Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apunte2 MetodoGrafico
Apunte2 MetodoGrafico
Investigacion de Operaciones 1
Resolucion Grafica de Modelos de LP
25 de julio de 2004
1.
Descripci
on del M
etodo
Cualquier problema de Programacion Lineal de solo 2 variables puede ser resuelto graficamente.
La idea general es dibujar en un sistema de ejes ortogonales las variables de decision y representar
graficamente las restricciones del problema en dicho plano.
Para ilustrar la tecnica, consideremos el ejemplo de la mueblera estudiado previamente:
Ejemplo 1
Max
sujeto a (st)
2x1 + x2
x1 + x 2
x1
x1
x2
1.1.
100
80
40
0
0
(a)
(b)
(c)
(d)
(e)
Restricci
on
Restricci
on
Restricci
on
Restricci
on
Restricci
on
de
de
de
de
de
terminaciones
carpintera
demanda m
axima
signo
signo
(1.1)
Regi
on Factible
El conjunto de todos los puntos (x1 , x2 ) que satisfacen todas las restricciones de (1.1) conforman
la regi
on factible para el problema.
Para graficar la region factible, trazamos en primer lugar dos ejes ortogonales (uno para cada variable)
en el plano. A continuacion se representan las rectas correspondientes a cada restriccion como si el
signo de desigualdad correspondiera a una igualdad. Como cada recta divide al plano en 2 regiones,
debemos identificar cual lado es el que satisface la desigualdad. Para ello basta evaluar un punto que
no pertenezca a la recta y determinar si cumple o no la restriccion, en general se identifica la region
que satisface la restriccion con unas flechas perpendiculares a la recta.
Representadas todas las restricciones e identificadas las zonas que satisfacen cada una de ellas se
busca aquella area que satisfaga simultaneamente todas las restricciones: esta sera la region factible
del problema (usualmente se achura).
El procedimiento descrito se ilustra en la Figura 1.1 para el modelo asociado al problema de la
mueblera (1.1). Notese que interesa solo el primer cuadrante ya que las restricciones de signo obligan
a que las variables sean positivas.
1
Resoluci
on Gr
afica
x2
100
(a)
80
(c)
E
D
(b)
B
A
40 50
80
x1
1.2.
C
alculo del Optimo
Una vez identificada la region factible del problema, se debe determinar el punto de dicha region
que maximiza o minimiza la funcion objetivo. En el ejemplo (1.1), se debe determinar el punto que
maximiza:
z = 3x1 + 2x2
(1.2)
Para encontrar el optimo, debemos graficar las lneas de igual valor de z, es decir las rectas de isobeneficio. En un problema de minimizacion se habla de las rectas de isocosto. A modo de ejemplo, se
muestran en la Figura 1.2 las lneas de isobeneficio z = 180 y z = 210 en lnea segmentada.
Evidentemente, en todo problema de programacion lineal las lneas de isobeneficio son rectas paralelas,
por lo tanto para determinar el optimo basta encontrar la mayor recta de isobeneficio (o la menor
recta de isocosto si se esta minimizando) que intersecta a la region factible.
En el ejemplo, la mayor recta de isobeneficio corresponde a la lnea de z = 180 que se muestra
en la Figura 1.2, la que intersecta a la region factible en el punto G, es decir: x 1 = 20 y x2 = 60, punto
que corresponde al optimo del problema.
1.3.
Una vez obtenida la solucion optima de un LP, se puede introducir la siguiente clasificacion respecto
de las restricciones del problema:
Definici
on 1 Una restricci
on es activa si el lado izquierdo y derecho de la desigualdad son iguales
cuando el valor o
ptimo de las variables es substituido en las expresiones.
2
Resoluci
on Gr
afica
x2
105
90
E
z=
20
0
18
z=
60 70
x1
1.4.
(a)
(b)
(c)
(d)
Resoluci
on Gr
afica
Por ejemplo, en la Figura 1.3(b) cada punto del contorno del crculo es un punto extremo. En la Figura
1.3(a) los cuatro vertices del rectangulo son puntos extremos. Frecuentemente, los puntos extremos
se denominan esquinas, ya que en el caso de polgonos, todos sus vertices corresponden a puntos
extremos.
En el problema de la mueblera, la region factible es convexa. Esto no es un accidente y se puede
demostrar que la region factible de un LP siempre es convexa. En el ejemplo, de la Figura 1.1 se observa que los puntos A, B, C, D y E son puntos extremos y se puede demostrar que la region factible de
un LP siempre posee un n
umero finito de puntos extremos. Ademas, se puede observar que la solucion
optima del ejemplo (punto D) corresponde a un punto extremo. En general, se puede demostrar que
cualquier LP que tenga soluci
on o
ptima debe tener como o
ptimo un punto extremo. Este resultado es
muy importante, pues reduce el problema de determinar el optimo de un LP a un conjunto finito de
puntos de la region factible, en otras palabras, el optimo (si existe) pertenece al conjunto de puntos
extremos. El resulto anterior es valido cualquiera que sea el tama
no del LP (no solo para el caso en dos
variables) y sera fundamental para desarrollar el algoritmo general de solucion de un LP (SIMPLEX).
