Está en la página 1de 14

Universidad Nacional Experimental Politcnica Antonio Jos de Sucre Vicerectorado Barquisimeto.

Direccin de Investigacin y Postgrado

Ejercicios. Mtodos de Optimizacin (II-51053). Prof: Victor Bernal

1. Pedro Prez fabrica cable elctrico de alta calidad usando dos tipos de aleaciones metlicas, A y B. La aleacin A contiene un 80 % de cobre y un 20 % de aluminio, mientras que la B incluye un 68 % de cobre y un 32 % de aluminio. La aleacin A tiene un precio de 80 euros por tonelada, y la B, 60 euros por tonelada. Cules son las cantidades que Pedro Prez debe usar de cada aleacin para producir una tonelada de cable que contenga a lo mas un 25 % de aluminio y cuyo costo de produccin sea el menor posible? Solucin: Las variables de decisin son las cantidades x1 , x2 de las aleaciones A y B, respectivamente. La funcin objetivo es el costo 80 x1 + 60 x2 . Las restricciones son x1 + x2 = 1 pues se elabora una tonelada y 0.2 x1 + 0.32 x2 0.25 por el mximo porcentaje de aluminio que debe contener. El cdigo para el programa LINGO es entonces:

!Funcion objetivo ; MIN = 80*x1+60*x2; ! Restricciones ; x1+x2=1; !Debe ser una tonelada; 0.2*x1 + 0.32*x2 < 0.25; !Porcentaje maximo de aluminio;
La solucin proporcionada es:

Objective value: Variable X1 X2

71.66667 Value 0.5833333 0.4166667

Reduced Cost 0.000000 0.000000

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 1 de 14

2. Tres empleados deben realizar seis tareas distintas. El empleado i puede hacer ai j partes de la tarea j en una hora y se le paga ci j por hora. El nmero total de horas de trabajo para el empleado i es b1i y el nmero de partes que requiere la tarea j es b2 j . Se desea determinar el plan de trabajo que da lugar a un costo mnimo C=
i =1 j =1 3 6

ci j xi j

donde xi j representa el nmero de horas empleadas en la tarea j por el empleado i . Plantear este problema como uno de programacin lineal. Solucin: La funcin objetivo est ya denida en el problema junto con las variables de decisin xi j . Ahora se plantean las restricciones, para cada empleado i , i = 1, 2, 3 y cada trabajo j , j = 1, 2, 3, 4, 5, 6:
6 j =1 3 i =1

xi j = b1i ,

i = 1, 2, 3. j = 1, 2, 3, 4, 5, 6.

ai j xi j = b2 j ,

La primera por las horas disponibles y la segunda por la cantidad de partes que requiere cada tarea. 3. Una compaa de fabricacin de muebles necesita determinar cuntas mesas, sillas, pupitres y bibliotecas debe hacer para optimizar el uso de sus recursos. Estos productos utilizan dos tipos diferentes de paneles, y la compaa dispone de 1500 tableros de un tipo y 1000 de otro tipo. Por otro lado cuenta con 800 horas de mano de obra. Las predicciones de venta as como los pedidos atrasados exigen la fabricacin de al menos 40 mesas, 130 sillas, 30 pupitres y como mximo 10 bibliotecas. Cada mesa, silla, pupitre y biblioteca necesita 5, 1, 9, y 12 tableros, respectivamente, del primer tipo de panel y 2, 3, 4, y 1 tableros del segundo. Una mesa requiere 3 horas de trabajo; una silla, 2; un pupitre, 5; y una biblioteca 10. La compaa obtiene un benecio de 12 dlares en cada mesa, 5 dlares en cada silla, 15 dlares en un pupitre, y 10 dlares en una biblioteca. Plantear el modelo de programacin lineal para maximizar los benecios totales. Modicar el problema si ahora deben fabricarse cuatro sillas por cada mesa. Solucin: Las variables de decisin son las cantidades de mesas, x1 , de sillas, x2 , de pupitres, x3 y de bibliotecas, x4 . La funcin objetivo, que expresa el total de benecios, es, z = 12 x1 + 5 x2 + 15 x3 + 10 x4 Las restricciones se deben a la disponibilidad de tableros y horas de trabajo, junto con los pedidos actuales y los atrasados. 5 x1 + x2 + 9 x3 + 12 x4 1500 2 x1 + 3 x2 + 4 x3 + x4 1000 3 x1 + 2 x2 + 5 x3 + 10 x4 800 x 1 40, x2 130, x3 30, x4 10. La formulacin en el programa LINGO es, PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 2 de 14

