Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La Programaci
on Lineal (LP) es una herramienta para resolver problemas de optimizaci
on que se
caracterizan por tener como funci
on objetivo y restricciones combinaciones lineales de las variables de
decisi
on. La principal ventaja radica en que existe un algoritmo eficiente (SIMPLEX) para resolver
este tipo de modelos.
1.
Conceptos B
asicos
Consideremos el siguiente ejemplo para describir los terminos presentes en todo problema de LP.
Ejemplo 1.
Una mueblera produce mesas y sillas de madera. Cada mesa es vendida en $27000 y requiere $10000
en materiales, adem
as, el costo de unitario por mano de obra se estima en $14000. En el caso de
las sillas, su precio de venta es de $21000 y los costos son de $9000 y $10000, en materiales y mano
de obra respectivamente. La fabricaci
on de cada producto requiere de dos tipos de labores: carpintera
y terminaciones. Una mesa requiere de 1 hora de carpintera y 2 horas de terminaciones. Una silla
requiere de 1 hora de carpintera y 1 hora de terminaciones.
Cada semana, la mueblera puede obtener todos los materiales que desee, sin embargo, se pueden
dedicar hasta 100 horas a las terminaciones y hasta 80 horas a la carpintera. La demanda por mesas
no est
a limitada, mientras que la demanda semanal m
axima por sillas es de 40.
La mueblera desea maximizar sus utilidades (ingresos - costos). Formule un modelo matem
atico que
permita maximizar las utilidades.
1.1.
Variables de Decisi
on
1.2.
Programaci
on Lineal
Funci
on Objetivo
Mesa
Silla
Disponibilidad
Materiales
i
h
$
un.
10000
9000
Mano
h de iObra
$
un.
14000
10000
Carpinter
i a
h
hr.
un.
1
1
80
Terminaciones
i
h
hr.
un.
2
1
100
Dda. Maxima
un.
sem.
40
ingresos
costos de
costos por
(1.2)
semanales
materiales
mano de obra
Luego, se debe expresar los terminos anteriores en funcion de las variables de decision x 1 y x2 .
Supondremos que todas las sillas y mesas fabricadas son vendidas (respentando las condiciones
de mercado del enunciado). As:
ingresos
ingresos
ingresos
=
+
semanales
por mesas
por sillas
=
=
$
mesa
mesas +
$
sillas
semana
semana
silla
27000x1
(1.3)
21000x2
Similarmente:
costos por
= 10000x1 + 9000x2
materiales
costos por
= 14000x1 + 10000x2
mano de obra
(1.4)
(1.5)
Otra opcion para construir la funcion objetivo consiste en calcular previamente los ingresos netos
o utilidades de cada uno de los productos de la mueblera. As:
utilidad por mesa = 27 10 14 = 3
utilidad por silla = 21 9 10 = 2
(1.6)
As, el objetivo de la mueblera es escoger los valores de x1 y x2 tal que se maximize 3x1 + 2x2 .
Denotando por z el valor de la funcion objetivo para cualquier LP, la funcion objetivo de la mueblera
es:
2
Programaci
on Lineal
(1.7)
1.3.
Restricciones
En la medida que las variables x1 y x2 crecen, la funcion objetivo aumenta su valor. Por lo tanto si
se pudiera escoger arbitrariamente el valor de x1 y x2 , la mueblera podra hacer crecer arbitrariamente
el valor de sus utilidades. Evidentemente, en la practica esto no es posible. En este ejemplo, el valor
de las variables esta limitado por las siguientes tres restricciones:
Restricci
on 1 : maximo 100 horas semanales para terminaciones
Restricci
on 2 : maximo 80 horas semanales para carpintera
Restricci
on 3 : produccion maxima de 40 sillas semanales
Se asume que la cantidad disponible de material es ilimitada. Luego, el proximo paso consiste en
formular matematicamente las restricciones anteriores en funcion de las variables de decision. Para
formular la primera restriccion en funcion de las variables x1 y x2 observamos que:
mesas
terminaciones
terminaciones
=
semana
semana
mesa
sillas
(1.8)
+ terminaciones
semana
silla
= 2x1 + 1x2
Por lo tanto la primera restriccion queda:
2x1 + x2 100
Es importante notar que todos los valores en la expresion anterior son por semana, ya que las variables
de decision se han escogido con esa referencia.
