Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PL Modelizacion Ejemplos
PL Modelizacion Ejemplos
Optimizaci
on de
modelos lineales
Introducci
on
Modelizaci
on y ejemplos: planificaci
on financiera, determinaci
on del
marketing-mix, logstica, planificaci
on de la producci
on, mezcla de
recursos...
Resoluci
on del problema: herramientas inform
aticas
An
alisis econ
omico de la soluci
on: precios sombra y costes reducidos
An
alisis de sensibilidad
1- Opt. Lineal
2.1. Introducci
on: Programaci
on Lineal
La Programaci
on Lineal estudia la optimizaci
on (maximizaci
on o minimizaci
on) de una funci
on lineal en presencia de restricciones lineales de
igualdad y/o desigualdad.
Es una de las herramientas m
as importantes en la gesti
on y asignaci
on
de recursos.
Se trata de asignar o localizar un n
umero de recursos limitados, entre
diversas actividades.
Se busca la soluci
on que mejor valor tenga para la funci
on objetivo y, a
su vez, verifique todas las restricciones impuestas al modelo.
2- Opt. Lineal
2.1. Introducci
on: Programaci
on Lineal
Tiene su origen en 1947, cuando Dantzig formula por primera vez el
modelo de Programaci
on Lineal y propone el algoritmo del simplex para
su resoluci
on
(Dantzig cita como antecedentes los trabajos pioneros de L. Kantorovich,
F.L. Hitchcock, W. Leontief y J. von Neumann).
Dantzig trabajaba como consejero matem
atico de los controladores de la
Fuerza A
erea de Estados Unidos y se le pidi
o que mecanizara el proceso
de planificaci
on.
Dantzig desarroll
o un mecanismo de planificaci
on para un programa
temporal de despliegue, entrenamiento y abastecimiento logstico.
3- Opt. Lineal
2.1. M
as informaci
on y recursos en. . .
P
agina web del Profesor Hossein Arsham (Merrick School of Business, University of Baltimore). Tiene un link a una versi
on en castellano.
http://home.ubalt.edu/ntsbarsh/Business-satat/opre/partVIII.htm
Wikipedia en ingl
es:
http://en.wikipedia.org/wiki/Linear_programming
4- Opt. Lineal
2.2. Ejemplos
Modelado de Sistemas
5- Opt. Lineal
2.2. Ejemplo 1
Una f
abrica de cerveza produce dos tipos: rubia y negra. Las tecnologas
de producci
on para cada una de ellas son muy distintas.
La f
abrica debe decidir cu
antos litros de cerveza debe producir semanalmente teniendo en cuenta que 1000 litros de cerveza rubia se venden a
100 euros y 1000 litros de cerveza negra a 125 euros.
Para producir 1000 litros de cerveza rubia (negra) se necesitan 3 (5)
empleados. La f
abrica s
olo dispone de 15 empleados.
La compra de materias primas supone para el fabricante un precio de 90
euros (85 euros) por cada 1000 litros de cerveza rubia (negra) y dispone
de 350 euros semanales para este concepto.
El problema que se plantea la gerente de la f
abrica es determinar cu
antos
litros de cerveza debe producir teniendo en cuenta las condiciones anteriores.
6- Opt. Lineal
Productos
C. Rubia
C. Negra
beneficio
100
125
coste
90
85
mano obra
3
5
Recursos lmites
Dinero
350
Trabajadores
15
7- Opt. Lineal
Matriz de restricciones
Vector del lado derecho.
Restricciones de no negatividad.
Regi
on factible.
9- Opt. Lineal
2.2. Ejemplo 2
[M
etodos Matem
aticos para la economa. J Borrell]
Tamizado Lavado
3
4
3
2
10
8
Elementos:
Conjuntos:
Variables de decisi
on
Para cada producto: cantidad de toneladas producidas:
x1: cantidad de lignito.
x2: cantidad de antracita.
Restricciones
Lmites en el uso de los recursos
m
ax 24x1 + 18x2
s.a.
Soluci
on
optima
Producir x1 = 0,8Tn de lignito y x2 = 2,4Tn de antracita, con un
beneficio de 62.4.
14- Opt. Lineal
2.2. Asignaci
on y Distribuci
on de Recursos
Los ejemplos anteriores son todos problemas de Asignaci
on y distribuci
on de recursos:
Problemas en los que se trata de asignar o localizar un n
umero de
recursos, siempre limitados, entre diversas actividades.
En estos problemas se plantea un conflicto entre la funci
on objetivo, que
cuantifica el beneficio derivado de cada asignaci
on, y las restricciones,
que establecen los lmites a las asignaciones posibles.
Se busca la soluci
on que mejor valor tenga para la funci
on objetivo y, a
su vez, verifique todas las restricciones impuestas al modelo.
maximizar
sujeto a
Soluci
on: publicitar cada semana 30 anuncios en TV, 60 anuncios
en Prensa, 60 en Radio, y 24 en Internet.
2.2. Ejemplo 4
Una empresa elabora un cierto alimento refinando diferentes tipos de
aceite y mezcl
andolos.
Los tipos de aceite se clasifican en dos categoras: vegetales (VEG1 y
VEG2) y no vegetales (OIL1, OIL2 y OIL3).
Dependiendo del tipo de aceite, vegetal o no vegetal, se requieren diferentes lneas de producci
on para el refino del aceite.
En un mes, la capacidad m
axima de refino es de 200 Tn de aceite
vegetal y 250 Tn de no vegetal.
Se puede asumir que el coste de refino es nulo y que durante el proceso
no se producen p
erdidas de peso.
Coste
Dureza
VEG1
110
8.8
VEG2 OIL1
120
130
6.1
2.0
OIL2
110
4.2
OIL3
115
5.0
Elementos:
Conjuntos:
Beneficio: 17592.59.
Porcentaje ma
nana
30
10
10
10
40
Porcentaje tarde
30
30
15
20
5
Adem
as, por razones de personal, al menos la mitad de las llamadas
deben realizarse en el turno de tarde.
Para recomendar a la empresa una estrategia para que realice la
encuesta de forma satisfactoria con el menor coste posible se resuelve
un problema de programaci
on lineal.
M1
2.5
2.5
325
M2
1.7
1.8
300
M3
1.8
1.4
275
oferta
350
600
C
omo se debe transportar la mercanca de forma tal que se minimice
el coste total del envo?
2.2. Ejemplo 7. Compa
na PECE
dispone de un centro de montaje situado en Madrid
La compa
na PECE
y un almac
en en Zaragoza.
Adem
as, cuenta con 8 grandes clientes situados en: Madrid, Zaragoza,
Bilbao, Barcelona, Valencia, Alicante, Albacete y Pamplona.
La empresa dispone de 100 ordenadores de mesa en el centro de montaje
y 45 en el almac
en para servir la demanda de estos 8 clientes.
Los costes de transporte desde el centro y el almac
en a cada uno de los
clientes y la demanda son:
Madrid
Zaragoza
Demanda
30- Opt. Lineal
Ma
14.00
24.00
22
Za
24.00
15.00
14
Bi
21.00
28.00
18
Ba
20.00
20.00
17
Va
21.50
18.50
15
Al
19.00
19.50
13
Alb
17.00
24.00
15
Pa
30.00
28.00
20
Origenes
Destinos
Ma
Za
Ma
Za
Bi
Ba
Va
Al
Alb
Pa
22
14
18
17
15
13
15
20
Almacenes centrales.
Clientes.
Par
ametros:
Origenes
Ma
Za
Destinos
Ma
Za
Bi
Ba
Va
Al
Alb
Pa
22
14
18
17
15
13
15
20
Coste=2583.5
34- Opt. Lineal
16
Madrid
Zaragoza
Centro
11.00
10.00
Almac
en
central
Ba
6.00
Va
5.00
Al
5.50
Origenes
Destinos
Ma
Za
Ma
Za
Bi
Ba
Va
Al
Alb
Pa
22
14
18
17
15
13
15
20
Origenes
Ma
Za
11
19
2
15
Destinos
15
Ma
Za
Bi
Ba
Va
Al
Alb
Pa
22
14
18
17
15
13
15
20
Coste=2542
39- Opt. Lineal
2.2. Hip
otesis que conducen a modelos lineales
A continuaci
on mostramos las hip
otesis m
as importantes que se asumen
al utilizar la programaci
on lineal como herramienta de trabajo.
Las propiedades fundamentales de los modelos lineales son:
1. Linealidad.
2. Separabilidad y aditividad.
3. Divisibilidad y continuidad.
4. Datos perfectamente conocidos.
5. Un s
olo objetivo.
2.2. Hip
otesis que conducen a modelos lineales
Linealidad y proporcionalidad: La contribuci
on de cada variable a la
funci
on objetivo y a cada restricci
on es proporcional al valor que
toma dicha variable.
2.2. Hip
otesis que conducen a modelos lineales
Separabilidad y aditividad: El coste total es la suma de los costes
individuales de cada variable.
2.2. Hip
otesis que conducen a modelos lineales
Divisibilidad y continuidad: asume que las decisiones adoptadas o las
actividades desarrolladas pueden fragmentarse a cualquier nivel.
Decisiones incompatibles.
Decisiones implicadas.
2.2. Hip
otesis que conducen a modelos lineales
Datos perfectamente conocidos: implica que todos los elementos
que definen el problema est
an perfectamente determinados.
Esta hip
otesis es muy fuerte y puede invalidar cualquier modelo.
Pero incluso con el riesgo que supone el uso de modelos determinsticos, los beneficios que proporcionan suele compensarlo.
Alternativas:
2.2. Hip
otesis que conducen a modelos lineales
Un
unico objetivo. No se pueden considerar varios objetivos como:
maximizar el beneficio y minimizar el impacto medioambiental.
Programaci
on Multiobjetivo, que permite determinar soluciones
eficientes.
Una soluci
on es eficiente si no es posible mejorar un objetivo sin
empeorar el resto
Programaci
on por Metas: permite trabajar con modelos en los
que las restricciones no sean tan rgidas.