! Problema 3 Fabricacion de mesas, silla, pupitres y bibliotecas x1: mesas, x2: sillas, x3: pupitres, x4: bibliotecas; ! Funcion objetivo ; MAX=12*x1+5*x2+15*x3+10*x4; ! Restricciones ; 5*x1 +x2 +9*x3 +12*x4 <= 1500; ! Tableros tipo 1; 2*x1 +3*x2 +4*x3 +x4 <= 1000; ! Tableros tipo 2; 3*x1 +2*x2 +5*x3 +10*x4 <= 800; ! Mano de obra; x1 > 40; x2 > 130; x3 > 30; x4 < 10; ! Ventas y pedidos pendientes;
La solucin dada por el programa LINGO es,

Objective value: Variable X1 X2 X3 X4

2660.000 Value 130.0000 130.0000 30.00000 0.000000

Reduced Cost 0.000000 0.000000 0.000000 30.00000

4. Una empresa que produce un cierto producto P consta de dos plantas. Cada planta produce 90 toneladas de P al mes, y el producto se distribuye en tres mercados distintos. La tabla muestra los precios unitarios del envo de una tonelada de P desde cada planta a cada mercado. La empresa desea enviar el mismo nmero de toneladas a cada mercado y minimizar el costo total. Formular el problema como uno de programacin lineal. Plantas Planta1 Planta2 Mercado1 1 2 Mercado2 3 5 Mercado3 5 4

Solucin: El problema anterior sigue el modelo del problema de transporte, la formulacin en LINGO se puede tomar como gua para formular otros similares.

MODEL: !Problema 4; ! Definicion de las variables; SETS: PLANTAS/P1,P2/:CAP; MERCADOS/M1,M2,M3/:DEM; RUTAS(PLANTAS,MERCADOS):COSTO,CARGA; ENDSETS ! Funcion objetivo ; MIN=@SUM(RUTAS:COSTO*CARGA); ! Restricciones por demandas ;
PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 3 de 14

@FOR(MERCADOS(J): @SUM(PLANTAS(I):CARGA(I,J))>DEM(J)); ! Restricciones por capacidades ; @FOR(PLANTAS(I): @SUM(MERCADOS(J):CARGA(I,J))<CAP(I)); DATA: ! Plantas de igual capacidad =90; CAP=90,90; ! Mercados de igual demanda = 60; DEM=60,60,60; ! Matriz de costos ; COSTO= 1,3,5,2,5,4 ; ENDDATA ! Final del modelo ; END
La solucin da un costo mnimo de 510, y valores de las variables,

Objective value: Variable CAP( P1) CAP( P2) DEM( M1) DEM( M2) DEM( M3) COSTO( P1, M1) COSTO( P1, M2) COSTO( P1, M3) COSTO( P2, M1) COSTO( P2, M2) COSTO( P2, M3) CARGA( P1, M1) CARGA( P1, M2) CARGA( P1, M3) CARGA( P2, M1) CARGA( P2, M2) CARGA( P2, M3)

510.0000 Value 90.00000 90.00000 60.00000 60.00000 60.00000 1.000000 3.000000 5.000000 2.000000 5.000000 4.000000 30.00000 60.00000 0.000000 30.00000 0.000000 60.00000 Reduced Cost 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2.000000 0.000000 1.000000 0.000000

