Tema 1.

Programación Lineal

Modelos matemáticos para resolver problemas

en los que hay que asignar ciertos recursos,
limitados por restricciones de tipo lineal, de tal
manera que la asignación cumpla de modo
óptimo un objetivo predeterminado. Este reparto
de recursos conllevará una adecuada
planificación de las actividades
correspondientes
 Desarrollo histórico de la PL

Trabajos aislados (PL no sistematizada):

Fourier, de la Vallé Poussin, etc
John Von Neumann (1903-1957): Desarrolla en los años 1920’s
la Teoría de juegos, de gran importancia en la futura PL y con
enormes implicaciones en la Economía
Wassily Leontief (1906-1999): Analiza la economía
norteamericana mediante el uso de restricciones lineales.
Nobel de Economía en 1973
Leonid Kantorovich (1912-1986): Desarrolla el primer
modelo de PL aplicado a la industria de la madera en la
URSS. Nobel de Economía en 1975
George Stigler (1911-1991): Estudia en 1945 el llamado
problema de la dieta y lo resuelve de forma heurística. Nobel
de Economía en 1982
 George B. Dantzig (1914-2005): Miembro del proyecto SCOOP (Scientific
Computation of Optimum Program) de la USAF durante los años de
posguerra. Identifica los problemas mediante desigualdades lineales e inicia
la búsqueda de un método algorítmico de búsqueda de la solución óptima.
SCOOP desarrolla el modelo básico de PL y diseña el mecanismo de
resolución (Método Simplex, 1947).
Primeras aplicaciones:
Operaciones militares (“programas”), modelos económicos y teoría de juegos

Revolución informática:
Primer problema resuelto manualmente: 1948, “problema de la dieta” de Stigler Æ
120 días de trabajo (solución óptima sólo 24 cts más barata que la heurística de
Stigler)
Primer problema resuelto por computadora: 1952 (computadora SEAC)

Actualmente:
“Programa” = plan para planificar y controlar las estrategias de inversión, la
producción, la distribución, la comercialización, etc, de las actividades o productos
que constituyen el objeto de interés de una empresa.
Aplicaciones: Medio Ambiente, Sociología, Educación, Administración Pública,
Industria, Informática, Economía, Logística, Telecomunicaciones, etc
 MODELO:
Programa lineal: Modelo o problema de maximización o
minimización de una función lineal, sujeta a restricciones lineales,
con variables reales positivas. Función objetivo
min c1 x1 + c2 x2 + K + cn xn
s.a. a11 x1 + a12 x2 + K + a1n xn ≥ b1
a21 x1 + a22 x2 + K + a2 n xn ≥ b2 Restricciones
M M funcionales

am1 x1 + am 2 x2 + K + amn xn ≥ bm
x1 , x 2 , K , x n ≥ 0
Restricciones de no negatividad

Suposiciones: Proporcionalidad, aditividad y divisibilidad.

Valores de los coeficientes aij, cj y bi conocidos
PASOS:
•Identificar las variables de decisión (x1,...,xn)
•Expresar las restricciones en términos de las variables
•Expresar la función objetivo en términos de las variables
rt r
min z = c x Región Factible =
r r { r r r
= (x1,K, xn ) ∈ R : Ax ≥ b , x ≥ 0 }
s.a. Ax ≥ b
n

r
x≥0
SOLUCIÓN: Buscar entre todos los puntos de la región
factible aquel o aquellos que minimicen la función objetivo

Nota: Las regiones factibles siempre son convexas (se puede ir en línea recta
desde un punto a otro de la región sin salir de la misma)
Ejemplo: Una empresa láctea plantea la producción de dos nuevas bebidas.
Producir un litro del primer tipo de bebida cuesta 2$, mientras que un litro del
segundo tipo de bebida cuesta 5$. Para realizar el lanzamiento comercial se
necesitan más de 6000000 litros de bebida, aunque del segundo tipo no podrán
producirse (por limitaciones técnicas) más de 5000000. Además, se desea
producir más cantidad de bebida del segundo tipo que del primero. ¿Cuántos
litros habrá que producir de cada tipo de bebida para que el coste de producción
sea mínimo?

