Investigacion de Operaciones I - Material de Autoaprendizaje

ASIGNATURA
INVESTIGACIN DE OPERACIONES I
(MATERIAL DE AUTOAPRENDIZAJE)
Universidad Continental de Ciencias e Ingeniera Material publicado con fines de estudio Primera edicin Huancayo, 2010
Investigacin de operaciones I
PRESENTACIN DE LA ASIGNATURA
La Investigacin Operativa es una moderna disciplina cientfica que se caracteriza por la aplicacin de teora, mtodos y tcnicas especiales, para buscar la solucin de problemas de administracin, organizacin y control que se producen en los diversos sistemas que existen en la naturaleza y los creados por el ser humano, tales como las organizaciones a las que identifica como sistemas organizados, sistemas fsicos, econmicos, ecolgicos, educacionales, de servicio social, etc. El objetivo ms importante de la aplicacin de la Investigacin Operativa es apoyar en la toma ptima de decisiones en los sistemas y en la planificacin de sus actividades. El enfoque fundamental de la Investigacin Operativa es el enfoque de sistemas, por el cual, a diferencia del enfoque tradicional, se estudia el comportamiento de todo un conjunto de partes o sub-sistemas que interaccionan entre s, se identifica el problema y se analizan sus repercusiones, buscndose soluciones integrales que beneficien al sistema como un todo. Para hallar la solucin, la Investigacin Operativa generalmente representa el problema como un modelo matemtico, que es analizado y evaluado previamente. La Investigacin de Operaciones es una ciencia interdisciplinaria La asignatura tiene por finalidad proporcionar los conocimientos bsicos para la formulacin de modelos lineales, su solucin y anlisis para tomar decisiones adecuadas en la gestin de organizaciones, por lo cual el presente material se ha estructurado en tres captulos. El captulo I comprende los fundamentos sobre los modelos operativos. E el captulo II se desarrolla los aspectos concernientes a la programacin lineal desde la formulacin hasta las diversas formas de solucin. El captulo 3 abarca los casos especiales de la programacin lineal como el problema de transporte y el problema de asignacin.
CONTENIDO
CAPITULO 1: FUNDAMENTOS DE LA INVESTIGACIN DE OPERACIONES 1.1. LOS MODELOS 1.1.1 CLASIFICACIN DE MODELOS 1.1.2 PRINCIPIOS DE LOS MODELOS 1.2. RESEA HISTRICA DE LA INVESTIGACIN DE OPERACIONES 1.2.1 NATURALEZA DE LA INVESTIGACIN DE OPERACIONES 1.2.2 QU ES LA INVESTIGACIN DE OPERACIONES? 1.3. METODOLOGA DE LA INVESTIGACION DE OPERACIONES 1.3.1 DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS 1.3.2. FORMULACIN DE UN MODELO MATEMTICO 1.3.3 OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO 1.3.4 PRUEBA DEL MODELO 1.3.5 ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION 1.3.6 IMPLANTACION DE LA SOLUCION CAPITULO 2: PROGRAMACIN LINEAL 2.1. SUPUESTOS DEL MODELO DE PROGRAMACIN LINEAL 2.2. EXPRESIN MATEMTICA 2.3 MODELO DE PROGRAMACIN LINEAL 2.3.1 FORMA ESTNDAR DEL MODELO 2.4. FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL 2.4.1 PASOS A SEGUIR 2.4.2 CASOS DE FORMULACIN 2.4.3.1 PROBLEMAS PROPUESTOS 2.5. SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL 2.5.1 MTODO GRFICO
1 1 1 3 3 5 6 8 8 9 10 11 12 12 14 15 15 17 18 18 18 19 24 25 25
Investigacin de operaciones I 2.5.1.1 CRITERIOS A CONSIDERAR 2.5.1.2 CASOS DE APLICACIN 2.5.1.3 EJERCICIOS PROPUESTOS 2.5.1.4 SITUACIONES ESPECIALES 26 27 34 34
2.5.2 SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL: MTODO SIMPLEX 44 2.5.2.1 PROCEDIMIENTO GENERAL DEL SIMPLEX 2.5.2.2 METODOLOGA DE CLCULO 2.6. DUALIDAD Y ANLISIS DE SENSIBILIDAD 2.6.1 DEFINICIONES GENERALES DEL ANLISIS DE SENSIBILIDAD 2.6.2 TEORA DE DUALIDAD CAPITULO 3: APLICACIONES ESPECIALES DE PROGRAMACIN LINEAL 3.1 PROBLEMA DE TRANSPORTE 3.1.1 MODELO GENERAL DEL PROBLEMA DE TRANSPORTE 3.1.2 MTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES 3.1.3 COMPARACIN DE CRITERIOS ALTERNATIVOS PARA EL PASO 1 3.2 PROBLEMA DE ASIGNACIN 3.2.1 TEOREMA FUNDAMENTAL DE LA ASIGNACIN 44 47 51 51 54 58 58 60 67 73 85 88
CAPITULO 1 FUNDAMENTOS DE LA INVESTIGACIN DE OPERACIONES
1.1 LOS MODELOS

Un modelo es una representacin ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones ms relevantes del mismo. Claramente no habra ventaja alguna de utilizar modelos si estos no simplificaran la situacin real. En muchos casos podemos utilizar modelos matemticos que, mediante letras, nmeros y operaciones, representan variables, magnitudes y sus relaciones.
1.1.1 CLASIFICACIN DE MODELOS
Se podra decir que un modelo de las ciencias fsicas es una traduccin de la realidad fsica de un sistema en trminos matemticos, es decir, una forma de representar cada uno de los tipos entidades que intervienen en un cierto proceso fsico mediante objetos matemticos. Las relaciones matemticas formales entre los objetos del modelo, deben representar de alguna manera las relaciones reales existentes entre las diferentes entidades
o aspectos del sistema u objeto real. As una vez "traducido" o "representado" cierto problema en forma de modelo matemtico, se pueden aplicar el clculo, el lgebra y otras herramientas matemticas para deducir el comportamiento del sistema bajo estudio. Un modelo fsico requerir por tanto que se pueda seguir el camino inverso al modelado, permitiendo reinterpretar en la realidad las predicciones del modelo. Los modelos matemticos pueden clasificarse de la siguiente manera: Determinista. Se conoce de manera puntual la forma del resultado ya que no hay incertidumbre. Adems, los datos utilizados para alimentar el modelo son completamente conocidos y determinados. Estocstico. Probabilstico, que no se conoce el resultado esperado, sino su probabilidad y existe por tanto incertidumbre.
Investigacin de operaciones I Adems con respecto a la funcin del origen de la informacin utilizada para construirlos los modelos pueden clasificarse de otras formas, se distinguen modelos heursticos y modelos empricos: Modelos heursticos (del griego euriskein 'hallar, inventar'). Son los que estn basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenmeno estudiado. Modelos empricos (del griego empeirikos relativo a la 'experienia'). Son los que utilizan las observaciones directas o los resultados de experimentos del fenmeno estudiado. Adems los modelos matemticos encuentran distintas denominaciones en sus diversas aplicaciones. A continuacin veremos algunos tipos en los que se puede adecuar algn modelo matemtico de inters. segn su campo de aplicacin los modelos: Modelos conceptuales. Son los que reproducen mediante frmulas y algoritmos matemticos ms o menos complejos los procesos fsicos que se producen en la naturaleza Modelo matemtico de optimizacin. Los modelos matemticos de optimizacin son ampliamente utilizados en diversas ramas de la ingeniera para resolver problemas que por su naturaleza son indeterminados, es decir presentan ms de una solucin posible. Categoras por su aplicacin suelen utilizarse en las siguientes tres reas, sin embargo existen muchas otras como la de finanzas, ciencias etc. Simulacin. De situaciones medibles de manera precisa o aleatoria, por ejemplo con aspectos de programacin lneal cuando es de manera precisa, y probabilstica o heurstica cuando es aleatorio. Optimizacin. Para determinar el punto exacto para resolver alguna problemtica administrativa, de produccin, o cualquier otra situacin. Cuando la optimizacin es entera o no lineal, combinada, se refiere a modelos matemticos poco predecibles, pero que pueden acoplarse a alguna alternativa existente y aproximada en su cuantificacin. Control. Para saber con precisin como est algo en una organizacin, investigacin, rea de operacin, etc.
Investigacin de operaciones I 1.1.2 PRINCIPIOS DE LOS MODELOS "Los modelos no pueden reemplazar al tomador de decisiones, slo auxiliarlos" A continuacin se presenta una lista, no exhaustiva, de los principios generales de modelacin. No debe elaborarse un modelo complicado cuando uno simple es suficiente. El problema no debe ajustarse al modelo o mtodo de solucin. La fase deductiva de la modelacin debe realizarse rigurosamente. Los modelos deben validarse antes de su implantacin. Nunca debe pensarse que el modelo es el sistema real. Un modelo debe criticarse por algo para lo que no fue hecho. No venda un modelo como la perfeccin mxima. Uno de los primeros beneficios de la modelacin reside en el desarrollo del modelo. Un modelo es tan bueno o tan malo como la informacin con la que trabaja. Los modelos no pueden reemplazar al tomador de decisiones. Los modelos de Investigacin de Operaciones, conducen a mejores decisiones y no a simplificar la toma de stas.
1.2 RESEA HISTRICA DE LA INVESTIGACIN DE OPERACIONES

La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro.
Investigacin de operaciones I En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. Desde la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Una parte integral de este cambio revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades administrativas en estas organizaciones. Junto con los beneficios, el aumento en el grado de especializacin creo nuevos problemas, uno de estos problemas es las tendencia de muchas de los componentes de una organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con la organizacin. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la Investigacin de Operaciones (IO). Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria
Investigacin de operaciones I de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaa en el pacfico. Otros dos factores jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que haban participado en los equipos de IO o que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo antes del trmino de la dcada de 1950. Un segundo factor fue el advenimiento de las computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas.
1.2.1 NATURALEZA DE LA INVESTIGACIN DE OPERACIONES Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin sobre las operaciones". Entonces, la investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha aplicado de manera extensa en reas tan diversas como la manufactura, el transporte, la constitucin, las telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia.
Investigacin de operaciones I La parte de investigacin en el nombre significa que la investigacin de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el problema en cuestin. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validacin del modelo). La investigacin de operaciones tiene un amplio punto de vista organizacional, intentando resolver los conflictos de intereses entre las componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Esto no significa que el estudio de cada problema deba considerar en forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan deben ser consistentes con los de toda ella. Una caracterstica adicional es intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades reales de la administracin, esta "bsqueda de lo ptimo es un aspecto importante dentro de la investigacin de operaciones. Cuando se va a emprender un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario contar con un equipo de profesionales. Este debe incluir individuos con bases en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias del comportamiento y, por supuesto, en las tcnicas operativas.
1.2.2 QU ES LA INVESTIGACIN DE OPERACIONES? Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en
Investigacin de operaciones I la actualidad no existe solamente una definicin sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu seleccionamos dos de las mas aceptadas y representativas. Definicin de Churchman, Ackoff y Arnoff: la investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. De sta definicin se pueden destacar los siguientes conceptos: Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no. En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos establecidos. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos matemticos, primero para representar al problema y luego para resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente: La investigacin de operaciones es el tratamiento de la ciencia moderna a los complejos problemas que surgen en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su diferencia est en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propsito es ayudar a determinar cientficamente sus polticas y acciones.
Investigacin de operaciones I 1.3 METODOLOGA DE LA INVESTIGACION DE OPERACIONES 1.3.1 DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta "correcta" a partir de un problema "equivocado"! Por su naturaleza, la investigacin de operaciones se encarga del bienestar de toda la organizacin, no slo de algunos de sus componentes. Un estudio de IO busca soluciones ptimas globales y no soluciones sub ptimas aunque sean lo mejor para uno de los componente. Entonces, idealmente, los objetivos que se formulan debe coincidir con los de toda la organizacin. Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada ms a una parte de la organizacin, de manera que el anlisis sera innecesariamente besado si los objetivos fueran muy generales y si se prestara atencin especial a todos los efectos secundarios sobre el resto de la organizacin. En lugar de ello, los objetivos usados en un estudio deben ser tan especficos como sea posible, siempre y cuando contemplen las metas principales del tomador de decisiones y mantengan un nivel razonable de consistencia con los objetivos de los altos niveles. Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situacin actual) y lo que debe ser (situacin deseada u objetivo) y adems exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organizacin; c) el sistema o ambiente en el que se sita el problema; d) Los cursos de accin alternativos que se pueden tomar para resolverlo. Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de accin, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de
Investigacin de operaciones I importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen.
1.3.2 FORMULACIN DE UN MODELO MATEMTICO Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar. Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. 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 ayude 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 simultneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y minicomputadoras. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se
Investigacin de operaciones I requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico.
1.3.3 OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin.
10
Investigacin de operaciones I 1.3.4 PRUEBA DEL MODELO El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo matemtico grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los rboles". Entonces, despus de completar los detalles ("los rboles") de la versin inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulacin. Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados del modelo se comporten de una manera factible. Con
11
Investigacin de operaciones I frecuencia, esto es especialmente revelador cuando se asignan a los parmetros o a las variables valores extremos cercanos a su mximo o a su mnimo. Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones.
1.3.5 ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION Una solucin establecida como vlida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parmetros, las relaciones, etc., no cambien significativamente. Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema.
1.3.6 IMPLANTACION DE LA SOLUCION El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa.
12
Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento. El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial especialmente cuando se estudian polticas gubernamentales en controversia.
13
CAPITULO 2 PROGRAMACIN LINEAL
Considerado entre los avances cientficos ms importantes de mediados del siglo XX (desde 1950). En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin eficiente llamado mtodo simplex. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas.