5. Un productor de electricidad tiene que planicar la produccin en cada hora para maximizar los benecios vendiendo la energa en un horizonte temporal que abarca un nmero de horas dado. El productor no genera energa antes de dicho periodo. Los precios de la energa en cada hora pueden PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 4 de 14

predecirse con garantas y se consideran conocidos. La energa mnima que el productor puede generar en cada hora es cero y el mximo es una cantidad ja. La diferencia de produccin en horas consecutivas no puede exceder un determinado lmite. El costo de generacin de energa es lineal. Formular este problema como uno de programacin lineal. Solucin: Si se tiene un horizonte de n horas para la produccin. Las variables de decisin son las cantidades ei , i = 1, . . . , n producidas en cada hora, y el costo unitario ci en cada hora, produce un costo total ci ei para cada hora, por la linealidad. Igualmente, M es el mximo de energa permitido. Las restricciones se deben al mximo permitido y la mxima diferencia L entre horas consecutivas.
n

La funcin objetivo es
i =1

ci ei y las restricciones, 0 ei M , i = 1, . . . , n i = 1, . . . n 1

L e i + 1 e i L,

6. Suponga que hay m reneras y que la renera i tiene capacidad para proporcionar ai litros de gasolina. Hay n ciudades que requieren de tal combustible y la demanda en la ciudad j es de b j litros. Si fi j la fraccin de litro de combustible que se dedica al transporte cuando 1 litro de gasolina va desde la renera i a la ciudad j en un transporte. Encontrar una forma factible de despachar el combustible de tal forma que la cantidad consumida por los transportes sea la menor posible. Solucin: Las variables de decisin xi j son la cantidad de litros enviados desde la renera i hasta la ciudad j , i = 1, . . . , m , j = 1, . . . n . Las restricciones se deben a las capacidades ai de las reneras y las demandas di de las ciudades. El planteamiento puede ser entonces,
m n

m n z =
i = 1 j =1

xi j fi j

Sujeto a:
m j =1 n i =1

xi j ai , xi j b j ,

i = 1, . . . , m j = 1, . . . , n

7. Dos pozos petroleros, A y B , producen, cada uno, 10000 barriles diarios que se quieren vender en su totalidad. Dos compaas, C y D ofrecen comprar, de acuerdo con la tabla siguiente: Oferente C D Pozo A B A B Mximo deseado 10000 10000 10000 10000 Bono por barril $ 0.10 $ 0.09 $ 0.20 $ 0.15

El bono es una cantidad que la compaa accede a pagar sobre el precio base mnimo anunciado, por barril. Las regulaciones gubernamentales prohben vender ms de 15000 barriles diarios de estos PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 5 de 14

dos pozos a un slo comprador. Se requiere determinar la cantidad de crudo que se debe vender a cada una de las compaas C y D de cada uno de los pozos, A y B de tal manera que la cantidad obtenida por los bonos sea mxima sujeto a las restricciones dadas. Formular este problema como uno de programacin lineal. Solucin: Las variables de decisin son las cantidades vendidas a cada compaa, de cada pozo. Se notan xC A, xC B , xDA, xDB , las restricciones se deben a la capacidad de los pozos y las restricciones gubernamentales, el planteamiento del problema es, m ax z = 0.10 xC A + 0.09 xC B + 0.20 xDA + 0.15 xDB Sujeto a: Capacidades de los pozos xC A + xDA 10000 xC B + xDB 10000 Regulaciones gubernamentales xC A + xC B 15000 xDA + xDB 15000 xC A, xC B , xDA, xDB 0. La formulacin en LINGO es,

! Problema 7; !Venta de petroleo; !Funcin objetivo; MAX = 0.10*xCA+0.09*xCB+0.20*xDA+0.15*xDB ; !Restricciones; !Capacidades de los pozos; xCA + xDA <= 10000; xCB + xDB <= 10000; !Regulaciones gubernamentales ; xCA + xCB <= 15000 ; xDA + xDB <= 15000 ; ! La no negatividad es automtica en LINGO ;
La solucin obtenida, un mximo de 3200, es,