Variables de decisión: xi = millones de litros producidos del tipo i de bebida

función objetivo: z = 2x1+5x2 (z =coste total de producción)

restricciones: x1 + x2 > 6
x2 < 5
x1 - x2 < 0
x1 , x2 > 0
 Región factible
Y
5
: 0.0 X + 1.0 Y = 5.0

Payoff: 2.0 X + 5.0 Y = 17.0

3
Función objetivo
2
: 1.0 X + 1.0 Y = 6.0
: 1.0 X - 1.0 Y = 0.0

0
0 1 2 3 4 5 X

: 1.0X + 1.0Y >= 6.0

: 0.0X + 1.0Y <= 5.0
: 1.0X - 1.0Y <= 0.0
 RESOLUCIÓN GRÁFICA:

Y
5

Payoff: 2.0 X + 5.0 Y = 21.0

4

2 Solución óptima

0
0 1 2 3 4 5 X

Optimal Decisions(X,Y): ( 3.0, 3.0)

: 1.0X + 1.0Y >= 6.0
: 0.0X + 1.0Y <= 5.0
: 1.0X - 1.0Y <= 0.0
SOLUCIONES ALTERNATIVAS:

Y
3 Payoff: 4.0 X + 14.0 Y = 42.0
: 2.0 X + 7.0 Y = 21.0

: 7.0 X + 2.0 Y = 21.0

1

0
0 1 2 3 X

Optimal Decisions(X,Y): ( 2.3, 2.3) ( 0.0, 3.0)

: 2.0X + 7.0Y <= 21.0
: 7.0X + 2.0Y <= 21.0
 SOLUCION NO ACOTADA:
80

70

60

50
Payoff: 2.0 X + 1.0 Y = 80.0
: 2.0 X - 1.0 Y = 40.0
40

30

20

: 1.0 X - 1.0 Y = 10.0

10

0
0 10 20 30 40 50 60

Optimal Decisions(X,Y): (210.0, 210.0)

: 1.0X - 1.0Y <= 10.0
: 2.0X - 1.0Y <= 40.0
 MÉTODO SIMPLEX (G.Dantzig, 1949)

Resultados en los que se basa:

• El problema tiene solución óptima si la región factible es

no vacía y acotada.
• Existe un número finito de puntos extremos.
• Si existe solución óptima, entonces existe al menos un
punto extremo óptimo.
• Si el valor de la función objetivo en un punto extremo es
mejor que en los puntos extremos adyacentes, entonces es
también mejor que en el resto de los puntos extremos.

MÉTODO: Desplazarse de un punto extremo a otro adyacente siempre que

mejore la función objetivo.
 IDENTIFICACIÓN DE LOS PUNTOS EXTREMOS:

SOLUCIONES BÁSICAS de un sistema de m ecuaciones lineales con n variables

(n > m):
Se obtienen haciendo n-m variables igual a 0, y el resto (m) son la solución del
sistema m x m que resulta.
Variables > 0 : BÁSICAS (en general > 0)
Variables = 0: NO BÁSICAS
Si las variables básicas son positivas, entonces SOLUCIÓN BÁSICA FACTIBLE.
Nota: Puede haber variables básicas iguales a 0, en cuyo caso la SBF se dice que es
“degenerada”

PUNTOS EXTREMOS = SOLUCIONES BÁSICAS FACTIBLES

MÉTODO: Para pasar de un punto extremo (S.B.F.) a otro, una variable

básica (>0) pasará a ser no básica (=0), mientras que otra variable no
básica cambiará a básica.
max z = 4 x1 + 3x2 max z = 4 x1 + 3 x2
s.a. 2 x1 + 3x2 ≤ 6 Forma
estándar s.a. 2 x1 + 3 x2 + s1 = 6
- 3 x1 + 2 x2 ≤ 3 - 3 x1 + 2 x2 + s2 = 3
2 x2 ≤ 5 2 x2 + s 3 = 5
2 x1 + x2 ≤ 4 2 x1 + x2 + s4 = 4
x1 , x2 ≥ 0 x1 , x2 , s1 , s2 , s3 , s4 ≥ 0

n=6 variables
S.B.F. : 6-4=2 variables no básicas (=0) y
m=4 ecuaciones
4 variables básicas
 : 0.0 X1 + 2.0
X2
2
D : -3.0 X1 + 2.0 X2 = 3.0