Analogamente la segunda restriccion queda:
x1 + x2 80
x2 40
El valor que aparece a la derecha del signo de la desigualdad en cada restriccion se denomina the
constraints right-hand side (rhs) o coeficiente del lado derecho de la restriccion. Usualmente,
representa la cantidad disponible de cierto recurso.
1.4.
Restricci
on de Signo
Para completar la formulacion del modelo es importante definir si existe alguna restriccion de signo
para cada variable de decision.
Si una variable de decision xi debe cumplir condiciones de no-negatividad, debemos agregar la restriccion xi 0. Si la variable de decision xi puede asumir valores positivos y negativos se dice que la
variable xi no tiene restricci
on de signo (srs).
En este ejemplo, ambas variables de decision se refieren a cantidades a producir, por lo tanto son
no-negativas, luego: x1 0 y x2 0. Sin embargo, en otros ejemplos las varibles pueden ser srs, por
ejemplo en el caso de que xi se refiere al saldo de alguna cuenta.
Programaci
on Lineal
Combinando todas las expresiones anteriores, es posible completar el modelo matematico para este
problema de optimizacion:
Max
sujeto a (st)
2x1 + x2
x1 + x 2
x2
x1
x2
100
80
40
0
0
(Restriccion
(Restriccion
(Restriccion
(Restriccion
(Restriccion
de
de
de
de
de
terminaciones)
carpintera)
demanda maxima)
signo)
signo)
(1.9)
Se deja como ejercicio al lector determinar las modificaciones sobre el modelo anterior si:
El excedente de horas de terminaciones puede ser empleado para carpintera y viceversa.
La misma hipotesis del punto anterior pero suponiendo que cada hora de terminaciones equivale
a dos horas de carpintera.
La produccion de mesas no puede exceder al 40 % del total de unidades producidas de mesas y
sillas.
2.
Generalizaci
on
Repasemos en primer lugar algunos conceptos de linealidad de funciones y desigualdades.
Definici
on 1 Una funci
on f (x1 , x2 , , xn ) de x1 , x2 , , xn es una funci
on lineal s y s
olo s para
un conjunto de constantes c1 , c2 , , cn , se tiene: f (x1 , x2 , , xn ) = c1 x1 + c2 x2 + + cn xn
Definici
on 2 Para cualquier funci
on f (x1 , x2 , , xn ) y cualquier n
umero b las desigualdades:
f (x1 , x2 , , xn ) b
f (x1 , x2 , , xn ) b
son desigualdades lineales.
Definici
on 3 Un problema de programaci
on lineal (LP) es un problema de optimizaci
on para el cual
debemos tener presente lo siguiente:
1.
2.
3.
3.
Programaci
on Lineal
Consecuencias y Supuestos
El hecho que la funcion objetivo de un PL sea una funcion lineal de las variables de decision tiene
dos implicancias:
1. La contribucion a la funcion objetivo de cada variable es proporcional al valor de la variable de
decision.
2. La contribucion a la funcion objetivo para toda variable es independiente de los valores de las
otras variables de decision.
Analogamente, el hecho de que cada restriccion sea una ecuacion o desigualdad lineal tambien
tiene dos implicancias:
1. La contribucion de cada variable al coeficiente del lado izquierdo de cada restriccion es proporcional al valor de la variable.
2. La contribucion de cada variable al coeficiente del lado izquierdo de cada restriccion es independiente de los valores de las otras variables.
Las primeras implicancias de la listas anteriores constituyen el Supuesto de Proporci
on en LP.
Las segundas implicancias de las listas anteriores constituyen el Supuesto de Adici
on en LP.
Para que un modelo de LP corresponda a una representacion adecuada de la realidad, las variables
de decision deben satisfacer los dos supuestos anteriores. Adicionalmente, se agregan dos supuestos:
el supuesto de Divisibilidad y el de Certeza.
