UNIVERSIDAD NACIONAL MAYOR DE SAN

MARCOS
FA C U LTA D D E C I E N C I A S M AT E M AT I C A S
EAP
DE INVESTIGA CION OPERATIVA

INTRODUCTION TO
LINEAR GOAL
PROGRAMMING
j a m e s P. i g n i z i o
PENNSYLVANIA STATE UNIVERSITY

modelos determ inisticos II

Profesor Luis Ore Lujan

MARIA EUGENIA
PA L M A F L O R I N
Cod.:11140478

ABRIL, 2015

INTRODUCTION TO LINEAR GOAL

PROGRAMMIG
INTRODUCCIN A LA PROGRAMACIN LINEAL DE
METAS
INTRODUCCIN
La programacin por metas (PM) se desarroll desde la dcada de los 50
s, pero fue a mediados de los 70s cuando se le dio verdadera importancia,
al reconocer su capacidad como una herramienta eficaz y efectiva para el
modelado, solucin, y anlisis de modelos matemticos; que representa con
mayor naturaleza los problemas del mundo real.
Otra razn por el inters en pm es el resultado con un gran reconocimiento
por lo convencional (es decir, de un solo objetivo) mtodos de programacin
matemtica (por ejemplo, programacin lineal PL) no siempre proporcionan
respuestas razonables, tampoco suelen dar lugar a una verdadera
comprensin y visin del problema real.

Finalidad
El propsito de este documento es proporcionar una breve introduccin a la
tcnica de programacin matemtica conocida como la programacin
multi-objetivo, con especial nfasis en el uso de un enfoque de sistemas
lineales. Adems, vamos a tratar de minimizar tanto la cantidad y el nivel de
sofisticacin de la matemtica asociada.
El nico requisito previo para es saber de lgebra lineal y conocimiento de
las operaciones ms elementales sobre matrices y vectores. Cabe destacar
que una familiaridad con la programacin lineal no ha sido asumida. Se
proporcionara un tratamiento breve y conciso, de programacin por metas
lineales (PML).

Qu es la programacin de metas (PM)?

Primero veremos algunos conceptos expresados anteriormente, junto con
algunas nuevas ideas:
La programacin de metas (PM), no tiene nada que ver con la
programacin de computadoras (por ejemplo, FORTRAN, Pascal, LISP,
BASIC). Es decir, la nocin de "programacin" en PM se asocia con el
desarrollo de soluciones, o "programas ", para un problema especfico.
El nombre de "programacin por metas" indica que buscamos un
programa ptimo [conjunto de polticas a llevarse a cabo] o para un

modelo matemtico que se compone exclusivamente de los objetivos o

metas.
La programacin de metas lineales (PML), es la metodologa
empleada para encontrar el programa a un modelo que consiste de
objetivos o metas lineales.
Por ltimo, observamos que lo convencional (es decir, de un solo objetivo)
de programacin matemtica pueden tratarse con facilidad y eficacia
como un subconjunto, o clase especial de PM.

Sobre el uso denotacin matricial

El enfoque matricial tiene estas caractersticas:
1) Su presentacin es ms clara, concisa y menos ambigua que si se
empleara un enfoque no matricial; y
2) Proporcionar algoritmos en una forma mucho ms cercana a la
realidad, empleado
el desarrollo de algoritmos computarizados
eficientes.
De particular importancia es la concisin proporcionada a travs de un
enfoque basado en la matriz.
Usando matrices y notacin matricial somos capaces, de cubrir casi la
totalidad de las caractersticas tiles de programacin por metas lineal
(por ejemplo, una versin razonablemente computacionalmente eficiente de
un algoritmo para la programacin de metas lineal, una presentacin
completa de la dualidad, una introduccin al anlisis de sensibilidad, e
incluso discusiones de varias extensiones de la metodologa).
Sin el uso del enfoque matricial, no habra habido posibilidad de cubrir esta
cantidad de material en incluso dos o tres veces la cantidad de pginas que
se utiliza en el presente documento.

HISTORIA Y APLICACIONES
Aunque existen numerosos desarrollos relacionados anteriormente, el campo
de la programacin matemtica tpicamente traza el desarrollo del modelo
de programacin lineal general (PLG) y su mtodo ms comn de
solucin, designada como "simplex".
PL y simplex eran desarrollados en 1947 por un equipo de cientficos,
dirigido por George Dantzig, bajo el patrocinio del proyecto SCOOP de la
fuerza area de estados unidos (computacin cientfica de programas
ptimos).
El modelo PL dirigido a una sola funcin objetivo lineal que iba a ser
optimizada sujeta a un conjunto de restricciones lineales rgidas.

