Académique Documents
Professionnel Documents
Culture Documents
Ir a la navegaci�nIr a la b�squeda
Commons-emblem-question book yellow.svg
Este art�culo tiene referencias, pero necesita m�s para complementar su
verificabilidad.
Puedes colaborar agregando referencias a fuentes fiables como se indica aqu�. El
material sin fuentes fiables podr�a ser cuestionado y eliminado.
Este aviso fue puesto el 3 de febrero de 2014.
La programaci�n lineal es el campo de la optimizaci�n matem�tica dedicado a
maximizar o minimizar (optimizar) una funci�n lineal, denominada funci�n objetivo,
de tal forma que las variables de dicha funci�n est�n sujetas a una serie de
restricciones expresadas mediante un sistema de ecuaciones o inecuaciones tambi�n
lineales. El m�todo tradicionalmente usado para resolver problemas de programaci�n
lineal es el M�todo Simplex.
�ndice
1 Historia de la programaci�n lineal
2 Variables
3 Restricciones
4 Funci�n Objetivo
5 Existencia de soluciones �ptimas
6 Programaci�n entera
7 Aplicaciones
8 Ejemplo
9 V�ase tambi�n
10 Referencias
10.1 Bibliograf�a
Historia de la programaci�n lineal
Cronolog�a1?
A�o Acontecimiento
1826 Joseph Fourier anticipa la programaci�n lineal. Carl Friedrich Gauss
resuelve ecuaciones lineales por eliminaci�n "gaussiana".
1902 Gyula Farkas concibe un m�todo para resolver sistemas de inecuaciones.
1947 George Dantzig publica el algoritmo simplex y
John von Neumann desarroll� la teor�a de la dualidad.
Se sabe que Leonid Kantor�vich tambi�n formul� la teor�a en forma independiente.
1984 Narendra Karmarkar introduce el m�todo del punto interior para resolver
problemas de programaci�n lineal.
El problema de la resoluci�n de un sistema lineal de inecuaciones se remonta, al
menos, a Joseph Fourier, despu�s de quien nace el m�todo de eliminaci�n de Fourier-
Motzkin. La programaci�n lineal se plantea como un modelo matem�tico desarrollado
durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin
de reducir los costos al ej�rcito y aumentar las p�rdidas del enemigo. Se mantuvo
en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su
planificaci�n diaria.
Variables
Las variables son n�meros reales mayores o iguales a cero. {\displaystyle X_{i}\geq
0} {\displaystyle X_{i}\geq 0}
En caso que se requiera que el valor resultante de las variables sea un n�mero
entero, el procedimiento de resoluci�n se denomina Programaci�n entera.
Restricciones
Las restricciones pueden ser de la forma:
Donde:
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimizaci�n.
Funci�n Objetivo
La funci�n objetivo puede ser:
Donde:
Programaci�n entera
En algunos casos se requiere que la soluci�n �ptima se componga de valores enteros
para algunas de las variables. La resoluci�n de este problema se obtiene analizando
las posibles alternativas de valores enteros de esas variables en un entorno
alrededor de la soluci�n obtenida considerando las variables reales. Muchas veces
la soluci�n del programa lineal truncado est� lejos de ser el �ptimo entero, por lo
que se hace necesario usar alg�n algoritmo para hallar esta soluci�n de forma
exacta. El m�s famoso es el m�todo de 'Ramificar y Acotar' o Branch and Bound por
su nombre en ingl�s. El m�todo de Ramificar y Acotar parte de la adici�n de nuevas
restricciones para cada variable de decisi�n (acotar) que al ser evaluado
independientemente (ramificar) lleva al �ptimo entero.
Aplicaciones
La programaci�n lineal constituye un importante campo de la optimizaci�n por varias
razones, muchos problemas pr�cticos de la investigaci�n de operaciones pueden
plantearse como problemas de programaci�n lineal. Algunos casos especiales de
programaci�n lineal, tales como los problemas de flujo de redes y problemas de
flujo de mercanc�as se consideraron en el desarrollo de las matem�ticas lo
suficientemente importantes como para generar por si mismos mucha investigaci�n
sobre algoritmos especializados en su soluci�n. Una serie de algoritmos dise�ados
para resolver otros tipos de problemas de optimizaci�n constituyen casos
particulares de la m�s amplia t�cnica de la programaci�n lineal. Hist�ricamente,
las ideas de programaci�n lineal han inspirado muchos de los conceptos centrales de
la teor�a de optimizaci�n tales como la dualidad, la descomposici�n y la
importancia de la convexidad y sus generalizaciones. Del mismo modo, la
programaci�n lineal es muy usada en la microeconom�a y la administraci�n de
empresas, ya sea para aumentar al m�ximo los ingresos o reducir al m�nimo los
costos de un sistema de producci�n. Algunos ejemplos son la mezcla de alimentos, la
gesti�n de inventarios, la cartera y la gesti�n de las finanzas, la asignaci�n de
recursos humanos y recursos de m�quinas, la planificaci�n de campa�as de
publicidad, etc.
Otros son:
Restricciones de la producci�n:
{\displaystyle X_{a\to d}+X_{a\to e}\leq 40} {\displaystyle X_{a\to d}+X_{a\to
e}\leq 40} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
{\displaystyle X_{b\to d}+X_{b\to e}\leq 40} {\displaystyle X_{b\to d}+X_{b\to
e}\leq 40} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
{\displaystyle X_{c\to d}+X_{c\to e}\leq 20} {\displaystyle X_{c\to d}+X_{c\to
e}\leq 20} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
Restricciones del consumo:
{\displaystyle X_{a\to d}+X_{b\to d}+X_{c\to d}\geq 40} {\displaystyle X_{a\to d}
+X_{b\to d}+X_{c\to d}\geq 40} {\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle X_{a\to e}+X_{b\to e}+X_{c\to e}\geq 60} {\displaystyle X_{a\to e}
+X_{b\to e}+X_{c\to e}\geq 60} {\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle [{\mbox{T/dia}}]\,\!}
La funci�n objetivo ser�:
{\displaystyle 2X_{a\to d}+11X_{a\to e}+12X_{b\to d}+24X_{b\to e}+13X_{c\to d}
+18X_{c\to e}=Min!} {\displaystyle 2X_{a\to d}+11X_{a\to e}+12X_{b\to d}+24X_{b\to
e}+13X_{c\to d}+18X_{c\to e}=Min!}
La soluci�n de costo m�nimo de transporte diario resulta ser: