Académique Documents
Professionnel Documents
Culture Documents
Facultad de
Ingenieria
UNIVERSIDAD NACIONAL
Quimica y
JOSE FAUSTINO SANCHEZ CARRION
Metalurgica
VARIABLES
RESTRICCIONES
Las restricciones pueden ser de la forma:
Tipo 1:
Tipo 2:
Tipo 3:
Donde:
FUNCIÓN OBJETIVO
La función objetivo puede ser:
APLICACIONES
La programación lineal constituye un importante campo de la optimización por
varias razones, muchos problemas prácticos de la investigación de operaciones
pueden plantearse como problemas de programación lineal. Algunos casos
especiales de programación lineal, tales como los problemas de flujo de redes y
problemas de flujo de mercancías se consideraron en el desarrollo de las
matemáticas lo suficientemente importantes como para generar por si mismos
mucha investigación sobre algoritmos especializados en su solución. Una serie de
algoritmos diseñados para resolver otros tipos de problemas de optimización
constituyen casos particulares de la más amplia técnica de la programación lineal.
Históricamente, las ideas de programación lineal han inspirado muchos de los
conceptos centrales de la teoría de optimización tales como la dualidad, la
descomposición y la importancia de la convexidad y sus generalizaciones. Del
mismo modo, la programación lineal es muy usada en la microeconomía y la
administración de empresas, ya sea para aumentar al máximo los ingresos o
reducir al mínimo los costos de un sistema de producción. Algunos ejemplos son la
mezcla de alimentos, la gestión de inventarios, la cartera y la gestión de las
finanzas, la asignación de recursos humanos y recursos de máquinas, la
planificación de campañas de publicidad, etc.
Otros son:
Enteros puros:
son aquellos en que todas las variables únicamente pueden tomar valores enteros.
también se distinguen dentro de estos los problemas totalmente enteros como aquellos
en que tanto las variables como todos los coeficientes que intervienen en el problema
han de ser enteros.
Mixtos:
son aquellos en los que hay al mismo tiempo variables continuas y variables que sólo
pueden tomar valores enteros.
Binarios:
las variables sólo pueden tomar los valores cero o uno.
MÉTODOS DE RESOLUCIÓN
Pudiera pensarse que los métodos de obtención de soluciones a problemas de
programación lineal entera pudieran ser menos difíciles que los de programación lineal
generales, pero resulta lo contrario. Los algoritmos que permiten resolver los
problemas restringidos a enteros son más complejos y requieren mucho
más tiempo computacional.
Para la resolución de los problemas de programación lineal entera existen diferentes
métodos. Los métodos exactos son los que encuentran, si existe, el óptimo absoluto.
Muchos de estos métodos parten de la resolución del modelo dejando a un lado las
restricciones enteras y buscando el mejor valor para las variables reales. A partir del
supuesto de que la solución entera no debe estar muy lejos, se aplican diferentes
técnicas que permiten llegar al óptimo entero.
Se utiliza para hallar las soluciones óptimas de un problema de programación lineal con
tres o más variables. Este se basa en el hecho de que la solución óptima se encuentra
siempre en uno de los vértices del poliedro formado por el conjunto de restricciones. Su
forma de buscar la solución es recorrer sobre estos vértices hasta encontrar el óptimo.
Aun cuando no corre en tiempo polinomial en el caso peor, su mayor valor radica en su
capacidad de revolver nuevos problemas y resulta muy útil cuando no se tiene
un algoritmo eficiente de solución.
Se denominan así precisamente porque los puntos generados por estos algoritmos se
hallan en el interior de la región factible. Esta es una clara diferencia respecto al método
del simplex. En la actualidad los métodos de punto interior más eficientes tienen una
complejidad de orden T(nL), donde n es el número de variables y L una medida del
tamaño del problema (el número de bits necesarios para representar los datos).
Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
x pasa a ser X1
y pasa a ser X2
≥ - exceso + artificial
= + artificial
≤ + holgura
2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24
La tabla inicial del método Simplex está compuesta por todos los coeficientes
de las variables de decisión del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P0 el término
independiente y el resto de variables Pi coinciden con Xi), y las restricciones
(en las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.
Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
Tabla I . Iteración nº 1
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0
5. Condición de parada.
7. Actualizar la tabla.
Anterior fila P4 42 2 3 0 1 0
- - - - - -
x x x x x x
= = = = = =
Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1
Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0
PROBLEMA 01:
La compañía Mauser, fabricante de fusiles automáticos, tiene 3
departamentos en los cuales se manufacturan sus modelos S - 1000
y S – 2000 las capacidades mensuales son las siguientes:
Requerimientos unitarios de
tiempo (en horas)
Departamentos Modelo S - 1000 Modelo S - Horas
2000 disponibles en
el siguiente mes
Departamento 4 2 1 600
1
Departamento 2.5 1 1 200
2
Departamento 4.5 1.5 1 600
3
SOLUCION:
Variables de decisión
x1: número de fusiles S-1000 que la compañía Mauser va ha fabricar.
x2: número de fusiles S-2000 que la compañía Mauser va ha fabricar.