Objective value: Variable XCA XCB XDA XDB


PROF. VICTOR BERNAL I2013

3200.000 Value 0.000000 5000.000 10000.00 5000.000 Reduced Cost 0.4000000E-01 0.000000 0.000000 0.000000
Ejercicios. Pg. 6 de 14

8. Se desea obtener la mezcla de petrleo a partir de crudos de distinta procedencia, cada uno de los cuales tienen distintas caractersticas. En la tabla adjunta se detallan los distintos crudos - cuatro en total - y sus caractersticas ms importantes: el tanto por ciento de azufre, la densidad y el precio por Tm. medido en dlares. Origen 1Kuwait 2Arabia 3Noruega 4Venezuela % Azufre 0.45 0.40 0.38 0.41 Densidad 0.91 0.95 0.89 0.92 Precio($) 806 714 898 783

Se exige a la mezcla que tenga unas caractersticas concretas, que se traducen en un porcentaje del 0.40 % de contenido de azufre y una densidad igual a 0.91. Se desea que el precio de la mezcla sea mnimo. Solucin: Las variables de decisin son las proporciones xi de los crudos que intervienen en la mezcla, de cada uno de los disponibles. La funcin objetivo es el costo de una unidad de mezcla. Las restricciones se reeren al porcentaje de azufre y la densidad. Su formulacin en el programa LPSOLVE es entonces,

/* Mezcla de petroleo */ /* Funcion objetivo */ min: 806 x1 + 714 x2 + 898 x3 + 783 x4 ; /* Restricciones */ x1 + x2 + x3 + x4 = 1 ; /* Las proporciones deben sumar 1 */ 0.45 x1 + 0.40 x2 + 0.38 x3 + 0.41 x4 = 0.40 ; /* Contenido de azufre */ 0.91 x1 + 0.95 x2 + 0.89 x3 + 0.92 x4 = 0.91 ; /* Densidad de la mezcla */
La solucin es un mnimo de 821.33333, de acuerdo con el reporte del programa LPSOLVE.

Primal variables: Column name Value ----------------------------------------x1 0 x2 0 x3 0.333333 x4 0.666667 Optimal solution 821.333333333 after Excellent numeric accuracy ||*|| = 2.44249e-015

4 iter.

El resultado se puede interpretar como un costo mnimo unitario de $821 1 con una mezcla de 3 crudo de Noruega y PROF. VICTOR BERNAL
2 3

1 3

de

de crudo de Venezuela. I2013 Ejercicios. Pg. 7 de 14

9. En un centro de nutricin se desea obtener la dieta de costo mnimo con unos determinados requisitos vitamnicos, para un grupo de nios que van a asistir a campamentos de verano. El especialista estima que la dieta debe contener entre 26 y 32 unidades de vitamina A, al menos 25 unidades de vitamina B y 30 de C, y a lo sumo 14 de vitamina D. La tabla nos da el nmero de unidades de las distintas vitaminas por unidad de alimento consumido para seis alimentos elegidos, denominados 1, 2, 3, 4, 5 y 6, as como su costo por unidad. Vitaminas Alimentos 1 2 3 4 5 6 A 1 1 0 3 2 1 B 1 2 1 1 1 0 C 0 1 2 0 2 2 D 1 0 0 1 0 1 10 14 12 18 20 16 Costo por unidad

Se desea construir un modelo de programacin lineal para conocer la cantidad de cada alimento que se debe preparar de manera que satisfaga los requisitos propuestos con costo mnimo. Solucin: El problema es una variacin del problema de la dieta, es por esto que lo formulamos directamente en el programa LPSOLVE como sigue,

/* Problema de la dieta */ /* Funcion objetivo */ min: 10x1 + 14x2 + 12x3 + 18x4 + 20x5 + 16x6 ; /* Restricciones */ /* 26 <= x1 + x2 + 3 x4 + 2 x5 + x6 <= 32 */ x1 + x2 + 3 x4 + 2 x5 + x6 >= 26 ; x1 + x2 + 3 x4 + 2 x5 + x6 <= 32; x1 + 2x2 + x3 + x4 + x5 >= 25 ; x2 + 2x3 + 2x5 + 2x6 = 30 ; x1 + x4 + x6 <=14 ;
Cuya solucin es,

Column name Value -----------------------------------------x1 0 x2 6.66667 x3 2 x4 0 x5 9.66667 x6 0


PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 8 de 14

Optimal solution 310.666666667 after Excellent numeric accuracy ||*|| = 0

4 iter.