El Supuesto de Divisibilidad requiere que cada variable de decision pueda tomar valores fraccionarios. En el ejemplo anterior, el supuesto se traduce en que es aceptable producir 2.4 sillas o 1.6
mesas. Evidentemente, el supuesto de divisibilidad no se satisface en el ejemplo. En este caso se puede
proceder a formular el modelo como un problema de programaci
on lineal entera (ILP), problema en el
cual una o mas variables deben ser enteras. Este tipo de problema se estudiara mas adelante. Cuando
no se satisface el supuesto de divisibilidad, una posibilidad es redondear la solucion obtenida a un
valor entero, sin embargo no existen garantas que dicha solucion sea la mejor.
El Supuesto de Certeza exige que cada parametro: coeficientes de la funcion objetivo, coeficientes
del lado derecho, etc. sean conocido con certeza, es decir, no se acepta incertidumbre en sus valores.
Es claro que es muy difcil que un problema cumpla exactamente con todos los supuestos. Sin embargo,
un modelo puede ser u
til aunque difiera de la realidad si se es consistente con los requerimientos mas
estrictos del problema y se tienen presente las limitaciones al interpretar los resultados.
4.
Dos de los conceptos mas fundamentales en LP son el de region factible y de solucion optima de
un problema. Llamaremos punto a la especificacion de un valor para cada variable de decision.
Definici
on 4 La regi
on factible para un LP es el conjunto de puntos que satisfacen todas las restricciones (incluidas las de signo) de un problema de LP.
Programaci
on Lineal
Definici
on 5 En el caso de un problema de maximizaci
on, una soluci
on
optima del LP es un punto
de la regi
on factible que est
a asociado al mayor valor posible de la funci
on objetivo. Similarmente,
para un problema de minimizaci
on, una soluci
on o
ptima es un punto que est
a asociado al menor valor
posible de la funci
on objetivo.
La mayora de los problemas de LP tienen solo una solucion optima. Sin embargo, existen muchos
problemas de LP que no poseen solucion optima o bien poseen varios o infinitos valores optimos.
5.
Algunos Ejemplos
5.1.
Problema de la Dieta
Una dieta diaria satisfactoria debe contener al menos 2000 [kCal], 55 [g] de protenas y 800 [mg] de
Calcio. Se pide formular un modelo que permita determinar una dieta satisfactoria de mnimo costo
a partir de los alimentos indicados en el Tabla 5.1.
h i
Alimento Porcion Energa [kCal] Protenas [g] Calcio [mg] Precio u$
Lmite dua
Avena
Pollo
Huevos
Leche
Pastel
Cerdo
28
100
2
237
170
260
110
205
160
160
420
260
4
32
13
8
4
14
2
12
54
285
22
80
3
24
13
9
20
29
4
3
2
8
2
2
(Funcion Objetivo)
2000
55
800
4
3
2
8
2
2
0 i
(Energa mnima)
(Proteinas mnimas)
(Calcio mnimo)
(Porcion lmite)
(Porcion lmite)
(Porcion lmite)
(Porcion lmite)
(Porcion lmite)
(Porcion lmite)
(Restriccion de signo)
5.2.
Programaci
on Lineal
Problema de Planificaci
on de Personal
Las enfermeras de un hospital llegan cada 4 horas y trabajan en turnos de 8 horas continuas. La
administracion ha decidido definir 6 cambios de turno al da para minimizar las distracciones y los
problemas de comunicacion que ocurren en los cambios de turno.
El hospital ha realizado un analisis del trabajo requerido durante cada uno de los seis bloques horarios
del da. Las caractersticas de cada bloque se muestran en el Tabla 5.2.
Hora del Da
2 AM - 6 AM
6 AM - 10 AM
10 AM - 2 PM
2 PM - 6 PM
6 PM - 10 PM
10 PM - 2 AM
Perodo
1
2
3
4
5
6
N
umero mnimo de enfermeras
25
60
50
35
55
40
1
N1
2
N2
Turno
3
4
N3
N4
N5
N6
60
50
35
55
40
25
Programaci
on Lineal
5.3.
Problema de Planificaci
on de Producci
on
La empresa Sil Computer necesita satisfacer la demanda de computadores por parte de sus clientes
(grandes corporaciones e instituciones educacionales) para los proximos 4 trimestres.