14
Investigacin de operaciones I 2.1 SUPUESTOS DEL MODELO DE PROGRAMACIN LINEAL a) Proporcionalidad La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (funcin objetivo y en el lado izquierdo de las restricciones.
b) Actividad Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular.
c) Aditividad Cada funcin en un modelo de programacin lineal (funcin objetivo o el lado izquierdo de las restricciones) es la suma de las contribuciones individuales de las actividades respectivas.
d) Divisibilidad Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones y de no negatividad.
2.2 EXPRESIN MATEMTICA La Funcin Objetivo del Modelo Lineal es la formulacin matemtica de una meta establecida y por lo tanto su valor final mide la efectividad lograda. Es una funcin lineal a ser maximizada o minimizada y tiene la siguiente forma general: Optimizar C1X1 + C2X2 + C3X3 + C4X4 +...................+ CnXn
15
Investigacin de operaciones I Xj, simboliza matemticamente a las variables de decisin. Son los valores numricos que se determinan con la solucin del modelo y representan o estn relacionadas con una actividad o accin a tomar. Son los nicos valores desconocidos en el modelo y pueden existir en cualquier cantidad, desde 1 hasta n variables. Es decir, j vara desde 1 hasta n. Cj, matemticamente, simboliza el coeficiente de la variable j en la Funcin Objetivo. Son datos relevantes, insumos incontrolables ya conocidos. En la Funcin Objetivo representan la cantidad con la cual contribuye cada unidad de la variable j, al valor total deseado en el objetivo. Las restricciones, desde el punto de vista matemtico, son funciones lineales expresadas como igualdades o desigualdades, que limitan el valor de las variables de decisin a valores permisibles. Representan recursos, condiciones o requerimientos establecidos. Las restricciones del Modelo Lineal general tienen la forma siguiente: a11 X1 + a 12 X 2 + a 13 X 3 + a14 X 4 + + a1nXn <= b1 a21 X1 + a 22 X 2 + a 23 X 3 + a24 X 4 + + a2n Xn <= b2 a31 X1 + a 32 X 2 + a 33 X 3 + a34 X 4 + + a3n Xn <= b3 . . . am1 X1 + a m2 X 2 + a m3 X 3 + am4 X 4 + amn Xn <= bm aij, matemticamente simboliza el coeficiente, en la restriccin i, de las variable j. El subndice i indica el recurso, requerimiento o condicin cuya limitacin se est expresando; j indica la variable correspondiente. Cuando la limitacin es de un recurso i, estos coeficientes representan la cantidad del recurso total limitado i, que es utilizada en cada unidad de la variable j. Cuando la limitacin es de un requerimiento o condicin i, representan la cantidad del requerimiento o condicin i limitada, que aporta cada unidad de la variable j, al requerimiento o condicin total establecida. Son, por ello, valores unitarios, al igual que los coeficientes de las variables en la Funcin Objetivo.
16
Investigacin de operaciones I bi, matemticamente constituye el lado derecho de la restriccin i. Representa la cantidad total disponible del recurso limitado i, o la cantidad total de un requerimiento o condicin i establecida. Puede existir cualquier cantidad de restricciones por lo tanto i puede variar desde 1 hasta m. Xj >= 0 es una restriccin de no negatividad de las j variables, la cual se le considera siempre presente como una condicin natural en el Modelo Lineal General.
2.3 MODELO DE PROGRAMACIN LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades. Z= xj = cj = bi = aij = valor de la medida global de efectividad nivel de la actividad j (para j = 1,2,...,n) incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m) cantidad del recurso i consumido por cada unidad de la actividad j
El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij
17
Investigacin de operaciones I (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo.
2.3.1 FORMA ESTNDAR DEL MODELO Ahora se puede formular al modelo matemtico para este problema general de asignacin de recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para: Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn, Sujeta a las restricciones: a11x1 + a12x2 +....+ a1nxn < b1 a21x1 + a22x2 +....+ a2nxn < b2 . . . am1x1 + am2x2 +....+ amnxn < bm X1 0, X2 0, ..., Xn 0.
2.4. FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL Como su nombre lo indica, la formulacin estriba en pasar directamente del sistema asumido al modelo de PL. Para tal efecto, se propone el siguiente orden: definir el objetivo, definir las variables de decisin, enseguida las restricciones estructurales y finalmente establecer las condiciones tcnicas 2.4.1 PASOS A SEGUIR a) Definir el Objetivo: Consiste en definir un criterio de optimizacin el cual puede ser Maximizacin o Minimizacin dependiendo del problema que se desee resolver, el cual es una funcin lineal de las diferentes actividades del problema. Bajo el criterio de optimizacin definido se pretende medir la contribucin de las soluciones factibles que puedan obtenerse y determinar la ptima. b) Definir las variables de decisin: Son las incgnitas del problema bsicamente consisten en los niveles de todas las Actividades que pueden llevarse a cabo en el problema a formular, estas
18
Investigacin de operaciones I pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos subndices como sea requerido. c) Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo. En cierta manera son las limitantes en los valores de los niveles de las diferentes actividades (variables). Las restricciones ms comunes son de seis tipos, las cuales se listan a continuacin: Restriccin de capacidad: limitan el valor de las variables debido a la disponibilidad de horas-hombre, horas-mquina, espacio, etc. Restriccin de mercado: Surge de los valores mximos y mnimos en las ventas o el uso del producto o actividad a realizar. Restriccin de entradas: Son limitantes debido a la escasees de materias primas, mano de obra, dinero, etc. Restriccin de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la calidad de los artculos a manufacturar. Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio. Restricciones Internas: Son las que definen a una variable dada, en la formulacin interna del problema, un ejemplo tipo, es el de inventario. Condiciones Tcnicas: En este apartado se establece que todas las variables deben tomar valores no negativos. 2.4.2 CASOS DE FORMULACIN En cada uno de los enunciados de problemas dados a continuacin, se debe trasladar la informacin del sistema a un modelo que lo represente, es decir, formular y construir el Modelo Lineal respectivo. CASO 1. Una empresa fabrica los productos A, B y C y puede vender todo lo que produzca a los siguientes precios: A, S / . 700.00, cada unidad; B, S / . 3 500; C, S / 7 000. Producir cada unidad de A necesita 1 hora de trabajo, 2 horas de acabado y 3 unidades de materia prima. Producir una unidad de B necesita 2 horas de trabajo, 3 horas de acabado y 2.5
19
Investigacin de operaciones I unidades de materia prima. Producir una unidad de C necesita 3 horas de trabajo, 1 hora de acabado y 4 unidades de materia prima. Para este perodo de planificacin estn disponibles 100 horas de trabajo, 200 horas de acabado y 600 unidades de materia prima. Con base en la teora sealada, para formular y construir el modelo, se tiene lo siguiente: a) Debe definirse claramente a las variables de decisin y expresarlas simblicamente. X1: unidades a producir de producto A X2: unidades a producir de producto B X3: unidades a producir de producto C b) Debe Definirse claramente el objetivo y expresarse como funcin lineal. Objetivo: Maximizar ingresos de venta Max S/. 700 por unidad * X1 unidades de A + 3.500 X2 + 7.000 X3 Escribir el objetivo de esta forma es expresar en unidades fsicas uno de sus trminos. Este trmino presenta la informacin especfica de lo que contiene y permite confirmar la esencia fsica de lo que se est sumando y tambin que ello es consecuente con lo que se est obteniendo en el total de la ecuacin; en este caso, ingreso en Nuevos soles. c) Deben definirse las restricciones y expresarlas como funciones lineales. Restriccin 1: Disponibilidad limitada de horas de trabajo. 1 hora de trabajo X1(unid. de producto A) + 2 X2 + 3 X3 100 horas de trabajo Unidad de A Restriccin 2: Horas de acabado disponibles en este perodo: 2 X1 + 3 hora de acabado X2 (unid. de producto B) + 1 X3 200 horas de acabado Unidad de B Restriccin 3: Disponibilidad limitada de unidades de materia prima: 3X1 + 2.5 X2 + 4 unid. materia prima X3 (unid. de prod. B) 600 Unid de Materia prima Unidad de B Estos son insumos controlables
20
Investigacin de operaciones I De esta forma las restricciones estn expresadas en unidades fsicas. Se destaca en cada una de ellas alguno de sus trminos, con indicacin de lo que representa. Esto confirma que lo que se est sumando es consecuente con lo que se est obteniendo del lado derecho de la ecuacin. Finalmente, incorporando la restriccin de no-negatividad de las variables de decisin, se resume as el modelo: Max 700 X1 + 3.500 X2 + 7.000 X3 Sujeto a: 1X1 + 2 X2 + 3 X3 100 2X1 + 3 X2 + 1 X3 200 3X1 + 2.5 X2 + 4 X3 X1, X2, X3 0 CASO 2. La Cmara de Industriales de la regin peridicamente promueve servicios pblicos, seminarios y programas. Actualmente los planes de promocin para este ao estn en marcha. Los medios alternativos para realizar la publicidad as como los costos y la audiencia estimados por unidad de publicidad, adems de la cantidad mxima de unidades de publicidad en que puede ser usado cada medio se muestran a continuacin. Restricciones Audiencia por unidad de publicidad Costo por unidad de publicidad Uso mximo del medio Televisin 100.000 $ 2.000 10 Radio 18.000 $ 300 20 Prensa 40.000 $ 600 10 600
Para lograr un uso balanceado de los medios, la publicidad en radio no debe exceder el 50% del total de unidades de publicidad autorizados. Adems la cantidad de unidades solicitadas en televisin debe ser al menos 10% del total autorizado. El presupuesto total para promociones se ha limitado a $18.500. Utilizando el mismo proceso terico, se tiene lo siguiente: Variables de decisin: X1: unidades de publicidad a contratar en televisin.
21
Investigacin de operaciones I X2: unidades de publicidad a contratar en radio. X3: unidades de publicidad a contratar en prensa. Objetivo: Maximizar la audiencia total o cantidad de personas que ven la publicidad Max 100.000 personas X1 Unid en t.v + 18.000 X2 + 40.000 X3 Unid en t.v Restriccin 1: Disponibilidad limitada de presupuesto para la publicidad: 2.000 X1 + 300 X2 + 600 X3 18.500 Restricciones 2, 3 y 4: Uso mximo de medios para la publicidad: X1 10 unidades de publicidad a contratar en t.v X2 20 unidades de publicidad a contratar en radio X3 10 unidades de publicidad a contratar en prensa Restriccin 5: Publicidad limitada a un mximo de 50% en radio, con relacin al total de unidades a contratar: X2 0.5 (X1+ X2+ X3) Finalmente quedar expresada as: - 0.5 X1 + 0.5 X2 - 0.5 X3 0 Restriccin 6: La cantidad de unidades solicitadas en televisin debe ser al menos 10% del total autorizado X1 0.10 (X1+ X2+ X3) Finalmente quedar expresada as: variables 0.9 X1 0.1 X2 - 0.1 X3 0 Posteriormente puede resumir el modelo agregndole la restriccin de no-negatividad de las
CASO 3. El Banco Internacional abre de lunes a viernes de 8 a.m. a 4p.m. De experiencias pasadas sabe que va a necesitar la cantidad de cajeros sealados en la tabla dada. Hay dos tipos de cajeros: los que trabajan tiempo completo de 8 am a 4 pm, los cinco das, excepto la hora que utilizan para almorzar. El Banco determina cundo debe almorzar cada cajero, pero
22
Investigacin de operaciones I debe ser entre las 12m y la 1 p.m. o entre la 1 p.m. y las 2 p.m. A los empleados a tiempo completo se les paga Bs.1.800 la hora (incluida la hora de almorzar). Tambin hay trabajadores a tiempo parcial que deben trabajar exactamente 3 horas consecutivas cada da y se le paga Bs. 1.100 la hora, sin ningn otro pago. A fin de mantener la calidad del servicio el Banco desea tener un mximo de 5 cajeros contratados a tiempo parcial. Se desea minimizar los costos de empleados contratados. Perodo de tiempo 8-9 am 9-10am 10-11am 11am-12m 12m-1pm 1-2pm 2-3pm 3-4pm Cajeros requeridos 4 3 4 6 5 6 8 8
a) Variables de decisin: X1: Empleados a tiempo completo que toman su almuerzo de 12m- 1pm X2: Empleados a tiempo completo que toman su almuerzo de 1pm-2pm X3: Empleados a tiempo parcial que empiezan a trabajar a la 8am X4: Empleados a tiempo parcial que empiezan a trabajar a la 9am X5: Empleados a tiempo parcial que empiezan a trabajar a la 10am X6: Empleados a tiempo parcial que empiezan a trabajar a la 11am X7: Empleados a tiempo parcial que empiezan a trabajar a la 12m X8: Empleados a tiempo parcial que empiezan a trabajar a la 1pm Empleados a tiempo parcial que trabajan desde la 1pm hasta que cierre y por lo tanto no se necesitan empleados a tiempo parcial que empiecen a las 2 pm o las 3 p.m. b) Objetivo: Minimizar Costos de contratacin Min 14.400 (X1+ X2 ) + 3.300( X3+ X4 + X5 + X6 + X7 + X8) c) Restricciones de requerimientos de empleados totales en los ocho horarios sealados ( 8 restricciones) Restriccin de empleados en el horario de 8 am - 9 a..m. X1 + X2 + X3 4 Restriccin de empleados en el horario de 9 a.m. - 10 a..m. X1 + X2 + X3 + X4 3 Restriccin de empleados en el horario de 10 a.m. - 11 a..m. X1 + X2 + X3 + X4 + X5 4
23
Investigacin de operaciones I Restriccin de empleados en el horario de 11 a.m. - 12 a..m. X1 + X2 + X4 + X5 + X6 6 Restriccin de empleados en el horario de 12m - 1 p..m. X2 + X5 + X6 + X7 5 Restriccin de empleados en el horario de 1 p.m. - 2 p.m. X1 + X6 + X7 + X8 6 Restriccin de empleados en el horario de 2 p.m. - 3 p.m. X1 + X2 + X7 + X8 8 Restriccin de empleados en el horario de 3 p.m. - 4 p.m. X1 + X2 + X8 8 Restriccin de cantidad mxima de 5 cajeros contratados a tiempo parcial: X3 + X4 + X5 + X6 + X7 + X8 5 Restriccin de no negatividad de las variables: Todas las variables no negativas NOTA: Para obtener las restricciones puede elaborar un cuadro de doble entrada: Una entrada conteniendo cada Tipo de trabajador y la otra con las horas durante las cuales existen requerimientos especficos; esta ltima se dividir en 8 columnas de 8 horarios, al final de las cuales est el total de empleados requeridos en cada uno de ellos. 2.4.3.1 PROBLEMAS PROPUESTOS Formular los modelos de programacin lineal de los siguientes problemas PROBLEMA N 01 Un herrero con 80 kgs. de acero y 120 kgs. de aluminio quiere hacer bicicletas de paseo y de montaa que quiere vender, respectivamente a 2.000 y 1.500 Euros cada una para sacar el mximo beneficio. Para la de paseo emplear 1 kg. De acero y 3 kgs de aluminio, y para la de montaa 2 kgs. de ambos metales. Cuntas bicicletas de paseo y de montaa vender? PROBLEMA N 02 Un autobs Caracas-Maracaibo ofrece plazas para fumadores al precio de 100 euros y a no fumadores al precio de 60 euros. Al no fumador se le deja llevar 50 kgs. de peso y al fumador 20 kgs. Si el autobs tiene 90 plazas y admite un equipaje de hasta 3.000 kg. Cul ha de ser
24
Investigacin de operaciones I la oferta de plazas de la compaa para cada tipo de pasajeros, con la finalidad de optimizara el beneficio? PROBLEMA N 03 A una persona le tocan 10 millones de euros en una lotera y le aconsejan que las invierta en dos tipos de acciones, A y B. Las de tipo A tienen ms riesgo pero producen un beneficio del 10 %. Las de tipo B son ms seguras, pero producen slo el 7% anual. Despus de varias deliberaciones decide invertir como mximo 6 millones en la compra de acciones A y por lo menos, 2 millones en la compra de acciones B. Adems, decide que lo invertido en A sea, por lo menos, igual a lo invertido en B. Cmo deber invertir 10 millones para que le beneficio anual sea mximo? PROBLEMA N 04 Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. La empresa A le paga 5 euros por cada impreso repartido y la empresa B, con folletos ms grandes, le paga 7 euros por impreso. El estudiante lleva dos bolsas: una para los impresos A, en la que caben 120 y otra para los impresos B, en la que caben 100. Ha calculado que cada da es capaz de repartir 150 impresos como mximo. Lo que se pregunta el estudiante es: Cuntos impresos habr que repartir de cada clase para que su beneficio diario sea mximo?