10. Los materiales tales como papel, textiles, celofn, vidrio y papel de aluminio se fabrican en rollos o lminas de gran anchura. Estos rollos, llamados primarios, se cortan luego en rollos, llamados nales, de menor anchura. Cada fabricante produce rollos primarios en ciertos anchos estndar, las anchuras de los nales son especicadas por los diferentes clientes y pueden variar ampliamente. El corte se realiza en las mquinas por cuchillas que cortan a travs de los rodillos de la misma manera como un cuchillo hace rebanadas de pan. Por ejemplo, un rollo primario de 100cm de ancho se puede cortar en dos nales de 31cm y uno de 36cm, con 2cm sobrantes. Cuando llegan pedidos muy variados, la manera ms econmica de reducir los primarios existentes a nales casi nunca es evidente. El problema de encontrar tal manera se conoce como problema del corte (cuttingstock problem). Por ejemplo, una industria que fabrica papel y lo distribuye en rollos debe determinar la mejor forma de realizar el proceso de corte. Los rollos de papel que se producen tienen un ancho de 100cm y un largo jo. Los clientes demandan rollos de 30cm, 45cm y 50cm de ancho. Al cortar los rollos de 100cm se puede incurrir en prdida de material. Se tiene un pedido de 800 rollos de 30cm de ancho, 500 rollos de 45cm y 1000 rollos de 50cm. Se desea determinar la forma de efectuar el corte de manera que se satisfaga la demanda y se minimice la prdida total de material. Solucin: Existen 6 alternativas diferentes de corte de un rollo de 100cm de ancho que tienen sentido, en este caso, y se pueden resumir en la siguiente tabla: Rollos de ancho Esquema 1 2 3 4 5 6 1 30 3 1 1 2 1 1 2 1 45 50 Prdida 10 25 10 5 0 20

De esta manera, las variables de decisin xi son las cantidades de rollos cortados bajo el esquema i , i = 1, ..6. Por lo tanto, la funcin objetivo, que mide las prdidas totales, es, m n z = 10 x1 + 25 x2 + 10 x3 + 5 x4 + 20 x6 . Las restricciones son el resultado de la demanda, Rollos de 30: 3 x1 + x2 + x6 = 800 Rollos de 45: x2 + 2 x3 + x4 = 500 Rollos de 50: x4 + 2 x5 + x6 = 1000

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 9 de 14

El siguiente es el cdigo para resolver el problema con LPSOLVE.

/* Funcion objetivo: minimizar las perdidas */ min: 10x1 +25x2 +10x3 +5x4 +20x6 ; /* Restricciones por los pedidos de 30, 45 y 50 */ 3x1 + x2 + x6 = 800 ; x2 + 2x3 + x4 = 500 ; x4 + 2x5 + x6 = 1000 ; /* int x1, x2, x3, x4, x5 ,x6 ;*/ /* Esta restriccion opcional exige que los valores de las variables sean enteros */
La solucin es,

Primal variables: Column name Value ----------------------------------------x1 266.667 x2 0 x3 250 x4 0 x6 0 x5 500 Optimal solution 5166.66666667 after Excellent numeric accuracy ||*|| = 0

3 iter.

El valor de x1 es fraccionario. Si se agrega la restriccin opcional de que las variables sean enteras se obtiene,

Column name Value ------------------------------------------x1 266 x2 2 x3 249 x4 0 x6 0 x5 500 Optimal solution 5200 after Excellent numeric accuracy ||*|| = 0

4 iter,

2 nodes (gap 0.6%).

