Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Optimizacion Sistemas
Optimizacion Sistemas
Vicerrectorado de Investigacin
OPTIMIZACIN DE SISTEMAS I
TINS Bsicos
INGENIERA INDUSTRIAL, INGENIERA DE SISTEMAS
Lima - Per
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
Desarrollo y Edicin:
Vicerrectorado de Investigacin
Diseo y Diagramacin:
Soporte acadmico:
Instituto de Investigacin
Produccin:
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
PRESENTACIN
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
NDICE GENERAL
CAPTULO 1
PROGRAMACION LINEAL: EL METODO GRAFICO......................
11
CAPTULO 2
PROGRAMACION LINEAL: FORMULACIN DE PROBLEMAS.....
43
CAPTULO 3
EL MTODO SIMPLEX....................................................................
67
CAPTULO 4
EL PROBLEMA DUAL .....................................................................
83
CAPTULO 5
ANALISIS DE SENSIBILIDAD .........................................................
97
CAPTULO 6
PROGRAMACION LINEAL ENTERA...............................................
109
BIBLIOGRAFA ...............................................................................
135
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
DISTRIBUCIN TEMTICA
Clase
N
Tema
Introduccin a la Investigacin de
Operaciones: Origen, Definicin, Modelo,
Tipos de modelo. Metodologa de la
Investigacin de Operaciones.
Programacin Lineal: Definicin, Presentacin
del modelo de P.L., Suposiciones del modelo
de P.L., Interpretacin econmica del modelo
de PL., Propiedades del modelo de PL.,
Formas de mostrar el modelo de PL., Variable
de holgura, Transformaciones en el modelo de
PL.
Semana
Horas
04
04
04
04
04
04
04
04
Revisin Nivelacin
04
10
EXAMEN
10
02
PARCIAL
OPTIMIZACIN DE SISTEMAS I
Clase
N
Tema
Semana
Horas
11
11
04
12
12
04
13
13
04
14
14
04
15
15
04
16
16
04
17
17
04
18
18
04
19
02
19
10
EXAMEN FINAL
OPTIMIZACIN DE SISTEMAS I
CAPTULO 1
PROGRAMACION LINEAL: EL METODO GRAFICO
1.1. INTRODUCCIN
Existen problemas de decisin administrativos que pueden ser resueltos
a travs de un modelo matemtico llamado programacin lineal. Por
ejemplo el fabricante desea elaborar un programa de produccin de
costo mnimo; exigido por la demanda a atender y limitado por su
capacidad de produccin.
Un modelo de programacin lineal busca el objetivo de maximizar
(minimizar) una funcin lineal, sujeta a un conjunto de restricciones
lineales.1
Un modelo de programacin lineal esta compuesto de lo siguiente:
1. Un conjunto de variables de decisin
2. Una funcin objetivo
3. Un conjunto de restricciones
Para formular un modelo de programacin lineal primero se debe
entender el problema y responder a las siguientes preguntas: Cul es
nuestro objetivo econmico? Maximizar utilidades o minimizar costos?
Qu limitaciones de recursos existen? Qu requerimientos mnimos se
necesitan?
Con esto podemos:
(i) Identificar las variables de decisin del modelo, a las que
llamaremos X1, X2, X3,...., Xn.
(ii) Expresar la funcin objetivo como:
Maximizar (o Minimizar) Z = C1 X1 + C2 X2 + C3 X3 +....+ Cn Xn
(iii) Determinar las restricciones del modelo que son funciones lineales
de las variables de decisin. Estas restricciones pueden ser
igualdades (=) o desigualdades de la forma (>, <).
11
OPTIMIZACIN DE SISTEMAS I
Papaya
Naranja
12
OPTIMIZACIN DE SISTEMAS I
X2
(0,1200)
R2
X2 < 1200
R1
X1 < 600
(0,0)
(600,0)
X1
(0,0)
(600,0)
X1
Grfica 1
13
OPTIMIZACIN DE SISTEMAS I
simultneamente.
Existen
infinitos
puntos
factibles
(soluciones).
Se llaman puntos extremos a los vrtices de la regin de factibilidad.
14
OPTIMIZACIN DE SISTEMAS I
X2
R1
(0,1600)
(0,1200)
(400,1200)
B
R2
C
D
(600,1000)
R3
A
(0,0)
(1600,0)
E
(600,0)
X1
Grfica 2
15
OPTIMIZACIN DE SISTEMAS I
Pendiente de la
funcin objetivo
0.30
Grfica 3
X2
0.20
Z1 = 0.30
Z3
(0,1200)
Z2
(0) + 0.20
(400,1200)
B
C
D
Z3 = 0.30
(0) = 0
(0) = 180
Z1
Z4
A
(0,0)
1.3.
E
(600,0)
X1
16
OPTIMIZACIN DE SISTEMAS I
FUNCION OBJETIVO:
Se debe maximizar la rentabilidad total de la inversin en los dos tipos de
bonos.
Maximizar Z = 0.06 X1 + 0.10 X2
RESTRICCIONES:
R1 = Fondo mximo a depositar: X1 + X2 50,000
R2 = Mximo a invertir en bonos tipo A: X1 0.25 (X1 + X2)
0.75 X1 0.25 X2 0
R3 = Mnimo a invertir en bonos tipo B: X2 10,000
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
OPTIMIZACIN DE SISTEMAS I
18
OPTIMIZACIN DE SISTEMAS I
19
OPTIMIZACIN DE SISTEMAS I
20
OPTIMIZACIN DE SISTEMAS I
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
21
OPTIMIZACIN DE SISTEMAS I
1.3.5. La fbrica ABC vende dos tipos de bombas hidrulicas: (1) normal
y (2) extra grande. El proceso de manufactura asociado con la
fabricacin de las bombas implica tres procesos: ensamblado,
pintura y pruebas de control de calidad. Los requerimientos de
recursos para ensamble, pintura y prueba de las bombas se
muestran en la siguiente tabla:
Tabla de Requerimientos de Manufactura
Tiempo de
Tiempo de
Tiempo de
Tipo
Ensamble
Pintado
Prueba
Normal
3.6
1.6
0.6
Extra Grande
4.8
1.8
0.6
La contribucin a las utilidades por la venta de una bomba normal
es $50, en tanto que la utilidad por una bomba extra grande es
$75. Existen disponibles por semana 4,800 horas en tiempo de
ensamble, 1,980 horas en tiempo de pintura y 900 horas en
tiempo de prueba. Las experiencias anteriores de renta sealan
que la compaa puede esperar vender cuando menos 300
bombas normales y 180 de los extra grandes por semana. A la
fbrica ABC le gustara determinar la cantidad de cada tipo de
bomba que debe fabricar semanalmente con el objeto de
maximizar sus utilidades.
22
OPTIMIZACIN DE SISTEMAS I
VARIABLES DE DECISIN:
X1 = Cantidad, en unidades, de bombas hidrulicas normales que se
debe producir por semana
X2 = Cantidad, en unidades, de bombas hidrulicas extragrandes que
se debe producir por semana.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total de los dos productos
Maximizar Z = 50 X1 + 75 X2
RESTRICCIONES:
R1 = Horas disponibles de ensamble: 3.6 X1 + 4.8 X2 4800
R2 = Horas disponibles de pintado: 1.6 X1 + 1.8 X2 1980
R3 = Horas disponibles de prueba: 0.6 X1 + 0.6 X2 900
R4 = Demanda mnima de X1:
X1
300
R5 = Demanda mnima de X2:
X2 180
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
23
OPTIMIZACIN DE SISTEMAS I
2 X1 + 2 X2 300000
3 X1 + 2 X2 450000
X2 1.5 X1
1.5 X1 X2 0
X1 25000
X2 10000
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
24
OPTIMIZACIN DE SISTEMAS I
25
OPTIMIZACIN DE SISTEMAS I
VARIABLES DE DECISIN:
X1 = Cantidad, en onzas, del ingrediente A en la lata de 16 onzas.
X2 = Cantidad, en onzas, del ingrediente B en la lata de 16 onzas.
FUNCION OBJETIVO:
Se debe minimizar el costo total de los ingredientes en la lata de 16
onzas.
Minimizar Z = 0.04 X1 + 0.03 X2
RESTRICCIONES:
R1 = Cantidad de los ingredientes A y B en la lata de 16 oz.: X1+X2=16
R2 = Cantidad mnima de protenas: 0.5 X1 + 0.10 X2 4
R3 = Cantidad mxima de grasas C: 0.125 X1 + 0.333 X2 2.5
0.375 X1 + X2 7.5
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
26
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
de
los
OPTIMIZACIN DE SISTEMAS I
29
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
Ingreso en centavos = 75 X1 + 90 X2
Costo en centavos =
30 (0.25 X1) + 60 (0.25 X1 + 0.50 X2) + 50 (0.50 X1 + 0.50 X2)
Maximizar Z = Ingreso Costo = 27.5 X1 + 35 X2
RESTRICCIONES:
R1 = Gasolina grado 1 disponible: 0.25 X1 75
R2 = Gasolina grado 2 disponible: 0.25 X1 + 0.50 X2 150
R3 = Gasolina grado 3 disponible: 0.50 X1 + 0.50 X2 200
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
1.4.
OPTIMIZACIN DE SISTEMAS I
32
OPTIMIZACIN DE SISTEMAS I
VARIABLES DE DECISIN:
X1 = Cantidad, en litros, del producto qumico que se debe producir con
el proceso anterior.
X2 = Cantidad, en litros, del producto qumico que se debe producir con
el proceso nuevo.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total del producto qumico en los dos
procesos
Maximizar Z = 30 X1 + 20 X2
RESTRICCIONES:
R1 = Descarga mxima de dixido de azufre: 15 X1 + 5 X2 10500
R1 = Descarga mxima de partculas: 40 X1 + 40 X2 30000
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
1.4.3. INDUMIL, un fabricante progresista de mecanismos civiles y
militares, fabrica actualmente una lnea de armas para civiles, con
una produccin actual diaria de 30 unidades del modelo Z-1200 y
de 120 unidades del modelo Z-1500. El gerente de manufactura
quiere saber si podran aumentarse las ganancias cambiando la
mezcla de productos entre los dos modelos. Se compil la
siguiente informacin sobre las horas requeridas para la
fabricacin de cada modelo y las capacidades de los
departamentos de la fbrica.
