INVESTIGACIN OPERATIVA I

Programacin de Metas
Universidad Nacional
de Ingeniera

Objetivos

1. Definir correctamente un problema de

programacin por metas
2. Programacin
por
metas
con
ponderaciones
3. Programacin por metas con prioridades

PROGRAMACIN DE METAS
EJEMPLO 1 (Planificacin tributaria):

Abancay es una pequea ciudad con una poblacin de

aproximadamente 20,000 habitantes. La base tributaria anual
por el impuesto predial asciende a $550 millones. Las
recaudaciones anuales por alimentos y medicinas as como
por
ventas
generales
es
de
$35
y
$55
millones,
respectivamente.
El consumo anual de gasolina local se estima en 7.5
millones de galones. El concejo municipal desea desarrollar
las tasas tributarias con base en cuatro metas principales:

1. Los ingresos fiscales deben ser por lo menos de $16

millones
para satisfacer los compromisos financieros
de la ciudad.
2. Los impuestos sobre alimentos y medicinas no deben
el 10%
de todos los impuestos recaudados.

exceder

3. Los impuestos sobre las ventas generales no deben

el 20%
de todos los impuestos recaudados.

exceder

4. El impuesto sobre la gasolina no debe exceder de 2 centavos

por galn.

SOLUCION:
Definicin de Variables de Decisin:
Xp:
cantidad de tasas tributarias sobre la propiedad
Xa:
cantidad de tasas tributarias sobre los alimentos y
las
medicinas
Xv:
cantidad
de
tasas
tributarias
sobre
las
ventas
generales
Xg
cantidad
de
tasas
tributarias
sobre
la
gasolina
en
centavos por galn.

Restricciones:
Las metas del concejo municipal se expresan entonces como:
Ingresos fiscales: Se calculan de la siguiente forma:
550xp + (Asociando el impuesto predial a la variable x p)
35xa

+ (Asociando las recaudaciones por los alimentos y

las medicinas a la variable x a)

55xv

+ (Asociando las recaudaciones por las ventas a la

variable xv)

0.075xg (Asociando las recaudaciones por el consumo de

gasolina en centavos por galn (7.5/100=0.075) a
variable xg)
>=16

(Como en el problema nos dice

utilizamos la restriccin mayor igual.

Quedando la restriccin para el impuesto predial:

"Por

la
lo

menos

"

Restricciones:
Impuestos
forma:

sobre

alimentos

medicinas:

Se

calculan

de

la

Nos dicen que impuestos sobre alimentos y medicinas (35xa)

exceder el 10%
de todos los impuestos recaudados

siguiente

no deben

Todos los impuestos recaudados son:

550xp + 35xa + 55xv + 0.075xg
Su 10% es:
0.1(550xp + 35xa + 55xv + 0.075xg)
Como no deben de exceder se utilizar a restriccin menor igual (<=) y
la restriccin quedara as:
35xa <= 0.1(550xp + 35xa + 55xv + 0.075xg)
35xa <= 55xp + 3.5xa + 5.5xv + 0.0075xg
0 <= 55xp - 31.5xa + 5.5xv + 0.0075xg

Restricciones:
Impuestos sobre las ventas: Se calculan de la siguiente forma:
Nos dicen que impuestos sobre las ventas (55xv) no deben exceder el 20%
de todos los impuestos recaudados
Todos los impuestos recaudados son:
550xp + 35xa + 55xv + 0.075xg
Su 20% es:
0.2(550xp + 35xa + 55xv + 0.075xg)
Como no deben de exceder se utilizar a restriccin menor igual (<=) y
la restriccin quedara as:
55xv <= 0.2(550xp + 35xa + 55xv + 0.075xg)
55xv <= 110xp + 7xa + 11xv + 0.015xg
0 <= 110xp + 7xa - 44xv + 0.015xg