Actualmente, Sil Computer tiene 5000 computadores en inventario. La demanda esperada para los
proximos trimestres son 7000, 15000, 10000 y 8000. Sil Computer tiene el material y la capacidad de
producir hasta 10000 computadores cada trimestre, a un costo de US$ 2000 por computador. Empleando personal de sobretiempo se puede producir hasta 2500 computadores mas a un costo individual
de US$ 2200. Los computadores producidos en un trimestre pueden ser usados para satisfacer la demanda de ese perodo, o bien quedar en inventario para ser usados posteriormente. Cada computador
en inventario tiene un costo adicional de US$100 por perodo para reflejar los costos de almacenaje.
Como puede satisfacer Sil Computer su demanda a costo mnimo?
Modelo:
En este caso la decision a tomar corresponde a la produccion de computadores por trimestre. Como se puede fabricar computadores en horario normal y en sobretiempo es conveniente separar ambos
tipos de produccion en variables distintas. Ademas, se debe decidir en cada perodo cuantas unidades
guardar en inventario. Definamos las siguientes variables ( t = 1 . . . 4):
xt = produccion en el perodo t en horario normal
yt = produccion en el perodo t en sobretiempo
it = inventario al final del perodo t
De acuerdo a las variables definidas podemos formular el modelo completo considerando el balance
trimestral entre lo producido, lo proveniente del perodo anterior en inventario y la demanda del
trimestre respectivo.
Min z = 2000(x1 + x2 + x3 + x4 ) + 2200(y1 + y2 + y3 + y4 ) + 100(i1 + i2 + i3 )
st
5000 + x1 + y1 = 7000 + i1
i1 + x 2 + y2
= 15000 + i2
i2 + x 3 + y3
= 10000 + i3
i3 + x 4 + y4
= 8000
xt
10000
t
yt
2500
t
x t , yt , i t
0
t
Para la formulacion anterior se ha supuesto que cada computador es completamente fabricado
en horario normal o en sobretiempo y que las variables pueden ser no enteras. Evidentemente este
supuesto puede no ser correcto en la situacion real, pero constituye una buena aproximacion del problema.
Revisando la formulacion propuesta, se observa que no existe la variable i 4 Porque no se incluye en
el modelo ? Que pasara si se incorporara ?
5.4.
Programaci
on Lineal
Problema de Transporte
n X
m
X
cij xij
i=1 j=1
Las restricciones corresponden a la capacidad maxima en cada origen y a la demanda en cada destino.
Ademas, como las variables representan cantidades, deben ser positivas.
Pm
xij ei i = 1 . . . n (disponibilidad)
Pj=1
n
i=1 xij dj j = 1 . . . m (demanda)
xij
0 ij
(restriccion de signo)
El problema anterior se dice balanceado si se satisface que:
n
X
ei =
m
X
dj
j=1
i=1
5.5.
Problema de Mezcla
Una refinera de petroleos produce dos tipos de gasolina sin plomo: regular y extra, los cuales vende
a su cadena de estaciones de servicio en US$12 y US$14 por barril, respectivamente. Ambos tipos se
preparan del inventario de petroleo nacional refinado y de petroleo importado refinado que tiene la
refinera y deben cumplir las especificaciones que se presentan en el Tabla 5.3.
Las caractersticas del inventario de petroleos refinados se muestran en el Tabla 5.4.
Formule un modelo de programacion lineal que permita maximizar la ganancia semanal de la refinera.
Regular
Extra
Programaci
on Lineal
Presion maxima
de vapor
23
23
Octanaje
mnimo
88
93
Demanda maxima
[barril/semana]
100.000
20.000
Entregas mnimas
[barril/semana]
50.000
5.000
Nacional
Importado
Presion
de vapor
25
15
Octanaje
87
98
Inventario
[barril]
40.000
60.000
Costo
[US$/barril]
8
15
Donde petroleo refinado tipo 1 corresponde a Nacional y tipo 2 a Importado, gasolina 1 equivale a
Regular y gasolina 2 a Extra. Consideremos las variables anteriores en barriles, de modo de emplear
las proporciones entregadas en el enunciado.