Despus de unos aos, la PL haba recibido mayor importancia a nivel

internacional como uno de los principales avances de la matemtica
aplicada. Hoy, PL es probablemente un de los mtodos ms conocidos y
empleados en campos como la investigacin de operaciones y gestin de la
ciencia.
Sin embargo, como con cualquier enfoque cuantitativo para el modelado y la
solucin de problemas reales, PL tiene sus imperfecciones, desventajas y
limitaciones.
Por inicios de los 50s, siendo nuestro inters se centra en la incapacidad las
mencionadas limitaciones de originados en la PL; Charnes y abordan un
problema aparentemente no relacionada con PL (o PM): el problema de
regresin con condiciones secundarias.
Para resolver este problema, Charnes y Cooper emplean una versin
modificada de la PL denominndolo a este enfoque de regresin limitada",
y en su texto de 1960 describen una versin ms general de regresin
restringida, donde nos dicen que fue diseado para hacer frente a los
modelos lineales que implican mltiples objetivos o metas.
Este enfoque fue designado como la programacin de metas (PM), concepto
en el que basamos todo el trabajo de hoy en da y de las dems
generalizaciones de PM, pero que en 1961 Charnes y Cooper vuelven a
abordar el problema para tratar de medir la "bondades" de la solucin de un
modelo de objetivo mltiple.
A partir de esto propondrn tres enfoques basados cada uno en la
transformacin de los objetivos en metas por medio de la creacin de un
"nivel de aspiracin" o "blanco". Por ejemplo, un objetivo como "maximizar
beneficios o ganancias" podra ser re-expresados como la meta: "obtener
x o ms unidades de beneficios o ganancias". Obviamente, obteniendo
cualquier solucin al modelo ya sea bajo, sobre, o exactamente la aspiracin
de beneficios. Decimos que de esto que cualquier beneficio bajo las unidades
x deseadas representa una desviacin no deseada.
En consecuencia, Charnes y Cooper nos propusieron centramos en la
"minimizacin de las desviaciones no deseadas", un concepto
esencialmente idntica a la nocin de "satisfaccin" en la forma propuesta
por March y Simon (Morris, 1964). El uso de este concepto, Charnes y
Cooper especifica los siguientes tres enfoques de PM:
(1)PM de Arqumedes (tambin conocido como "minsum" o PM
"ponderado"): busca minimizar la suma de todas las desviaciones
absolutas no deseadas de las metas (ponderado).
(2) PM de Chebyshev (tambin conocido como PM "minimax"): su
objetivo es minimizar el peor de los casos, o el mximo de las
desviaciones meta no deseados.
(3)no-Arqumedes de PM (tambin conocido como PM "prioridad
preventiva" o PM "lexicogrfico"): Este busca el mnimo (ms