2.5. SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL 2.5.1 MTODO GRFICO En el anlisis cuantitativo, una vez que se ha formulado y construido un modelo lineal para resolver un problema existente, en un sistema cualquiera, es necesario resolverlo. La solucin de un modelo lineal muestra siempre un conjunto convexo delimitado por las restricciones del mismo y en el cual, si existe solucin posible, al menos uno de sus puntos extremos es la solucin ptima. Un punto extremo existe en la interseccin de, al menos, dos rectas. El mtodo grfico se usa para resolver modelos lineales con dos variables y muestra el conjunto convexo que constituye la denominada regin solucin y el(los) punto(s) extremo(s) que proporciona(n) la solucin del modelo. Permite conocer la base matemtica de la solucin de
25
Investigacin de operaciones I modelos lineales, los conjuntos convexos, y observar grficamente situaciones que se presentan en modelos de cualquier tamao. Esto ayuda a la comprensin de la Programacin Lineal. El proceso para trabajar con el Mtodo Grfico sigue los pasos siguientes: a) Graficar las restricciones como igualdades y luego determinar el rea correspondiente a la desigualdad, sombreando el espacio correspondiente. b) Determinar el rea comn a todas las restricciones. c) Evaluar la Funcin Objetivo en cada punto extremo del espacio de soluciones posibles. El punto o los puntos extremos en el que se obtenga el mejor valor, determinarn la solucin del modelo. d) Existe un procedimiento alterno al punto c), sealado en el Mtodo Grfico, para obtener la solucin del modelo. Este procedimiento alterno consiste en graficar la Funcin Objetivo con un valor arbitrario dentro de la regin solucin. Luego se desplaza paralelamente en la direccin que incremente su valor (si est maximizando) o decrezca su valor (si est minimizando). El punto o los puntos extremos que toque esa Funcin Objetivo antes de salir totalmente fuera de la regin de soluciones posibles determinarn el ptimo, o solucin del modelo.
2.5.1.1 CRITERIOS A CONSIDERAR Al conjunto convexo de solucin se le llama regin de soluciones posibles, porque todos los untos de esa regin satisfacen TODAS las restricciones del modelo. Un modelo tiene solucin ptima UNICA cuando slo una combinacin de variables proporciona el mejor valor para el objetivo; se reconoce en el grfico porque un nico punto extremo provee el mejor valor del objetivo o un nico punto extremo limita el valor de la recta objetivo. Un modelo tiene soluciones ptimas ALTERNAS cuando ms de una combinacin de variables proporciona el ptimo valor del objetivo. Se reconoce en el grfico porque ms de un punto extremo proporciona el ptimo valor del objetivo o ms de un punto extremo limita el valor de la recta objetivo. La recta objetivo al desplazarse dentro de la regin solucin cae paralelamente sobre alguna restriccin antes de salir totalmente de la regin solucin. Un modelo NO TIENE SOLUCIN POSIBLE cuando no hay alguna combinacin de variables que satisfaga todas las restricciones. Se debe a la presencia
26
Investigacin de operaciones I de restricciones inconsistentes en el modelo. Se reconocen en el grfico porque no existe ninguna regin comn para todas las restricciones. Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay combinaciones de variables que proporcionan valor infinito para el objetivo y no hay alguna combinacin que limite el valor del objetivo a un valor finito. Esto se debe a la omisin de restricciones importantes, del sistema, en el modelo. Estas restricciones limitaran las variables de decisin a valores factibles. Se reconocen en el grfico porque el espacio de solucin es abierto, no acotado, no limitado y la Funcin Objetivo puede moverse dentro de esa regin hasta el infinito sin que un punto extremo, con valor finito, limite su valor. Un modelo tiene ESPACIO DE SOLUCION NO ACOTADO y SOLUCION DE VALOR FINITO cuando existen combinaciones de variables que dan un valor infinito al objetivo pero existe al menos una combinacin de variables que le proporciona un valor finito. Se reconocen en el grfico porque la regin de soluciones posibles es abierta, no limitada pero hay por lo menos un punto extremo que limita el valor del objetivo. Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de variables que tienen ms de la cantidad normal (una por cada restriccin) de variables con valor cero. Esto se debe a la presencia de restricciones redundantes en el modelo. Ms de la cantidad normal de variables (una por cada restriccin del modelo) debe tomar valor cero para satisfacer a mayor cantidad de restricciones en el punto ptimo. Se reconocen en el grfico porque ms de dos restricciones cruzan sobre el punto extremo ptimo. Una restriccin redundante puede ser removida sin afectar la regin solucin. Cuando la restriccin redundante est sobre el punto extremo ptimo, la solucin es Degenerada. Los modelos lineales que son formulados en sistemas cuya solucin tiene valor infinito y los que no presentan solucin posible son casos que no deben existir en el mundo real. En los modelos con solucin degenerada, una restriccin redundante en un perodo de planificacin dentro de ese sistema, puede no serlo en otro perodo posterior, por lo tanto es recomendable tener en cuenta esa consideracin.
2.5.1.2 CASOS DE APLICACIN CASO 1. a) Dibuja el recinto formado por los puntos que cumplen las siguientes condiciones:
27
y 3 y x 1 y 3 x 0
b) Indica si los puntos (0, 0), (2, 1) y (1, 2) forman parte de las soluciones del sistema anterior. Solucin:
y = 3 Representamos las rectas y x = 1 y = x + 1 y 3 x = 0 y = 3 x Tomamos un punto cualquiera; por ejemplo el (1, 0), para comprobar cules son los puntos que cumplen las desigualdades propuestas. El recinto buscado es:
A la vista de la grfica anterior, tenemos que (0, 0) y (2, 1) no son soluciones del sistema, pero (1, 2) s lo es.
CASO 2. Maximiza la funcin z = x + y, sujeta a las siguientes restricciones:
28
x + 3 y 26 4 x + 3 y 44 2 x + 3 y 28 x 0 y 0
Solucin:
x + 3 y = 26 y = 26 x 3 44 4 x Representamos las rectas 4 x + 3 y = 44 y = 3 28 2 x 2 x + 3 y = 28 y = 3
Se halla la regin que cumple las condiciones del problema, teniendo en cuenta que: x 0 e y 0. Representamos la direccin de las rectas z = x + y, dibujando la que pasa por el origen de coordenadas: x + y = 0
4 x + 3 y = 44 El punto M, interseccin de es decir, M (8, 4 ), es el que proporciona 2 x + 3 y = 28
el mximo, que vale: z = 8 + 4 = 12
29
Investigacin de operaciones I CASO 3.
En una granja de pollos se da una dieta "para engordar" con una composicin mnima de 15 unidades de una sustancia A y otras 15 de una sustancia B. En el mercado solo se encuentran dos clases de compuestos: el tipo I con una composicin de una unidad de A y cinco de B, y el tipo II con una composicin de cinco unidades de A y una de B. El precio del tipo I es de 10 euros y el del tipo II es de 30 euros. Se pregunta: Qu cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste mnimo?
Solucin:
Llamamos x a las unidades que se compran de tipo I e y a las que se compran de tipo II. Resumamos los datos en una tabla:
Las restricciones son:

x + 5 y 15 5 x + y 15 x 0 y 0
La funcin que nos da el coste es z = 10x + 30y = 10(x + 3y). Debemos hacer mnima esta funcin, sujeta a las restricciones anteriores. Dibujamos el recinto correspondiente a las restricciones, y la recta 10(x + 3y) = 0 x + 3y = 0, que nos da la direccin de las rectas z = 10(x + 3y).
30
x + 5 y = 15 El mnimo se alcanza en el punto de interseccin de ; es decir, en (2,5; 2,5). 5 x + y = 15

Por tanto, hay que comprar 2,5 de tipo I y 2,5 de tipo II. El precio en este caso ser de z = 10(2,5 + 32,5) = 100 soles.
CASO 4.
Disponemos de 210 000 soles para invertir en bolsa. Nos recomiendan dos tipos de acciones. Las del tipo A que rinden el 10% y las de tipo B que rinde el 8%. Decidimos invertir un mximo de 130 000 soles en las de tipo A y, como mnimo, 6 000 soles en las de tipo B. adems, la inversin en las del tipo A debe ser menor o igual que el doble de la inversin en B. Cul tiene que ser la distribucin de la inversin para obtener mximo inters anual?
Solucin:
Llamamos x al dinero que invertimos en acciones de tipo A e y al que invertimos en las de tipo B. Resumimos los datos en una tabla:
31
Las restricciones son:
x + y 210 000 x 130 000 y 6 000 x 2y x 0 y 0

La funcin que nos da el rendimiento total es:
z = 0,1x + 0,08 y =
1 (10 x + 8y ) = 2 (5 x + 4y ) = 1 (5 x + 4y ). 100 100 50
Debemos maximizar esta funcin, sujeta a las restricciones anteriores. Dibujamos el recinto correspondiente a las restricciones (la unidad es 10 000)
y la recta 1 (5 x + 4 y ) = 0 50 5 x + 4 y = 0, que nos da la direccin de las rectas
z=
1 (5 x + 4y ). 50
El mximo se alcanza en el punto (13, 8). Por tanto, debemos invertir 130 000 soles en acciones del tipo A y 80 000 soles en las de tipo B. En este caso, el beneficio anual ser de
32
z=
1 (5 130 000 + 4 80 000 ) = 19 400 euros . 50
CASO 5.
a) Representa el recinto que cumple estas restricciones:
x + 3y 9 2 x + y 8 x 0 y 0
b) Da tres puntos que sean solucin del sistema anterior.
Solucin:
x + 3y = 9 a) Representa mos las rectas 2 x + y = 8 x = 0 y = 0 y = 9x 3 y = 8 2x
Tomamos un punto cualquiera, por ejemplo el (0, 0), para comprobar cules son los puntos que cumplen las desigualdades propuestas. El recinto buscado es:
b) Por ejemplo: (1, 1), (2, 2) y (2, 0).
33
Investigacin de operaciones I 2.5.1.3 EJERCICIOS PROPUESTOS
Solucionar mediante el Mtodo Grfico los siguientes programas lineales a) Halla el mnimo de la funcin z = 3x + 2y con las siguientes restricciones:
3 x + 4 y 12 3 x + 2y 2 x 0 y 0
b) Dibuja el recinto definido por:

2 x + y 3 2x y 2 x + 2y 4
Halla los vrtices del recinto anterior. Halla el mximo de la funcin z = 4y - x, sujeta a las restricciones propuestas. En qu punto del recinto alcanza dicho mximo?
c) Hallar la solucin:
x x x y + 3 y 200 + y 100 20 10
Maximizar las ganancias equivale a maximizar los ingresos. La funcin que nos da los ingresos es z = 30x + 50y = 10(3x + 5y). Debemos obtener el mximo de esta funcin sujeta a las restricciones anteriores.