Como se conoce el precio de venta de cada gasolina y el costo de cada petroleo, la funcion objetivo se reduce a maximizar la diferencia entre ingresos y costos, es decir, las utilidades.
M ax
A continuacion construimos las restricciones. Las restricciones respecto de inventario disponible y demanda de cada tipo de gasolina se explican por s solas:
x11 + x12
x21 + x22
x11 + x21
x11 + x21
x12 + x22
x12 + x22
40000
60000
50000
100000
5000
20000
Las restricciones de presion de vapor y de octanaje mnimo deben ser normalizadas respecto de la
10
Programaci
on Lineal
cantidad total fabricada, que no es necesariamente la cantidad maxima o mnima posible de fabricar.
25x11 +15x21
x11 +x21
25x12 +15x22
x12 +x22
87x11 +98x21
x11 +x21
87x12 +98x22
x12 +x22
23
23
88
88
5.6.
0 ij
Problema de Producci
on y Asignaci
on de Personal
Un peque
no taller arma dispositivos mecanicos, ya sea como un producto terminado que entrega
al mercado, o como un proceso intermedio para entregar a una gran fabrica. Trabajan 3 personas
en jornadas de 40 horas semanales. Dos de estos obreros no calificados reciben $0,4 por hora, y el
tercero, un obrero calificado recibe $0,6 por hora. Los tres estan dispuestos a trabajar hasta 10 horas
adicionales a la semana con un salario 50 % superior durante este perodo.
Los costos fijos semanales son de $800. Los gastos de operacion variable son de $1,0 por hora de
trabajo de obrero no calificado y $2,4 por hora de obrero calificado. Los dispositivos mecanicos sin
acabar son vendidos a la planta a $6,5 cada uno. El taller tiene un contrato bajo el cual debe entregar
100 de estos dispositivos semanalmente a la empresa. El due
no del taller tiene como poltica el producir
no mas de 50 dispositivos a la semana por sobre el contrato.
Los dispositivos terminados se venden a $15 cada uno sin restricciones de mercado.
Se requieren 0,5 horas de obrero no calificado y 0,25 horas de obrero calificado para producir un
dispositivo sin acabar listo para entregar a la otra empresa. Uno de estos dispositivos puede ensamblarse y dejarlo terminado agregandole 0,5 horas de trabajador calificado.
Un dispositivo listo para entregar al mercado se puede producir con 0,6 horas de obrero no calificado y 0,5 horas de obrero calificado.
Plantear el modelo de Programacion Lineal que permita responder la consulta: Como y cuanto
producir para cumpir el contrato de modo de maximizar las utilidades ?
Modelo:
En este caso, es posible establecer tres tipo de productos: intermedio (i = 1), intermedio que se
acaba (i = 2) y acabado (i = 3). Por lo tanto, se puede definir las siguientes variables:
xi = cantidad de productos tipo i fabricados
i = 1, . . . 3
De acuerdo al enunciado, los dos obreros no calificados y el obrero calificado trabajan 40 horas semanales fijas, por lo tanto, solo es necesario cuantificar como variables las horas extraordinarias de
trabajo.
zj = horas extraordinarias de los trabajadores tipo j
j = 1, 2
Donde tipo 1 corresponde a obreros no calificados y tipo 2 a obreros calificados.
11
Programaci
on Lineal
Como existe informacion de costos de produccion y de precio de venta para razonable plantear el
problema como uno de maximizacion de utilidades. Luego, debemos expresar la diferencia entre ingresos (I) y costos (C) como funcion de las variables de decision:
I
= 6,5 x1 + 15 (x2 + x3 )
M ax
De acuerdo al enunciado, existen lmite inferior y superior para la demanda de productos intermedios:
x1 100
x1 150
Las otras restricciones tienen que ver con la disponibilidad de mano de obra para produccion:
0,5 (x1 + x2 ) + 0,6 x3
z1
0,25 x1 + 0,75 x2 + 0,5 x3
z2
80 + z1
20
40 + z2
10
5.7.
i, j
Ejemplos adicionales
una demanda mnima diaria de 90 pasajeros a Antofagasta, 100 a Temuco, 200 a Puerto Montt
y de 120 pasajeros a Punta Arenas. Ademas, lo que la aerolnea recibe por pasajero a cada lugar
es de 40 si el destino es Antofagasta, 40 si el destino es Temuco, 45 si el destino es Puerto Montt
y 70 si se viaja a Punta Arenas.