Restricciones:
Impuesto sobre la gasolina: Se calculan de la siguiente forma:
Nos dicen que impuestos
centavos por galn

sobre

la

gasolina

(xg)

no

deben

exceder

Como la variable xg esta en centavos tenemos:

xg <= 2
No negatividad: Estas variables como son tasas tributarios no pueden
ser negativas:
Xp, Xa, Xv, Xg >=0

Estas restricciones se simplifican entonces como:

550xp + 35xa + 55xv +0.075xg

>= 16

55xp - 31.5xa + 5.5xv +0.0075xg

110xp + 7xa - 44xv +0.015xg
xg

>= 0
>= 0

<= 2
Xp, Xa, Xv, Xg >=0

Cada una de las desigualdades del modelo representa una meta que el
concejo municipal aspira satisfacer. Es muy probable, sin embargo,
que lo mejor que se puede hacer sea una solucin compromiso que
implique estas metas conflictivas.

La forma en que la programacin de metas determina una solucin

compromiso es convertir cada desigualdad en una meta flexible en la
cual la restriccin correspondiente pueda ser violada, si es
necesario. En funcin del modelo de Abancay, las metas flexibles se
expresan como sigue:
550xp + 35xa + 55xv +0.075xg

+S1- - S1+

= 16

55xp - 31.5xa + 5.5xv +0.0075xg

+S2- - S2+

= 0

110xp + 7xa - 44xv +0.015xg

+S3- - S3+

= 0

xg
Xp, Xa, Xv, Xg >=0
Si- y Si+ >=0; i=1, 2, 3, 4

+S4- - S4+

= 2

Las variables no negativas Si- y Si+, i= 1, 2, 3, 4 son variables

de desviacin que representan las desviaciones por debajo y por
arriba del lado derecho de la restriccin i.
Las

variables

de

desviacin

S i-

Si+,

son

dependientes

por

definicin, y de ah que no pueden ser las variables bsicas al

mismo tiempo (de acuerdo con la teora del mtodo simplex).

Esto significa que en cualquier iteracin simplex, no ms de una de

las dos variables de desviacin puede asumir un valor positivo. Si
la desigualdad i-sima original es del tipo <= y su S i- >=0, entonces
se satisface la meta i-sima; en caso contrario, no se satisface la
meta i.
En esencia, la definicin de S i- y Si+, permite satisfacer o violar la
meta

i-sima

voluntad.

ste

es

el

tipo

de

flexibilidad

que

caracteriza a la programacin de metas cuando se busca una solucin

compromiso.

Lgicamente,

una

buena

solucin

compromiso

minimizar la cantidad por la que se viole cada meta.

busca

Funcin Objetivo:
En el modelo de Abancay, dado que las tres primeras restricciones
son del tipo >= y la cuarta es del tipo <=, las variables de
desviacin S1-, S2-, S3- y S4+ representan las cantidades por las cuales
se violan las metas respectivas. Por lo tanto, la solucin
compromiso busca satisfacer en cuanto sea posible los siguientes
cuatro objetivos:

Minimizar G1 = s1Minimizar G2 = s2Minimizar G3 = s3Minimizar G4 = s4+

En lindo:
Planteamos el modelo de la siguiente forma:
Min S11 + S21 + S31 + S42
st
550xp + 35xa + 55xv +0.075xg
+S11 - S12
55xp - 31.5xa + 5.5xv +0.0075xg +S21 - S22
110xp + 7xa - 44xv +0.015xg
+S31 - S32
xg
+S41 - S42

=
=
=
=

16
0
0
2

Porque el Lindo no reconoce los signos + y en las variables. Se reemplazo el

signo menos - por 1 y el ms + por 2.