2.
Problemas de Minimizaci
on
Para ver algunas consideraciones especiales en el caso de minimizacion tomemos el siguiente ejemplo:
Ejemplo 2 Una distribuidora de vehculos vende autos y camionetas. Para ampliar el mercado de
posibles clientes ha decidido iniciar una ambiciosa campa
na publicitaria por televisi
on. La estrategia
consiste en adquirir minutos de avisos comerciales en dos tipos de programas: teleseries y juegos de
f
utbol. Se espera que cada minuto de publicidad en horario de teleseries sea visto por al menos 700
mil mujeres y 200 mil varones. Cada minuto de publicidad en horario de f
utbol debera ser visto
por al menos 200 mil mujeres y 1200000 varones. Cada minuto en horario de teleseries cuesta 5
millones de pesos y en horario de f
utbol cuesta 10 millones de pesos. La distribuidora desea que al
menos 2,8 millones de mujeres y 2,4 millones de varones vean los avisos comerciales. Empleando LP
determine c
omo deben ser contratos los minutos de publicidad para satisfacer los requerimientos de la
distribuidora a costo mnimo.
Si entrar en mayores detalles, designando como x1 y x2 la cantidad de minutos de publicidad contratados en horario de teleseries y f
utbol respectivamente, el modelo queda:
Min
st
7x1 + 2x2
2x1 + 12x2
x1
x2
28
24
0
0
(a) Mujeres
(b) Varones
(2.1)
La funcion objetivo se ha escrito en termino de millones y las restricciones se han referido a cientos
de miles personas para simplificar el modelo.
Para resolver el problema se representan las restricciones un plano formado por dos ejes ortogonales
(uno por variable), al igual que el caso anterior. La Figura 2.1 muestra las restricciones, la region
factible y algunas lneas de isocosto.
En este caso, al igual que el anterior, la region factible ABC es convexa, pero en este caso la region
4
Resoluci
on Gr
afica
x2
14
12
10
8
(a)
z=
32
2
0
60
z=
(b)
0
B
4
10
C
12 14
x1
3.
Casos Especiales
3.1.
Optimos
Alternativos o M
ultiples
Ejemplo 3 Una armadura fabrica autos y camionetas. Cada vehculo pasa por una etapa de ensamblaje y por otra de pintado. Si en el taller de pintura s
olo se pintan camionetas, se puede terminar
40 camionetas al da. Si en el taller de pintura s
olo se pintan autos, se pueden terminar 60 autos al
da. Si en el taller de ensamblaje s
olo se trabaja con camionetas, se pueden producir 50 camionetas al
da. Similarmente, si en el taller de ensamblaje s
olo se trabaja con autos, se puede terminar hasta 50
Resoluci
on Gr
afica
autos al da. El beneficio neto de cada camioneta es 3 millones, mientras que el de cada auto es de 2
millones. Emplee LP para determinar la producci
on diaria que maximiza la utilidad de la compa
na.
Escogiendo como x1 y x2 el n
umero diario de camionetas y autos producidos al da, respectivamente,
el modelo de LP que resuelve el problema queda:
Max
st
1
40 x1
1
50 x1
+
+
1
60 x2
1
50 x2
(a) Pintura
(b) Ensamblaje
(3.1)
x1 , x2
12
z=
50
(a)
40
B
z=
20
10
z=
30
60
(b)
10
0
D 0
A
10
20
30
40
50
60
x1
1
de (a):
x1 = 40 1 60
x2
1
reemplazando en z: z = 3 40 1 60
x2 + 2x2
(3.2)
= 120
En la practica, cuando el tomador de decisiones encuentra que existen m
ultiples optimos, debe recurrir
a criterios secundarios para seleccionar un determinado optimo. En la Figura 3.1 el segmento grueso
entre los puntos A y B ilustra el conjunto (infinito) de optimos del problema.
6
3.2.
Resoluci
on Gr
afica
LP No Factibles
st
1
40 x1
1
50 x1
1
60 x2
1
50 x2
(a) Pintura
(b) Ensamblaje
x1
30
(c) Camionetas
x2
20
(d) Autos
x1 , x2
(3.3)
(c)
50
(a)
40
30
(d)
20
(b)
10
0
10
20
30
40
50
60
x1
3.3.
LP No Acotados
Resoluci
on Gr
afica
Ejemplo 4
Max
z = 2x1 x2 (Funci
on Objetivo)
sujeto a (st)
x1 x 2
2x1 + x2
x1 , x2
1
6
0
(a)
(b)
(3.4)
5
(a)
z=
6
(b)
3
z=
4
2
B
1
0
x1