Ahora los valores son enteros y las prdidas, 5200, son menores, pero el esfuerzo computacional es mayor. En general se acepta la solucin con valores fraccionarios como una buena aproximacin a los valores enteros ptimos. PROF. VICTOR BERNAL I2013 Ejercicios. Pg. 10 de 14

Los problemas ms frecuentes en la industria del papel pueden implicar gran cantidad de variables. Por ejemplo, si los rollos primarios son 200cm de ancho y si los nales se ordenan en 40 longitudes diferentes que van desde 20cm a 80cm, entonces el nmero de patrones diferentes puede superar fcilmente los 10 o incluso 100 millones. La cantidad de tiempo y espacio requerido slo para generar estos patrones (por no hablar de la posterior solucin del problema) pueden ser imposibles de obtener. Una ingeniosa manera de resolver esta dicultad fue descubierta por P. C. Gilmore y R. E. Gomory (1961). El truco, en denitiva, es trabajar con slo unos pocos modelos a la vez y generar nuevos patrones slo cuando sean realmente necesarios. 11. Considere una situacin recurrente en la que los empleados tienen que ser asignados a diversos turnos. El nmero de empleados que deban estar en el trabajo vara a lo largo del da en una variedad de segmentos de tiempo. Por ejemplo, una ruta de autobs requerir servicio importante durante la madrugada y las horas pico de la tarde, mientras que no habr mucho servicio durante la hora del almuerzo o por la noche. Existen requisitos similares para las enfermeras, los pilotos, los cajeros en supermercados, y escenarios similares. La dicultad de este problema es que, en general, no se puede contratar mano de obra ocasional cuando sea necesaria y por lo tanto se deben contratar empleados permanentes. As, el objetivo del problema es utilizar el menor nmero de empleados y todava ser capaz de dotar de personal la(s) posicin(es) durante todo el da. En nuestro ejemplo numrico, supongamos que un turno normal es de 8 horas y se supone que hay segmentos de 4 horas durante los que se han observado los requisitos de personal. Las necesidades de personal durante los intervalos de tiempo de 4 horas se muestran en la Tabla, usando un reloj de 24 horas. Tabla de requerimientos de personal (4 horas) 06:0010:00 10:0014:00 14:0018:00 18:0022:00 22:0002:00 17 9 19 12 5

Turno Empleados

02:0006:00 8

Supongamos que los turnos pueden empezar cada 4 horas, a las 6am, las 10am, y as sucesivamente. Las variables de decisin son entonces el nmero de empleados a contratar en cada uno de estos puntos en el tiempo. Esto signica que podemos denir las variables x06 , x10 , x14 , x18 , x22 y x02 como el nmero de empleados que comienzan su jornada a las 6am 10am, 2pm y as sucesivamente. El nmero total de trabajadores requerido corresponde a la suma de todas estas variables. En cuanto a las restricciones, se debe pedir que un nmero suciente de empleados est presente durante cada intervalo de tiempo. Por ejemplo, en el intervalo de tiempo entre las 14:00 y y las 18:00 se necesitan al menos 19 empleados, los que trabajan durante este intervalo de tiempo son aquellos cuyo turno comienza a las 10:00 ms los que empiezan a trabajar a las 14:00, esto signica que durante este intervalo de tiempo van a trabajar x10 + x14 empleados, una cifra que debe ser por lo menos 19. Restricciones similares tienen que ser formulada para todos los seis rangos de tiempo. La formulacin se puede escribir de la

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 11 de 14

siguiente manera, pasando por alto que las variables sean enteras, por razones de simplicidad. m n z = x06 + x10 + x14 + x18 + x22 + x02 s.a. x06 + x02 17 x06 + x10 9 x10 + x14 19 x14 + x18 12 x18 + x22 5 x22 + x02 8 x06 , x10 , x14 , x18 , x22 , x02 0

La formulacin en LPSOLVE es como sigue:

/* Problema 11. Asignacion de empleados a horarios */ /* Funcion objetivo: Minimizar el total de empleados */ /* xij: numero de empleados que comienzan turno a las ij:00 horas */ min: x06 + x10 +x14 +x18 +x22 +x02 ; /* Restricciones por horario de los turnos */ x06 + x02 >= 17 ; x06 + x10 >= 9 ; x10 + x14 >= 19 ; x14 + x18 >= 12 ; x18 + x22 >= 5 ; x22 + x02 >= 8 ; /* La no-negatividad se supone en LPSOLVE */ /* No se exige que sean valores enteros */

La solucin da un valor de 41 empleados y los turnos son,

Column name Value -----------------------------------------x06 9 x10 12 x14 7 x18 5 x22 0 x02 8 Optimal solution 41 after Excellent numeric accuracy ||*|| = 0

5 iter.

