando esta solucin de
acuerdo con nuestra funcin objetivo.
En nuestro caso: X1=0, X2=0, X3=20, X4=8, es decir, hacemos cero las variables
reales e igualamos las variables de holgura a los recursos.
c) Se construye la siguiente tabla:
X1
X2
X3
X4
bi
L0 -3
-5
L1 8
20
L2 2
5. ANLISIS DE SENSIBILIDAD.
La tabla que nos proporciona el mtodo simplex es una gran fuente de informacin
sobre los datos de nuestro problema, siempre y cuando los sepamos descifrar. Para ello
realizaremos lo que se denomina anlisis de sensibilidad.
Una de las cosas ms importantes que nos proporciona este anlisis, es la de conocer
el intervalo de variacin de los parmetros del problema, sin que cambie nuestra solucin
ptima.
Variables bsicas:
El valor de una variable de holgura BSICA representa la disminucin mxima que
puede tener la restriccin a la que est asociada, sin que vare nuestra base factible. Es
decir, refleja el exceso que tenemos en la restriccin correspondiente.
Si en la restriccin:
X1 + X2 + X3 + X4 + X5 =
15 hacemos
15 + p0
al realizar el proceso del mtodo simplex el valor p0 aparecer en todas las casillas
bi de nuestra tabla solucin:
bi
LO 695/7 13/7 p0
L1 50/7 10/7 p0
L2 325/7 61/7 p0
L3 55/7 3/7 p0
Estos valores de la columna bi se obtienen de la siguiente forma:
bi de Lj = bi de Lj + Xh de Lj * pk
donde:
p0 55/3
luego:
-5 p0325/61
que ser el intervalo p0 fuera del cual la solucin deja de ser factible.
As, en nuestro ejemplo, se podr incrementar la cantidad de productos almacenados
hasta:
X1=
X3=
X6=
Con este sistema se pueden hallar las variaciones que se pueden llevar a cabo sin
que se vare la base.
X2
0
X3
0
X4
5/2
bi
45
L1 1
L2 3/2
1/2
Vamos a ver qu sucede si nos aparece una nueva variable X5 que nos transforme
el problema en:
F.O.: Max 3 X1 + 5 X2 + 7
X5 S.a.: X1 + X5 4
3 X1 + 2 X2 + 2 X5 18
El coeficiente correspondiente a esta variable en la LO ser:
(A) * (B) + m =
n Siendo:
A: matriz fila de los coeficientes de las variables de holgura en la LO
B: matriz columna de los coeficientes (de la nueva variable) incluidos en las
restricciones antiguas.
m: coeficiente (de la nueva variable) incluido en la funcin objetivo
antigua. n: coeficiente de la nueva variable en la LO de la nueva tabla
solucin.
As tendremos:
(0,5/2) * 1 - 7 =2 2
Adems, tambin podemos calcular cules son los coeficientes de la nueva variable
en las casillas de la tabla, correspondientes a las restricciones. El procedimiento ser:
(A) * (B) = (C)
dnde:
A: matriz de los coeficientes correspondientes a las variables de holgura en las
lneas de las restricciones en la tabla solucin del problema inicial.
B: matriz columna de los coeficientes (de la nueva variable) incluido en las
restricciones antiguas.
C: matriz de los coeficientes correspondientes a la nueva variable en las lneas de
las restricciones en la tabla de nuestro problema modificado.
1
0
0
1
1
X2
X3
X4
X5
bi
LO 9/2
5/2
-2
45
L1 1
L2 3/2
1/2
X2
0
X3
2
X4
5/2
X5
0
bi
53
L1 1
L2 1/2
-1
1/2
BIBLIOGRAFA:
- Garca Cabaes, J., Fdez. Martnez, L. y Tejera del Pozo, P.: Tcnicas de
investigacin operativa. Tomo II. Ed. Paraninfo. Madrid 1990. Supervisado por: Jose
Mara beda Delgado.