Programación Lineal Entera

1
Facultad de
Ingenieria
UNIVERSIDAD NACIONAL
Quimica y
JOSE FAUSTINO SANCHEZ CARRION
Metalurgica
PROGRAMACION ENTERA LINEAL
MORENO CORAL MILENA

BRAVO CHAVEZ PAUL
Facultad de Ingenieria Quimica y

Metalurgica
E.A.P Ingenieria Quimica
“IV” ciclo UNJFSC
INVESTIGACION OPERATIVA
Ingenieria Quimica -Investigacion Operativa –“V” ciclo

2
PROGRAMACIÓN LINEAL ENTERA
La programación lineal también conocida como optimización lineal, es la maximización

o minimización de una función lineal sobre un poliedro convexo definido por un conjunto
de restricciones lineales no negativas. La teoría de la programación lineal cae dentro de
la teoría de la optimización convexa y es también considerada como parte importante
de la investigación de operaciones.
La programación lineal entera (PLE) es el conjunto de problemas de programación lineal
para los cuales todas o parte de sus variables pertenecen a los números enteros.
HISTORIA DE LA PROGRAMACIÓN LINEAL

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos,
a Joseph Fourier, después de quien nace el método de eliminación de Fourier-Motzkin.
La programación lineal se plantea como un modelo matemático desarrollado durante
la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los
costos al ejército y aumentar las pérdidas del enemigo. Se mantuvo en secreto hasta
1947. En la posguerra, muchas industrias lo usaron en su planificación diaria.
Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en
1947, John von Neumann, que desarrolló la teoría de la dualidad en el mismo año,
y Leonid Kantoróvich, un matemático de origen ruso, que utiliza técnicas similares en la
economía antes de Dantzig y ganó el premio Nobel en economía en 1975. En 1979,
otro matemático ruso, Leonid Khachiyan, diseñó el llamado Algoritmo del elipsoide, a
través del cual demostró que el problema de la programación lineal es resoluble de
manera eficiente, es decir, en tiempo polinomial.2 Más tarde, en 1984, Narendra
Karmarkar introduce un nuevo método del punto interior para resolver problemas de
programación lineal, lo que constituiría un enorme avance en los principios teóricos y
prácticos en el área.
El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a
70 puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia
de computación necesaria para examinar todas las permutaciones a fin de seleccionar
la mejor asignación es inmensa (factorial de 70, 70!) ; el número de posibles
configuraciones excede al número de partículas en el universo. Sin embargo, toma sólo
un momento encontrar la solución óptima mediante el planteamiento del problema como
una programación lineal y la aplicación del algoritmo simplex. La teoría de la
programación lineal reduce drásticamente el número de posibles soluciones factibles
que deben ser revisadas.

3
VARIABLES
Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.
RESTRICCIONES
Las restricciones pueden ser de la forma:
Tipo 1:
Tipo 2:
Tipo 3:
Donde:
 A = valor conocido a ser respetado estrictamente;

 B = valor conocido que debe ser respetado o puede ser superado;
 C = valor conocido que no debe ser superado;
 j = número de la ecuación, variable de 1 a M (número total de restricciones);
 a; b; y, c = coeficientes técnicos conocidos;
 X = Incógnitas, de 1 a N;
 i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;
ó, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.
FUNCIÓN OBJETIVO
La función objetivo puede ser:

4
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:
 Optimización de la combinación de cifras comerciales en una red lineal de

distribución de agua.
 Aprovechamiento óptimo de los recursos de una cuenca hidrográfica, para un

año con afluencias caracterizadas por corresponder a una determinada
frecuencia.