En lindo:
Obtenemos el siguiente resultado:

Interpretacin:
Como los valores de S12 =0, S22 =1.6, S32 =3.2, y S41 =0, Son mayores o
iguales que cero satisfacen las metas. Y la Funcin objetivo es cero
se cumplen todas la metas
En conclusin las tasas tributarias que satisfacen las metas son:
Para
Para
Para
Para

los predios (xp)

los alimentos y medicinas (x a)
las ventas (xv)
la gasolina (xg)

=
=
=
=

0.029
0
0
2

Estas funciones se minimizan sujetas a las ecuaciones de

restriccin del modelo.
Cmo podemos optimizar un modelo de mltiples objetivos con metas
conflictivas? Con este fin se desarrollaron dos mtodos para los
siguientes casos:
(1)Programacin por metas con ponderaciones (Mtodo de los pesos).
(2)Programacin por metas con prioridades (Mtodo Preventivo).
Ambos mtodos se basan en la conversin de los mltiples objetivos
en una sola funcin.

ALGORITMOS DE PROGRAMACIN DE METAS

En el mtodo de pesos, la funcin objetivo nica es la suma
ponderada de las funciones que representan las metas del problema.
El mtodo preventivo inicia priorizando las metas por orden de
importancia. Luego, el modelo optimiza las metas de una en una en
el orden de prioridad de modo que no degrade una solucin de ms
alta prioridad.
Por lo comn, los dos mtodos propuestos no presentan la misma
solucin.
Ninguno de los mtodos, sin embargo, es superior al otro porque las
dos tcnicas presuponen preferencias distintas en la toma de
decisiones.

MTODO DE LOS PESOS

Suponga que el modelo de programacin de metas tiene n metas y que
la meta i-sima se da como:
Minimizar Gi, i = 1, 2,, n
La funcin objetivo combinada utilizada en el mtodo de pesos se
define entonces como:
Minimizar z = w1G1 + w2G2 + + wnGn
Los parmetros wi, i = 1, 2,..., n son pesos positivos que reflejan
las preferencias de la toma de decisiones con respecto a la
importancia relativa de cada meta. Por ejemplo, w i = 1, para todas
las i, significa que todas las metas tienen una misma importancia.
La determinacin de los valores especficos de estos pesos es
subjetiva.

EJEMPLO 2: TopAd, una nueva agencia de publicidad con 10 empleados,

firm un contrato para promover un nuevo producto. La agencia puede
hacer publicidad por radio y televisin. La siguiente tabla
proporciona la cantidad de personas alcanzadas diariamente por cada
tipo de anuncio publicitario, as como los requerimientos de costos
y mano de obra. El contrato prohbe a TopAd utilizar ms de 6
minutos de publicidad por radio.
Radio
Televisin
Exposicin (en millones de
personas)/min
4
8
Costo(en miles de dlares)/min
8
24
Empleados asignados/min
1
2
Adems, los anuncios de radio y televisin tienen que llegar al
menos a 45 millones de personas. TopAd tiene una meta presupuestaria
de $100,000 para el proyecto.
Cuntos minutos de anuncios de radio y televisin debe utilizar
TopAd?

SOLUCIN:
Sean x1 y x2 los minutos asignados a los anuncio de
televisin. La formulacin de la programacin de metas
problema se da como:

Minimizar G1- = Si- (Satisfacer la meta de exposicin)

Minimizar G2+ = Si+ (Satisfacer la meta de presupuesto)

Sujeto a:
4x1 + 8x2 + s1- - s1+

= 45 (Meta de exposicin)

8x1 + 24x2 + s2- - s2+

= 100(Meta de presupuesto)

x1 + 2x2

<= 10(Lmite de personal)

x1

<= 6 (Lmite de radio)

x1, x2, s1-, s1+, s2-, s2+

>= 0

radio y
para el

La gerencia de TopAd estima que la meta de exposicin es dos veces

ms importante que la meta de presupuesto. Por lo tanto, la funcin
objetivo combinada se convierte en:

Minimizar z = 2G1 + G2 = 2s1- + s2+

La solucin ptima es Z= 10, x1= 5 minutos, x2 = 2.5 minutos, s1- = 5

millones de personas s1- =0, s2- =0
El hecho de que el valor ptimo de z no sea cero indica que al menos
una de las metas no se cumple.
Especficamente, s1- =5 significa que la meta de exposicin (de al
menos 45 millones de personas) falla por 5 millones de personas. Por
otra parte, la meta de presupuesto (de no exceder $100,000) no se
viola porque s2+ =0.

