Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programacion Lineal
Programacion Lineal
CONCEPTOS PREVIOS
Investigacin Operativa
1.1.1.- Breve historia de la Investigacin Operativa
Conceptos previos
Ao
1759
1873
1874
1896
1897
1903
1906
1920-1930
1937
1937
1939
1941
1947
1947
1950-1956
1953
1954
1957
1957
1958
1958
1958
1959
1956-1962
1960
1960
1962
1963
1965
1968
1984
1984
1986
Investigacin Operativa
Conceptos previos
ii)
iii)
El modelo matemtico trata de responder al problema de elegir los valores de las variables
de decisin de manera que se optimice la funcin objetivo, sujeta a las restricciones dadas.
Optimizar es la accin de llevar una cierta magnitud a su ptimo, o sea, a su mximo o a
su mnimo, segn se trate de algo que se considera beneficioso o perjudicial, en cuyos casos
respectivos se utilizan tambin los nombres de maximizar o minimizar. Se optimiza todo tipo
de magnitudes para las que se estima o valora que tienen estados preferibles a otros y se quiere
alcanzar el de mayor utilidad o satisfaccin.
Una clasificacin de modelos especialmente importante es el modelo de programacin
lineal, en el que las funciones matemticas que aparecen tanto en la funcin objetivo como en
las restricciones, son funciones lineales. Es posible construir modelos especficos de
programacin lineal que se ajustan a diversos tipos de problemas.
Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del
problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma
mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms
comprensible y ayuda a revelar las relaciones importantes entre causa y efecto. De esta manera
indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita
el manejo del problema en su totalidad y el estudio de todas sus interrelaciones
simultneamente. Por ltimo, un modelo matemtico forma un puente para poder emplear
tcnicas matemticas poderosas, adems de los ordenadores, en el anlisis del problema. La
10
Investigacin Operativa
Probabilsticos
Heursticos
Conceptos previos
Programacin
matemtica
Programacin lineal
Programacin entera
Programacin
dinmica
Programacin
no lineal
Programacin
multiobjetivo
Modelos de transporte
Modelos de redes
11
Programacin estocstica
Annealing (recocido)
simulado
Gestin de inventarios
Bsqueda tab
Fenmenos de espera (colas) Algoritmos genticos
Teora de juegos
Redes neuronales
artificiales
Simulacin
Algoritmos
bioinspirados
3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin
matemtica empleando las diversas tcnicas y mtodos matemticos para resolver problemas y
ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del
proceso son matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin
del modelo, se deben realizar anlisis de sensibilidad, es decir, ver cmo se comporta el
modelo ante cambios en las especificaciones y parmetros del sistema. Esto se hace debido a
que los parmetros no necesariamente son precisos y las restricciones pueden estar
equivocadas.
4. Validacin del modelo. La validacin de un modelo requiere que se determine si dicho
modelo puede predecir con certeza el comportamiento del sistema. Un mtodo comn para
probar la validez del modelo es someterlo a datos pasados disponibles del sistema actual y
observar si reproduce las situaciones pasadas del sistema. Pero, como no hay seguridad de que
el comportamiento futuro del sistema contine replicando el comportamiento pasado, entonces
siempre debemos estar atentos a cambios posibles del sistema con el tiempo, para poder ajustar
adecuadamente el modelo.
5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o
soluciones del modelo, el siguiente y ltimo paso del proceso es interpretar esos resultados y
dar conclusiones y cursos de accin para la optimizacin del sistema. Si el modelo utilizado
puede servir a otro problema, es necesario revisar, documentar y actualizar el modelo para sus
nuevas aplicaciones.
12
Investigacin Operativa
interferir en la operacin que se realiza, ya que el modelo es como si fuera "un espejo" de lo
que ocurre.
Los modelos ms importantes para la Investigacin Operativa son los modelos simblicos
o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables
de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las
matemticas para representar el modelo, el cual es una representacin aproximada de la
realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con
matemticas avanzadas.
Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos.
Estos son: 1) variables y parmetros de decisin, 2) restricciones y 3) funcin objetivo.
1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o
decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores
conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los
parmetros del modelo pueden ser determinsticos o probabilsticos.
2. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras
del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las
variables de decisin a un rango de valores factibles.
3. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema
como una funcin matemtica de las variables de decisin.
La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta
a las restricciones.
Conceptos previos
13
i 1
=1.
14
Investigacin Operativa
Un conjunto S decimos que es convexo si el segmento que une dos puntos cualquiera del
conjunto est totalmente contenido en el conjunto. Un ejemplo de conjunto convexo y no
convexo sera:
Conjunto convexo
Conjunto no convexo
Conceptos previos
15
16
Investigacin Operativa
Conceptos previos
17
a m1 x1 a m 2 x 2 a mn x n bm
se denomina conjunto solucin del sistema de desigualdades lineales.
Definicin1.7. Se denomina politopo convexo a todo conjunto que puede expresarse como
interseccin de un nmero finito de semiespacios cerrados. Si un politopo tiene vrtices,
siempre tiene un nmero finito de ellos.
Definicin1.8. A un politopo acotado se denomina poliedro.
Proposicin 1.6. Se denomina simplex a un poliedro convexo en un espacio de n
dimensiones que tiene exactamente n+1 puntos extremos.
Ejemplos: Un simplex en:
i)
R sera un segmento.
ii) R2 sera un tringulo.
iii) R3 sera un tetraedro, etc.
Proposicin 1.7. Denominaremos envolvente convexa de un conjunto S al menor conjunto
convexo que lo contiene.
Si el conjunto S es convexo, ste coincide con su envolvente convexa.
Dado un nmero finito de puntos de Rn, su envolvente convexa es el poliedro convexo
engendrado por dichos puntos.
Definicin 1.9. Un subconjunto C Rn es un cono, si cualquiera que sea XC XC con
Esto quiere decir que, para que un conjunto sea un cono, todas las semirrectas que
partiendo del origen pasan por cualquiera de sus puntos deben estar completamente contenidas
en el propio conjunto.
El cono convexo generado por n puntos es el conjunto de todas las combinaciones lineales
con coeficientes positivos de esos puntos. En este caso los n puntos se llaman generadores del
cono.
Teorema 1.1. Sea A un conjunto convexo de Rn y sea XA; existe entonces un hiperplano H
que contiene a X y respecto del cual todos los puntos de A estn en uno de los semiespacios
cerrados determinados por H (hiperplano lmite).
Grficamente en R2:
18
Investigacin Operativa
Conceptos previos
19
A1
A2