precisamente, el mnimo lexicogrfico) de un vector, ordenando

las desviaciones no deseadas de una meta.
Como resultado de ello, en este texto nos centramos nuestra atencin en noArqumedes PM o, ms especficamente, en la programacin de metas
lineal lexicogrfico. Adems de describir el concepto PM lineal y la
propuesta de estos tres enfoques para su evaluacin, Charnes y Cooper,
tambin esbozaron algoritmos para la solucin. Evidentemente, el
software actual para la implementacin de este tipo de algoritmos no fue
desarrollado ms que hasta finales de los 60s. De hecho, el primer cdigo
de ordenador para PM fue la que he desarrollado en 1962 para la
solucin de los modelos PM no lineales - ms especficamente, para el
diseo de la antena sistemas para el programa de alunizaje Saturno /
Apolo.
En 1967, cuando se enfrentan a una escala relativamente grande modelo
PML (que incluye el mnimo lexicogrfica), se tuvo que desarrollar un cdigo
de ordenador para lexicogrfico PML basado en una sugerencia de Paul
Huss. Este propuso que se resuelva el modelo PML lexicogrfico como
secuencia de modelos PL convencionales. Esta sugerencia fue refinando el
software para el procedimiento.
El enfoque especfico, que designo una programacin secuencial meta (o
PSM; o PSML en el caso lineal), se tradujo en un programa informtico capaz
de resolver un modelo de PML de considerables tamaos equivalentes a los
resueltos a travs de PL (ignizio, 1967, 1982a; ignizio y perlis, 1979).
De hecho, hasta hace muy poco, PSML (tambin conocido como iterativo
PML ha ofrecido el mejor rendimiento que cualquier otro paquete de PML.
Ms tarde, por el 1968 hasta 1969, Veikko Jskelinen tambin abord el
desarrollo del software para la PML. El en lugar de emplear el enfoque
PSML Jskelinen emple el algoritmo para lexicogrfico (es decir, noArqumedes) PML como originalmente descrito por Charnes y Cooper. Para
implementar este algoritmo, se modific el cdigo de PL pequeo. Siendo el
resultado un simple cdigo capaz de resolver de manera eficiente nico
problema de quizs 30 a 50 variables, y un nmero igual de filas. Sin
embargo, puesto que la intencin del Jskelinen fue simplemente para
usar el cdigo en los pequeos problemas como parte de esta investigacin
de la aplicacin de la PML a varias reas, el cdigo elemental result
suficiente
Uno de los aspectos ms interesantes del cdigo Jskelinen para PML hoy
en da, este cdigo es ampliamente conocido y empleado en todo software de
PML. Su situacin es particular pues que escuelas de negocios de EEUU,
estn bajo la ilusin de que este cdigo representa el estado de la tcnica en
el software PML. Para complicar el asunto, el crdito a Jskelinen por el
desarrollo del cdigo es rara vez dado. El nico aspecto positivo de la
situacin es que la fcil disponibilidad del cdigo Jskelinen ayud a
fomentar un aumento sustancial inters en PM.
A fines de los 60s y principios de 70s se continuo desarrollando algoritmos
de PM y software, incluidos los de los modelos no lineales PM entero.

Sin embargo, una contribucin mucho ms importante result como

consecuencia de mi inters por la dualidad en la PML. El doble del
modelo PML, denominada la "multidimensional dual", llev rpidamente
al desarrollo de una metodologa completa para el anlisis de sensibilidad en
modelos PML y mejoro sustancialmente el desarrollo de algoritmos y
software. Por tanto, hoy en da se tiene disponible una amplia seleccin de
software computacionalmente eficiente tanto para lineal, as como nmero
entero y modelos no lineales
Uno puede afirmar, que el rendimiento del software moderno de PM es
equivalente al mejor de los programas informticos utilizados en la solucin
de modelos de objetivos individuales convencionales. El espacio no permite
una discusin de aplicaciones de PM. Sin embargo, nos proporcionan un
nmero de referencia que describen una variedad de implementaciones de la
metodologa. Obviamente, cualquier problema que puede ser abordado
a travs de la programacin matemtica (optimizacin) es un
candidato para la PM.

DESARROLLO DEL MODELO PML

Se describe un enfoque sencillo, racional y sistemtico a la construccin del
modelo matemtico que se designa como modelo de PML.
El propsito de cualquier procedimiento de programacin matemtica
es, o al menos debera ser para ganar un mayor conocimiento y
comprensin del problema en el mundo real bajo consideracin. Es esto
lo que se espera lograr mediante el desarrollo, se quiere "resolver" una
representacin cuantitativa (o modelo matemtico) del problema.
Sin embargo, los nmeros obtenidos son ms que soluciones al modelo
abstracto, necesariamente son soluciones al problema real.
La finalidad del procedimiento que se intenta proporcionar a un modelo
matemtico es de la mayor precisin posible reflejada en el problema. De
esta manera, debemos ser capaces de minimizar las discrepancias
entre modelo y problema.
Sin embargo, antes de describir el proceso de modelado, primero ofrecemos
un resumen de algunas de la notacin que se utilizar durante el resto de la
monografa.

Notacin
Nuestros modelos matemticos sern, en su mayor parte, expresada en
trminos de notacin matricial.
Matrices. Una matriz es una matriz rectangular de nmeros reales.
Nosotros representamos a la matriz a travs negrita, maysculas tales como