Comentarios. La programacin de metas busca slo una solucin

eficiente, ms que ptima, al problema.
Por ejemplo, la solucin x1 = 6 y x2 = 2 produce la misma
exposicin (4 x 6 + 8 x 2) = 40 millones de personas) pero
cuesta menos (8 x 6 + 24 x 2) = $96,000). En esencia, lo que
la

programacin

satisfaga

las

de
metas

metas
del

hace

es

modelo

hallar
sin

una

tomar

solucin
en

cuenta

que
la

optimizacin. La falla de no hallar la solucin ptima levanta

dudas sobre la viabilidad de la programacin de metas como una
tcnica de optimizacin.

MTODO PREVENTIVO
En este tipo de mtodo, el tomador de decisiones clasifica las
metas del problema en orden de importancia. Dada una situacin de n
metas, los objetivos del problema se escriben como
Minimizar G1 = 1 (Mxima prioridad)
.
.
.
Minimizar Gn = n (Minima prioridad)
La variable i es el componente de las variables de desviacin, s i- o
si+ que representan la meta i. Por ejemplo, en el modelo de TopAd,
i = s1- y 2 = s2+.

MTODO PREVENTIVO
El procedimiento de solucin se inicia con la optimizacin de la
prioridad mxima, G1, y termina con la optimizacin de la prioridad
mnima, Gn. El mtodo preventivo est diseado de modo que una
solucin de menor prioridad nunca degrade a una solucin de alta
prioridad.
La literatura sobre programacin de metas presenta un mtodo
simplex especial que garantiza la no degradacin de soluciones de
alta prioridad. El mtodo utiliza la regla de eliminacin de
columnas que exige eliminar una variable xj no bsica con un costo
reducido diferente de cero (zj - cj 0) de la tabla ptima de
metas Gk antes de resolver el problema de la meta Gk+1. La regla
reconoce que tales variables no bsicas, si se elevan por encima
del nivel cero en las optimizacin de metas subsiguientes, pueden
degradar (pero nunca mejorar) la calidad de una meta de mayor
prioridad.

MTODO PREVENTIVO
El procedimiento requiere incluir las funciones objetivo de todas
las metas en la tabla simplex del modelo.
La modificacin propuesta de eliminacin de columnas complica sin
necesidad la programacin de metas. En esta presentacin
demostramos que se pueden alcanzar los mismos resultados de una
manera ms simple dando los siguientes pasos:
Paso 0. Identifique las metas del modelo y clasifquelas en orden
de prioridad:
G1 = 1 > G2 = 2 > > Gn = n
Establezca i = 1.

MTODO PREVENTIVO
Paso general Resuelva la PLi que minimice Gi, y que i
defina

el

valor

ptimo

correspondiente

de

la

i* que

variable

de

desviacin i. Si i = n, detngase; la PLn resuelve el problema de

n metas. En caso contrario, agregue la restriccin i

i* a las

restricciones del problema Gi para garantizar que el valor de i no

se degrade en problemas futuros. Establezca i = i + 1, y repita el
paso i.
La adicin sucesiva de las restricciones especiales i

i* puede

no ser tan elegante tericamente como la regla de eliminacin de

columnas; no obstante, se logra el mismo resultado. Pero lo ms
importante es que es ms fcil de implementar y de entender .


Comentarios:
Algunas personas pueden argumentar que la regla de eliminacin de
columnas ofrece una ventaja computacional porque hace el problema
sucesivamente
nuestro

ms

pequeo

procedimiento

lo

restricciones.

Considerando

adicionales (i

al

eliminar

hace
la

ms

variables,

grande

naturaleza

de

al

en

tanto

agregar

las

que

nuevas

restricciones

i*) podemos modificar el algoritmo simplex para

implementar la restriccin adicional implcitamente sustituyendo i

=

i*.