: 2.0 X1 + 1.0 X2 = 4.0

C
1
Payoff: 4.0 X1 + 3.0 X2 = 5.4

: 2.0 X1 + 3.0

A B
0
0 1 2 X1

: 2.0X1 + 3.0X2 <= 6.0 A: x1= x2= 0 C: s1= s4= 0 E: x1= s2= 0
: -3.0X1 + 2.0X2 <= 3.0
: 0.0X1 + 2.0X2 <= 5.0 B: x2= s4= 0 D: s1= s2= 0
: 2.0X1 + 1.0X2 <= 4.0
 Búsqueda de una S.B.F. inicial para empezar el algoritmo:

⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎛ 2 3 1 0 0 0 ⎞ ⎜ x2 ⎟ ⎛ 6 ⎞ ⎜ x2 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ s ⎟ ⎜6⎟
⎜−3 2 0 1 0 0 ⎟ s1
⎜ ⎟ ⎜ 3⎟ ⎜ 1⎟=⎜ ⎟
⎜ 0 ⎟ ⋅ =⎜ ⎟ A
2 0 0 1 0 ⎜ s2 ⎟ 5 ⎜ s2 ⎟ ⎜ 3 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜s ⎟ ⎜ ⎟
⎜ 2 1 ⎟⎠ ⎜ s3 ⎟ ⎜⎝ 4 ⎟⎠
⎝ 1 0 0 0 ⎜ 3 ⎟ ⎜5⎟
⎜s ⎟ ⎜ s ⎟ ⎜ 4⎟
⎝ 4⎠ ⎝ 4⎠ ⎝ ⎠

En A, z = 0. Hay que comprobar si z mejora (aumenta) al desplazarse a

las S.B.F. adyacentes (B ó E)
¿Cómo saber si desplazarse a B ó a E para que z aumente?
Formato de tabla:
Básicas x1 x2 s1 s2 s3 s4 Solución
Valores de z
z -4 -3 0 0 0 0 0
y variables
s1 2 3 1 0 0 0 6 básicas
s2 -3 2 0 1 0 0 3
s3 0 2 0 0 1 0 5
s4 2 1 0 0 0 1 4 S.B.F. = A

Maximizar
S.B.F. inicio

La variable con coeficiente “más negativo” en z será la que más aumente la f.o.
(minimizar〉 coeficiente “más positivo”)
si aumenta x1 , z tendrá un mayor aumento

x1 entra en la base (deja de ser 0). Nos movemos al punto B.

¿cómo saber cuánto tiene que aumentar x1 para llegar a B y qué variable
sale de la base (pasa a ser 0)?
 bajo x1 Solución
2 6 s1 6/2=3 En el punto B, x1= 2 y s4= 0, con lo
que las variables no básicas serían x2 y
-3 3
s4, este máximo aumento en la
0 5 variable que entra en la base (x1) lo
indica el menor cociente
2 4 s4 4/2=2