2.5.1.4 SITUACIONES ESPECIALES a) Modelos con soluciones ptimas alternas o mltiples.
Max 6X1+ 2X2 (Beneficio) Sujetos a: 3 X1 + X2 4 8 horas de trabajo
34
3 X1 + 4 X2 3 X1 + X2 X1, X2
120 unidades de materia Prima 36 horas de supervisin. 0
El modelo es formulado por una empresa que desea determinar la cantidad de unidades de producto 1 ( X1) y producto 2 (X2) a fabricar para satisfacer el objetivo establecido de maximizar el beneficio. El monto total disponible de horas de trabajo para este perodo es de 48. La disponibilidad de materia prima es de 120 unidades y la cantidad mnima de horas disponibles para supervisin es de 36 horas. Graficar las restricciones y obtener el espacio de solucin se efecta en forma similar al proceso efectuado en el caso 1 y por lo tanto no se repetirn las instrucciones.
Los puntos extremos del conjunto convexo son: A(16,0), B(8,24), C(8/3,28) y D(12,0). Dos puntos extremos proporcionan el mximo valor del objetivo, los puntos A y B. Esto permite afirmar que existen soluciones ptimas Alternas para este modelo. Son ptimos todos los puntos sobre el segmento de lnea AB que limita el conjunto convexo de solucin y corresponden a la primera restriccin. Si utiliza el mtodo de graficar la Funcin Objetivo con un valor arbitrario, 48 por ejemplo,
35
podr observar que la lnea es completamente paralela a la primera y tercera restriccin. Al desplazarla paralelamente hacia su optimizacin, hacia arriba porque se est maximizando, finalmente caer completamente sobre la primera restriccin, de horas de trabajo, antes de salir totalmente fuera de la regin solucin. Dos puntos extremos estaran limitando el crecimiento del objetivo, el punto B y el punto A. Cualquier recta que tenga ratio de coeficientes igual al de otra recta, es paralela a esa otra recta La ventaja que presentan los modelos con este Tipo de solucin es que se puede elegir cualquiera de las soluciones ptimas, porque todas presentan el mismo valor ptimo para el objetivo. Por ejemplo, si una de las soluciones tiene valores fraccionales para las variables y no puede trabajarse con valores fraccionales, el que toma la decisin seleccionar una solucin con valores enteros. Es una solucin ptima alterna porque existe ms de una combinacin de productos 1 y 2 a producir, que proporcionan el mismo valor ptimo para el beneficio. Se reconoce en el grfico porque ms de un punto extremo limita el valor ptimo del objetivo o proporciona su valor ptimo, los puntos: A (16,0) y punto B (8,24). Por lo tanto, todos los puntos sobre la recta AB son tambin ptimos. Debe seleccionar una de todas las soluciones. Suponga que elige la del punto extremo B (8, 24). En este caso la decisin sera: Producir 8 unidades de producto1 y 24 unidades del producto 2 para maximizar el beneficio en 96 unidades monetarias: 6 (8) + 2 (24) = 96. Este valor para la Funcin Objetivo tambin se obtendra en el otro punto extremo A (16, 0) y en cualquier punto sobre la recta AB en la regin solucin. Considerando las restricciones: Restriccin 1: 3 (8) + 1 ( 24) 48 48 = 48 Se observa que se cumple como igualdad. Esto indica que con esa decisin ptima se utiliza totalmente el monto mximo de horas de trabajo disponible para la produccin. Restriccin 2: 3 (8) + 4 ( 24) = 120 Cumple exactamente, es decir como una igualdad. Esto indica que con esa decisin ptima se utilizar totalmente el monto mximo disponible de Materia Prima. Restriccin 3: 3 (8) + 1(24) 36 48 > 36 Cumple como una desigualdad. Esto indica que con esa decisin ptima se utilizan 12 horas sobre el monto mnimo disponible de horas de supervisin. Se utilizan 48 horas.
36
Investigacin de operaciones I b) Modelos sin solucin posible.
No se definirn los elementos del modelo porque no habr una solucin posible para tomar alguna decisin. Max 40 X1 + 30 X2 Sujeto a: 2/5 X1 + X2 1/5 X2 3/5 X1 + 3/10 X2 X1 X2 X1, X2 20 5 21 30 15 0
Puede observarse en el, que mientras las 3 primeras restricciones delimitan un espacio en comn, las 2 ltimas delimitan otro espacio comn para ellas. Por lo tanto, no hay una regin de puntos comunes que satisfagan ambos conjuntos de restricciones y el
37
modelo no tendr solucin posible. En estos casos es necesario determinar cules son las restricciones inconsistentes para el modelo. Es decir, cules son realmente vlidas para el modelo. Observe que si las variables X1 y X2 toman el valor mnimo que pueden tomar en las dos ltimas restricciones, es decir X1 = 30 y X2 = 15 entonces la tercera restriccin no se cumplira. Esto es una inconsistencia. Estos modelos no deben existir en el mundo real. Si el sistema es r eal , entonces el modelo debe representarlo de tal manera que permita obtener una solucin posible.
c) Modelos que presentan solucin con valor infinito
Max X1+ 2X2 Sujeto a: -4 X1 + 3 X2 3 X1 X2 3 X1, X2 0 No se definirn los elementos del modelo porque no habr una solucin para tomar alguna decisin. En el grfico, el conjunto convexo llamado regin solucin, que contiene todas las soluciones posibles, es un espacio abierto.
38
Tiene tres puntos extremos A, B y C, pero ninguno delimita el crecimiento del objetivo. Esta funcin puede tomar valores infinitos ya que las variables conforman puntos con valores infinitos dentro de la regin factible y ninguno proporciona un valor finito ptimo. Por tanto, no es lgico encontrar un objetivo de valor infinito. En estos casos debe buscarse dentro del sistema, la restriccin o las restricciones que se omitieron modelo y que limitaran las variables de decisin a valores factibles.
d) modelos con espacio de solucin no acotado y solucin de valor finito.
Min
0.06 X1+ 0.05 X2
( costos)
Sujeto a: 0.30 X1 + 0.20 X2 500 Protena 0.15 X1 + 0.30 X2 300 Grasa X1, X2 0 El modelo es formulado para una guardera de perros que se destaca por dar una alimentacin balanceada a las mascotas. El alimento lo elabora mezclando 2 marcas conocidas de alimentos que llamaremos X1 y X2. Se desea determinar la cantidad de gramos de X1 y X2 a mezclar en el alimento, con el objetivo establecido de minimizar los costos de la mezcla. Esta, debe contener al menos 500 gramos de protenas y al menos 300 gramos de grasa por da. Los porcentajes de contenido de grasa y protena de cada gramo de X1 y X2 se conocen y son usados en el modelo.
39
El espacio de solucin obtenido se muestra en el grfico. Se observa una regin abierta con las soluciones posibles y puntos extremos A, B, C. Esto indica que pueden existir combinaciones de cantidad de gramos de alimento X1 y X2 con valor infinito, en este caso los costos seran infinitos. Esto es posible porque no se est limitando directamente la cantidad de X1 y X2 en alguna restriccin especfica y las restricciones existentes son todas de Tipo que. Pero, mientras exista al menos una combinacin con valor finito, en algn punto extremo que limite el valor del objetivo, a esa combinacin se le considerar ptima. En los casos de regin abierta de soluciones posibles, es conveniente entonces encontrar el valor ptimo con el procedimiento de graficar la Funcin Objetivo. Al graficar la Funcin Objetivo, con un valor arbitrario de 120, se observa que al desplazarla paralelamente hacia su optimizacin, hacia abajo porque se est minimizando, la lnea cae sobre el punto B, antes de salir completamente de la regin solucin. A este punto se le considerar punto extremo ptimo. La solucin ptima es nica con los valores: X1 = 1.500, X2 = 250 F.O. = 102.5
e) Modelos con solucin degenerada
Min 2500 X + 2200 Y ( costos) Sujeto a: X+ Y
10 Empleados temporales 680 paquetes 0
300 X + 400 Y 80 X + 50 Y X, Y
3.400 cartas
El modelo es formulado por una oficina de correos que puede contratar hasta 10 empleados para manejar el correo. La oficina conoce que un empleado (hombre) puede manejar 300 cartas y 80 paquetes por da y una empleada (mujer) puede manejar 400 cartas y 50 paquetes en un da. No menos de 3.400 cartas y de 680 paquetes se esperan por da. A cada empleado hombre (X), se le paga Bs. 2.500 por da y a una empleada mujer ( Y) se le paga Bs. 2.200 por da. Se quiere determinar la cantidad de hombres (X) y mujeres (Y) que se deben contratar para satisfacer las restricciones y lograr el objetivo establecido de minimizar los costos de la nmina. Siguiendo el procedimiento el grfico obtenido es:
40
Se observa una regin de soluciones posibles de un solo punto comn para todas las restricciones y por lo tanto un nico punto extremo A. Esto indica que existe una nica combinacin posible y adems ptima, de cantidad de empleados X y Y que satisface las restricciones y optimiza el objetivo. Conociendo la definicin del modelo, se plantean las siguientes consultas: 1.1 Qu representa el coeficiente de la variable Y en la Funcin Objetivo y en la segunda restriccin? 1.2 Qu Tipo de solucin presenta el modelo?, Por qu? y Cmo se reconoce en el grfico? 1.3 Cul es la solucin y la decisin que se recomendara con la solucin encontrada? 1.4 Analice las restricciones en el punto ptimo y presente la informacin que se obtiene. 1.5 Qu efecto tendra, sobre la solucin ptima encontrada, un cambio en el nmero de cartas esperadas. Suponga que cambia a 2.400. Explique y muestre sobre el grfico.
41
Investigacin de operaciones I Respuestas:
1.1 El coeficiente de la variable Y en la Funcin Objetivo representa lo que se le paga diariamente a cada trabajadora (mujer), es decir, el costo de contratar una trabajadora al da es de Bs. 2.200. En la segunda restriccin representa la cantidad de cartas que puede manejar al da cada mujer contratada, es decir, 400 cartas al da puede manejar cada mujer contratada. 1.2 nica y Degenerada. Normalmente la solucin de un modelo contiene una variable (Estructural o de holgura) con valor mayor que cero por cada restriccin del modelo. En este caso, ms variables de las normales toman valor cero, para poder satisfacer mayor numero de restricciones, en el punto ptimo. Hay entonces menor cantidad de variables con valor mayor que cero con relacin al nmero de restricciones. Por eso se le llama Solucin Degenerada en contraposicin a la Solucin Normal. Adems es nica porque una sola combinacin de empleados, hombres y mujeres, proporciona el mnimo costo. Se debe a la presencia de restricciones redundantes en el modelo y se reconoce en el grfico porque ms de dos restricciones cruzan sobre el punto ptimo. Del total de restricciones que cruzan el punto ptimo, slo dos son necesarias para calcular sus coordenadas. En este caso slo hay una restriccin redundante, por ello la Solucin es Degenerada. Se reconoce que es nica porque hay un solo punto extremo que proporciona el valor ptimo del objetivo. 1.3 La solucin es X = 6, Y = 4, F.O. = 23800. La decisin sera contratar 6 empleados hombres y 4 mujeres para minimizar los costos diarios de contratacin en 23.800 unidades monetarias: 2500(6) + 2200 (4) . 1.4 R e s t r i c c i n 1 X + Y 10 6 + 4 = 10 D e es t a m an er a s e c on t r at a e l m x i m o de em pl e ado s q ue s e es t ab a di s p ues t o a c o nt r at a r . R e s t r i c c i n 2 3 00 X + 40 0 Y 340 0 3 00( 6 ) + 40 0( 4) = 340 0 A s s e m ane j ar e l m ni m o de c ar t a s . R e s t r i c c i n 3
42
8 0 X + 50 Y
680 S e m an ej a r el m n i m o de pa q ue t es .
8 0( 6) + 50 ( 4 ) = 68 0
1.5 S e r e a l i z a e l anlisis d e s e n s i b i l i d a d . Sobre el grfico est graficada la nueva restriccin 300X + 400 Y 2400
Se observa que no cambia el espacio de soluciones posibles y por lo tanto la solucin ptima seguir siendo la misma. En general, disminuir la cantidad del lado derecho de relajar la restriccin y hacerla ms fcil de satisfacer. una restriccin Tipo , es
Esto puede expandir el conjunto convexo o dejarlo igual. En este caso qued igual. Esto se estudia ms detalladamente en Anlisis de Sensibilidad.
43
Investigacin de operaciones I 2.5.2 SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL: MTODO SIMPLEX
Los problemas reales de programacin lineal generalmente tienen variables de decisin y muchas restricciones. Tales problemas no pueden ser resueltos grficamente. Se usan algoritmos tales como el simplex. El mtodo simplex es un procedimiento iterativo que progresivamente permite obtener una solucin ptima para los problemas de programacin lineal. Existen numerosos programas tanto para computadoras centrales como para personales.