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 12 de 14

Hay que tener en cuenta que esta solucin tiene el nmero exacto de empleados requeridos durante todas las franjas horarias, excepto en el rango 10:0014:00, donde slo se necesitan 9 empleados, mientras que estn disponibles 21 empleados. En otras palabras, hay 12 empleados ociosos de las 10am a las 2pm. En una variacin del modelo anterior, se supone que ahora es posible iniciar los turnos cada 2 horas en vez de cada 4 horas. Del mismo modo, los requisitos de tiempo son conocidos por cada 2 horas en lugar de cada 4 horas durante todo el da. Por ejemplo, los 17 empleados que en el problema anterior se necesitaban de 6am a 10am ahora slo se necesitan de 6am a 8am, mientras que de 8am a 10am slo se requieren 11 empleados. Las necesidades de personal durante los intervalos de tiempo de 2 horas se muestran en la siguiente tabla, Tabla de requerimientos de personal (2 horas) 06:00 - 08:00 08:00 -10:00 10:00 - 12:00 12:00 - 14:00 17 18:00 - 20:00 12 11 20:00 - 22:00 8 9 22:00 - 00:00 5 7 00:00 -02:00 3

Turno Empleados Turno Empleados

14:00 - 16:00 13 02:00 - 04:00 3

16:00 - 18:00 19 04:00 -06:00 8

Su formulacin en LPSOLVE es,

/* Funcion objetivo: Minimizar el total de empleados */ /* xij: numero de empleados que comienzan turno a las ij:00 horas */ min:x06 +x08 +x10 +x12 +x14 +x16 +x18 +x20 /* Restricciones por horario de los turnos x06 x06 +x08 x06 +x08 +x10 x06 +x08 +x10 +x12 x08 +x10 +x12 +x14 x10 +x12 +x14 +x16 x12 +x14 +x16 +x18 x14 +x16 +x18 +x20 x16 +x18 +x20 x18 +x20 x20 /* /* /* /* La No La No no-negatividad se se exige que sean no-negatividad se se exige que sean +x22 +x00 +x02 +x04 ; */ +x00 +x02 +x04 >= 17 ; +x02 +x04 >= 11 ; +x04 >= 9 ; >= 7 ; >= 13 ; >= 19 ; >= 12 ; >= 8 ; +x22 >= 5 ; +x22 +x00 >= 3 ; +x22 +x00 +x02 >= 3 ; x22 +x00 +x02 +x04 >= 8 ; supone en LPSOLVE */ valores enteros */ supone en LPSOLVE */ valores enteros */

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 13 de 14

La solucin ptima es de 36 empleados y los turnos son,

Column name Value --------------------------------------------x06 9 x08 0 x10 7 x12 4 x14 3 x16 5 x18 0 x20 0 x22 0 x00 6 x02 2 x04 0 Optimal solution 36 after Excellent numeric accuracy ||*|| = 0

7 iter.

Se destaca el 12 % de ahorro en el nmero de empleados que deben contratarse. En general, no es de extraar que rangos ms nos proporcionen una solucin que es al menos tan buena como la que se obtiene con intervalos de tiempo de 4 horas. La razn es que la solucin anterior todava se puede implementar y adems es una solucin factible. Sin embargo, con las horas de inicio aumentadas se generan posibilidades adicionales que pueden permitir, y en este caso nos permiten, encontrar una mejor solucin.

PROF. VICTOR BERNAL

I2013

Ejercicios. Pg. 14 de 14