La variable que sale de la base (que pasa a valer 0) es aquella que

tenga el menor cociente entre la columna solución y la columna
bajo la variable que entra, cuando este último valor es positivo.
En este caso, entra en la base la variable x1 y sale de la base la variable s4,
es decir, estamos en el punto B.
Para saber cuánto vale ahora la función objetivo y cómo se han
modificado las otras variables, es necesario expresar los valores de la tabla
en función de la nueva variable básica x1.
Esta operación se realiza pivotando (Gauss-Jordan) sobre el elemento que
está en la fila de la variable que sale y la columna de la variable que
entra (en el ejemplo, el 2)
 Básicas x1 x2 s1 s2 s3 s4 Solución
z -4 -3 0 0 0 0 0
s1 2 3 1 0 0 0 6
s2 -3 2 0 1 0 0 3
s3 0 2 0 0 1 0 5
s4 22 1 0 0 0 1 4
pivote
Paso 1: dividir la fila de la variable que sale entre el pivote
Básicas x1 x2 s1 s2 s3 s4 Solución
z -4 -3 0 0 0 0 0
s1 2 3 1 0 0 0 6
s2 -3 2 0 1 0 0 3
s3 0 2 0 0 1 0 5
x1 1 1/2 0 0 0 1/2 2

Como x1 entra en la base y s4 sale, se intercambian

Paso 2: hacer ceros por en la columna de la variable que entra, por encima y por
debajo del pivote

•Nueva fila z = Anterior fila z + 4 · fila del pivote

•Nueva fila s1= Anterior fila s1 -2 ·fila del pivote
•Nueva fila s2 = Anterior fila s2 + 3 · fila del pivote
•Nueva fila s3 = Anterior fila s3 (no hay cambios, ya había un 0)

NUEVA TABLA:
Básicas x1 x2 s1 s2 s3 s4 Solución
z 0 -1 0 0 0 2 8
s1 0 2 1 0 0 -1 2
s2 0 7/2 0 1 0 3/2 9
s3 0 2 0 0 1 0 5
x1 1 1/2 0 0 0 1/2 2
 Básicas x1 x2 s1 s2 s3 s4 Solución
z 0 -1
-1 0 0 0 2 8
s1 0 22 1 0 0 -1 2
s2 0 7/2 0 1 0 3/2 9
s3 0 2 0 0 1 0 5
x1 1 1/2 0 0 0 1/2 2

2ª Iteración: Entra x2 y sale s1. Tras pivotar sobre el 2:

Básicas x1 x2 s1 s2 s3 s4 Solución
z 0 0 1/2 0 0 3/2 9
x2 0 1 1/2 0 0 -1/2 1
s2 0 0 -7/4 1 0 13/4 11/2
s3 0 0 -1 0 1 1 3
x1 1 0 -1/4 0 0 3/4 3/2

Esta nueva tabla nos indica que estamos en C (s1= s4=0). La solución es óptima,
porque todos los coeficientes en z son positivos. Por lo tanto:
x1* = 3/2 , x2* = 1, (s1* = 0 , s2* = 11/2 , s3* = 3 , s4* = 0) y z*=9
El problema de la S.B.F. inicial

Si el programa lineal tiene todas sus restricciones del tipo < ,

entonces las variables de holgura proporcionan una S.B.F.
inicial
Si en alguna restricción no hay variable de holgura, entonces se
introduce una variable artificial, que formará la base inicial.
En la solución final, las variables artificiales deberían ser cero,
pues, de lo contrario, significaría que el problema no tiene
solución.
Se utilizará el Método de penalización.

Método simplex revisado

Es una variante del método simplex que reduce la complejidad

computacional con vistas a una implementación óptima.
 ANÁLISIS DE SENSIBILIDAD

Consiste en comprobar cómo se modifica el problema ante los

cambios que sufran sus coeficientes.
Estudiaremos los cambios en los recursos (lado derecho) y en la función objetivo

PRECIO SOMBRA DE UN RECURSO:

Es el aumento que se produce en la función objetivo por cada
unidad que aumente el lado derecho asociado a ese recurso.
Por tanto, también puede ser interpretado como el precio máximo a
pagar por disponer de una unidad adicional de dicho recuso.