2.5.2.1 PROCEDIMIENTO GENERAL DEL SIMPLEX
1. Establzcase la tabla inicial de simples. Formular la funcin objetivo y las restricciones e introducir las variables de decisin, variable en la solucin, valor en solucin (LD), C (contribucin de la variable), Z (costo de introducir la variable), C Z (contribucin neta de la variable). 2. Seleccionar la columna pivote. sta es la columna con el nmero positivo ms alto en el rengln inferior (C - Z). Esta se convierte en la nueva variable de la solucin. 3. Seleccinese el rengln pivote. ste es el rengln con la razn ms pequea del valor LD dividido por el valor de la columna pivote. sense slo nmeros positivos. Esto identifica la variable que deja la solucin. 4. Encirrese en un crculo el elemento pivote. sta es la interseccin del rengln y la columna pivotes. 5. Convertir al elemento pivote en un 1. Hacer esto dividiendo cada valor del rengln pivote entre el valor pivote. Introducir este rengln en una tabla nueva. 6. Generar los dems renglones de la nueva tabla con ceros en la columna pivote. Esto se hace multiplicando el nuevo rengln (del paso 5) por el negativo del elemento en la columna pivote. El resultado ser sumado al antiguo rengln. Introducir este rengln revisado en la nueva tabla, y continuar este procedimiento en cada rengln de la seccin central de la tabla. 7. Prueba de optimizacin. Calcular los valores de Z y C Z. Los valores de Z de cada columna son (elementos de la columna) ( C ). Si todos los valores de C Z son 0, la solucin es ptima. Leer los valores de las variables en la solucin de la columna de LD y el valor de la funcin objetivo del rengln de Z en la columna de LD. Si la solucin no es ptima, regrese al paso 2.
44
Variables de holgura. El mtodo simplex empieza con el planteamiento de una funcin
objetivo y ecuaciones de restriccin. Las rutinas computarizadas de programacin lineal (PL) automticamente arreglarn esos datos iniciales, pero tratndose de soluciones manuales, debe construirse en cada paso la tabla de simplex. Esto requiere que las restricciones sean establecidas como igualdades. En los problemas de maximizacin se logra esto aadiendo variables de holgura (s) a cada restriccin. La holgura representa una cantidad no utilizada, o la diferencia entre lo que es usado y el lmite de lo que puede usarse. Por ejemplo aadiendo variables de holgura a las desigualdades del ejemplo de la industria Chemical; se tienen las nuevas ecuaciones que se muestran en la siguiente tabla. Ntese que S1 est relacionada con la restriccin de la mquina A y S2 lo est con la mquina B.
Restriccin Desigualdad Ecuacin con holgura
Mquina A h Mquina B h
4x + 6y 12 8x + 4y 16
4x + 6y + S1 = 12 8x + 4y + S2 = 16
La restriccin de la mquina A ahora indica cuatro horas por el nmero de unidades de X producidas ms seis horas por el nmero de unidades de Y producidas, ms las horas de holgura = 12. As, pues, si una unidad de X y una Y son producidas, se tienen dos horas de tiempo de holgura S en la mquina A, dado que 4(1) + 6(1) + 2 = 12. Si ni X ni Y son producidas, se produce una holgura total, y S1 = 12. El mtodo simplex siempre comienza con una solucin factible dentro de la cual slo se produce holgura. Esto corresponde al origen en la solucin grfica, dnde X y Y son iguales a cero. Se empieza con una solucin inexacta, pero factible, que corresponde a una esquina de la regin factible. Se empieza con una solucin inexacta, pero factible, que corresponde al origen, donde slo se produce holgura, es decir, cero utilidad. Por tanto, las variables de holgura (por ejemplo S1 y S2 estn en la solucin, y las otras variables de decisin (X y Y) no estn en la solucin (as, tienen valores de cero).
Ejemplo de aplicacin
Una empresa qumica Chemical produce limpiadores para automviles X y pulidores Y y gana $10 en cada lote de X, y $30 en Y. Ambos productos requieren procesarse en las mismas
45
mquinas, A y B, pero X requiere cuatro horas en A y ocho en B, mientras que Y requiere seis horas en A y cuatro en B. Por semana las mquinas A y B tienen 12 y 16 horas de capacidad, respectivamente. Suponiendo que existe demanda de ambos productos, cuntos lotes de cada uno deben producirse para alcanzar la unidad ptima Z? La funcin objetivo es: Max Z = $10X + $30Y Las restricciones son: h maquina A : 4X + 6Y = 12 h mquina B : 8X + 4Y =16 X,Y 0 Formato simplex C 10 30 0 0 Valores de solucin Variables de la solucin 0 0 S1 S2 Z C-Z Variables de decisin X 4 8 0 10 Y 6 4 0 30 S1 1 0 0 0 S2 0 1 0 0 (LD) 12 16 0 0
Elementos de la tabla simplex.
La parte central de la tabla simplex consta de los coeficientes de las restricciones de: 4X + 6Y + 1S1 + 0S2 = 12 8X + 4Y + 0S1 + 1S2 =16
Ntese que se ha asignado un uno (1) a la variable de holgura asociada con su propia restriccin, y un cero (0) a la otra variable de holgura
La columna de variables en la solucin indica cules variables estn en la solucin (en este caso, slo las de hoguera) y la columna de valores solucin indica las cantidades de solucin. Los nmeros vienen del lado derecho LD de las restricciones (en este caso, 12 horas de holgura para la mquina A y 16 horas para la B)
46
La C en la esquina superior izquierda encabeza a la vez un rengln y una columna. Especifican la cantidad de contribucin a la funcin objetivo de cada unidad de las variables a que se refiere. Esto es, cada unidad de X (limpiador) contribuye con $10 a las utilidades y cada unidad de Y (pulidor) lo hace con $30. El tiempo de holgura de la maquina A y B proporciona $0 de contribucin tanto de S1 como de S2.
El rengln de Z en la tabla muestra el costo de oportunidad, o la cantidad de contribucin que debe ser introducida o (producida) por unidad (o por unidad extra) de la variable en cada columna. Esto se calcula para cada columna multiplicando los elementos de la columna por la contribucin en la columna C y sumndolos despus Esto es, el valor de Z para la columna X es (4 x 0) + (8 x 0) = 0. Esto significa que para introducir una unidad de X (limpiador) en la solucin, deben darse cuatro horas de tiempo de holgura en la mquina A, con un costo de $0, y ocho horas de holgura en la mquina B, tambin con un costo de $0. El valor de Z para la columna LD representa la contribucin total de las variables en la solucin, debido a que esta solucin (inicial) es producir 12 horas de holgura en la mquina A (con $0 de contribucin) y 16 horas de holgura en la mquina B con ($0 de contribucin), la utilidad total de esta solucin inicial es cero. El rengln de Z en la solucin inicial siempre tiene ceros, pero cambia al progresar la solucin. Los valores del rengln inferior (C-Z) representan la contribucin neta de introducir una unidad de la columna variable en la solucin. En la tabla inicial aparecen simplemente los coeficientes de la funcin objetivo seguidos por ceros en las columnas de las variables de holgura. Es decir, se puede incrementar el valor de la funcin objetivo en un total de $10 por cada unidad de X producida y en $30 por cada unidad de Y producida, y debido a que la holgura no tiene ningn valor deben introducirse X o Y en esta etapa. Produciendo ms holgura obviamente no se incrementan las utilidades.
2.5.2.2 METODOLOGA DE CLCULO
La metodologa de solucin de los problemas de maximizacin hace necesario seleccionar una columna y un rengln pivotes y revisar los valores de la tabla hasta que en el rengln inferior sean menores o iguales que cero.
47
C Variables de la solucin 0 0 S1 S2 Z C-Z
10 X 4 8 0 10
30 Y 6 4 0 30
0 S1 1 0 0 0
0 S2 0 1 0 0
Valores de solucin (LD) 12 16 0 0
Variables de decisin
1. Seleccionar una columna y un rengln pivotes a) La columna pivote es la que tiene el nmero positivo ms grande en el rengln inferior C-Z En este ejercicio es 30. b) El rengln pivote es el que tiene la razn ms pequea, del rengln pivote 10 30 0 0 0
12 16 = 2 (mnimo) =4 6 4
C Variables de la solucin 0 0 S1 S2 Z C-Z 10 30 0 0 Valores de solucin (LD) 12 16 0 0 Variables de decisin X 4 8 0 10 Y 6 4 0 30 S1 1 0 0 0 S2 0 1 0 0
Por lo tanto el rengln 1 es el rengln pivote.
48
c) El elemento pivote es encerrado en un crculo 6 C Variables de la solucin 0 0 S1 S2 Z C-Z 10 X 4 8 0 10 30 Y 6 4 0 30 0 S1 1 0 0 0 0 S2 0 1 0 0 Valores de solucin (LD) 12 16 0 0
2. Divdase cada valor del rengln pivote 1 entre el elemento pivote (6) y colquense los valores en una nueva tabla. C Variables de la solucin 0 Y 10 X 2/3 30 Y 1 0 S1 1/6 0 S2 0 Valores de solucin (LD) 2
a) Genrense los otros renglones para la siguiente tabla, de tal manera que los elementos de la columna pivote sean iguales a cero. Se empieza con el rengln S2, el cual tiene 4 en la columna de Y. Se multiplica el nuevo rengln (del paso 2) por el negativo del valor que se desea convertir (-4), y se suma al anterior rengln de S2. Se multiplica el nuevo rengln por -4. el resultado se muestra en la siguiente tabla. X El rengln del paso 2 se multiplica por -4 Obtener el resultado Sumarlo al rengln de S2 Para obtener el nuevo rengln -8/3 8 16/3 -4 4 0 -2/3 0 .2/3 0 1 1 -8 16 8 -4(2/3) Y -4(1) S1 -4(1/6) S2 -4(0) (LD) -4(2)
49
El rengln obtenido se introduce a la nueva tabla del paso 2. C Variables de la solucin 30 0 Y S2 Z Si hay ms renglones que convertir, debe repetirse este paso en el siguiente rengln. Dado que ah no hay ms, puede calcularse el rengln Z y C-Z. Los valores en el rengln Z son (elementos de la columna) (C) Elementos del rengln Z: Para X: Para Y: Para S1: Para S2: Para LD: Z = 2/3(30) + 16/3(0) = 20 Z = 1(30) + 0(0) = 30 Z = 1/6(30) 2/3(30) = 5 Z = 0(30) + 1(0) = 0 2(30) + 8(0) = 60 10 X 2/3 16/3 30 Y 1 0 0 S1 1/6 .2/3 0 S2 0 1 Valores de solucin (LD) 2 8
Despus de que se introducen ste y los valores de C-Z en la siguiente matriz, se tiene: C Variables de la solucin 30 0 Y S2 Z C-Z 10 X 2/3 16/3 20 -10 30 Y 1 0 30 0 0 S1 1/6 .2/3 5 -5 0 S2 0 1 0 0 Valores de solucin (LD) 2 8 60
Repetir los pasos anteriores hasta que todos los valores del rengln inferior sean 0. Dado que todos los valores son 0, ha sido alcanzada la solucin ptima. Las variables en la solucin son identificadas por las columnas en la parte central de la tabla que tienen
50
un 1, y el resto de los valores son cero. Los valores solucin son datos en la columna del lado derecho, como se ve en la siguiente tabla. X Z Y S1 S2 1 0 0 1 (LD) 2 8 60
Por tanto, X = no est en la solucin Y = 2 unidades Z = $60 Note que la variable de holgura asociada con la restriccin 2 tambin tiene un 1 y ceros, lo cual significa que tiene holgura en la solucin y que la restriccin no se agot. Entonces hay slo una variable de decisin (no holgura) en la solucin (Y) y una restriccin agotada (nmero 1). Esto concuerda con el teorema fundamental de programacin lineal, que establece que el nmero de variables de decisin (no holgura) de la solucin siempre ser igual a nmero de restricciones que son agotadas.
2.6 DUALIDAD Y ANLISIS DE SENSIBILIDAD
La asignacin de probabilidades a los eventos es una tarea difcil que muchos gerentes pueden mostrarse difcil a hacer, por lo menos con cierto grado de exactitud. En algunos casos prefieren decir creo que la probabilidad de que este evento ocurra est entre 0.5 y 0.7. Bajo estas circunstancias, como en cualquier aspecto de decisin gerencial, es til realizar un anlisis de sensibilidad para determinar cmo afecta a la decisin la asignacin de probabilidades. El anlisis de sensibilidad concierne el estudio de posibles cambios en la solucin ptima disponible como resultado de hacer cambios en el modelo original.
2.6.1 DEFINICIONES GENERALES DEL ANLISIS DE SENSIBILIDAD
Efecto neto.- Es la ganancia o prdida por unidad adicional de una variable que entra a la base. El efecto neto de una variable bsica siempre ser cero.
51
f j = efecto neto Ejemplo: Realizar un anlisis de sensibilidad para el siguiente modelo. Maximizar: Xo = 10X1 + 15X2 + 4X3 + 2X4 sujeto a: 10X1 + 20X2 + 2X3 + 3X4 <= 4,000 5X1 + 5X2 + 5X3 + 4X4 <= 1500 4X1 + 2X2 + 6X3 + 6X4 <= 800 X1, X2, X3, X4 >= 0 Solucin ptima del problema.
Base Xo X2 X6 X1
Xo 1 0 0 0
X1 0 0 0 1
X2 0 1 0 0
X3 7/3 -1/3
X4 5 -3/2
X5 2/3 1/15 -1/6
X6 0 0 1 0
X7 5/6 -1/6 -5/6 1/3
Sol. 3,333.33 400/3 500/3 400/3
-13/5 -12/15
29/15 19/10 -1/30
Cambios en los coeficientes de la funcin objetivo.
El cambio en el Cj de una variable se interpretara, por ejemplo, como en incremento en el precio de un producto para un objetivo de maximizacin, o como la disminucin en el costo de una materia prima para un objetivo de minimizacin. Finalmente, se estudiar por separado si la modificacin en el Cj es para una variable no-bsica o para una bsica, ya que las consecuencias en cada caso son muy diferentes.
Cambios en el coeficiente Objetivo de una variable No-bsica.