A, D, I. Sin embargo, en el caso de, por ejemplo, una matriz compuesta

nicamente por ceros, denotamos esto como negrita cero, o 0.
Elementos y orden de una matriz: El elemento I, jth en la fila I la columna j
de A. El orden de una matriz se da como (m x n) donde m es el nmero de
filas y n es el nmero de columnas.
Tipos de matrices especiales. En la monografa, utilizamos varios tipos de
matriz especial, que incluyen:
AT= la transpuesta de A;
B-1= la inversa de B (donde, por supuesto, B debe ser no singular);
I= la matriz de identidad;
(A1:A2)= la particin de alguna matriz, por ejemplo A.
Vectores: Un vector es o bien una columna o fila de nmeros reales
ordenado. En este texto, supondremos que todos los vectores. As, en el caso
de la necesidad de designar un vector fila, vamos a denotar, letras
minsculas para un vector, tales como: a, b, x. Como se ha mencionado, estos
son vectores columna. Por lo tanto, aT, bT y xT seran vectores fila.
Tipos de vectores especiales. Algunos de los tipos especiales de vectores
utilizados en este documento son:
aj= la columna jth de la matriz A;
V1

= la particin de algn vector

V2

( )

c(k)= un vector asociado deber indicar en el conjunto de objetos kth orden

x 0; esto indica que el vector columna x es no negativo
Los elementos de un vector. Tpicamente, x; representar el elemento jth
del vector x. Es decir, el subndice se indicar la posicin del elemento
dentro del vector.

El modelo de referencia
La primera fase del proceso de modelado es captar la mayor apreciacin
del problema real como sea posible. Por lo general, esto se logra mediante
la observacin de la situacin del problema, discutir el problema con los ms
familiarizados con ella, y simplemente pasar una gran cantidad de tiempo
pensando en el problema y sus posibles razones de existencia y las posibles
alternativas.
El siguiente paso es tratar de desarrollar un modelo matemtico preciso
para la representacin del problema. En el desarrollo inicial de este modelo
matemtico que nuestro enfoque difiere del procedimiento tradicional.
Es decir, en lugar de desarrollar de inmediato una especfica el modelo
matemtico (por ejemplo, un modelo de programacin lineal), primero
desarrollamos una representacin general, as como: el "modelo de
referencia" (ignizio, 1982a). La forma general del modelo de referencia se
da a continuacin:

Encuentra xT= (x1, x2, ,xn) de manera que:

Maximizar fr(x)
Minimizar fs(x)
Satisfacer ft(x)

r[3.1]
s [3.2]
t [3.3]
bt

Los componentes de este modelo a continuacin incluyen:

(a) las variables (en concreto, las variables estructurales, tambin conocidos
como variables de control o decisin),
(b)objetivos (de la maximizacin y minimizacin de forma), y
(c) los objetivos (ya sea "duro" o "suave"), en algunos casos (como el caso de
los modelos de PL o PML, derivados del modelo de referencia), una
restriccin adicional normalmente existe en lo que se refiere a las
variables estructurales.
En concreto, las variables estructurales pueden estar restringidas a slo
valores no negativos; y esto se escribe como:
x0

[3,4]

TERMINOLOGA
Definiremos primero la terminologa asociada con el modelo de referencia,
as como sus diferencias con respecto a la utilizada en la programacin
matemtica convencional, esto juega un papel importante en la apreciacin
de PML, o programacin matemtica multi-objetivo en general.
Variable estructural: Por lo general denota como xj, son las variables
estructurales sobre las que se puede ejercer cierto control. En consecuencia,
tambin se conocen como variables de control o decisin.
Objetivo: en la programacin matemtica, un objetivo es una funcin que
buscamos optimizar, a travs de cambios en las variables estructurales.
Las formas ms comunes de los objetivos son los que buscamos maximizar y
aquellos que deseamos minimizar (es decir, maximizar o minimizar sus
respectivos valores). Las funciones, en (3.1) estn maximizando objetivos
mientras que los de (3.2) los objetivos son de reducir al mnimo.
Meta: Las funciones de (3.3) son las funciones objetivo. Especficamente,
aparecen como funciones objetivas en conjuncin con un lado de la mano
derecha. Este lado derecho (por ejemplo, bt) I el "valor objetivo" o "nivel de
aspiracin" asociado con la meta.
Para aclarar an ms debemos tener en cuenta la relacin entre una meta
y un objetivo. Por ejemplo, si "queremos maximizar las ganancias",
estamos hablando de un objetivo. Sin embargo, si decimos que "queremos
lograr una ganancia de $ 1000 o ms", entonces hemos declarado una
meta. Obviamente, entonces, podemos transformar cualquier objetivo en
una meta por medio de la forma en como citar un valor objetivo
especfico ($ 1000 en el ejemplo anterior).