Restricciones
Restricción por horas disponibles del Departamento 1:
4x1 + 2x2 ≤ 1 600
Restricción por horas disponibles del Departamento 2:
2.5x1 + x2 ≤ 1 200
Restricción por horas disponibles del Departamento 3:
4.5x1 + 1.5x2 ≤ 1 600
Restricciones de no negatividad:
x1, x2 ≥ 0
Función objetivo
Max Z = 40x1 + 10x2
Sujeto a:
4x1 + 2x2 ≤ 1 600
2.5x1 + x2 ≤ 1 200
4.5x1 + 1.5x2 ≤ 1 600
Problema 2:
Max Z = 4x + 5y
Sujeto a:
x+y≤8
2x + y ≤ 10
x, y enteros ≥ 0
B intersección de s y t:
2𝑥 − 5𝑦 = 0
} ⇒ 𝐵(5,2)
−𝑥 + 5𝑦 = 5
C intersección de r y s:
2𝑥 + 4𝑦 = 8 20 8
} ⇒ 𝐶( , )
3𝑥 − 5𝑦 = 0 9 9
Siendo los valores de la función objetivo en ellos:
10 9 92
𝑓(𝐴) = 2× + 8× = = 13.1
7 7 7
𝑓(𝐵) = 2×5 + 8×2 = 26
20 8 104
𝑓(𝐶) = 2× + 8× = = 11.5 𝑚í𝑛𝑖𝑛𝑜
9 9 9
DESARROLLO
a. Variables de Decisión
X = Producto 1
Y = Producto 2
b. Función Objetivo
Z = X + 2Y (max)
c. Restricciones
X + 3Y ≤ 18
X+Y≤8
2X + Y ≤ 14
d. Convertir las inecuaciones a ecuaciones con variables
de holgura.
Z - X - 2Y = 0
f. Tabla e iteraciones
X Y H1 H2 H3 V.S.
H1 1 3 1 0 0 18 (6)
H2 1 1 0 1 0 8 (8)
H3 2 1 0 0 1 14 (14)
Z -1 -2 0 0 0 0
X Y H1 H2 H3 V.S.
Y 1/3 1 1/3 0 0 6 (18)
H2 2/3 0 -1/3 1 0 2 (3)
H3 5/3 0 -1/3 0 1 8 (4.8)
Z -1/3 0 2/3 1 0 12
X Y H1 H2 H3 V.S.
Y 0 1 1/2 - 0 5
1/2
X 1 0 - 3/2 0 3
1/2
H3 0 0 1/2 - 1 3
5/2
Z 0 0 1/2 1/2 0 13
Respuesta
PROBLEMA 04:
Un granjero posee 100 hectáreas para cultivar trigo y alpiste. El costo de
la semilla de trigo es de $4 por hectárea y la semilla de alpiste tienen
un coste de $6 por hectárea. El coste total de mano de obra es de $20
y $10 por hectárea respectivamente. El ingreso esperado es de $110
por hectárea de trigo y $150 por hectárea de alpiste. Si no se desea
gastar más de $480 en semillas ni más de $1500 en mano de obra.
¿Cuántas hectáreas de cada uno de los cultivos debe plantearse para
obtener la máxima ganancia?
DESARROLLO
a. Variables de Decisión
X = Trigo
Y = Alpiste
b. Función Objetivo
c. Restricciones
4X + 6Y ≤ 480
Z - 110X - 150Y = 0
f. Tabla e iteraciones
X Y H1 H2 V.S.
H1 4 6 1 0 480 (80)
H2 20 10 0 1 1500 (150)
Z -110 -150 0 0 0
X Y H1 H2 V.S.
Y 2/3 1 1/6 0 80
H2 40/3 0 -5/3 1 700
Z -10 0 25 0 12000
X Y H1 H2 V.S.
Y 0 1 1/4 -1/20 45
X 1 0 -1/8 3/40 105/2
Z 0 0 95/4 3/4 12525
Respuesta
PROBLEMA 05:
Establecer las restricciones, funciones y explique cómo calcula el
máximo beneficio de un empresa que produce 2 bienes x e y sujeto a
los siguientes datos.
X Y CAPACIDAD
Mano de Obra 3 6 60
Materias 4 2 32
Primas
Materiales 1 2 16
Beneficio 20 24
DESARROLLO
a. Variables de Decisión
X EY
b. Función Objetivo
3X + 6Y ≤ 60
4X + 2Y ≤ 32
X + 2Y ≤ 16
XI
Z - 20X - 24Y = 0
f. Tabla e iteraciones
X Y H1 H2 H3 V.S.
H1 3 6 1 0 0 60 (10)
H2 4 2 0 1 0 32 (16)
H3 1 2 0 0 1 16 (8)
Z -20 -24 0 0 0 0
H1 -3 0 1 -1 -2 -4
g. Respuesta