Es importante mencionar que una variacin de Cj a Cj en el coeficiente objetivo de una variable no-bsica, no necesariamente conlleva a una infraccin inmejorable de la solucin ptima actual, aunque en ciertas ocasione si lo haga. Por este motivo, se considerarn a continuacin dos alternativas de cambio mutuamente exclusivas en el Cj de una variable no-bsica. Cuando Cj < Cj (maximizacin) en la solucin ptima actual f j = Cj - Zj <= 0 ==> f j = Cj - Zj < 0
52
Con lo cual la inmejorabilidad no se infringe. En consecuencia, se deduce que cuando el Cj < Cj en un problema de maximizacin, la solucin ptima actual no se alterara, lo mismo en minimizacin con Cj > Cj. Cuando Cj > Cj (maximizacin) Es claro que solamente cuando el precio de la utilidad de una variable no-bsica se incrementa, Cj > Cj, en un problema de maximizacin, surge la posibilidad de que se altere la inmejorabilidad y por ende la optimidad actual. fj = Cj - Zj <= 0 ==> Cj <= Cj -fj Cj <= Cj + I fj I o alternativamente, cuando
Es decir, si el nuevo Cj satisface la desigualdad, la actual solucin permanece ptima; de lo contrario, debe calcularse el f j el cual ser positivo, e introducirse Xj a la base para encontrar la nueva solucin ptima. Ejemplo: Cambio en el Cj de una variable no - bsica. Para el problema dado. Determinar los rangos de variacin en la utilidad unitaria de las variables no-bsicas, tal que la solucin ptima no se altere. Cj <=Cj + I fi j I C3 <= 4 + I -7/3I <= 19/3 C4 <=2 + I -5I <= 7 C5 <= 0 + I -2/3I <= 2/3 C7 <= 0 + I -5/6I = 5/6 Evaluar los efectos de un incremento en la utilidad unitaria del producto 3 de $4 a $5. Dado C3 = 5 = 15/3 satisface el lmite mximo de 19/3, por lo tanto, el incremento no modifica la solucin ptima actual. Evaluar el efecto de de un aumento en la utilidad actual del producto 4 de $2 a $8. Ya C4 = 8 sobrepasa el lmite de incremento en C4, la solucin ptima actual cambiar. El nuevo f4 es f4 = C4 - Z4 = 8 -7 = 1 y al ser positivo, X4 debe entrar a la base.
53
Base Xo X2 X6 X1
Xo 1 0 0 0
X1 0 0 0 1
X2 0 1 0 0
X3 7/3 -1/3
X4 -1 -3/2
S1 2/3 1/15 -1/6 -1/30
S2 0 0 1 0
S3 5/6 -1/6 -5/6 1/3
Sol. 3,333.33 400/3 500/3 400/3 ----------4000/57
-13/15 -12/15 29/15 19/10
2.6.2 TEORA DE DUALIDAD
Hemos visto como la programacin lineal puede ser usada para resolver una extensa variedad de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las variables de decisin en tales problemas fueron, por ejemplo, el nmero de productos a producir, la cantidad de pesos a emplear, etc. En cada caso la solucin ptima no explic cmo podran ser asignados los recursos (ejemplo: materia prima, capacidad de las mquinas, el dinero, etc.) para obtener un objetivo establecido. Asociado a cada problema de programacin lineal existe otro problema de programacin lineal que se denomina problema dual. El problema dual aporta informacin importante acerca de la solucin del problema original (en lo sucesivo, problema primal). La solucin ptima del problema de programacin dual, proporciona la siguiente informacin respecto del problema de programacin original: a) La solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original. b) La solucin ptima del problema dual aporta la solucin ptima del problema original y viceversa. Normalmente llamamos al problema de programacin lineal original el problema de programacin primal.
2.6.2.1 Forma cannica de dualidad
Sea el problema P : minimizar

cx
sujeto a El problema dual se formula entonces como D:
Ax b x 0
maximizar
wb
sujeto a
wA c w 0
54
donde w es un vector fila con tantas componentes (variables duales) como restricciones tenga el problema primal.
2.6.2.2 Forma estndar de dualidad
La formulacin del problema dual para forma estndar se deduce pasando a forma cannica el problema primal. Dado el problema P : minimizar
cx
sujeto a su problema dual se define como D:
Ax = b x 0
maximizar
wb
sujeto a
wA c
w no restringido
2.6.2.3 Formas mixtas de dualidad
Para escribir el dual de un problema general, se puede escribir el dual utilizando las siguientes relaciones
Minimizacion 0 Variables Restricciones

2.6.2.4 Holgura complementaria
Maximizaci on 0 0 restricciones variables
Es el concepto clave que permite resolver un problema a partir de otro, y se deriva de las relaciones primo-dual, en el valor de la funcin objetivo. Formulacin del problema dual. El problema dual es un problema de PL auxiliar que se define directa y sistemticamente a partir del modelo de PL original o primal. El problema de programacin lineal viene dado por:
55
Maximizar Z = CX sujeto a: AX <= B X >= 0 su dual asociado es el problema de PL dado por: Minimizar Z = BW sujeto a: AW<= C W >= 0 De lo anterior se deduce que el paso al dual se lleva a cabo teniendo presente las cuatro reglas siguientes: a) Los coeficientes de la i-sima restriccin para el problema primal pasan a ser los coeficientes de las variables Wi en las restricciones del problema dual. El problema dual tiene tantas variables como restricciones hay en el primal. b) Los coeficientes de las variables de decisin Xj en el problema primal pasan a ser los coeficientes de la restriccin j-sima en el problema dual. El problema dual tiene tantas restricciones como variables hay en el primal. c) Los coeficientes de la funcin objetivo en el problema primal pasan a ser los coeficientes del segundo miembro de las restricciones en el problema dual. d) Los coeficientes del segundo miembro de las restricciones del problema primal pasan a ser los coeficientes de la funcin objetivo del dual. Primal Ejemplo: Maximizar : Z = 60 X1 + 30 X2 + 20 X3 sujeto a: 8X1 + 4X1 + 6X2 + X3 <= 48 2X2 + 1.5X3 <= 20
2X1 + 1.5X2 + 0.5X3 <= 8 X1, X2, X3 >=0 Dual: Minimizar Z = 48 W1 + 20 W2 + 8W3 sujeto a: 8W1 + 4W2 + 2W3 >= 60 6W1 + 2W2 + 1.5W3 >= 30 W1 + 1.5W2 + 0.5W3 >= 20 W1, W2, W3>= 0
56
Investigacin de operaciones I 2. 6.2.5 Interpretacin econmica del problema dual
Precio Sombra.- Se define como la proporcin con que mejora el valor de la funcin objetivo a partir de la i - sima restriccin, dependiendo si se trata de maximizacin tiende a aumentar y a disminuir cuando es de minimizacin. La interpretacin econmica de la dualidad se basa directamente en la interpretacin ms frecuente del problema primal. Interpretacin del problema dual. Para ver cmo la interpretacin del problema primal conduce a una interpretacin econmica del problema dual: Z = W1b1 + W2b2 + W3b3 + ... + Wmbm donde cada bi Wi puede interpretarse como la contribucin a la ganancia por disponer de bi unidades del recurso i. Wi se interpreta como la contribucin a la ganancia por unidad del recurso i ( i = 1,2, . . . , m), cuando se usa el conjunto actual de variables bsicas para obtener la solucin primal. sujeto a: unidades del m j = 1,..., n Suma i =1 recurso i-simo utlizados por unidad de la actividad j-sima Valor unitario i - 1, ..., m * del recurso i-simo Observaciones Las restricciones j-sima del dual indican que el valor total de los recursos consumidos para elaborar una unidad de la j-sima actividad, debe ser al menos tan grande como la ganancia asignada a cada unidad de la actividad j-sima. A partir de lo visto anteriormente se puede interpretar el problema dual en los siguientes trminos: Dados unos recursos bi y un lmite inferior para la ganancia Cj, asignada a cada unidad de la actividad j-sima Qu valor, Wi, se debe asignar a cada unidad del recurso i-simo de forma que se minimice el valor total de los recursos? >= 0 * Valor unitario del recurso i-simo = Ganancia asignada a cada unidad de la actividad j-sima
57
CAPITULO 3 APLICACIONES ESPECIALES DE PROGRAMACIN LINEAL

3.1 PROBLEMA DE TRANSPORTE
La programacin lineal es un campo tan amplio que se extiende a subclases de problemas para los cuales existen mtodos de solucin especiales. Una de estas subclases se conoce como problemas de transporte. El mtodo simplex de programacin lineal, puede servir para resolver estos problemas. Pero se han desarrollado mtodos ms sencillos que aprovechan ciertas caractersticas de los problemas. Entonces, el mtodo del transporte son slo tcnicas especiales para resolver ciertos tipos de problemas de programacin lineal. El transporte desempea un papel importante en la economa y en las decisiones administrativas. Es crtica para la sobre-vivencia de una empresa. Qu significa problema de transporte? Supngase que un fabricante tiene tres plantas que producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro almacenes. Cada planta puede mandar productos a todos los almacenes, pero el costo de transporte vara con las diferentes combinaciones. El problema es determinar la cantidad que cada planta debe mandar a cada almacn con el fin de minimizar el costo total de transporte. La manera ms fcil de reconocer un problema de transporte es por su naturaleza o estructura de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del presente hacia el futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin dice que debe haber una manera de obtener una solucin. Se conocen las fuentes y los destinos, las capacidades y demandas y los costos de cada trayectoria. Debe haber una combinacin ptima que minimice el costo (o maximice la ganancia). La dificultad estriba en el gran nmero de combinaciones posibles. Puede formularse un problema de transporte como un problema de programacin lineal y aplicarse el mtodo simplex. Si se hiciera, se encontrara que los problemas de transporte tienen caractersticas matemticas nicas.
Ejemplo prototipo.
Chcharos enlatados es uno de los productos ms importantes de la compaa P & T. Los chcharos se preparan en tres enlatadoras y despus se mandan por camin a cuatro almacenes de distribucin. Puesto que los costos de embarque constituyen un gasto importante, la gerencia ha iniciado un estudio para reducirlos lo ms posible que se pueda. Se ha hecho una estimacin de la produccin de cada enlatadora para la prxima temporada y se ha asignado a
58
cada almacn una cierta cantidad de la produccin total de chcharos. En la tabla se proporciona esta informacin (en unidades de carga de camin), junto con el costo de transporte por camin cargado para cada combinacin de enlatadora-almacn. Hay 300 cargas de camin que se deben transportar. El problema es determinar el plan de asignacin de estos embarques a las distintas combinaciones de enlatadora-almacn que minimice el costo total de transporte.
Costo de embarque ($) por carga Almacn 1 2 3 4
Produccin
1 464 513 654 867 Enlatadora 2 352 416 690 791 3 995 682 388 685 Asignacin
75 125 100
80
65
70
85
Este, de hecho, es un problema de programacin lineal del tipo de los problemas de transporte. Para formularlo, sea Z el costo total de transporte y sea xij (i = 1, 2, 3; j = 1, 2, 3, 4) el nmero de cargas de camin que se mandan de la enlatadora i al almacn j. Entonces el objetivo es seleccionar los valores de estas 12 variables de decisin (las xij) para: Minimizar Z= 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24 995x31 + 682x32 + 388x33 + 685x34 sujeta a las restricciones: x11 + x12 + x13 + x14 x21 + x22 + x23 + x24 x11 x12 x13 x14 + x21 + x22 + x23 + x24 x31 + x32 + x33 + x34 + x31 + x32 + x33 + x34 = 75 = 125 = 100 = 80 = 65 = 70 = 85
xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4) La tabla muestra los coeficientes de las restricciones. Como se ver enseguida, lo que distingue a este problema como un problema de transporte es la estructura especial en el patrn de estos coeficientes, no su contexto.
59
Entre parntesis, la solucin ptima para este problema es x11 = 0, x12 = 20, x13 = 0, x14 = 55, x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0, x33 = 70, x34 = 30. Cuando se conozca la prueba de optimizacin se podr verificar este resultado.
3.1.1 MODELO GENERAL DEL PROBLEMA DE TRANSPORTE
Para describir el modelo general del problema de transporte es necesario emplear trminos que sean mucho menos especficos que los que se usaron para los componentes del ejemplo prototipo. El problema general de transporte se refiere a la distribucin de cualquier bien desde cualquier grupo de centros de abastecimiento, llamados orgenes, a cualquier grupo de centros de recepcin, llamados destinos, de tal manera que se minimicen los costos totales de distribucin. La terminologa entre el ejemplo prototipo y el problema general se resume en:
Ejemplo prototipo Problema general
Cargas de chcharos enlatados Tres enlatadoras Cuatro almacenes Produccin de la enlatadora i Asignacin al almacn j Costo de embarque por carga desde la enlatadora i al almacn j
Unidades de un bien m orgenes n destinos si recursos en el origen i Demanda dj en el destino j Costo cij por unidad distribuida desde el origen i al destino j
As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades para distribuir a los destinos y el destino j (j = 1, 2, ..., n) tiene una demanda de dj unidades que recibe desde los orgenes. Una suposicin bsica es que el costo de distribucin de unidades desde el origen i al
60
destino j es directamente proporcional al nmero distribuido, donde cij denota el costo por unidad distribuida. Igual que para el ejemplo prototipo, estos datos de entrada se pueden resumir en forma muy conveniente en la tabla de costos y requerimientos que se muestra enseguida:
Costo por unidad distribuida Destino
1 1 2
Origen
2 c12 c22 . .
... ... ...
n c1n c2n . .
Recursos s1 s2 . .
c11 c21 . .
. .
. . . ... ...