Departamento
1
2
3
4
Contribucin
por unidad
a)
b)
Horas-Hombre Requeridas
Modelo
Modelo
Z-1200
Z-1500
2.0
0.0
0.0
3.0
2.0
2.0
1.2
1.5
$50
Horas
Disponibles
por da
300
540
440
300
$40
OPTIMIZACIN DE SISTEMAS I
c)
VARIABLES DE DECISIN:
X1 = Cantidad, en unidades, del producto Z-1200 que se debe producir
por da.
X2 = Cantidad, en unidades, del producto Z-1500 que se debe producir
por da.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total de los dos productos
Maximizar Z = 50 X1 + 40 X2
RESTRICCIONES:
R1 = Horas disponibles del Departamento 1: 2 X1 300
R2 = Horas disponibles del Departamento 2: 3 X2 540
R3 = Horas disponibles del Departamento 3: 2 X1 + 2 X2 440
R4 = Horas disponibles del Departamento 4: 1.2 X1 + 1.5 X2 300
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
1.4.4. JUGUETES SAC fabrica dos tipos de juguetes de madera:
soldados y trenes. Se vende un soldado a $27 y se usan $10 de
materia prima. Cada soldado que se produce aumenta los costos
variables de mano de obra y los costos generales en $14. Se
vende un tren a $21 y se usan $9 de materia prima. Cada tren
producido aumenta los costos variables de mano de obra y los
costos generales en $10. La produccin de soldados y trenes de
madera necesita dos tipos de trabajo especializado: carpintera y
acabado. Un soldado requiere 2 horas de acabado y una hora de
carpintera. Un tren requiere 1 hora de acabado y 1 hora de
carpintera. Cada semana, la empresa puede conseguir toda la
materia prima que necesita, pero solamente dispone de 100 horas
de acabado y 80 horas de carpintera. La demanda de los trenes
no tiene lmite, pero se venden a lo ms 40 soldados
semanalmente. La firma quiere maximizar su ganancia semanal
(ingresos - costos).
a) Formule un modelo matemtico para la situacin de
JUGUETES SAC que se pueda utilizar para maximizar su
ganancia semanal.
b) Determine grficamente la regin factible del problema y el
punto donde se hace mxima la ganancia de la compaa.
34
OPTIMIZACIN DE SISTEMAS I
VARIABLES DE DECISIN:
X1 = Cantidad de soldados de madera que se debe producir por
semana.
X2 = Cantidad de trenes de madera que se debe producir por semana.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total (ingreso menos costo) de los dos
productos:
Ingreso por ventas = 27 X1 + 21 X2
Costo de materia prima = 10 X1 + 9 X2
Costo de mano de obra y costos generales = 14 X1 + 10 X2
Maximizar Z = Ingresos Costos = 3 X1 + 2 X2
RESTRICCIONES:
R1 = Horas disponibles de carpintera: 1 X1 + 1 X2 80
R2 = Horas disponibles de acabado: 2 X1 + 1 X2 100
R3 = Demanda mxima de soldados:
X1 40
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
1.4.5. Financiera Solucin administra fondos de empresas y clientes
pudientes. La estrategia de inversin se adecua a las necesidades
de cada cliente. Para un cliente nuevo, a Financiera Solucin (FS)
se le ha autorizado invertir 1.2 millones de dlares en dos fondos
de inversin: un fondo de acciones y un fondo de bonos. Cada
unidad del fondo de acciones cuesta 50 dlares, con una tasa de
rendimiento anual de 10%; cada unidad del fondo de bonos
cuesta 100 dlares, con una tasa de rendimiento anual de 4%.
El cliente desea minimizar el riesgo, pero quiere tener un ingreso
anual sobre la inversin de por lo menos 60,000 dlares. De
acuerdo con el sistema de medicin de riesgo de FS, cada unidad
adquirida en el fondo de acciones tiene un ndice de riesgo de 8, y
cada unidad adquirida en el fondo de bonos tiene un ndice de
riesgo de 3. El ndice de riesgo ms elevado asociado con el
fondo de acciones indica, simplemente, que se trata de la
inversin ms riesgosa.
El cliente de la financiera tambin ha especificado que se inviertan
por lo menos 300,000 dlares en el fondo de bonos.
35
OPTIMIZACIN DE SISTEMAS I
1.5.
PROBLEMAS PROPUESTOS
36
OPTIMIZACIN DE SISTEMAS I
a)
b)
Protenas
Hidratos
Grasas
Costo
(pts/kg)
600
400
37
OPTIMIZACIN DE SISTEMAS I
38
OPTIMIZACIN DE SISTEMAS I
1.5.9. Una compaa minera tiene abiertas dos minas M1 y M2, desde
las cuales transporta carbn a dos grupos G1 y G2 de una central
trmica. De la mina M1 salen diariamente para la central 800T de
antracita y de la mina M2 300T.
De las 1100T, 500 tienen que ir hasta el grupo G1 y 600T hasta el
grupo G2. El coste de cada tonelada transportada de M1 a G1 es
de 60$, el de A1 a G2 de 80$, el de M2 a G1 de 40$ y el de M2 a
G2 de 50$.
Cuntas toneladas hay que transportar desde cada mina hasta
cada grupo para que el coste total sea mnimo?.
1.5.10. Una asociacin agrcola tiene de dos parcelas: la parcela P1
tiene 400Ha de tierra utilizable y dispone de 500m3 de agua,
mientras la parcela P2 tiene 900Ha de tierra utilizable y dispone
de 1200m3 de agua. Los cultivos aconsejados son: remolacha y
algodn. La remolacha consume 3m3 de agua por Ha y tiene un
beneficio de 700$ por Ha y el algodn consume 2m3 de agua por
Ha y tiene un beneficio de 500$ por Ha. Se ha establecido una
cuota mxima por Ha para cada cultivo: 800 para la remolacha y
600 para el algodn, siendo el porcentaje total de terreno cultivado
el mismo en cada parcela.
Plantear el problema de programacin lineal.
1.5.11. Una empresa constructora dispone de dos tipos de camiones C1
y C2 y quiere transportar 100T de arena a una obra. Sabiendo que
dispone de 6 camiones tipo C1 con capacidad para 15T y con un
coste de 4000pts por viaje y de 10 camiones tipo C2 con una
capacidad de 5T y con un coste de 3000pts por viaje.
a)
b)
c)
39
OPTIMIZACIN DE SISTEMAS I
1.5.14. Un joyero fabrica dos tipos de anillos: los anillos A1 precisan 1g.
de oro y 5g. de plata vendindolos a $40 cada uno. Para los
anillos tipo A2 emplea 1,5g. de oro y 1g. de plata y los vende a
$50. El joyero dispone en su taller de 750g. de cada metal.
Calcular cuntos anillos debe fabricar de cada clase para
obtener el mximo beneficio?
1.5.15. Electrn S.A. produce 2 tipos de monitores para PC; de 17 y 15
(conocidos como M17 y M15). Los pronsticos de mercado
indican que ser posible vender todos los monitores que se
puedan producir para el siguiente mes.
Cada monitor pasa por un proceso en el departamento electrnico
(DE) y otro en el departamento mecnico (DM) y adems es
sometido a verificacin de calidad en el dpto. CC.
En el DE se disponen de 150 hrs. de operacin, en el DM de 160
hrs.
Por acuerdo con los trabajadores deben utilizarse al menos el
90% del total de una meta de 150 hrs. en el departamento de
verificacin de calidad CC.
El monitor M17 tiene un costo de produccin de $ 1,200 y se
vender a $ 1,700 y requiere de 10 hrs. de operacin en el DE,
20 hrs en el DM y 30 hrs de control de calidad.
40
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
b.
42
OPTIMIZACIN DE SISTEMAS I
CAPTULO 2
PROGRAMACION LINEAL: FORMULACIN DE PROBLEMAS
2.1.
Nueva
York
$ 120
210
150
Boston
Chicago
$ 150
220
170
$ 80
150
150
Los
Angeles
$ 250
100
240
Dallas
$ 180
110
200
43
OPTIMIZACIN DE SISTEMAS I
FORMULACIN:
Variables de Decisin:
Sea:
X11 = Nmero de cajas enviadas de la primera fbrica (Cincinnati) al
primer almacn (Nueva York), en miles de cajas.
Anlogamente:
X12, X13, X14, X15
Funcin Objetivo:
El objetivo es minimizar costos de transporte.
Minimizar: Z =
OPTIMIZACIN DE SISTEMAS I
Los Angeles:
Dallas:
Por ltimo, todas las X deben ser mayores o iguales que cero.
La solucin de este problema de programacin lineal ofrecer el
programa ptimo de envos (es decir, el de menor costo) para la
compaa. Es un ejemplo de un tipo especial de problema, conocido, de
manera bastante natural, como el problema de transporte.