A continuacin, teniendo en cuenta las metas pueden ser clasificados como

"duras" (inflexible) o "suaves" (flexible) dependiendo de cun firme
nuestro deseo es alcanzar el valor objetivo, sea.
Examine, por ejemplo, la meta de ganancias en concepto de:
3x1+6 x2+x31000

($ de beneficio)

Ahora, si es absolutamente necesario lograr una ganancia de $ 1000 (por

ejemplo, si la empresa no va a sobrevivir de otra manera), esta funcin es
una meta rgida o inflexible. Usando la terminologa de programacin
matemtica convencional, la expresin representa una limitacin rgida.
Lo ms probable, es que tal meta podra ser inflexible. Si es que la empresa
as lo deseara, ya que podra tener una ganancia de $ 1000, pero seguir
sobreviviendo si se fuera de $ 999,..., $990,... o quizs incluso menos. En
este caso, la meta sera considerada suave o flexible.
Sobre la base de estos conceptos y la terminologa, consideremos ahora el
desarrollo de un pequeo ejemplo numrico, simplificada de un modelo de
referencia.
El problema plantea la construccin de una estacin de bombeo
de aguas subterrneas para abastecer de agua potable a un
pequeo pueblo. El sitio de la estacin se fija, debido a la
disponibilidad de agua de pozo, y las nicas preguntas restantes
(que consideraremos) son:
(1) Qu tipos de estaciones de monitoreo se debe utilizar?
(2) Cul de los tres tipos de maquinaria de bombeo se debe
comprar?
Los deseos de la ciudad, por supuesto, son de reducir al mnimo el
costo total inicial.
Sin embargo, ya que existe un alto nivel de desempleo en la zona,
tambin desean maximizar el nmero de trabajadores de un
empleo remunerado.
Los datos asociados con este ejemplo en particular es de la
siguiente tabla:
Estacin del tipo
A
B
Costo
inicial
(en
millones)
Numero de
personas
por 8
horas
diarias

Maquinaria de Bombeo del tipo

I
II
III

1.5

3.5

10

15

Para formar el modelo de referencia, primero vamos a definir:

j = 1,2,3,4, y 5 representando los subndices asociados con el tipo de

estacin A, tipo B estacin, tipo de maquinaria I, las de tipo II y las de
tipo III, respectivamente:
del arrendamiento:

x j= 1 si laalternativa es j
0 en caso contrario

[3.5]

Ahora para formar los objetivos, metas y restricciones rgidas, tenemos

que tener exactamente una de las estaciones de monitoreo y uno de los
tipos de maquinaria de bombeo.
Esto puede ser expresado como
x1+ x2=1

[3.6]

y
x3+ x4+ x5=1

[3.7]

Considerando los costes iniciales que van a ser minimizado dela

tabla de datos, podemos construir inmediatamente el objetivo de
costo como
minimizar 2 x1+ 1.5x2+ 5x3+ 4x4+ 3.5x5

[3.8]

Adems, se desea maximizar el nmero de trabajadores con

empleo remunerado, este objetivo se escribe como:
maximizar 12 x1+ 18x2+ 18x3+ 30x4+ 45x5

[3.9]

Adems, podemos escribir las condiciones no negativas como

j
xj0
[3.10]
Por lo tanto, la revisin del modelo vemos que tenemos dos objetivos
(3.8 y 3.9), dos metas (relaciones 3.6 y 3.7), y un conjunto de
condiciones de no negatividad (3.10).
Sin embargo, observe que para este modelo las condiciones de no
negatividad son redundantes porque en (3.5) que ya han restringido las
variables estructurales a no negativos en valores especficamente, los
valores de 0 1.
En resumen podemos re-escribir este modelo en la forma de
referencia estndar como se muestra a continuacin:
Minimizar 2
Maximizar 12
Satisfacer
En donde

x1 + 1.5
x2 + 5x3 + 4x4 + 3.5
x1 + 18
x2 + 18
x3 + 30
x1 + x2
=1
x3 + x4 + x5
=1
xj= 0 o 1 j

x5
x4 + 45

x5

Nuestro ltimo paso en el desarrollo del modelo de lnea de base es

indicar cul de los objetivos que deban ser considerados rgido. A

medida que la estacin debe evidentemente ser construido, se puede

concluir que las dos metas en el modelo anterior han de ser
consideradas como restricciones rgidas.
El problema todava tiene dos objetivos y estos objetivos estn en
conflicto. Es decir, la minimizacin de los costos iniciales afecta
negativamente el deseo de maximizar el nmero de trabajadores
empleados, y viceversa.
Adems, hay que sealar que este modelo en particular es conocido
como un modelo de "programacin cero-uno", debido a las
restricciones en los valores de las variables estructurales.