. m Demanda
. cm1 d1
. c m2 d2
. cmn dn
. sm
Sea Z el costo total de distribucin y xij (i = 1, 2, ..., m; j = 1, 2,..., n) el nmero de unidades que se distribuyen del origen i al destino j, la formulacin de programacin lineal para este problema es: Minimizar
sujeta a
Z=
c
i =1 j =1
ij
xij
x
j =1
ij
= si
para i = 1, 2, ..., m
x
i =1
ij
= dj
para j = 1, 2, ..., n
para toda i y j
y xij 0,
Note que la tabla que resulta de los coeficientes de las restricciones tiene la estructura especial que se muestra en la siguiente tabla:
61
Cualquier problema de programacin lineal que se ajuste a esta formulacin especial es del tipo de problemas de transporte. Una condicin necesaria y suficiente para que un problema de transporte tenga soluciones factibles es que:
s = d
i i =1 j =1
Esta propiedad se puede verificar observando que las restricciones requieren que:
s
i =1
d
j =1
sean iguales a
x
i =1 j =1
ij
Esta condicin de que los recursos totales deben ser iguales a la demanda total en realidad exige que el sistema est balanceado. Si el problema tiene algn significado fsico y esta condicin no se cumple, bien si, o bien dj de hecho representan una cota y no un requerimiento exacto. Si este es el caso, se introduce un origen o destino imaginario (llamado origen ficticio o destino ficticio) para captar la holgura, y convertir las desigualdades en igualdades. El problema de transporte es un tipo especial de problemas de programacin lineal y puede resolverse aplicando el mtodo simplex. Sin embargo, veremos que si se aprovecha la estructura especial que se muestra en la tabla anterior, se puede lograr un importante ahorro en los clculos. Se har referencia a este procedimiento simplificado como el mtodo simplex de transporte. Para hacer hincapi en la simplificacin lograda por el mtodo smplex de transporte, se revisar primero la forma en que el mtodo smplex general (no simplificado) establecera el problema de transporte en forma tabular. Despus de construir la tabla de los coeficientes de restriccin (vea la tabla anterior), de convertir la funcin objetivo a la forma de maximizacin y de
62
Investigacin de operaciones I usar el mtodo de la M para introducir las variables artificiales z1, z2, ..., zm+n en las m+n ecuaciones de restriccin respectivas, se ve que las columnas de la tabla smplex tendran la forma que se muestra en la siguiente tabla: Variable bsica Z Ec. Coeficiente de nm. (0) (1) . . . (i ) . . . (m+j) . . . (m+n) Z 1 ... xij cij ... zi M ... zm+j M ... derecho 0 Lado
zi
si
zm+j
dj
En esta tabla, todos los elementos que no se muestran en estas columnas son ceros. El nico ajuste que queda por hacer antes de la primera iteracin es eliminar algebraicamente los coeficientes distintos de cero de las variables bsicas iniciales (artificiales) en el rengln de Z (rengln 0). Despus de cualquier iteracin subsecuente, el rengln 0 tendra la forma que se muestra en la siguiente tabla: Variable bsica Z Ec. Coeficiente de nm (0) Z 1 ... xij cijuivj ... zi Mui ... zm+j Mvj ...
m
Lado derecho
siui djvj
i =1 j =1
A causa del patrn de ceros y unos que siguen los coeficientes en la tabla anterior, ui y vj tienen la siguiente interpretacin:
63
Investigacin de operaciones I ui = mltiplo del rengln i original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. vj = mltiplo del rengln m+j original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. El rengln 0 actual se puede obtener sin usar ningn otro rengln con slo calcular los valores de ui y vj directamente. Como cada variable bsica debe tener coeficiente cero en el rengln 0, estos valores se pueden obtener resolviendo el sistema de ecuaciones: cijuivj = 0 para cada i y j tal que xij es variable bsica,
lo cual se puede hacer de manera directa. Adems de los datos de entrada (los valores de cij, si y dj), la nica informacin que necesita el mtodo smplex de transporte es la solucin bsica factible actual, los valores actuales de ui y vj y los valores resultantes de cijuivj para las variables no bsicas xij. Cuando se resuelve un problema a mano es conveniente registrar esta informacin en una tabla smplex de transporte, como la que se muestra enseguida:
64
Si todo lo que se produce en todos los orgenes es mayor que lo que se demanda en los destinos o viceversa, el problema no est balanceado. Lo primero que se debe es balancearlo.
3.1.1.1 PARA EL CASO DE SOBREPRODUCCIN (
si
i =1
>
dj
j =1
Si el caso es que se dispone de mayor produccin de la que se demanda, entonces para balancear el problema se agrega un destino imaginario o artificial (llamado tambin destino ficticio) el cual tendr como demanda dicha sobreproduccin. En cuanto a los costos asociados a este nuevo destino los estableceremos a cero (por qu?).
donde
dn+1 = y ci,n+1 = 0,
s d
i
i =1
j =1
para i = 1, 2, ..., m
65
3.1.1.2. PARA EL CASO DE SOBREDEMANDA (
dj
j =1
s
>
j =1
Si el caso es que se tiene mayor demanda de lo que se produce, entonces para balancear el problema se agrega un origen imaginario o artificial (llamado tambin origen ficticio) el cual tendr como recursos (producir) dicha sobredemanda. En cuanto a los costos asociados a este nuevo origen los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:
donde
sm+1 = y cm+1j = 0
d j si
j =1 i =1
para j = 1, 2, ..., n
Como todas las restricciones funcionales en el problema de transporte son igualdades, el mtodo simplex obtendra una solucin inicial bsica factible introduciendo variables artificiales y usndolas como variables bsicas iniciales. La solucin bsica que resulta de hecho slo es factible para la versin aumentada del problema, por lo que se necesita un buen nmero de iteraciones para hacer que el valor de estas variables artificiales sea cero y se alcancen las soluciones bsicas factibles reales. El mtodo simplex de transporte pasa por alto todo esto,
66
Investigacin de operaciones I pues usa un procedimiento ms sencillo para construir directamente una solucin bsica factible real en la tabla de transporte. Antes de describir este procedimiento, es necesario establecer que el nmero de variables bsicas en cualquier solucin bsica de un problema de transporte es una menos de lo que se espera. Normalmente en los problemas de programacin lineal, se tiene una variable bsica por cada restriccin funcional. En los problemas de transporte con m recursos y n destinos el nmero de restricciones funcionales es m+n. Sin embargo, el nmero de variables bsicas = m + n 1. Esto se debe a que se manejan restricciones de igualdad y este conjunto de m + n ecuaciones tiene una ecuacin adicional o (redundante) que se puede eliminar. La razn es que se sabe que la cantidad total que se manda desde todos los orgenes debe ser igual que la cantidad total que se recibe en todos los destinos. Por lo tanto, cualquier solucin bsica factible en una tabla de transporte aparece con exactamente m + n 1 asignaciones no negativas, y la suma de las asignaciones en cada rengln o columna es igual a su demanda o sus recursos 3.1.2 MTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES Al iniciar, todos los renglones de los orgenes y las columnas de destinos de la tabla simplex de transporte se toman en cuenta para proporcionar una variable bsica (asignacin). 1. Se selecciona la siguiente variable bsica (asignacin) entre los renglones y columnas en que todava se puede hacer una asignacin de acuerdo a algn criterio. 2. Se asigna una cantidad grande como para que use el resto de los recursos en ese rengln o la demanda restante en esa columna. 3. Se elimina ese rengln o columna (la que tena la cantidad ms pequea en los recursos o demanda restantes) para las nuevas asignaciones. (Si el rengln y la columna tiene la misma cantidad de recursos y demanda restante, entonces arbitrariamente se elimina el rengln. La columna se usar despus para proporcionar una variable bsica degenerada, es decir, una asignacin con cero unidades.) 4. Si slo queda un rengln o una columna dentro de las posibilidades, entonces el procedimiento termina eligiendo como bsicas cada una de las variables restantes (es decir, aquellas variables que no se han elegido ni se han eliminado al quitar su rengln o columna) asociadas con ese rengln o columna que tiene la nica asignacin posible. De otra manera se regresa al paso 1.
67
Investigacin de operaciones I 3.1.2.1 MTODO DE LA ESQUINA NOROESTE. 1. Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se comienza en la esquina noroeste de la tabla simplex de transporte). De ah en adelante, si xij fue la ltima variable bsica seleccionada, la siguiente eleccin es xi,j+1 (es decir, se mueve una columna a la derecha) si quedan recursos en el origen i. De otra manera, se elige xi+1,j (es decir, se mueve un rengln hacia abajo). Recursos
3 2 4
7 4 3
6 3 8
4 2 5
5 2 3 10
Demanda
10
Verificado el balanceo (igual a 10 unidades), se asigna en la esquina noroeste de la tabla (celda de la variable bsica x11), se observa que en la primera columna se demandan 3 unidades del bien y se dispone de 5 unidades, entonces enviamos las 3 unidades demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos suficientes para satisfacer toda la demanda) y se disminuye a 2 los recursos restantes en ese origen (paso 2). Se cubre toda la demanda del primer destino ( almacn) y lo cancelamos para las prximas asignaciones (paso3): Recursos
3
3
7 4 3
6 3 8
4 2 5
5 2 2 3
2 4
Demanda
3 0
68
Investigacin de operaciones I La siguiente asignacin ser en la celda de la variable x12 (paso 1) porque todava el origen 1 tiene recursos (adems es la esquina noroeste de la tabla restante despus de haber eliminado la primera columna). El segundo destino demanda 4 unidades del bien y se dispone de 2 unidades en el origen 1, se envan las 2 unidades del origen 1 al destino 2 quedando 2 por satisfacer (paso 2) y se cancela el origen 1 ya que no tiene ms unidades (paso 3): Recursos
3
3
7
2
6 3 8
4 2 5
5 2 0 2 3
2 4
4 3
Demanda
3 0
4 2
La siguiente asignacin ser en la celda correspondiente a la variable x22 (paso 1) ya que no le quedan unidades del bien al origen 1 (esquina noroeste de la tabla restante despus de haber eliminado el primer rengln y la primera columna). Faltan 2 unidades para satisfacer por completo la demanda del segundo destino y se disponen de 2 unidades en el segundo origen, entonces enviamos 2 unidades del bien del origen 2 al destino 2 y cancelamos el segundo rengln ya que no le quedan ms unidades para enviar a otro destino. Recursos
3
3 2
7 4
2
6 3 8
4 2 5
5 2 0 2 0 3
2 4
Demanda
3 0
4 2 0
69
Investigacin de operaciones I Dejamos pendiente la eliminacin de la segunda columna ya que nos servir ms adelante para hacer la asignacin de una variable bsica degenerada, es decir, una asignacin con cero unidades (paso 3): La siguiente asignacin ser en la celda correspondiente a la variable x32 (paso1) ya que no le quedan ms unidades al origen 2. Notemos que se demandan cero unidades del bien en el segundo destino, en este momento es cuando hacemos una asignacin de cero unidades convirtiendo as a la variable x32 en una variable bsica degenerada (paso 2) y ahora s podemos cancelar la segunda columna para ya no considerarla ms en las siguientes asignaciones (paso 3). Notemos que esta demanda de cero unidades es satisfecha sin ningn problema por el origen 3 ya que ste dispone todava de 3 unidades del bien: Recursos
3
3
7
2
6 3 8
4 2 5
5 2 0 2 0 3
2 4
4
2
3
0
Demanda
3 0
4 2 0
Como solamente queda un rengln dentro de las posibilidades (el rengln 3 no ha sido cancelado), entonces aplicando el paso 4 del procedimiento general para construir una solucin inicial bsica factible, la siguiente asignacin ser en la celda que corresponde a la variable x33 (paso 1). Ya que la demanda del tercer destino (2 unidades) puede ser satisfecha muy bien por el tercer origen, entonces enviamos 2 unidades del bien del origen 3 al destino 3 quedando solamente 1 unidad en el tercer origen (paso 2) para enviarlo al cuarto destino y con eso cubrir su demanda de una unidad, cancelando de esta manera tanto el destino 3 como el destino 4 y el tercer rengln ya que la demanda de todos los destinos ya ha sido satisfecha y no quedan ms unidades del bien en ningn origen:
70
Investigacin de operaciones I Recursos
3
3
7
2
6 3
2
4 2 5
2 1
5 2 0 2 0 3 1 0
2 4
4 3
0
Costo = 52 Demanda 3 0 4 2 0 2 0 1 0
La solucin inicial bsica factible es x11=3, x12=2, x22=2, x32=0 (variable bsica degenerada), x33=2 y x34=1 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de: x11 c11 Costo = 3 (3) + x12 c12 2 (7) + x22 c22 2 (4) + x32 c32 0 (3) + x33 c33 2 (8) + x34 c34 1 (5) = 52 unidades
Es necesario aclarar que esta no es la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total. 3.1.2.2 MTODO DE APROXIMACIN DE VOGEL Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna. (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas diferencias se pueden romper de manera arbitraria). Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las diferencias que obtuvimos nos fijamos realizamos la primera asignacin: en la mayor (Por qu?), que resulta ser para la tercera columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda
71
Investigacin de operaciones I Recursos DIF. 1 0 1 10 Demanda DIF. 3 1 4 1 2 0 3

1
3 2 4
7 4 3
6 3
2
4 2 5
5 2 0 3
1 2
10
Nota: Marcar la mayor de las diferencias seleccionadas encerrndola en un crculo y escribiendo como superndice el nmero que le corresponda en la secuencia de seleccin. Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada. Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas: Recursos DIF. 1 0 1 10 Demanda DIF. 3 1 1 4 1 1 4
2
3 2 4
7 4 3
3
6 3
2
4 2 5
5 2 0 3 0
2 0 3 2
1
1 2 1
10
72
Investigacin de operaciones I Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas. Recursos DIF.