En resumen, la formulacin completa de este problema es:
Minimizar Z = 120X11 + 150X12 + 80X13 + 250X14 + 180X15 +
210X21 + 220X22 + 150X23 + 100X24 + 110X25 +
150X31 + 170X32 + 150X33 + 240X34 + 200X35
Sujeto a:
Condicin de no negatividad
X11, X12, ., , X35 > 0
45
OPTIMIZACIN DE SISTEMAS I
Octanaje
Presin de vapor
Cantidad
disponible
104
30 000 barriles
94
70 000 barriles
Octanaje
mnimo
Presin de
vapor mxima
102
96
Ventas
mximas
20 000
barriles
Cualquier
cantidad
Precio de venta
(por barril)
$45.10
$32.40
FORMULACIN:
Variables de Decisin:
Sea:
X1 = Nmero de barriles de gasolina para la mezcla 1 utilizados en
gasolina para aviacin
X2 = Nmero de barriles de gasolina para la mezcla 2 utilizados en
gasolina para aviacin
46
OPTIMIZACIN DE SISTEMAS I
X3 =
X4 =
Funcin Objetivo:
La funcin objetivo es maximizar Z = Ingresos totales:
Maximizar: Z = 45.10 (X1 + X2) + 32.40 (X3 + X4)
= 45.10 X1 + 45.10 X2 + 32.40 X3 + 32.40 X4
Observe que X1 + X2 es la cantidad total de gasolina para aviacin
mezclada (en barriles); como se vende a 45.10 dlares por barril, los
ingresos por este producto son 45.10 (X1 + X2). De manera anloga, los
ingresos por la gasolina para motor son de 32.40 (X3 + X4) y la suma de
estos trminos representa los ingresos totales.
Restricciones:
Hay varios tipos de restricciones que afectan la forma en que la refinera
mezclar su gasolina. La primera es el nivel de ventas o tamao de la
demanda, el hecho de que no pueden venderse ms de 20 000 barriles
de gasolina para aviacin. Lo anterior puede expresarse as:
X1 + X2 < 20 000
Otro conjunto de restricciones se refiere a las cantidades disponibles de
las gasolinas para mezcla. Entonces:
X1 + X3 < 30 000
Observe que X1 + X3 representa la cantidad total de gasolina para
mezcla 1 (la suma de la cantidad utilizada en gasolina para aviacin, X1,
y la cantidad usada en gasolina para motores, X3). La ecuacin anterior
establece que la cantidad de gasolina para mezcla 1 no debe exceder la
cantidad disponible, 30 000 barriles. Hay una restriccin similar para la
gasolina para la mezcla 2:
X2 + X4 < 70 000
Otro conjunto de restricciones tiene que ver con el octanaje de las
gasolinas finales. Recuerde que la cantidad total de la gasolina para
aviacin es X1 + X2 y su octanaje estar definido por las cantidades
relativas de X1 + X2, de acuerdo con la siguiente frmula:
47
OPTIMIZACIN DE SISTEMAS I
Octanaje
de la
gasolina para aviacin
104 * X1 + 94 * X2
-------------------------X1 + X2
Las cifras 104 y 94 provienen de la tabla 2.1 y son los octanajes de las
gasolinas para mezcla 1 y 2, respectivamente. En la tabla 2.2 se observa
que el octanaje de la gasolina para aviacin debe ser por lo menos 102,
por lo cual se tiene la siguiente restriccin:
104 X1 + 94 X2
------------------- > 102
X1 + X2
Al acomodar la expresin para convertirla en restriccin lineal, se tiene:
104 X1 + 94 X2 > 102 X1 + 102 X2 o
(104 X1 102 X1) + (94 X2 102 X2) > 0,
2 X1 8 X2 > 0
Anlogamente, para la gasolina para motores, se tiene:
104 X3 + 94 X4 > 96(X3 + X4)
8 X3 2 X4 > 0
El ltimo conjunto de restricciones tiene que ver con los requisitos de
presin de vapor de las gasolinas finales. En el caso de la gasolina para
aviacin, la restriccin es:
5 X1 + 9 X2 < 6(X1 + X2)
X1 + 3X2 < 0
y el requisito de presin de vapor de la gasolina para motores es:
5 X3 + 9 X4 < 8(X3 + X4)
3X3 + X4 < 0
En resumen, la formulacin total del modelo de programacin lineal es:
Maximizar Z = 45.10X1 + 45.10X2 + 32.40X3 + 32.40X4
Sujeto a:
48
X1 + X2 < 20 000
Restriccin de la demanda
X1 + X3 < 30 000
X2 + X4 < 70 000
Restricciones de disponibilidad
de gasolina para mezclas
2 X1 8 X2 > 0
8 X3 2 X4 > 0
Restricciones de
octanaje
OPTIMIZACIN DE SISTEMAS I
X1 + 3X2 < 0
3X3 + X4 < 0
Restricciones de
presin de vapor
Condicin de no negatividad
X1, X2, X3, X4 > 0
Ejercicio 2.1.3: Problema de programacin de actividades
Una empresa tiene un programa estricto de compromisos de entrega de
un producto para los prximos seis meses. El costo de produccin vara
por mes, por los cambios anticipados en costos de materiales. La
capacidad de produccin de la compaa es de 100 unidades por mes
con tiempo normal y hasta 15 unidades adicionales por mes con tiempo
extra.
La siguiente tabla muestra los requerimientos de entrega y los costos de
produccin por mes.
Requerimientos y costos
Mes
Compromisos de entrega
(unidades)
Costo por unidad en
tiempo normal
Costo por unidad en
tiempo extra
95
85
110
115
90
105
$30
30
32
32
31
32
$35
35
37
37
36
37
49
OPTIMIZACIN DE SISTEMAS I
(no
Funcin Objetivo:
El objetivo es minimizar costos:
Minimizar: Z = 30X1 + 30X2 + 32X3 + 32X4 + 31X5 + 32X6 +
35Y1 + 35Y2 + 37Y3 + 36Y4 + 37Y5 + 37Y6 +
2I1 + 2I2 + 2I3 + 2I4 + 2I5 + 2I6
La primera parte de esta expresin es el costo de la produccin en
tiempo normal multiplicado por las cantidades producidas en tiempo
normal cada mes. La segunda parte representa el costo de produccin
en tiempo extra multiplicado por las cantidades que se producen en
tiempo extra cada mes. La tercera parte es el costo de almacenamiento
de las unidades que no se vendan, multiplicados por el nmero de
unidades no vendidas cada mes.
Restricciones:
Las restricciones de la produccin en tiempo normal son:
Por ltimo, se requiere un grupo de restricciones de enlace o de
equilibrio para unir los perodos y asegurar que se cumplan los
compromisos de entrega. Estas restricciones tienen la siguiente forma:
(Fuentes de las unidades) = (Usos de las unidades)
Inventario Pr oduccin en Pr oduccin en Compromisos Inventario
Inicial + tiempo normal + tiempo extra = de entrega + final
OPTIMIZACIN DE SISTEMAS I
Mes 5:
Mes 6:
I4 + X5 + Y5 - I5 = 90
I5 + X6 + Y6 - I6 = 105
Puesto que el inventario final debe ser cero, la ltima restriccin es:
I6 = 0
En resumen, la formulacin es:
Minimizar: Z = 30 X1 + 30 X2 + 32 X3 + 32 X4 + 31 X5 + 32 X6 +
35 Y1 + 35 Y2 + 37 Y3 + 36 Y4 + 37 Y5 + 37 Y6 +
2 I 1 + 2 I 2 + 2 I 3 + 2 I 4 + 2 I 5 + 2 I6
Sujeto a:
X1 + Y1
I1 + X2 + Y2
I2 + X3 + Y3
I3 + X4 + Y4
I4 + X5 + Y5
I5 + X6 + Y6
- I1 = 95
- I2 = 85
- I3 = 110
- I4 = 115
- I5 = 90
- I6 = 105
X1 < 100
X2 < 100
X3 < 100
X4 < 100
X5 < 100
X6 < 100
Y1 < 15
Y2 < 15
Y3 < 15
Y4 < 15
Y5 < 15
Y6 < 15
I6 = 0
Restricciones
de balance de
inventario
Restricciones
de produccin
en tiempo normal
Restricciones
de produccin
en tiempo extra
Restriccin de inventario final
Condicin de no negatividad
X1, X2, X3, X4, X5, X6 > 0
Y1, Y2, Y3, Y4, Y5, Y6 > 0
I1, I2, I3, I4, I5, I6 > 0
Ejercicio 2.1.4: Problema de produccin
Una empresa fabricante de tostadoras elctricas, debe tomar una
decisin sobre la produccin de un nuevo modelo. La empresa tiene la
posibilidad de emplear 3 tcnicas alternativas de produccin: manual,
semi-automtica y mediante el empleo de robots.
51
OPTIMIZACIN DE SISTEMAS I
TECNICA DE ENSAMBLADO
Manual
Semi-automtica Robotizada
1 min
4 min
8 min
40 min
30 min
20 min
3 min
2 min
4 min
OPTIMIZACIN DE SISTEMAS I
Meses-hombre
requeridos
60
50
60
Mes
Abril
Mayo
Junio
Meses-hombre
requeridos
80
70
100
FORMULACIN:
Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en
cualquier mes depende de la fuerza de trabajo regular y en
adiestramiento del mes anterior. Para cualquier mes, el nmero total de
meses-hombre disponibles se puede expresar como sigue:
Variables de Decisin
Meses-hombre disponibles: Ri + 0.2Ai
en donde:
Ri = nmero de trabajadores regulares al principio del mes
Ai = nmero de aprendices contratados en el mes.
Funcin Objetivo
El objetivo global del gerente de personal es minimizar el costo de
personal
Minimizar Z =
800 (R1 + R2 + R3 + R4 + R5 + R6) + 500 (A1 + A2 + A3 + A4 + A5 + A6)
53
OPTIMIZACIN DE SISTEMAS I
Restricciones
Entonces los requerimientos de cada mes pueden expresarse por las
restricciones:
enero
R1 + 0.2A1
60
febrero
R2 + 0.2A2
50
marzo
R3 + 0.2A3
60
abril
R4 + 0.2A4
80
mayo
R5 + 0.2A5
70
junio
R6 + 0.2A6
100
julio (principio)
R7
110
R1
R2
R3
R4
R5
R6
R7
=
=
=
=
=
=
=
58 (dado)
0.9 R1 + A1
0.9 R2 + A2
0.9 R3 + A3
0.9 R4 + A4
0.9 R5 + A5
0.9 R6 + A6
Condicin de No Negatividad:
R1, R2, R3, R4, R5, R6, R7, A1, A2, A3, A4, A5, A6 > 0
Ejercicio 2.1.6: Problema de presupuesto militar
Un gobierno ha dispuesto 7500 millones de dlares de su presupuesto
general para fines militares. El 60% del presupuesto militar se usara para
comprar tanques, aviones y misiles. stos pueden adquirirse a un costo
por unidad de 3, 10 y 4 millones de dlares, respectivamente. Se ha
54
OPTIMIZACIN DE SISTEMAS I
X3 < 1
X2
2
55
OPTIMIZACIN DE SISTEMAS I
Sujeto a:
Cantidad mnima de tanques:
Cantidad mnima de aviones:
Cantidad mxima de aviones:
Relacin de misiles con aviones:
Presupuesto militar:
X1 > 200
X2 > 200
X2 < 300
4X3 X2 > 0
2X3 X2 < 0
3 X1 + 10X2 + 4X3 = 4500
Condicin de No Negatividad:
X1, X2, X3 > 0.