La sustitucin (que afecta slo a la restriccin en la que

aparece i) reduce el nmero de variables a medida que el
algoritmo se mueve de una meta a la siguiente. De otra
manera,
podemos
utilizar
el
mtodo
simplex
acotado,
reemplazando i = i* con i <= i* con en cuyo caso las
restricciones adicionales se toman en cuenta de manera
tcita. Al respecto, la regla de eliminacin de columnas,
aparte de su atractivo terico no parece ofrecer una ventaja
computacional particular.

EJEMPLO 3
El problema del ejemplo 2 se resuelve por el mtodo
preventivo. Suponga que la meta de exposicin tiene la
prioridad ms alta.

Paso 0.

G1>G2

G1: Minimizar s1- (Satisfacer la meta de exposicin)

G2: Minimizar s2+ (Satisfacer la meta de presupuesto)

Paso 1. Resuelva la PLi

Minimizar G1 = s1

Sujeto a
4x1 + 8x2 + s1- - s1+
exposicin)

8x1 + 24x2 +
presupuesto)

x1 + 2x2

= 45 (Meta de

s2- - s2+

x1
radio)
x1, x2, s1-, s1+, s2-, s2+

= 100 (Meta de

<=10 (Limite personal)

<= 6 (lmite de
>= 0

La solucin ptima (determinada por LINDO) es x1 = 5 minutos, x2 =

2.5 minutos, s1- = 5 millones de personas, con las variables
restantes iguales a cero. La solucin muestra que 5 millones de
personas violan la meta de exposicin, G1. La restriccin
adicional que se aade al problema G2 es s1- = 5 (o, lo que es lo
mismo, s1-<= 5).

Paso 2. La funcin objetivo de la PL2 es

Minimizar G2 = s2+
Las restricciones son las mismas
restriccin adicional s1- = 5.

que

en

el

paso

ms

la

Por lo general, la restriccin adicional s1- = 5 tambin puede

explicarse al sustituir en la primera restriccin.

El resultado es que el lado derecho de la restriccin de la

meta de exposicin cambiar de 45 a 40, lo que reduce la LP2 a:
Minimizar G2 = s2+

Sujeto a
4x1 + 8x2 - s1+

8x1 + 24x2 + s2- - s2+

x1 + 2x2

x1

x1, x2, s1+, s2-, s2+ >=

= 40 (Meta de exposicin)
= 100 (Meta de presupuesto)
<=10 (Limite personal)
<= 6 (Limite radio)
0

La nueva formulacin tiene una variable menos que la de la

PL1, la cual es la idea general anticipada por la regla de
eliminacin de columnas.
En realidad, la optimizacin de la PL2 no es necesaria en
este problema porque la solucin ptima al problema G1 ya da
por resultado s2+ =0; es decir, ya es ptima para la PL2.Tales
oportunidades

de

ahorro

de

clculos

deben

aprovecharse

siempre que se presenten durante el curso de implementacin

del mtodo preventivo.

Ejemplo 4 (Regla de eliminacin de columnas)

En este ejemplo demostramos que puede obtenerse una mejor
solucin para el problema de los ejemplos 2 y 3 si se utiliza el
mtodo preventivo para optimizar los objetivos en lugar de
satisfacer las metas. Ms adelante, el mismo ejemplo se resuelve
aplicando la regla de eliminacin de columnas.

Las metas del ejemplo 2 se puede formular como:

Prioridad 1: Maximizar la exposicin (P1)

Prioridad 2: Minimizar el costo (P2)
Matemticamente, los dos objetivos se dan como
Maximizar P1 = 4x1 + 8x2 (Exposicin)
Minimizar P2 = 8x1 + 24x2 (Costo)

Los lmites especficos para las metas de exposicin y de costo

(= 45 y 100) en los ejemplos 2 y 3 se eliminan, porque dejaremos
que el mtodo simplex determine estos lmites ptimamente.
Por lo tanto el nuevo problema se formula como:
Maximizar P1 = 4x1 + 8x2
Minimizar P2 = 8x1 + 24x2
Sujeto a
x1 + 2x2

<= 10

x1

<=6

x1, x2

>= 0

Primero resolvemos el problema

presentado en el ejemplo 3.

siguiendo

el

procedimiento

Paso 1. Resuelva la PL1

Maximizar P1 = 4x1 + 8x2
Sujeto a
x1 + 2x2

<= 10

x1

<=6

x1, x2

>= 0

La solucin ptima (obtenida por LINDO) es x1=0, x2=5 con P1 =

40, lo que demuestra que la exposicin mxima que podemos
obtener es de 40 millones de personas.