Proceso de conversin: programacin lineal

El modelo de referencia de (3.1) - (3.4) representa el modelo cuantitativo que
es lo ms cercano a la representacin del problema del mundo real
correspondiente. Desafortunadamente, no es factible atacar directamente a
dicho modelo, porque los mtodos de solucin no son suficientes para
enfrentar a la representacin general.
Como consecuencia, nuestro siguiente paso en el proceso de modelado es
transformar el modelo base en un "modelo de trabajo", por medio de
ciertos supuestos.
Primero vamos a describir la conversin del modelo de base en un
modelo de programacin lineal. En primer lugar, citamos la forma
general del modelo de programacin lineal:
Donde forma que x es:
Minimizar
Siendo:

z = cTx

[3.11]

A x= b

[3.12]

Y
x0

[3.13]

Ahora, tenemos que seleccionar una forma teniendo en cuenta que un

objetivo de minimizacin o, si en lugar de eso deseamos maximizar solo el
objetivo, tendramos simplemente que multiplicar por -1 y luego minimizar el
objetivo resultante:
Eso es:
Maximizar
z = cTx
Es equivalente a decir
Minimizar
z = -cTx
Ahora, comparando el modelo PL de (3.11) - (3.13) con el modelo de lnea de base de (3.1) - (3.2),
debe ser relativamente evidente en cuanto a cmo este ltimo se convirti en la primera.

El proceso puede resumirse en:

Paso 1: Seleccione uno de los objetivos de (3.1) o (3.2) y tratarlo como el
objetivo nico de PL. Normalmente, este es el objetivo que se percibe como
de "mayor importancia"
Paso 2: Convertir todos los objetivos restantes en metas estableciendo el
nivel de aspiracin desado.
Eso es,
Max fr(x)
Tenemos que
fr(x) br
y
Min fs(x)
Tenemos que
fs(x) bs
Donde br y bs son sus respectivos niveles de aspiracin para los dos tipos
objetivos.
Paso 3: Tratar a todos los objetivos (es decir, incluidos las del paso 2) como
restricciones estrictas.
Paso 4: Convertir cada meta desigual a una ecuacin por medio de "holgura"
o variables "sobrantes".
Aunque algunos analistas estn siempre capacitados para proceder a travs
de los cuatro pasos anteriores para formar el modelo de programacin lineal
(es decir, que suelen proceder directamente a la modelo LP), estamos
convencidos de que los supuestos subyacentes cualquier modelo LP se hacen
mucho ms evidentes a travs de este proceso.

Procedimiento de conversin PML: Paso 1

Consideremos ahora la conversin del modelo de referencia en forma
lexicogrfica del modelo PM. Este modelo en su forma lineal, es por
supuesto, el enfoque de esta monografa. Este proceso de conversin
procede a travs de dos fases.
La primera fase consiste de los siguientes pasos:
Paso 1: Todos los objetivos se transforman en metas. As, el modelo base de
(3.1) - (3.4) se convierte en:
Fi(x) = bi

[3.14]

Teniendo en cuenta que cada meta en (3.14), a diferencia de PL, puede este
ser duro o blando, segn se considere la representacin ms exacta del
problema que se considere.

Paso 2: Cada meta de (3.14) se ordenan segn su importancia. Como

resultado, tendramos un conjunto de objetivos duros o (restricciones
estrictas) que asigna siempre la prioridad o rango (designada tpicamente
como P1). Todas las metas restantes se clasifican, en orden de importancia
percibida por debajo del conjunto de restricciones estrictas. Adems las
metas conmensurables pueden ser agrupadas en una sola fila.
Paso 3: Teniendo en cuenta el procedimiento de solucin utilizada en los
modelos de PML se requiere un conjunto de ecuaciones lineales simultneas,
todos los objetivos de (3.14) deben convertirse en ecuaciones a travs de la
adicin de variables lgicas.