Ejercicio 2.1.7: Problema de Mezclas.
Un comerciante compra azcar a granel y vende al detalle. Para
venderla tiene dos alternativas: envases de 1 kg y envases de 5 kg. El
precio de venta es $300 y $250 por kg respectivamente, y en el mercado
del azcar al detalle se pueden vender 20.000 kg en envases de 1 kg y
17.000 en envases de 5 kg.
Debido a un contrato anterior se deben entregar 5.000 kg en envases de
5 kg a un determinado cliente.
El comerciante se puede abastecer de azcar desde dos proveedores. El
primero le puede vender hasta 15.000 kg a un precio de $90 por kg, y el
segundo le ofrece la cantidad de azcar que el comerciante desee, pero
a un precio de $110 por Kg. y debido a requerimientos de sus
distribuidores el comerciante debe vender menos del tercio del azcar en
envases de 1 kg.
Adems, suponga que el precio de los envases y el proceso de
envasado son nulos, y que el comerciante no tiene azcar almacenada y
vende todo el azcar que compra.
56
OPTIMIZACIN DE SISTEMAS I
R1
R2
R3
R4
R5
(XA2 + XB2) 0.
R6
57
OPTIMIZACIN DE SISTEMAS I
Condicin de No Negatividad
Xij 0
i = A, B
j = 1. 2
Ejercicio 2.1.8: Planificacin de Personal
Las enfermeras de un hospital llegan cada 4 horas y trabajan en turnos
de 8 horas continuas. La administracin ha decidido la idea de definir 6
cambios de turno al da para minimizar las distracciones y los problemas
de comunicacin que ocurren en los cambios de turno.
El hospital ha realizado un anlisis del trabajo requerido durante cada
uno de los seis perodos del da.
Las caractersticas de cada perodo son las siguientes:
Nmero
Perodo
Mnimo
Enfermeras
2 AM - 6 AM
1
25
6 AM - 10 AM
2
60
10 AM - 2 PM
3
50
2 PM - 6 PM
4
35
6 PM - 10 PM
5
55
10 PM - 2 AM
6
40
HORA DEL
DIA
58
OPTIMIZACIN DE SISTEMAS I
Restricciones
Para construir las restricciones es conveniente recurrir a una
representacin grfica de los turnos:
60
50
35
55
40
25
Condicin de No Negatividad
Ni 0 i = 1, 2, ., 6
Ejercicio 2.1.9: Programacin de la produccin
Aceros Arequipa produce un acero especial usado en la industria de la
construccin. El departamento de ventas de Aceros Arequipa ha recibido
pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para cada uno
de los siguientes cuatro meses. La empresa puede satisfacer estas
demandas produciendo el acero, extrayndolo de su inventario, o usando
cualquier combinacin de las dos alternativas. Se proyecta que los
costos de produccin por tonelada de acero durante cada uno de los
siguientes cuatro meses sean de $7400, $7500, $7600 y $7650. Como
los costos suben cada mes, debido a las presiones inflacionarias, tal vez
sea mejor que Aceros Arequipa produzca ms acero del que necesita en
un mes determinado y que almacene el exceso. La capacidad de
59
OPTIMIZACIN DE SISTEMAS I
Demanda (tons)
Costo de produccin ($/ton)
Costo de inventario ($/ton/mes)
Mes 1
2400
7400
120
Mes 2
2200
7500
120
Mes 3
2700
7600
120
Mes 4
2500
7650
120
60
OPTIMIZACIN DE SISTEMAS I
Restricciones:
P0 = 1800 Produccin del mes anterior al mes 1.
P1 < 4000 Cantidad mxima de produccin en el mes 1
P2 < 4000 Cantidad mxima de produccin en el mes 2
P3 < 4000 Cantidad mxima de produccin en el mes 3
P4 < 4000 Cantidad mxima de produccin en el mes 4
I0 = 1000
Inventario inicial del mes 1 es 1000 toneladas
I4>= 1500
Inventario para el mes 4 es al menos 1500 toneladas
Relacin Contable
Mes
Inventario Inicial + Produccin Inventario Final = Demanda
1
I0
+
P1
I1
= 2400
2
I1
+
P2
I2
= 2200
+
P3
I3
= 2700
3
I2
4
I3
+
P4
I4
= 2500
Relacin de Aumento y Disminucin de Produccin
Mes 1
P1 P0 A1 + D1 = 0
Mes 2
P2 P1 A2 + D2 = 0
Mes 3
P3 P2 A3 + D3 = 0
Mes 4
P4 P3 A4 + D4 = 0
El artificio para esta restriccin es darle un valor positivo a Ai si la
diferencia de produccin de un mes a otro es positivo o darle un valor
positivo a Di si la diferencia es negativa. Los dos valores (Ai y Di) no
pueden ser positivas, uno de ellos es positivo y el otro cero, dado que la
funcin objetivo determinar la ms conveniente para minimizarlo.
Condicin de No Negatividad
Ii > 0; para todo i(=1,2,3,4)
Pi > 0; para todo i(=1,2,3,4)
Ai > 0; para todo i(=1,2,3,4)
Di > 0; para todo i(=1,2,3,4)
61
OPTIMIZACIN DE SISTEMAS I
2.2.
62
OPTIMIZACIN DE SISTEMAS I
Aleacin
A
B
Especificaciones
A lo ms 80% de I
A lo ms 30% de II
Al menos 50% de IV
Entre 40% y 60% de II
Al menos 30% de III
A lo ms 70% IV
Constituyentes (%)
Mineral
Cantidad
max.
(tons)
II
III
IV
OTROS
Precio
($ / ton)
1000
20
10
30
30
10
30
2000
10
20
30
30
10
40
3000
70
20
50
63
OPTIMIZACIN DE SISTEMAS I
Ingreso
64
OPTIMIZACIN DE SISTEMAS I
65
OPTIMIZACIN DE SISTEMAS I
PRODUCCIN
Canastos/sem
ana
Artesano dedicado slo a la produccin
10
Artesano dedicado a prod. y entrenamiento
5
Aprendiz
5
Novato
1
SALARIOS
$/semana
30.000
40.000
15.000
5.000
Cada artesano puede entrenar hasta dos novatos por semana (el
entrenamiento de un novato slo dura una semana). Todo
excedente de produccin semanal puede ser guardado para
cumplir los siguientes compromisos comerciales.
Los analistas de la empresa estiman que la demanda semanal de
canastos difcilmente superar los noventa canastos, por lo que
han decidido terminar el perodo sin novatos y aprendices, pero
con al menos nueve artesanos. Los reglamentos sindicales de la
empresa prohben los despidos por reduccin de personal.
Formule un modelo de programacin lineal que permita definir las
contrataciones a realizar, de modo de cumplir los compromisos
comerciales a costo mnimo.
66
OPTIMIZACIN DE SISTEMAS I
CAPTULO 3
EL MTODO SIMPLEX
OPTIMIZACIN DE SISTEMAS I
(2)
68
OPTIMIZACIN DE SISTEMAS I
69
OPTIMIZACIN DE SISTEMAS I
3.
4.
70
OPTIMIZACIN DE SISTEMAS I
b2.
Cantidad
b3.
y la condicin de no negatividad:
x1 >= 0;
x2 >= 0;
x3>= 0
Puesto que cada una de las restricciones es del tipo menor o igual,
debemos sumar nuevas variables no negativa, variables de holgura, para
obtener:
5x1 + 5x2 + 10x3 + s1
10x1 + 8x2 + 5x3
10x1 + 5x2
+ s2
+ s3
= 1000
= 2000
= 500
71
OPTIMIZACIN DE SISTEMAS I
cj
ck
0
0
0
xk
s1
s2
s3
b
1000
2000
500
zj
0
cj zj
100
x1
5
10
10
0
100
200
50
x3
x2
5
10
8
5
0
5
0
0
200
50
u
x2: variable entrante
0
s1
1
0
0
0
0
0
s2
0
1
0
0
0
0
s3
0
0
1
0
0
200
250
100t
s3: variable
saliente
En la tabla simplex, la primera fila cj, son los coeficientes de las variables
en la funcin objetivo. La primera columna ck, es la de los coeficientes
de las variables bsicas en la primera solucin, la columna xk es la
solucin y contiene a las variables bsicas de la presente solucin, la
siguiente columna b contiene el vector solucin, es decir los valores que
toman las variables bsicas en la solucin actual. La sub-matriz bajo las
columnas x1, x2 y x3 son los vectores estructurales, es decir los
coeficientes de las variables en las restricciones. La sub-matriz bajo las
columnas s1, s2 y s3, es la matriz de vectores unitarios. Ntese que
cada variable bsica est colocada en la fila en la que aparece el 1 de
su vector unitario. En la ltima columna se encuentra el cociente .
En la penltima fila de la tabla se encuentra zj que se calcula a partir de
la expresin:
Zj = ci aij
Y la ltima fila de la tabla, cj zj, se obtiene restando de cada elemento
de la primera fila cj el correspondiente elemento zj.
En la solucin bsica factible inicial, las variables bsicas son: s1=1000;
s2 = 2000; s3 = 500.