Los datos tanto de operacion y de disponibilidad que actualmente tiene la aerolnea se muestran
en el Tabla 5.6. Finalmente, se ha dispuesto (de preferencia, pero no obligatoriamente) atender
12
Programaci
on Lineal
Tipo de Avion
1
2
3
Capacidad (pasajeros)
50
30
20
N
umero de Aviones
5
8
10
N
umero maximo de viajes diarios a:
Antofagasta Temuco Puerto Montt Punta Arenas
3
2
2
1
4
3
3
2
5
5
4
2
Tabla 5.7: Costos de operacion por viaje
mas de una ruta por cada tipo de avion, ante lo cual se han planteado condiciones al dise
no
del sistema de pasajeros (Tabla 5.7). Determinar el modelo de programacion lineal que permita
optimizar la asignacion de los aviones a las distintas rutas.
Modelo:
Para plantear el problema, se debe definir variables de decision que sean capaces de reflejar
el tipo de avion (i = 1, . . . 3) y el destino (j = 1, . . . 4) al que es asignada. Luego, se define:
xij
= n
umero de aviones de tipo i asignados al destino j
En este problema, no se conoce el valor exacto de la demanda por pasajes ya que solo se conoce
el valor mnimo de la demanda por pasajes. Por lo tanto, se puede formular la funcion objetivo
de dos formas: como un un problema de maximizacion de las utilidades obtenidas de la diferencia
entre el ingreso mnimo asociado a la demanda mnima conocida y el costo de asignacion de los
aviones (ingresos constantes), o bien simplemente como un problema de minimizacion de costos
de asigancion.
Intuitivamente es claro que maximizar una constante menos unas funcion frente a minimizar
la misma funcion es equivalente, por lo que cualquiera de las dos formulaciones conduce a la
misma solucion. Luego, la funcion objetivo queda:
4
3 X
X
Min
cij xij
i=1 j=1
Donde los coeficientes cij corresponden a los datos del Tabla 5.5. Luego, se procede a plantear
las restricciones. En primer lugar se debe garantizar poder satisfacer la demanda mnima, por lo
tanto basta ponderar la capacidad de cada tipo de avion por el n
umero asignado a cada destino
j:
50x1j + 30x2j + 20x3j dj
j = 1, . . . 4
Donde dj representa la demanda de cada destino j, es decir: 90, 100, 200 y 120 para Antofagasta,
Temuco, Puerto Montt y Punta Arenas, respectivamente.
13
Programaci
on Lineal
i = 1, . . . 3
xij ni
j=1
ij
2. Un importador de whisky esta planificando su negocio considerando que en las proximas temporadas tendra las siguientes demandas (en miles de botellas):
Tipo
Seco
Frutoso
A
nejo
Temporadas
1
2
3
4
10 12 14 8
13 15 17 19
21 25 9 11
zij
14
Programaci
on Lineal
Funcion objetivo:
max
4
X
j=1
4 X
3
X
j=1 i=1
3 X
3
X
j=1 i=1
Restricciones:
Disponibilidad de materia prima:
3
X
xijA 2000
j = 1...4
3
X
xijB 2500
j = 1...4
1200
j = 1...4
i=1
i=1
3
X
xijC
i=1
y12 12
y22 15
y23 25
y13 14
y23 17
y33 9
y14 8
y24 19
y34 11
x1jC
0,2
C
X
k=A
C
X
x1jk
j = 1...4
x1jk
j = 1...4
k=A
C
X
x2jA 0,15
x2jk
j = 1...4
k=A
x2jC
0,6
x3jB 0,5
C
X
k=A
C
X
k=A
15
x2jk
j = 1...4
x3jk
j = 1...4
zij
Programaci
on Lineal
i = 1...3
i = 1...3
i = 1...3
k=A
C
X
k=A
C
X
k=A
C
X
i = 1...3
k=A
i, j, k
i, j
16
Programaci
on Lineal
Minimizar costo total = costo de produccion + costo de mano de obra + costo de almacenamiento
M in z =
m
n X
X
xij ci +
n
X
yj cst +
j=1
j=1 i=1
m
n X
X
sij s
j=1 i=1
Restricciones
Mano de obra:
m
X
xij moi hj + yj j = 1, . . . , n
i=1
yj
stj j = 1, . . . , n
Demanda:
sij = sij1 + xij dij i = 1, . . . , m, j = 1, . . . , n
Almacenamiento:
m
X
sij vi v j = 1, . . . , n
i=1
Inventario final:
sin si i = 1, . . . , m
No-negatividad:
xij , sij , yj 0 i = 1, . . . , m, j = 1, . . . , n
4. El Alto Mando Norteamericano empleo un modelo de programacion lineal para planificar la
invasion de sus fuerzas armadas a Irak. El plan consistio en desembarcar tropas y vehculos
militares en las proximidades de la ciudad de Basora, para luego avanzar por tierra a la ciudad
de Nasiriya, luego a Karbala, a continuacion a Bagdad y finalmente a Mosul.