Forma original
meta
fi(x) bi
fi(x) bi
fi(x) = bi

Inclusin de variables de desviacin

"No deseado" variable
de la
de desviacin (la
Forma a convertir
variable a ser
minimizado)
fi(x) + i - i = bi
i
fi(x) + i - i = bi
i
fi(x) + i - i = bi
i + i
Tabla 3.1

En PL, tales variables lgicas se conocen como variables de holgura o

excedentes (y, cuando sea necesario, variables artificiales). En PM, estas
variables lgicas se denominan variables de desviacin o variables de
desviacin meta. Resumimos en la Tabla 3.1
Habiendo concluido la primera fase de la conversin del modelo de
referencia en el modelo PM, ahora buscamos una solucin que sirve para
"minimizar" todas las desviaciones no deseadas.
La manera en que se mide el logro de la reduccin al mnimo de las
desviaciones no deseadas de las metas es lo que diferencia a los distintos
tipos de PM.
Aqu, vamos a utilizar el enfoque del concepto mnimo lexicogrfico, como se
mencion anteriormente, tambin nos permitir tener en cuenta, casos
especiales como Arqumedes (es decir, minsum) PML as como PL
convencional.
Antes de seguir, vamos a definir el mnimo lexicogrfico, o "lexmin", en un
vector ordenado.
Mnimo lexicogrfico: dada una matriz ordenada, de elementos no
(2 )
negativos (aks), la solucin dada por a(1) y a(2) si a(1)
y todos los trminos
k < ak
de orden superior (i.e., a1, a2, ,ak-1) son iguales.
Si no se prefiere otra solucin de a, entonces a ser el mnimo lexicogrfico.
Por lo tanto, si tenemos dos matrices, digamos una a(r) y a(s) , donde
a(r)=(0,17,500,77)T
a(s)=(0,18,2,9)T
Se tiene que a(r) es antes que a(s)

Procedimiento de conversin PML: Paso 2

Ahora nos dirigimos a la finalizacin del proceso de conversin, este proceso
nos llevar a la siguiente forma general del modelo PML lexicogrfico:
Donde v es para
Lexmin uT={c(1)Tv, , c(k)Tv,, c(K)Tv }
[3.15]
s.t.
Av=b
[3.16]
v0
[3.17]
observamos que
x
v =
[3.18]

Entonces podemos notar que (3.16) es simplemente la representacin de

todos los objetivos, incluyendo su variable de desviacin para el problema.
Ahora se deja slo explicar el significado y la formacin de (3.15). El vector
ordenado uT, se denomina la funcin de "rendimiento" en PM. En realidad, se
podra argumentar que un nombre ms apropiado es la funcin "bajo
rendimiento" ya que realmente representa una medida de bajo rendimiento
encontrado al tratar de minimizar el conjunto jerarquizado de desviacin
meta.
Por ende:
uT= la funcin rendimiento PM, o vector,
uk= kth en trminos de uT; el trmino asociado con la minimizacin de todas
las desviaciones no deseados asociados con el conjunto de objetivos en rango
o prioridad k
c(k)T= (vector fila) de las ponderaciones asociadas a las variables de
desviacin no deseadas al rango k
Tenga en cuenta especialmente la notacin utilizada en c (k) T. Es decir, el
superndice "T" designa simplemente la transpuesta del vector de la columna
c (k). El superndice (k) se refiere, sin embargo, el nivel de prioridad, o
rango, asociada con el respectivo conjunto de pesos. Para el lector an
incierto en cuanto al procedimiento, que ahora describimos la conversin a
travs de un pequeo ejemplo numrico.
Una ilustracin
Con el fin de reforzar el concepto de desarrollo del modelo lineal base, vamos
a describir un ejemplo especfico.
Supondremos que estamos preocupados de los problemas de una empresa de
alta tecnologa.
Aunque esta firma produce numerosos artculos, su problema particular es
en lo que se refiere a la fabricacin de slo dos de estos productos.