Para hacer la prueba de optimalidad a esta solucin, evaluamos la
ltima fila de la tabla,
cjzj, vemos que existen varios valores positivos, por lo tanto la solucin
puede ser mejorada. Por la regla del ascenso ms rpido, escogemos
como variable entrante en la siguiente solucin a la variable x2 por tener
el cjzj ms positivo. Para determinar la variable saliente, calculamos el
cociente = min bi / aik para todo los aik >0, la variable saliente
72
OPTIMIZACIN DE SISTEMAS I
ck
0
0
200
cj
xk
b
500
s1
s2
1200
x2
100
zj 20000
cj zj
100
x1
-5
-6
2
400
-300
200
x2
0
0
1
200
0
50
x3
10
5
0
0
50
u
x2: variable entrante
0
s1
1
0
0
0
0
0
s2
0
1
0
0
0
0
s3
-1
-1.6
0.2
40
-40
0
s1
0.1
-0.5
0
5
-5
0
s2
0
1
0
0
0
0
s3
-0.1
-1.1
0.2
35
-35
50t
240 sal
--
Tabla ptima:
cj
ck
xk
b
50
50
x3
s2
950
0
x2
100
200
zj 20500
cj zj
100
x1
-0.5
-3.5
2
375
-275
200
x2
0
0
1
200
0
50
x3
1
0
0
50
0
Tabla de la
2da Iterac.
No se fabrica el producto 1.
Fabricar 100 tons. del producto 2.
Fabricar 50 tons. del producto 3.
Se consume todo el mineral b1.
73
OPTIMIZACIN DE SISTEMAS I
s2 = 950
Hay un sobrante de 950 tons. del mineral b2.
s3 = 0
Se consume todo el mineral b3.
Z = $22,500 Mximo beneficio.
VARIABLES ARTIFICIALES
MAXIMIZACIN CON RESTRICCIONES DADAS POR IGUALDADES
Consideremos el mismo ejemplo de maximizacin, una de cuyas
restricciones sea una igualdad. Podemos cambiar una restriccin del
problema, exigiendo que todo el mineral b2 sea utilizado en la
produccin. Esto se hace incluyendo una igualdad en la segunda
restriccin. Considerando las variables de holgura en la primera y tercera
restriccin, tenemos:
5x1 + 5x2 + 10x3 + s1
10x1 + 8x2 + 5x3
10x1 + 5x2
+ s2
= 1000
= 2000
= 500
+ a1
+ s2
= 1000
= 2000
= 500
OPTIMIZACIN DE SISTEMAS I
grande, tan grande que puede dominar a los dems nmeros que
aparecen en el problema. El hecho de penalizar a la variable artificial en
la funcin objetivo con un coeficiente M, se conoce como el mtodo de
la penalizacin.
Cuando se realiza el algoritmo simplex en un problema que contiene
variables artificiales, existen tres casos posibles:
1)
2)
3)
xk
s1
a1
s2
zj
cj-zj
0
-M
100
s1
a1
x2
zj
cj-zj
50
-M
100
x3
a1
x1
zj
cj-zj
100
x1
5
10
10
-10M
100+10M
u
200
x2
5
8
5
-8M
200+8M
50
x3
10
5
0
-5M
50+5M
0
s1
1
0
0
0
0
-M
a2
0
1
0
-M
0
0
s2
0
0
1t
0
0
750
1500
50
5000-1500M
0
0
1
100M
0
25
3
0.5
50-3M
150+3M
10
5
0
-5M
50+5M
u
1
0
0
0
0
0
1
0
-M
0
-0.5t
-1
1
0
-10-M
75
1125
50
8750-1125M
0
0
1
100
0.25
1.75
0.5
62.5-1.75M
137.5+1.75M
u
1
0
0
50
0.1
-0.5
0
5+0.5M
0
1
0
-M
-0.05
-0.75
0.1t
7.5+0.75M
-5-0.5M
-7.5-0.75M
b
1000
2000
500
-2000M
75
OPTIMIZACIN DE SISTEMAS I
50
-M
200
x3
a1
x2
zj
cj-zj
50
950
100
22500-950M
-0.5
-3.05
2
375+3.5M
-275-3.5M
0
0
1
200
0
1
0
0
50
0
0.1
-0.5
0
5+0.5M
-5-0.5M
0
1
0
-M
0
-0.1
-1.1
0.2
35+1.1M
-35-1.1M
MAXIMIZACIN
CON
RESTRICCIONES
FORMADAS
POR
DESIGUALDADES DEL TIPO MAYOR O IGUAL QUE
Continuaremos con el problema que se viene tratando, pero alterado de
forma tal que se requiere que al menos se usen 1000 tons. del mineral
b2. Este requerimiento convierte la segunda restriccin del problema es
una restriccin tipo mayor o igual que. Haciendo los clculos
apropiados y sumando y restando las nuevas variables que son
necesarias, obtenemos:
5x1 + 5x2 + 10x3 + s1
10x1 + 8x2 + 5x3
10x1 + 5x2
s2
+ s3
= 1000
= 1000
= 500
76
= 1000
= 1000
= 500
OPTIMIZACIN DE SISTEMAS I
cj
xk
s1
a1
a2
zj
cj-zj
0
M
1
s1
a1
x3
zj
cj-zj
b
5
2
1
3M
11/2
1
M+
2
x1
1
2
-1
M
2-M
4
x2
2
-1
2
M
4-M
1
x3
-1
2
2
4M
1-4M
0
s1
1
0
0
0
0
0
s2
0
0
-1
-M
M
M
a1
0
1
0
M
0
M
a2
0
0
1
M
0
3
-
- +3M
5/2 -3M
3
-3
1
1-3M
3+3M
0
0
1
1
0
1
0
0
0
0
-
1
-
-M
-M
0
1
0
M
0
-1
M
- +2M
77
OPTIMIZACIN DE SISTEMAS I
0
2
1
0
0
1
s1
x1
x3
16/3
1/3
2/3
0
1
0
7/2
-1
0
0
1
zj
cj-zj
4/3
2
0
-3/2
11/2
1
0
6
1
1
1
2
3
1
1
1
3/2
-3
-1/2
-1/2
9/2
0
0
1
1
0
s1
s2
x3
zj
cj-zj
1
0
0
-2/3
1/3
-1/3
-1/6
1/3
1/6
2/3
-1/3
1/3
0
0
1/3
-1/3
5/6
-5/6+M
-1/3
1/3+M
1
0
0
0
0
0
1
0
0
0
-+M
0
-1
0
0
M
<= 150
Horas de ensamble disponible.
<= 20
Monitores disponibles para la Portable.
<= 300
Espacio de almacn disponible.
x1, x2 >= 0
OPTIMIZACIN DE SISTEMAS I
<= 150
<= 20
<= 300
50
40
Ck
Xk
x1
x2
s1
s2
s3
s1
150
s2
20
s3
300
50
40
Zj
Cj - Zj
s1
75/2
25/8
s2
20
50
x1
75/2
5/8
1/8
1875
50
250/8
50/8
70/8
- 50/8
Zj
Cj - Zj
- 3/8
40
x2
12
8/25
- 3/25
s2
- 8/25
3/25
50
x1
30
- 5/25
- 5/25
1980
50
40
14/5
26/5
- 14/5
- 26/5
Zj
Cj - Zj
OPTIMIZACIN DE SISTEMAS I
PROBLEMA
Una fbrica de productos qumicos produce dos tipos de solventes, 1 y 2.
Los costos de producir estos solventes son de $2 y $3 por galn,
respectivamente. Un estudio de mercado ha determinado que la
demanda mnima del solvente 1 para el prximo mes ser de 125
galones. Por su parte, la gerencia de produccin ha dispuesto que la
produccin mnima total de los solventes para el prximo mes sea de
350 galones. El solvente 1 requiere dos horas de tiempo de proceso, y el
solvente 2 requiere una hora para su proceso. Se disponen de 600 horas
de proceso para la produccin del siguiente mes.
Determine el plan de produccin ptimo.
El modelo de programacin lineal para este problema es el siguiente:
x1 = Galones a fabricar del solvente 1.
x2 = Galones a fabricar del solvente 2.
Min Z = 2x1 + 3x2
s. a.:
1x1
>=
125
350
2x1 + 1x2
<=
600
Tiempo de procesamiento.
x1, x2 >= 0
Agregando las variables de holgura, exceso y artificiales al modelo para
su solucin por el mtodo simplex se tiene:
Min Z = 2x1 + 3x2 + 0s1 + Ma1 + 0s2 + Ma2 + 0s3
s. a.:
1x1
1x1 + 1x2
2x1 + 1x2
- s1
+ a1
- s2
+ s3
80
>=
125
+ a2 >=
350
<=
600
OPTIMIZACIN DE SISTEMAS I
Ck
Xk
x1
x2
s1
a1
s2
a2
s3
a1
125
-1
a2
350
-1
s3
600
Zj -475M
2M
-M
-M
Cj - Zj
2-M 3-M
x1
125
-1
a2
225
-1
s3
350
Zj -250-225M
-2+M
-M
Cj - Zj
3-M
2-M
Ck
Xk
x1
x2
s1
s2
s3
x1
250
x2
100
-2
-1
s1
125
Zj
800
-4
-1
Cj - Zj
81
OPTIMIZACIN DE SISTEMAS I
82
OPTIMIZACIN DE SISTEMAS I
CAPTULO 4
EL PROBLEMA DUAL
OPTIMIZACIN DE SISTEMAS I
c)
d)
e)
At y >= ct
Como c es un vector fila de n componentes, entonces el Primal
tiene n variables, mientras que el Dual tiene n restricciones. Por
lo tanto cada variable del Primal corresponde a una restriccin en
el Dual.
Como b es un vector columna de m componentes, entonces el
primal tiene m restricciones ( A x <= b ), mientras que el Dual
tiene m variables ( W = bt y). Por lo tanto, a cada restriccin del
Primal, corresponde una variable en el Dual.