5
 Soporte para toma de decisión en tiempo real, para operación de un sistema

de obras hidráulicas;
 Solución de problemas de transporte.
CLASIFICACIÓN DE LOS PROBLEMAS LINEALES ENTEROS.
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.
Atendiendo al criterio del tipo de problema:

Directo: Si el problema de decisión involucra variables enteras.
Codificado: Cuando se trata de un problema que contiene además de aspectos
cuantitativos, alguna consideración de tipo cualitativos, y por ello para tratar este tipo de
aspectos se requiere el uso de variable enteras o binarias.
Transformado: Cuando el problema no incluye variables enteras, pero para

ser tratado analíticamente requiere el uso de variable enteras “artificiales”.
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

6
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.
Una breve introducción a los métodos de la programación lineal: Simplex y

Punto interior, permitirá tener una idea de cómo operan los mismos.
El método del simplex:
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.
Los métodos de punto interior:
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).
En la modelación lineal no entera se demuestra que el óptimo es un vértice de la

región factible. En los modelos enteros, esto no tiene por qué ser así, de manera
general los vértices no tienen que ser números enteros. Por ello la solución
óptima se encontrará en el interior de la región factible, por lo que los métodos
exactos, como el simplex o punto interior, empleado de forma directa no aportarán
la solución óptima en la generalidad de los casos.

7
MÉTODO DE RAMIFICACIÓN Y ACOTACIÓN (Branch and Bound).

Este método se basa en que existe un número finito de soluciones posibles, no todas
factibles, para un problema con enteros, que pueden representarse mediante
un diagrama de árbol. Pero no es necesario enumerar todas las soluciones posibles si
se pueden eliminar algunas ramas. Para eliminar una rama basta demostrar que no
contiene una solución factible que sea mejor que una ya obtenida.
Resolver mediante el método simplex el siguiente problema:
Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0
Se consideran las siguientes fases:
1. Realizar un cambio de variables y normalizar el signo de los términos

independientes.
Se realiza un cambio en la nomenclatura de las variables. Estableciéndose

la correspondencia siguiente:
 x pasa a ser X1
 y pasa a ser X2
Como los términos independientes de todas las restricciones son

positivos no es necesario hacer nada. En caso contrario habría que
multiplicar por "-1" en ambos lados de la inecuación (teniendo en cuenta que
esta operación también afecta al tipo de restricción).
2. Normalizar las restricciones.
Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:
Tipo de desigualdad Tipo de variable que aparece
≥ - exceso + artificial

8
= + artificial
≤ + holgura
En este caso se introduce una variable de holgura (X3, X4 y X5) en cada

una de las restricciones del tipo ≤, para convertirlas en igualdades, resultando
el sistema de ecuaciones lineales:
2·X1 + X2 + X3 = 18
2·X1 + 3·X2 + X4 = 42
3·X1 + X2 + X5 = 24
3. Igualar la función objetivo a cero.
Z - 3·X1 - X2 - 0·X3 - 0·X4 - 0·X5 = 0
4. Escribir la tabla inicial del método Simplex.
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.
La primera fila está formada por los coeficientes de la función objetivo,

mientras que la última fila contiene el valor la función objetivo y los costes
reducidos Zj - Cj.
La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si

j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la
primera tabla del método Simplex y ser todos los Cb nulos se puede
simplificar el cálculo, y por esta vez disponer Zj = -Cj.
Tabla I . Iteración nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5

9
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.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no

existe ningún valor negativo entre los costes reducidos (columnas P1 en
adelante) se alcanza la condición de parada.
En tal caso se llega al final del algoritmo ya que no existe posibilidad de

mejora. El valor de Z (columna P0) es la solución óptima del problema.
Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solución siempre resultará mejorable. Ante esta
situación no es necesario continuar iterando indefinidamente y también se
puede dar por finalizado el algoritmo.
De no ser así, se ejecutan los siguientes pasos de forma iterativa.
6. Elección de la variable entrante y saliente de la base.
Se determina en primer lugar la variable que entra en la base. Para ello se

escoge la columna cuyo valor en la fila Z sea el menor de entre todos los
negativos. En este caso sería la variable X1 (P1) de coeficiente -3.
Si existiesen dos o más coeficientes iguales que cumplan la condición