Estos productos, destinados a la seguridad como "x1" y "x2", se producen en

un sector aislado de la planta a travs de un proceso complejo que se lleva a
cabo con una delicada maquinaria.
Una vez que se produce el elemento, tenemos slo 24 horas, como mximo,
para comprar e instalar. Es decir, a menos que la unidad acabada de
cualquiera de los productos x1 o x2 se instala dentro de las 24 horas de su
fabricacin, el producto no podr ser mejorado y deber ser desechado a
travs de un proceso caro y requiere tiempo; tal que podra conducir a
nuestra empresa a la quiebra.
La empresa tiene un contrato con el gobierno para suministrar hasta 30
unidades por da de x1 producto y hasta 15 unidades por da de x 2 productos.
Sin embargo, la instalacin gobierno, reconociendo la naturaleza delicada del
proceso de fabricacin, se da cuenta de que la recepcin de exactamente 30
y 15 unidades de x1 y x2, respectivamente, es poco probable.
La empresa obtiene un beneficio estimado de $ 800 por unidad para x1 y $
1200 para x2. Afirman que sin duda desean maximizar su ganancia diaria.
En el nico procesador, especialmente diseado, se tarda slo un minuto
para producir cada unidad de x1 y dos minutos para cada x2.
Sin embargo, debido a la naturaleza delicada de la mquina, la firma quiere
ejecutarlo no ms de 40 minutos por cada perodo de 24 horas.
En el tiempo durante el cual la mquina no est en funcionamiento, se puede
ajustar a fin de satisfacer los requisitos casi crticos de fabricacin.
Por lo tanto, aunque la mquina posiblemente podra ser ejecutada por ms
de 40 minutos por da, esto no sera muy deseable para la empresa.
Para modelar este problema, en forma de lnea de base, vamos a definir en
primer lugar nuestras variables estructurales:
X1= nmero de unidades de x1 producto producido por da;
X2= nmero de unidades de x2 producto producido por da.

A continuacin formamos nuestros objetivos y metas, en funcin de las

variables estructurales.
Nuestra primera serie de metas seria de la "demanda del mercado"; las
necesidades diarias (superior) de la instalacin del gobierno. Por Ende:
X1 30

(demanda por da de X1)

[3.19]

X2 15

(demanda por da de X2)

[3.20]

Nota cuidadosamente que el gobierno, a pesar de querer los lmites

superiores, aceptar algo menos unidades.

El objetivo de beneficio se puede escribir como sigue:

Maximizar 800 X1 + 1200 X2 (utilidad diaria)
Sin embargo, esto sera una mala prctica de modelado. Es decir, en la
programacin matemtica debe siempre intentar escalar todos los
coeficientes de forma que se minimice la diferencia entre el mayor y el
menor coeficiente. Por lo tanto, una forma ms deseable de ganancia es el
objetivo
Minimizar 8X1 + 12X2 (utilidad diaria, en $100 units)

[3.21]

A continuacin, observamos que nos gustara limitar el tiempo de produccin

por da a 40 minutos en total, aunque la empresa s indica una cierta
flexibilidad sobre este lmite. Por lo tanto, escribimos este objetivo como
X1 + 2X2 40

(daily production time)

[3.22]

Por ltimo, aunque no se menciona explcitamente en nuestra descripcin del

problema, la empresa sera obviamente gustara producir lo ms cerca de 30
unidades por da de X1 y 15 unidades por da de X2. Al hacerlo, no slo
aumentan sus beneficios, pero tambin mantener al cliente feliz. Vamos a
esperar un momento antes de que realmente la formulacin de estos ltimos
objetivos. Sin embargo, tenga en cuenta que se asocian con (3.19) y (3.20).
Nuestro prximo paso es convertir los objetivos en metas. El nico objetivo
que aparece en (3.19) - (3.22) es el que maximiza los beneficios. Suponiendo
que la ganancia diaria aspirado de la firma de estos dos productos es de $
100.000, convertimos
Maximizar 8X1 + 12X2
Into
8X1 + 12X2 1000

[3.23]

Ahora estamos listos para clasificar para todos los objetivos, junto con
discusiones con los tomadores de decisiones de la empresa. Con fines de
discusin, vamos a suponer que el orden de presentacin coincide con el
orden de preferencia. Adems, es obvio que los dos primeros objetivos
(requisitos diarios) son los nicos que son rgidos en este problema.
Por lo tanto, dejar que Pk se refieren a la prioridad de orden kth o rango:
P1:: no producir ms artculos por da de cada artculo que exiga.
P2: lograr una ganancia de $ 100.000 por da, o ms
P3: intento de mantener el tiempo de procesamiento de 40 minutos o menos
por da
P4: intento de suministrar lo ms cercano a 30 unidades y 15 unidades de x1
y x2, respectivamente, por da. Adems, supondremos que la empresa
considera x2 suministro para ser una vez y media ms importante que x1.

Despus es necesario incluir las variables de desviacin objetivo (es decir,

i y i) y la formacin de la funcin de logro, que se desarrollan de forma
final del modelo MPL lexicogrfico como se muestra a continuacin:

uT={( 1 + 2),( 3),(4),( 1 + 2)}

Lexmin

[3.24]

s.t.
x1 +

1 = 30

x 2 + 2

2 = 15

8x1 + 12x2 + 3 3
x1 + 2

=1000

[3.25]

x2 + 4 1 = 40

x, ,

[3.26]