En el primal, el objetivo es maximizar la funcin Z, mientras que en
el Dual, el objetivo es minimizar la funcin W.
El rol del vector c en el Primal, corresponde al rol del vector b del
programa Dual, y viceversa.
TEOREMA 1
Si x0 es una solucin factible del programa primal P, y0 es una solucin
factible del programa Dual D, entonces Z0 = c x0 <= bt y0 = W0.
TEOREMA 2
El Dual del programa Dual es el Primal.
TEOREMA 3
El programa lineal P, expresado en forma estandarizada, tiene el Dual
dado por D.
Primal:
Max Z = c x
Sujeto a:
Ax = b
x >= 0
Dual:
Min W = bt y
Sujeto a:
At y >= ct
y sin restriccin de signo (SRS).
Problema Dual
Mn
Mx
variable
i >= 0
variable
i SRS
variable
i <= 0
restriccin i >= ci
OPTIMIZACIN DE SISTEMAS I
Variable1 i SRS
Variable1 i <= 0
restriccin i = ci
restriccin i <= ci
85
OPTIMIZACIN DE SISTEMAS I
= $10.oo
= 4.oo
= 16.oo
= 8.oo
$ 38.oo
15.oo
$ 53.oo
=======
De manera similar se determina el costo por tonelada del fertilizante
5-10-5, que resulta ser de $49.oo
En el planteamiento del problema primal, se definen las variables:
X1 = Toneladas del fertilizante 5-5-10 que deben fabricarse.
X2 = Toneladas del fertilizante 5-10-5 que deben fabricarse.
86
OPTIMIZACIN DE SISTEMAS I
Funcin objetivo:
Mx Z = 18.5x1 + 20x2
s.a. :
0.05x1 + 0.05x2
<= 1100
Disponib. de nitrato
0.05x1 + 0.10x2
<= 1800
Disponib. de fosfato
0.10x1 + 0.05x2
<= 2000
Disponib. de potasio
x1, x2 >= 0
Al plantear el problema dual, el objetivo es minimizar el uso de los
recursos disponibles, de manera que el valor de los recursos que se
usan en la fabricacin de cada uno de los productos respectivos, sea
igual o mayor que la contribucin a las utilidades que reportan dichos
productos.
RELACIN ENTRE LA SOLUCIN PTIMA PRIMAL Y LA SOLUCIN
PTIMA DUAL
Cualquier problema dual puede solucionarse utilizando el algoritmo
simplex, pero no es la ventaja clave de la dualidad. La principal
importancia de la dualidad radica en la relacin que existe entre los
problemas primal y dual. Para explorar esta relacin, continuaremos
examinando el problema de la Agro-Tech. Para resolver el problema dual
de la Agro-Tech usando el mtodo simplex, se requieren restar una
variable de exceso y sumar una variable artificial a cada restriccin.
Despus de aadir estas variables, el problema se expresa como sigue:
Minimizar
Sujeto a:
87
OPTIMIZACIN DE SISTEMAS I
TABLA 1. Tabla ptima para el planteamiento dual del problema con dos
fertilizantes.
cj
ck
-1,100
-1,800
xk
y1
y2
zj
-M
-M
s2
20
-20
a1
40
-20
a2
-20
20
14,000
-8,000
-14,000
-8,000 -14,000
-M+
8,000
-M+
14,000
b
y1
y2
y3
s1
340
1
0
3
-40
30
0
1
-1
20
-1,100 -1,800 -1,500 8,000
428,000
cj -zj
-500
xk
x1
x2
s3
zj
cj -zj
b
8,000
14,000
500
428,000
18.5
20.0
x1
1
0
0
18.5
0
x2
0
1
0
20.0
0
s1
40
-20
-3
340
-340
s2
-20
20
1
30
-30
s3
0
0
1
0
0
88
OPTIMIZACIN DE SISTEMAS I
Valor de la
funcin
objetivo
Problema dual
W
Valor ptimo _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
Z
Problema primal
0
Nmero de iteraciones
OPTIMIZACIN DE SISTEMAS I
90
OPTIMIZACIN DE SISTEMAS I
91
OPTIMIZACIN DE SISTEMAS I
92
>= 50
>= 40
>= 0
OPTIMIZACIN DE SISTEMAS I
+ 8y3 - s1
+ a1
- s2
= 50
+ a2
= 40
150
20
300
Ck
Xk
y1
y2
y3
s1
a1
s2
a2
a1
50
-1
a2
40
-1
Zj
-90M
8M
13M
Cj - Zj
-M
-M
300 y3
50/8
3/8
-1/8
70/8
25/8
5/8
-1
900+25M M
300
a2
Zj 15000+70M
8
Cj - Zj
-300+5M
-M
300-25M 20-M
300-5M
8
300 y3
26/5
-3/25
-5/25
3/25
150 y1
14/5
8/25
5/25
8/25
1980
150
12
300
30
12
-8
-30
-12
Zj
Cj - Zj
93
OPTIMIZACIN DE SISTEMAS I
y2 = 0
y3 = 26/5
W = $1980
PROBLEMA:
En una mezcla de productos x1, x2, x3 y x4 representan las unidades de
los productos 1, 2, 3 y 4 respectivamente. Se tiene el siguiente modelo
de programacin lineal:
Max Z = 4x1 + 6x2 + 3x3 + 1x1
s. a.:
3/2x1 + 2x2 + 4x3 + 3x4 <= 500 Hrs. disponibles de maq. A
4x1 + 1x2 + 2x3 + 1x4 <= 700 Hrs. disponibles de maq. B
2x1 + 3x2 + 1x3 + 2x4 <= 200 Hrs. disponibles de maq. C
x1, x2, x3 >= 0
a) Plantee el dual de este problema
Min W = 500y1 + 700y2 + 200y3
s. a.:
1.5y1 + 4y2 + 2y3 >= 4
2y1 + 1y2 + 3y3 >= 6
4y1 + 2y2 + 1y3 >= 3
3y1 + 1y2 + 2y3 >= 1
y1, y2, y3 >= 0
b) Halle la solucin ptima del primal o del Dual y determine qu
mquina o mquinas trabajan a su mxima capacidad. Si se tratase
de aumentar la produccin Que mquina o mquinas elegira para
contratar ms horas?
El valor de las variables duales en la solucin ptima Dual tambin se
puede determinar hallando la solucin ptima del Primal. Se resolver el
Primal:
94
OPTIMIZACIN DE SISTEMAS I
Cj
Ck
Xk
x1
x2
x3
x4
s1
s2
s3
s1
550
3/2
s2
700
s3
200
Zj
Cj - Zj
s1 4162/3
1/6
10/3
5/3
-2/3
s2 6331/3
10/3
5/3
1/3
-1/3
x2
662/3
2/3
1/3
2/3
1/3
Zj
400
-3
-2
Cj - Zj
x3
125
3/60
15/30
3/10
-6/30
s2
425
195/60
-15/30 -5/10
x2
25
39/60
15/30 -1/10
12/30
1980
81/20
9/2
3/10 0
54/30
-1/20
-7/2
Zj
Cj - Zj
-3/10 0 -54/30
De la solucin ptima del problema Primal, se tiene que los valores que
toman las variables duales en la solucin ptima son:
y1 = 3/10 = $0.30 Valor de la hora adicional de la mquina A.
y2 = 0
y3 = 54/30 = $1.80 Valor de la hora adicional de la mquina C.
Las mquinas que trabajan a su mxima capacidad son las mquinas A
y C, sus precios sombra son respectivamente $0.30 y $1.80. Si se
tratase de elegir una de las dos mquinas para contratar horas
adicionales y aumentar la produccin, se elegira la mquina C, por tener
un mayor precio dual.
95
OPTIMIZACIN DE SISTEMAS I
96
OPTIMIZACIN DE SISTEMAS I
CAPTULO 5
ANALISIS DE SENSIBILIDAD
Una vez que se ha resuelto un problema de programacin lineal, puede
darse el caso de que uno o varios parmetros de la formulacin del
problema original, tales como los precios unitarios o la disponibilidad de
ciertos recursos cambien, dando origen a un nuevo problema. Si esto
sucede, Es necesario volver a resolver el problema desde el principio?
La respuesta afortunadamente es no, porque existen mtodos, llamados
de anlisis de sensibilidad, que permiten ahorrar muchas iteraciones, al
resolver el nuevo problema partiendo de la solucin ptima del problema
original. El anlisis de sensibilidad permite determinar el impacto del
cambio en el modelo sin repetir el proceso de solucin completo.
Al estudiar y analizar el impacto que tiene cambiar el parmetro de un
modelo, es deseable calcular los lmites de un cambio, es decir, es
deseable saber por ejemplo cunto puede cambiarse un coeficiente
especfico de la funcin objetivo o un valor dado del segundo trmino de
una restriccin, sin cambiar la solucin ptima que se tiene. Si el cambio
propuesto de algn parmetro cae dentro de los lmites permitidos de
cambio, entonces no ocurre ningn cambio en la solucin ptima y no es
necesario resolver un problema nuevo. Si el cambio que se propone cae
fuera de los lmites, entonces la solucin ptima existente ya no ser
ptima y deber calcularse de nuevo la solucin ptima del problema.
Los procedimientos del anlisis de sensibilidad permiten calcular estos
lmites del cambio. Se estudiaran varios casos de anlisis de
sensibilidad.
Supongamos que tenemos el siguiente problema de programacin lineal
referente a la produccin de tres tipos de fertilizantes:
x1 = Toneladas de fertilizante 5-5-10 que se deben fabricar.
x2 = Toneladas
5-10-5
x3 = Toneladas
5-5-5
97
OPTIMIZACIN DE SISTEMAS I
s.a.:
0. 05x1 + 0.05x2 + 0.05x3 <= 1100 Tons. disponibles de Nitrato
0. 05x1 + 0.10x2 + 0.05x3 <= 1800 Tons. disponibles de Fosfato
0.10x1 + 0.05x2 + 0.05x3 <= 2000 Tons. disponibles de Potasio
x1, x2, x3 >= 0
La solucin ptima para este problema es la que se muestra en la tabla
1.