Paso 2. Agregue la restriccin 4x1 + 8x2 >= 40 para

asegurarnos de que la meta G1 no se degrade. Por lo tanto,
resolvemos la PL2 como:

Minimizar P2 = 8x1 + 24x2

Sujeto a
x1 + 2x2

<= 10

x1

<=6
4x1 + 8x2

x1, x2 >= 0

>=40 (Restriccin adicional)

La solucin ptima de la PL2 es P2 = $96,000, x1 = 6 minutos, y x2

= 2 minutos. Esto da por resultado la misma exposicin (P1 = 40
millones de personas) pero a un costo menor que el del ejemplo
3, donde buscamos satisfacer en lugar de optimizar las metas.
El mismo problema se resuelve ahora con la regla de eliminacin
de columnas. La regla indica que incluyamos las filas objetivo
asociadas con todas las metas en la tabla simplex, como se
demostrar a continuacin

PL1 (Maximizacin de la exposicin). La tabla simplex de la PL1

incluye ambas filas objetivo P1 y P2. La condicin de optimalizad
aplica slo a la fila objetivo P1. La fila P2 desempea un rol
pasivo en la PL1, pero debe ser actualizada (mediante las
operaciones de filas de simplex) con el resto de la tabla
simplex en preparacin para la optimizacin de la PL2.

La PL1 se resuelve en dos iteraciones como sigue:

Iteracin

Bsica
P1
P2
S1
S2
P1
P2
X2
S2

X1

X2

S1

S2

-4
-8
1
1
0
4
1/2
1

-8
-24
2
0
0
0
1
0

0
0
1
0
4
12
1/2
0

0
0
0
1
0
0
0
1

Solucin
0
0
10
6
40
120
5
6

La ltima tabla da por resultado la solucin ptima x1= 0, x2 =

5 y P1 = 40.
La regla de eliminacin de columnas pide que se elimine
cualquier variable no bsica xj con zj - cj 0 a partir de la
tabla ptima de la PL1 antes de optimizar la PL2.

La razn es que si estas variables no se verifican, podran

volverse

positivas

en

problemas

de

optimizacin

de

baja

prioridad, las cuales pueden degradar la calidad de soluciones

de alta prioridad.
PL2

(Minimizacin

de

costos).

La

regla

de

eliminacin

de

columnas elimina s1 (con zj - cj = 4 en la PL1). En la fila P2

podemos ver que si no se elimina s1 ser la variable de entrada
en

el

inicio

de

las

iteraciones

P2

el

resultado

ser

la

solucin ptima x1 = x2 = 0, la cual degradar el valor objetivo

ptimo

del

problema

P1

desde

P1

40

hasta

P1

El problema P2 es del tipo de minimizacin. Despus de la

eliminacin de s1, la variable x1 con zj - cj = 4 (> 0) puede
mejorar el valor de P2. La siguiente tabla muestra las
iteraciones la PL2. Se elimin la fila P1 porque no tiene
ningn propsito en la optimizacin de la PL2.
Iteracin

Bsica
P1
P2
X2
S2
P1
P2
X2
X1

X1

X2

S1

S2

4
1/2
1

0
1
0

0
0
1

0
0
1

0
1
0

-4
-1/2
1

Solucin
40
120
5
6
40
96
2
6

La solucin ptima (x1 = 6, x2 = 2) con una exposicin total

GRACIAS

Si cuidamos el Medio
Ambiente, cuidamos nuestro
futuro