El n
umero de tropas requeridas para tomar cada una de las cinco ciudades se calculo en T i
(i = 1 . . . 5). Se estimo que en cada asalto podran perecer el 5 % de las tropas y podran
perderse el 2 % de los vehculos militares. El costo unitario de trasladar las tropas y vehculos
por tierra entre las ciudades i y j se estimo en kij y mij , respectivamente.
Una vez conquistada una ciudad, el n
umero de soldados necesarios para asegurar su control
se estimo en Ci . Evidentemente, las tropas dejadas en una ciudad para asegurar su control no
pueden seguir en la campa
na de invasion.
En cada tropa, en las que participan en la invasion y en las que aseguran cada ciudad, se debe
asegurar que al menos exista un vehculo cada 10 soldados.
Previo a la invasion de cada ciudad, es posible reforzar el contingente militar enviando paracaidistas. El costo de enviar cada soldado en avion se estimo en p, independiente del punto de
destino.
Los costos de desembarco se estimaron en b para los soldados y en d para los vehculos militares.
17
Programaci
on Lineal
Formule un modelo de programacion lineal que permita planificar la invasion de Irak a costo
mnimo.
Modelo:
Variables:
xi = n
umero de soldados que llegan por tierra a la ciudad i (i = 1 . . . 5)
yi = n
umero de soldados que llegan por aire a la ciudad i (i = 1 . . . 5)
zi = n
umero de soldados que se quedan en la ciudad i (i = 1 . . . 5)
vi = n
umero de vehculos que llegan a la ciudad i (i = 1 . . . 5)
qi = n
umero de vehculos que se quedan en la ciudad i (i = 1 . . . 5)
Funcion objetivo:
M in z = b x1 + d y1 +
5
X
ki1 i xi +
i=2
5
X
mi1 i vi + p
i=2
Restricciones:
Basora:
x1 + y 1 T 1
z1 C 1
x2 = 0,95(x1 + y1 ) z1
1
(x1 + y1 )
v1
10
1
z1
q1
10
v2 = 0,98v1 q1
Nasiriya:
x2 + y 2 T 2
z2 C 2
x3 = 0,95(x2 + y2 ) z2
1
(x2 + y2 )
v2
10
1
q2
z2
10
v3 = 0,98v2 q2
Karbala:
x3 + y 3 T 3
z3 C 3
x4 = 0,95(x3 + y3 ) z3
1
v3
(x3 + y3 )
10
1
z3
q3
10
v4 = 0,98v3 q3
18
5
X
i=1
yi
Programaci
on Lineal
Bagdad:
x4 + y 4 T 4
z4 C 4
x5 = 0,95(x4 + y4 ) z4
1
v4
(x4 + y4 )
10
1
q4
z4
10
v5 = 0,98v4 q4
Mosul:
x5 + y 5 T 4
z5 C 5
1
(x5 + y5 )
v5
10
1
q5
z5
10
Naturaleza de las variables:
x i , yi , z i , v i , q i 0
19