Cj
Xk
x1
x2
s3
Ck
18.5
20.0
0
Zj
Cj-Zj
b
8,000
14,000
500
428,000
18.5
x1
1
0
0
18.5
0
20
x2
0
1
0
20
0
14.5
x3
1
0
-0.05
18.5
-4.0
0
s1
40
-20
-3
340
-340
0
s2
-20
20
1
30
-30
0
s3
0
0
1
0
0
98
OPTIMIZACIN DE SISTEMAS I
Cj
Xk
x1
x2
s3
Ci
18.5
20.0
0
Zj
Cj-Zj
b
8,000
14,000
500
428,000
18.5
x1
1
0
0
18.5
0
20
x2
0
1
0
20
0
14.5+3
x3
1
0
-0.05
18.5
3-4.0
0
s1
40
-20
-3
340
-340
0
s2
-20
20
1
30
-30
0
s3
0
0
1
0
0
OPTIMIZACIN DE SISTEMAS I
OPTIMIZACIN DE SISTEMAS I
Xk
x1
x2
s3
B
8,000
14,000
500
428,000+8,000 1
Cj-Zj
18.5+ 1
x1
1
0
0
18.5+ 1
0
20
x2
0
1
0
20
0
14.5
x3
1
0
-0.05
8.5+ 1
-4.0+ 1
0
s1
40
-20
-3
340-40 1
-340-40 1
0
s2
-20
20
1
30-20 1
-30+20 1
Para que la solucin actual siga siendo ptima, debe asegurarse que
ningn valor (cj zj) de la tabla 3 se vuelva positivo. La pregunta es
Cunto puede cambiar c1 en una direccin positiva o negativa de
manera que mantengan las condiciones de optimalidad? Puede
determinarse la magnitud de estos cambios, j, despejando una
desigualdad para cada uno de los valores no bsico, es decir: cj zj <=
0. Se tienen entonces las siguientes condiciones para un cambio de 1
en el valor de las utilidades de c1:
4 1 <= 0
340 401 <= 0
30 + 201 <= 0
1 >= 4
1 >= 8.5
1 <= 1.5
0
s3
0
0
1
0
0
OPTIMIZACIN DE SISTEMAS I
Xk
x1
x2
s3
B
1,100+ N
1,800
2,000
0
Cj-Zj
18.5
x1
0.05
0.05
0.10
0
18.5
20
x2
0.05
0.10
0.05
0
20
14.5
x3
0.05
0.05
0.05
0
14.5
0
s1
1
0
0
0
0
0
s2
0
1
0
0
0
0
s3
0
0
1
0
0
102
OPTIMIZACIN DE SISTEMAS I
Xk
x1
x2
s3
b
8,000+40N
14,000-20 N
500-3 N
428,000
Cj-Zj
18.5
x1
1
0
0
18.5
0
20
x2
0
1
0
20
0
14.5
x3
1
0
-0.05
18.5
-4.0
0
s1
40
-20
-3
340
-340
0
s2
-20
20
1
30
-30
0
s3
0
0
1
0
0
OPTIMIZACIN DE SISTEMAS I
Ck
0
5
3
Zj
Cj-Zj
b
2
6
2
36
3
x1
0
0
1
3
0
5
x2
0
1
0
5
0
0
s1
1
0
0
0
0
0
s2
1/3
-1/3
3/2
-3/2
0
s3
-1/3
0
1/3
1
-1
104
OPTIMIZACIN DE SISTEMAS I
Ck
Xk
x1
x2
x3
x4
s1
s2
s3
x3
12
s2
s3
Zj
36
-2
-4
-2
-3
Cj - Zj
105
OPTIMIZACIN DE SISTEMAS I
a)
b)
c)
d)
2.
106
OPTIMIZACIN DE SISTEMAS I
5-8-8
mes.
x3 = Tons.
8-12-12
mes.
Max Z = 16x1 + 22.8x2
s. a.:
0.05x1 +
0.10x1 +
0.05x1 +
+ 12.4 x3
Ck
0
16
0
22.8
Zj
Cj-Zj
b
75
10000
4500
12500
445000
16
x1
0
1
0
0
16
0
22.8
x2
0
0
0
1
22.8
0
12.4
x3
0
0
1.5
1.5
34.2
-21.8
0
s1
1
0
0
0
0
0
0
s2
-0.37
20
-12.5
-12.5
35
-35
0
s3
-0.25
-20
25
25
250
-250
0
s4
0
0
1
0
0
0
-M
a1
0
0
-1
0
0
-M
107
OPTIMIZACIN DE SISTEMAS I
d.
1 <= 12.5
108
OPTIMIZACIN DE SISTEMAS I
CAPTULO 6
PROGRAMACION LINEAL ENTERA
6.1. INTRODUCCIN
Hasta ahora hemos visto los problemas de programacin lineal en el
dominio de los reales. Sin embargo, en muchos modelos algunas o todas
las variables de decisin deben ser enteras. Estos modelos son
conocidos como modelos de programacin lineal entera (PLE).
A primera vista podra parecer ms fcil resolver problemas con
restriccin de enteros, ya que transforman un problema continuo en un
problema discreto. Sin embargo, los algoritmos que permiten resolver los
problemas PLE son ms complejos y requieren mucho ms tiempo
computacional.
Los modelos de programacin lineal entera se pueden clasificar en:
Modelo
Completamente entero
(PLE)
Mixto (PLM)
Binaria (PLB)
OPTIMIZACIN DE SISTEMAS I
110
OPTIMIZACIN DE SISTEMAS I
X1
X2
Es una SOLUCIN
FACTIBLE?
Cunto vale Z?
5.44
5
5
6
6
2.69
2
3
2
3
SI
SI
NO cumple R1
NO cumple R3
NO cumple R1 y R3
11900
10000
No cumple
No cumple
No cumple
111
OPTIMIZACIN DE SISTEMAS I
En conclusin:
Posibles resultados del redondeo
Los puntos pueden ser no-factibles
Los puntos pueden ser factibles pero noptimos
Los puntos pueden ser factibles y ptimos
Nota: Imponer restriccin de enteros agrega dos restricciones al
problema: X1 entero y X2 entero. As es que tal como vimos antes el
valor de la funcin objetivo NO puede mejorar. En un problema de
maximizacin esto significa que el valor de la funcin objetivo disminuir
o en el mejor de los casos ser el mismo que el valor ptimo del
problema de programacin lineal en el dominio de los reales.
La solucin entera del problema es: X1 = 4, X2 = 3, Z = US$ 10.800
Si fueran ms variables, el anlisis sera ms tedioso.
6.2.
112
OPTIMIZACIN DE SISTEMAS I
Problema Original
Solucin PL
X1 = 5.44 X2 = 2.69
Z = 11900
X2 = 2
Solucin PL
X1 = 5 X2 = 2
Z = 10000
Mejor solucin con
enteros en la rama
X2 > 3
Solucin PL
X1 = 4 X2 = 3
Z = 10800
Nueva solucin, es
ptima, No hay ms
ramas por investigar
113
OPTIMIZACIN DE SISTEMAS I
114
OPTIMIZACIN DE SISTEMAS I
Si Y < 1
Y>0
Y es entera
Entonces Y es una variable binaria (0,1)
6.3.1. Aplicaciones de Variables Binarias en Programacin Lineal
Entera
Las variables binarias pueden ser de gran ayuda en el planteamiento de
ciertos problemas de decisin, algunas aplicaciones "tpicas" se
describen a continuacin.
Decisiones Dicotmicas
Cuando se tienen solo 2 elecciones, la decisin se puede representar por
variables de decisin restringidas exclusivamente a 2 valores.
Yi = 1, si la decisin i es s
0, si la decisin i es no
o sea:
Yi 1
Yi 0
y Yi es un entero
Ejemplos: Debe emprenderse este proyecto?
Debe hacerse esta inversin en particular?
Debe realizarse esta instalacin en este sitio en particular?
Alternativas Mutuamente Excluyentes.
Si se tiene un conjunto de alternativas de decisin, pero slo una
decisin en el grupo puede ser si, se requiere de este tipo de
restricciones.
Yi = 1 Exactamente una decisin en el grupo debe ser si.
Yi 1 Cuando mucho una decisin en el grupo puede ser si.
En donde la suma se toma nicamente sobre las variables del grupo.
Decisiones Contingentes
Se dice que una decisin es contingente cuando depende de decisiones
anteriores, en otras palabras:
115
OPTIMIZACIN DE SISTEMAS I
$80
15
120
65
20
10
60
100
40
10
80
50
20
80
100
Variables de Decisin
Yi = 1, si el proyecto i (= A, B, C, D, E, F, G, H) SI se financia.
0, si el proyecto i (= A, B, C, D, E, F, G, H) NO se financia
116
OPTIMIZACIN DE SISTEMAS I
Funcin Objetivo
Se debe maximizar el valor total
Maximizar Z=40 XA+10 XB+80XC+50XD+20XE+5XF+80XG+100XH
Restricciones
Presupuesto
80XA + 15XB + 120XC + 65XD + 20XE + 10XF + 60XG + 100XH < 320
Los proyectos G y H estn relacionados, no pueden ser financiados
ambos.
XG + XH < 1 Restriccin de proyectos mutuamente excluyentes
El proyecto D no debe recibir financiacin a menos que A tambin lo
haga.
XD < XA
XD - XA < 0
. Decisiones contingentes
OPTIMIZACIN DE SISTEMAS I
o bien
3 X1 + 2 X2 20
X2 + 3 X2 15 + M
Como no sabemos cual de las dos alternativas anteriores sea la mas
conveniente, introducimos la variable binaria Y, y dejamos que el
proceso de solucin asigne el valor mas conveniente para esta variable,
y al hacerlo seleccione automticamente la mejor alternativa.
Si
Y = 0 si se elimina la primera restriccin.