anterior (caso de empate), entonces se optará por aquella variable que sea
básica.
La columna de la variable que entra en la base se llama columna

pivote (en color verde).
Una vez obtenida la variable que entra en la base, se procede a

determina cual será la variable que sale de la misma. La decisión se toma en
base a un sencillo cálculo: dividir cada término independiente (columna P0)
entre el elemento correspondiente de la columna pivote, siempre que ambos
elementos sean estrictamente positivos (mayores que cero). Se escoge la fila
cuyo resultado haya resultado mínimo.

10
Si hubiera algún elemento menor o igual a cero no se realiza dicho

cociente. En caso de que todos los elementos de la columna pivote fueran
de ésta condición se habría cumplido la condición de parada y el problema
tendría una solución no acotada (ver teoría del método Simplex).
En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]
El término de la columna pivote que en la división anterior dio lugar al

menor cociente positivo indica la fila de la variable de holgura que sale de la
base. En este caso resulta ser X5 (P5), de coeficiente 3. Esta fila se llama fila
pivote (en color verde).
Si al calcular los cocientes, dos o más resultados cumplen la condición

para elegir el elemento saliente de la base (caso de empate), se escoge
aquella que no sea variable básica (siempre que sea es posible).
La intersección de la fila pivote y columna pivote marca

el elemento pivote, en este caso el 3.
7. Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:
 En la fila del elemento pivote cada nuevo elemento se calcula como:
Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote
 En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento

Fila en Columna Pivote * Nuevo Elemento Fila Pivote)
Con esto se normaliza el elemento pivote y su valor pasa a ser 1,

mientras que el resto de elementos de la columna pivote se anulan (análogo
al método de Gauss-Jordan).
Se muestran a continuación los cálculos para la fila P4:
Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3

11
La tabla correspondiente a esta segunda iteración es:
Tabla II . Iteración nº 2
3 2 0 0 0
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
8. Al comprobar la condición de parada se observa que no se cumple ya que

entre los elementos de la última fila hay uno negativo, -1. Se continúa iterando
nuevamente los pasos 6 y 7.
 6.1. La variable que entra en la base es X2 (P2), por ser la variable

que corresponde a la columna donde se encuentra el coeficiente -1.
 6.2. Para calcular la variable que sale, se dividen los términos de la

columna P0 entre los términos correspondientes de la nueva columna
pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor
cociente positivo es 6, la variable que sale de la base es X 3 (P3).
 6.3. El elemento pivote es 1/3.
 7. Actualizando nuevamente los valores de la tabla se obtiene:
Tabla III . Iteración nº 3
3 2 0 0 0
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
9. Una nueva comprobación de la condición de parada revela que entre los

elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que

12
aun no se ha llegado a la solución óptima y hay que seguir iterando (pasos 6

y 7):
 6.1. La variable que entra en la base es X5 (P5), por ser la variable

que corresponde al coeficiente -1.
 6.2. Se escoge la variable que sale calculando el cociente entre los

términos de la columna de términos independientes y los términos
correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3],
y 6/1 [=6]. En esta ocasión es X4 (P4).
 6.3. El elemento pivote es 4.
 7. Después de actualizar todas las filas, se obtiene la tabla siguiente:
Tabla IV . Iteración nº 4
3 2 0 0 0
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
10. Fin del algoritmo.
Se observa que en la última fila todos los coeficientes son positivos

cumpliéndose, por tanto la condición de parada.
La solución óptima viene dada por el valor de Z en la columna de los

términos independientes (P0), en este ejemplo: 33. En la misma columna se
puede ver el punto donde se alcanza, observando las filas correspondientes
a las variables de decisión que han entrado en la base: X1 = 3 y X2 = 12.
Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.
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:

13
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
La utilidad del modelo S-1000 es de 40 dólares por unidad y la del

modelo S-2000 es de 10 dólares por Programación Lineal Entera y p
unidad; suponiendo que la compañía puede vender cualquier
cantidad de estos productos, debido a condiciones favorables de
mercado. Determinar el número de unidades de cada modelo que se
debe de fabricar de manera que se maximice la utilidad total.
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

14
2.5x1 + x2 ≤ 1 200
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

15
2x + y ≤ 10
x, y enteros ≥ 0

16

17

18

19

20
Veamos a continuación una colección de ejemplos resueltos:

PROBLEMA #2
Minimizar la función f(x, y)=2x+8y sometida a las restricciones:
𝑥≥0
𝑦≥0
2𝑥+4𝑦 ≥8
2𝑥−5𝑦≤0
}
−𝑥+5𝑦≤5
Llamando, respectivamente r, s y t a las rectas expresadas en las tres últimas

restricciones, la zona de soluciones factibles sería:

21
Siendo los vértices:

A intersección de r y t:
2𝑥 + 4𝑦 = 8 10 9
} ⇒ 𝐴( , )
−𝑥 + 5𝑦 = 5 7 7
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

22
Alcanzándose el mínimo en el punto C.

PROBLEMA 03:
Un empresario tiene a su disposición dos actividades de producción
lineales, mediante la contribución de tres insumos, fundición,
ensamblaje y distribución de $18, $8 y $14 respectivamente.
La distribución de los insumos a los productos se resume en la
siguiente tabla:
Producto 1 Producto 2 Disponibilidad
Fundición 1 3 18
Ensamblaje 1 1 8
Distribución 2 1 14
Beneficio 1 2
Determinar la combinación a producir que maximice los beneficios.
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.

23
X + 3Y + 1H1 + 0H2 + 0H3 = 18
X + Y + 0H1 + 1H2 + 0H3 = 8

2X + Y + 0H1 + 0H2 + 1H3 = 14
e. Función objetivo a cero
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

24
Respuesta
El beneficio máximo es de $ 13. Para la producción se necesita 3

unidades del producto 1 y 5 unidades del producto 2.
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?
Trigo Alpiste Disponibilidad

Semillas 4 6 480
Mano de 20 10 1500
Obra
Beneficio 110 150
DESARROLLO
X = Trigo
Y = Alpiste
Z = 110X + 150Y (max)

25
c. Restricciones
4X + 6Y ≤ 480
20X + 10Y ≤ 1500

de holgura.
4X + 6Y + 1H1 + 0H2 = 480

20X + 10Y + 0H1 + 1H2 = 1500
Z - 110X - 150Y = 0
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.

26
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
El máximo beneficio es de $12525. Para el cultivo se necesita

105/2 hectáreas para trigo y 45 hectárea para el alpiste.
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
X EY
Z = 20X + 24Y (max)

c. Restricciones
3X + 6Y ≤ 60

27
4X + 2Y ≤ 32
X + 2Y ≤ 16
XI

de holgura.
3X + 6Y + 1H1 + 0H2 +0H3 = 60

4X + 2Y + 0H1 + 1H2 +0H3 = 32
X + 2Y + 0H1 + 0H2 +1H3 = 16
Z - 20X - 24Y = 0
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

28
H1 -3 0 1 -1 -2 -4
X 1 0 0 1/3 -1/3 16/3

Y 0 1 0 -1/6 2/3 16/3
Z 0 8 0 0 52/3 704/3
g. Respuesta
El máximo beneficio es de $234.67. Para la producción necesita

16/3 de los dos bienes.

Programación Lineal Entera

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Programación Lineal Entera

Transféré par

Droits d'auteur :

Formats disponibles

1

PROGRAMACION ENTERA LINEAL

MORENO CORAL MILENA

Facultad de Ingenieria Quimica y

Ingenieria Quimica -Investigacion Operativa –“V” ciclo