Atención: La interpretación del precio sombra solamente es válida

dentro de un rango de valores para el lado derecho del recuso, pues
puede ocurrir que si se aumenta o disminuye mucho esta cantidad, la
restricción sea redundante o cambien las variables básicas.
 Payoff: 5000.0 X1 + 4000.0 X2 = 50500.0

X2 : 20.0 X1 + 10.0 X2 = 160.0

9

8
: 30.0 X1 + 10.0 X2 = 135.0
7
: 10.0 X1 + 15.0 X2 = 150.0
6

3 : 1.0 X1 + 1.0 X2 = 5.0

2
: 1.0 X1 - 3.0 X2 = 0.0
1

0
0 1 2 3 4 5 6 7 X1

Optimal Decisions(X1,X2): ( 4.5, 7.0)

: 1.0X1 + 1.0X2 >= 5.0
Veamos lo que ocurre al incrementar el L.D. de la
: 1.0X1 - 3.0X2 <= 0.0 cuarta restricción en una unidad. Actualmente el
: 10.0X1 + 15.0X2 <= 150.0
: 20.0X1 + 10.0X2 <= 160.0
valor óptimo de la f.o. es 50500
: 30.0X1 + 10.0X2 >= 135.0
 Payoff: 5000.0 X1 + 4000.0 X2 = 50675.0

X2 : 20.0 X1 + 10.0 X2 = 161.0

9

8
: 30.0 X1 + 10.0 X2 = 135.0
7
: 10.0 X1 + 15.0 X2 = 150.0
6

3 : 1.0 X1 + 1.0 X2 = 5.0

2
: 1.0 X1 - 3.0 X2 = 0.0
1

0
0 1 2 3 4 5 6 7 X1

Optimal Decisions(X1,X2): ( 4.6, 7.0)

: 1.0X1 + 1.0X2 >= 5.0
: 1.0X1 - 3.0X2 <= 0.0
: 10.0X1 + 15.0X2 <= 150.0
: 20.0X1 + 10.0X2 <= 161.0
: 30.0X1 + 10.0X2 >= 135.0
El valor de la f.o. ha aumentado a 50675, por lo
tanto el precio sombra de este cuarto recurso es de
175. Como las variables básicas siguen siendo las
mismas y la restricción nueva no es redundante, la
interpretación es válida.
 Payoff: 5000.0 X1 + 4000.0 X2 = 63333.3

: 20.0 X1 + 10.0 X2 = 245.0

X2
9

8
: 30.0 X1 + 10.0 X2 = 135.0
7
: 10.0 X1 + 15.0 X2 = 150.0
6

3 : 1.0 X1 + 1.0 X2 = 5.0

2
: 1.0 X1 - 3.0 X2 = 0.0
1

0
0 1 2 3 4 5 6 7 8 9 10 X1

Optimal Decisions(X1,X2): (10.0, 3.3)

: 1.0X1 + 1.0X2 >= 5.0
Al pasar el L.D. a 245 la restricción es redundante,
: 1.0X1 - 3.0X2 <= 0.0 y aunque se aumente más el L.D. no se mejora el
: 10.0X1 + 15.0X2 <= 150.0
: 20.0X1 + 10.0X2 <= 245.0
valor de la f.o.
: 30.0X1 + 10.0X2 >= 135.0
 : 20.0 X1 + 10.0 X2 = 160.0

X2
9

8 Payoff: 10000.0 X1 + 4000.0 X2 = 77714.2

6 : 30.0 X1 + 10.0 X2 = 135.0

: 10.0 X1 + 15.0 X2 = 150.0
5

3
: 1.0 X1 + 1.0 X2 = 5.0
2
: 1.0 X1 - 3.0 X2 = 0.0
1

0
0 1 2 3 4 5 6 7 X1

Optimal Decisions(X1,X2): ( 6.9, 2.3) Cambios en los coeficientes de la función objetivo: Al

: 1.0X1 + 1.0X2 >= 5.0
: 1.0X1 - 3.0X2 <= 0.0
modificar estos coeficientes, cambia la pendiente de la
: 10.0X1 + 15.0X2 <= 150.0 recta que encuentra el óptimo, por lo que puede
: 20.0X1 + 10.0X2 <= 160.0 modificarse la solución óptima, como en el caso que se
: 30.0X1 + 10.0X2 >= 135.0
muestra, donde el coeficiente de x1 pasa de 5000 a 10000