3X1 + 2X2 + MY 20 + M
X1 + 3X2 - MY 15
Y1
Y0
Y es entero
Este planteamiento garantiza que una de las restricciones originales
debe cumplirse mientras que la otra queda eliminada.
Deben cumplirse K de N restricciones:
Un caso ms general del problema anterior seria cuando se tiene un
conjunto de N restricciones de las cuales deben cumplirse K (ms de
una), pero las restricciones especficas que se deben cumplir no se
conocen de antemano.
K Nmero de restricciones que deben cumplirse
N Total de restricciones del grupo.
K<N
Suponga que se tiene el siguiente grupo de restricciones:
f1 (x1, x2,.........xn ) d1
f2 (x1, x2,.........xn ) d2
fN (x1, x2,.........xn ) dN
118
OPTIMIZACIN DE SISTEMAS I
Si definimos
Yi = 1, si la i-sima restriccin no se cumple donde i = 1,2,...N
0, si la i-sima restriccin si se cumple
El planteamiento equivalente de Programacin Lineal Entera sera:
f1 ( x1 , x2 , .............xn ) d1 + M ( Y1 )
f2 ( x1 , x2 , .............xn ) d2 + M ( Y2 )
fN ( x1 , x2, .............x n ) dN + M ( YN )
Yi = N - K
Y1 1
Y2 0
Yi es entero para i = 1, 2 ,....N
Ejercicio 6.3.2. Problema de Costo Fijo:
Cuando se inicia una actividad o corrida de produccin, es muy comn
que se presente un costo de preparacin independientemente del nivel
de actividad o la cantidad producida. En estos casos, el costo total de
produccin denominado "Costo de Actividad" es equivalente a la suma
del costo fijo en el que se incurre al inicio y el costo variable que
depende de la cantidad producida.
Costo de actividad.- Es la suma de un costo variable relacionado con el
nivel de actividad ms un costo de preparacin que se requiere para
iniciar dicha actividad.
Sea:
Xj
Nivel de actividad j.(Unidades producidas)
Cj Xj
Costo variable
Kj
Costo fijo para esa actividad j.
Xj Nivel de actividad
Cj Costo por unidad
Kj Costo de preparacin
Si se tienen j actividades diferentes y se desea minimizar los costos
totales de produccin, tendramos:
Minimizar Z = f1 (x1) + f2 (x2) +............fn (xn)
Donde
fj (xj) = Kj + CjXj , si Xj > 0
0, si Xj = 0
Minimizar Z = ( Kj + CjXj )
119
OPTIMIZACIN DE SISTEMAS I
Si Kj fuera cero para todos los j el problema seria de P.L. pero si Kj > 0
hay que replantear el problema introduciendo n decisiones de si no
acerca de emprender las n actividades respectivas.
Yj = 1, si X j > 0
0 , si X j = 0
Minimizar Z = ( Cj Xj + KjYj )
Adems, es necesario garantizar que siempre que la variable Xj tome un
valor positivo, la variable Yj correspondiente tome un valor de uno.
Si introducimos M como un nmero extremadamente grande, las
restricciones
Xj M Yj para j = 1, 2, 3, ........ N
nos garantizan que siempre que Xj > 0 Yj = 1
y cuando
Xj = 0 Yj X
0
Yj puede ser
1
1
120
OPTIMIZACIN DE SISTEMAS I
Fabrica en Lima
7 millones
20 millones
Fabrica en Arequipa
5 millones
15 millones
Almacn en Lima
4 millones
12 millones
Almacn en Arequipa
3 millones
10 millones
121
OPTIMIZACIN DE SISTEMAS I
Pregunta de
S o No
Variable de
Decisin
Valor
Presente
Neto
Cap. Req. de
inversin (mills )
se construye la fbrica
en Lima ?
Y1
20
Se construye la fbrica
en Arequipa?
Y2
15
Se construye el almacn
en Lima?
Y3
12
Se construye el almacn
en Arequipa ?
Y4
10
Sea:
Yi = 1, si la decisin i es Si donde i = 1,2,3,4
0, si la decisin i es No
Las primeras dos decisiones representan alternativas mutuamente
excluyentes.
Y1 + Y2 = 1
Las decisiones 3 y 4 son contingentes en relacin con las decisiones 1 y
2.
Y3 - Y1 0
Y4 - Y2 0
El modelo completo quedara:
Sujeto A:
122
OPTIMIZACIN DE SISTEMAS I
Capacidad
A1
K1
P1
A2
K2
P2
A3
K3
P3
0 Si el sitio i No se selecciona
Xij Cantidades vendidas del almacn i al cliente j.
Restricciones de capacidad:
Almacn 1
X12 + X11 + X14 A1Y1
Almacn 2
X21 + X22 + X23 + X24 A2Y2
Almacn 3
X32 + X33 + X34 A3Y3
Como solo se pueden seleccionar 2 de los 3 almacenes
Y1 + Y2 + Y3 = 2
123
OPTIMIZACIN DE SISTEMAS I
Restricciones de demanda:
X11 + X21 = D1
X12 + X22 + X32 = D2
X23 + x33 = D3
X14 + X24 + X34 = D4
Cliente 1
Cliente 2
Cliente 3
Cliente 4
Costos de almacn en 1
K1Y1 + P1 ( X11 + X12 + X14 ) + C11X11 + C12X12 + C14X14
Similarmente para 2 y 4
K2Y2 + P2 ( X21 + X22 + X23 +X24 ) + C21X21 + C22X22 + C23X23 + C24X24
K3Y3 + P3 ( X32 + X33 + X34 ) + C32X32 + C33X33 + C34X34
Finalmente el problema planteado queda
Min Z = K1Y1 + P1 ( X11 + X12 + X14 ) + C11X11 + C12X12 + C14X14 + K2Y2 +
P2 ( X21 + X22 + X23 + X24 ) + C21X21 + C22X22 + C23X23 + C24X24 + K3Y3 +
P3 ( X32 + X33 + X34 ) + C32X32 + C33X33 + C34X34
S. A.:
X11 + X12 + X14 - A1Y1 0
X21 + X22 + X23 + X24 - A2Y2 0
X32 + X33 + X34 - A3Y3 0
Y1 + Y2 + Y3 = 2
X11 + X21 = D1
X12 + X22 + X32 = D2
X23 + X33 = D3
X14 + X21 + X34 = D4
Yi 1
Yi 0
Yi es entero para i = 1, 2, 3
Xij 0 para toda ( i,j )
Ejercicio 6.3.5. Problema de carga fija
Cierta compaa fabricante de pinturas tiene disponibles tres procesos
diferentes estandarizados para producir pinturas blancas para casas.
Cada proceso tiene unos costos fijos y un costo de proceso por galn. La
capacidad de cada proceso es como sigue:
124
OPTIMIZACIN DE SISTEMAS I
Proceso
Nmero
Costo
fijo
Costo
(dlares / galn )
$ 100
2000
200
3000
300
4000
125
OPTIMIZACIN DE SISTEMAS I
Entonces:
Z = 5X1 + 4X2 + 3X3
Costo total variable de
produccin
OPTIMIZACIN DE SISTEMAS I
$ 100
80
70
60
90
127
OPTIMIZACIN DE SISTEMAS I
Costo esperado
( miles)
$ 60
40
20
40
50
128
OPTIMIZACIN DE SISTEMAS I
c)
d)
129
OPTIMIZACIN DE SISTEMAS I
EJERCICIOS PROPUESTOS
1.
Presupuesto de capital
Se esta evaluando el capital de cinco proyectos a lo largo de un
horizonte de planificacin de tres aos. La siguiente tabla
proporciona las utilidades para cada proyecto, y los egresos
anuales asociados
Egresos (millones US$)/ anuales
Proyecto
1
2
3
4
5
Fondos disponibles
Mill.US.$
5
4
3
7
8
1
7
9
4
6
8
10
2
1
10
25
25
25
Utilidades
Mill .US.$
20
40
20
15
30
3.
130
Inversiones
La junta de directores estudia el conjunto de inversiones, donde Ri
y Ci representan el rendimiento total y el costo de la inversin i.
Se quiere maximizar no ms de M dlares en total. Determinar un
plan ptimo de inversin.
OPTIMIZACIN DE SISTEMAS I
inversin
1
2
3
4
5
6
7
4.
Condiciones
Ninguna
Slo si 1
Slo si 2
Se har si 1 y 2
No si 1 o 2
No si 2 y 3
Solo si 2 y no 3
reas cubiertas
1.5.7
1.2.5.7
1.3.5
2.4.5
3.4.6
4.5.6
1.5.6.7
Personas
A,b,c.d,e
F,g,h,i,j
A,b,c,j
E,f
D,g,hi
OPTIMIZACIN DE SISTEMAS I
5.
Producto A
Venta de unidades
0-40
40-100
100-150
150-ms
Utilidad unitaria
$
10
9
8
6
Producto A
Venta de unidades
Utilidad unitaria
$
0-50
50-100
100-ms
6
4
3
7.
132
8 am
10
9
14
18
10 am
6
10
11
15
12 am
6
9
10
10
Instalacin
Cada da un electricista debe decidir que generadores conectar.
Tiene 3 generadores. Hay dos perodos en el da. En el primer
perodo se necesitan 2900 MEGAWATTS. En el segundo, 3900
MW. Un generador que se conecte para el primer perodo puede
ser usado en el segundo sin causar un nuevo gasto de conexin.
OPTIMIZACIN DE SISTEMAS I
Generador
A
B
C
8.
Tipo nado
Dorso
Pecho
Mariposa
Libre
Carl
37.7
43.4
33.3
29.2
Cristina
32.9
33.1
28.5
26.4
David
33.8
42.2
38.9
29.6
Antonio
37.0
34.7
30.4
28.5
Jos
35.4
41.8
33.6
31.1
133
OPTIMIZACIN DE SISTEMAS I
134
OPTIMIZACIN DE SISTEMAS I
BIBLIOGRAFA
135