3
3
7
1
6
0
4
1
5 2 1 0 1 2 0 3 0 10 0 1
2 4
4 3
3
3
2
2 5
Demanda DIF.
3 0 1 1
4 1 0 1 4
2
2 0 3 2
1
1 0 2 1
10
La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de: x11 Costo = 3 c11 (3) + x12 c12 1 (7) + x13 0 c13 (6) + x14 c14 1 (4) + x23 c23 2 (3) + x32 3 c32 (3) = 35 unidades
Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total. 3.1.3 COMPARACIN DE CRITERIOS ALTERNATIVOS PARA EL PASO 1 Se compararn estos dos criterios para elegir la siguiente variable bsica. La virtud principal de la regla de la esquina noroeste es la facilidad y rapidez con que se aplica. Sin embargo, como no le da importancia a los costos unitarios cij, por lo general la solucin que se
73
Investigacin de operaciones I obtiene distar mucho de la ptima. Si se realiza un esfuerzo un poco mayor para encontrar la solucin inicial bsica factible, es posible que se reduzca mucho el nmero de iteraciones que despus necesita el mtodo smplex de transporte para encontrar la solucin ptima. El objetivo del otro criterio es precisamente encontrar una solucin as. El mtodo de aproximacin de Vogel ha sido el ms popular durante muchos aos, en parte porque es relativamente fcil hacerlo a mano. Este criterio toma en cuenta los costos unitarios en forma efectiva ya que la diferencia representa el mnimo costo adicional en que se incurre por no hacer una asignacin en la celda que tiene el menor costo en esa columna o rengln. Podemos decir, que el mtodo de aproximacin de Vogel proporciona una mejor solucin inicial que el criterio de la esquina noroeste, en otras palabras es ms cualitativo. El siguiente paso despus de hallar una solucin inicial bsica factible (por cualquiera de los dos criterios expuestos anteriormente) es verificar si esta solucin inicial es efectivamente ptima aplicando la prueba de optimalidad. La prueba de optimalidad estndar del mtodo smplex para el problema de transporte, se puede reducir de la siguiente manera: Una solucin bsica factible es ptima si y slo si cijuivj 0 para toda (i,j) tal que xij es no bsica. As, lo nico que hay que hacer para realizar esta prueba es obtener los valores de ui y vj para la solucin bsica factible actual y despus calcular los valores cijuivj segn se describe enseguida. Como el valor de cijuivj debe ser cero si xij es una variable bsica, ui y vj satisfacen el conjunto de ecuaciones: cij = ui + vj para cada (i,j) tal que xij es bsica.
Existen m+n1 variables bsicas y por tanto hay m+n1 ecuaciones de este tipo. Como el nmero de incgnitas (las ui y vj) es m+n, se puede asignar un valor arbitrario a cualquiera de estas variables sin violar las ecuaciones. La eleccin de esta variable y su valor no afecta el valor de ningn cijuivj, aun cuando xij sea no bsica, por lo que la nica diferencia (menor) estriba en la facilidad para resolver estas ecuaciones. Una eleccin conveniente para lograr esto es seleccionar la ui que tiene el mayor nmero de asignaciones en su rengln (los empates se rompen de manera arbitraria) y asignarle un valor de cero. Gracias a la sencilla estructura de estas ecuaciones, resulta muy fcil obtener algebraicamente los valores del resto de las
74
Investigacin de operaciones I variables. Para ejemplificar la prueba de optimalidad, consideremos la solucin inicial bsica factible obtenida por la regla de la esquina noroeste para nuestro ejemplo en cuestin:
Para este problema, existen m+n1=3+41=6 variables bsicas, originando las ecuaciones: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 Son 6 ecuaciones que involucran 7 incgnitas (tres de las ui y cuatro de las vj), por lo que este sistema de ecuaciones no es cuadrado. La forma de resolverlo es dando un valor arbitrario a una de las incgnitas, para que, a partir de l encontremos el valor de las dems. La regla para hacer esta asignacin arbitraria nos dice que sea para la ui ( rengln) que haya tenido el mayor nmero de asignaciones. En el ejemplo, el rengln 1 tuvo dos asignaciones, el rengln 2 tuvo una asignacin y por ltimo el tercer rengln tuvo tres asignaciones, por lo que asignamos el valor de cero a la incgnita u3. De esta asignacin resulta lo siguiente: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 v2 = 3 v3 = 8 v4 = 5
75
Investigacin de operaciones I Hemos obtenido el valor de tres incgnitas ms, v2, v3 y v4, los cuales nos ayudarn para hallar el valor de las incgnitas restantes: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 si u1=4, entonces v1= 1 si v2=3, entonces u1= 4 si v2=3, entonces u2= 1 v2 = 3 v3 = 8 v4 = 5
De esta forma se obtiene el valor las incgnitas y procede a colocarlos en la tabla: v1 u1 u2 u3 v2 v3 v4 Recursos 5 2 3 1 Costo=52 Demanda vj 3 1 4 3 2 8 1 5 ui 4 1 0
3
3
7
2
6 3
2
4 2 5
2
2 4
4 3
0
Ahora calculemos los valores cijuivj para las variables no bsicas, ya que para las bsicas, este valor es cero (por la forma de las ecuaciones con que se hallaron los valores de las incgnitas ui y vj), y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1,3): 6 4 8 = 6 Para la celda (1,4): 4 4 5 = 5 Para la celda (2,1): 2 1 (1) = 2 Para la celda (2,3): 3 1 8 = 6 Para la celda (2,4): 2 1 5 = 4 Para la celda (3,1): 4 0 (1) = 5
76
v1 u1
v2
v3
v4
Recursos 5
ui 4
3 0
3
7 0 4 0 3 0
4 3 0 2 2
6 6 3 6 8 0
2 8 2
4 5 2 4 5 0
1 5 1
u2
2 2
u3
4 5
Costo=5 Demanda vj 3 1 2
En este momento se puede aplicar la prueba de optimalidad para verificar los valores de cijuivj obtenidos. Como cuatro de estos valores (c13u1v3= 6, c14u1v4= 5, c23u2v3= 6, c24u2v4= 4), son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible. Una iteracin. Igual que para mtodo smplex estndar, una iteracin del mtodo smplex de transporte debe determinar una variable bsica entrante (paso 1), una variable bsica que sale (paso 2) y despus identificar la nueva solucin bsica factible que resulta (paso 3). Paso 1: como cijuivj representa la tasa a la que cambia la funcin objetivo si se incrementa la variable no bsica xij, la variable que entra debe tener un valor de cijuivj negativo, para que el costo total Z disminuya. Entonces, los candidatos en la tabla anterior son x13, x14, x23 y x24 . Entre ellos se elige el valor negativo ms grande (en trminos absolutos) de cijuivj como la variable bsica entrante, que en este caso corresponde a x13 y x23. En los casos en que haya empate para la eleccin de la variable bsica entrante, este empate se rompe de manera arbitraria, ya que tarde o temprano llegaremos a la misma solucin independientemente de la eleccin de la variable. Pero, observemos lo siguiente: ya que debemos elegir la variable bsica entrante, es decir,
77
Investigacin de operaciones I aquella que comenzar a tener un valor (ya que antes no lo tena porque era variable no bsica), entonces, es conveniente que elijamos aquella que tenga el costo menor, ya que el valor de la variable entrante multiplicado por su respectivo costo ser la contribucin al costo total. En nuestro caso, el costo asociado a x13 es 6 y el costo asociado a x23 es 3, por lo que la variable que debemos elegir como entrante es x23. Paso 2: si se incrementa el valor de la variable bsica entrante, se establece una reaccin en cadena de cambios compensatorios en otras variables bsicas (asignaciones) para seguir satisfaciendo las restricciones de recursos y demanda. La primera variable bsica que disminuya su valor hasta cero ser la variable bsica que sale. En general, siempre existe slo una reaccin en cadena (en cualquier direccin) que se puede completar con xito para conservar la factibilidad, cuando la variable bsica entrante aumenta su valor. Esta reaccin en cadena se puede identificar si se hace una seleccin entre las celdas que tienen variables bsicas: primero, la celda donadora en la columna que tiene la variable bsica; despus, la celda receptora en el rengln que corresponde a la celda donadora; luego, la celda donadora en la columna en que se encuentra esta celda receptora, y as sucesivamente, hasta que la reaccin en cadena conduce a una celda donadora en el rengln que tiene a la variable bsica entrante. Cuando una columna o rengln tiene ms de una celda adicional con variable bsica, puede ser necesario explorar el camino que se va aseguir para averiguar cul debe seleccionarse como celda donadora o receptora. (Todas las dems menos la adecuada llegarn tarde o temprano a un camino sin salida en un rengln o columna que no tiene otra celda con una variable bsica). Despus de identificar la reaccin en cadena. La celda donadora que tiene la asignacin menor proporciona en forma automtica la variable bsica que sale. (En caso de un empate para la celda donadora, se puede elegir cualquiera para proporcionar la variable bsica que sale). Si x23 es la variable bsica entrante, la reaccin en cadena de la tabla anterior se resume enseguida. (Siempre se indicar la variable bsica entrante colocando un signo + encuadrado dentro de su celda):
78
v1 u1
v2
v3
v4
Recursos 5
ui 4
3
3
7
2
6 6 3
+ 2
4 5 2 4
2
0
u2
0 4 0 3
0 +
2 2
6 8 0
2 8
u3
4 5
5
1
0
4 3
0
Costo=5 1 5 2
Demanda vj
3 1
Al aumentar x23 debe disminuir x33 en la misma cantidad para conservar la demanda de 2 en la columna 3; esto a su vez requiere que se aumente x32 en esa cantidad para mantener la oferta de 3 en el rengln 3 y esto a su vez exige una disminucin en el valor de x22 para conservar la demanda de 4 en la columna 2. Esta disminucin en x22 completa con xito la reaccin en cadena ya que tambin conserva la oferta del rengln 2. El resultado final es que las celdas (2,3) y (3,2) se convierten en celdas receptoras, cada una con su asignacin adicional proveniente de las celdas donadoras (2,2) y (3,3). Estas celdas estn indicadas en la tabla anterior por medio de los signos + y ). Observe que tuvo que elegirse la celda (3,2) como celda receptora para el rengln 3 y no la (3,4), ya que esta ltima no hubiera tenido celda donadora en la columna 4 para continuar la reaccin en cadena. Note adems que, a excepcin de la variable bsica entrante, todas las celdas receptoras y donadoras en la reaccin en cadena deben corresponder a variables bsicas en la solucin bsica factible actual. Cada celda donadora disminuye su asignacin en una cantidad exactamente igual al aumento que tiene la variable bsica entrante (y las otras celdas receptoras). Entonces, la celda donadora que comienza con la asignacin ms pequea en este caso las celdas (2,2) y (3,3) debe ser la primera en llegar a una asignacin de cero conforme se incrementa la variable entrante x23. As, x22 x23 se pueden convertir en la variable bsica que sale. Cuando existe
79
Investigacin de operaciones I empate para la variable bsica que sale, ste puede romperse de manera arbitraria, es decir, eligiendo cualquiera de las variables donadoras con la asignacin ms pequea como variable bsica saliente. Como una regla emprica, podemos seleccionar como variable bsica saliente aqulla que tenga asociado el mayor costo unitario, ya que como esta variable perder completamente su valor (es decir, se convertir de variable bsica a variable no bsica), esperaramos que el costo total de transporte disminuya. As, escogeramos a x33 como variable bsica saliente. Paso 3: la nueva solucin bsica factible se identifica sumando el valor (antes de los cambios) de la variable bsica que sale a las asignaciones de cada celda receptora y restando esta misma cantidad de las asignaciones de cada celda donadora. En la tabla anterior se observa que el valor de la variable bsica que sale x33 es 2, por lo que esta porcin de la tabla smplex de transporte cambia, como se ilustra en la siguiente tabla para la nueva solucin. (Como x33 es no bsica en la nueva solucin, su nueva asignacin es cero y ya no se muestra en la tabla). v1 u1 v2 v3 v4 Recursos 5 ui
3 0
3
7 0 4 0 3 0
4 2 0 2
6 6 3 6 8 0
2 2
4 5 2 4 5
1
u2
2 2
u3
4 5
0
Costo=40 1
Demanda vj
En este momento se puede sealar una interpretacin til de las cantidades cijuivj que se obtienen en la prueba de optimalidad. Debido al cambio de 2 unidades en las asignaciones de las celdas donadoras a las receptoras, el costo total cambia en: Z = 2(38+34) = 2(6) = 12 = 2(c23u2v3)
80
Investigacin de operaciones I es decir, el costo total de transporte se decrementa en 12 unidades con respecto al costo anterior que era de 52 unidades. Notemos que hemos obtenido una nueva poltica de transporte, la cual podemos resumir as: La nueva solucin bsica factible es x11=3, x12=2, x22=0 (variable bsica degenerada), x23=2, x32=2 y x34=1 y el costo total de transporte asociado es de: x11 c11 Costo = 3 (3) + x12 c12 2 (7) + x22 0 c22 (4) + x23 c23 2 (3) + x32 2 c32 (3) + x34 c34 1 (5) = 40 unidades
Antes de completar la solucin del problema ejemplo, se har un resumen de las reglas del mtodo simplex de transporte. 3.1.3.1 RESUMEN DEL MTODO SMPLEX DE TRANSPORTE Inicializacin: Se construye una solucin inicial bsica factible. Se realiza la prueba de optimalidad. Prueba de optimalidad: Se obtiene ui y vj eligiendo el rengln con el mayor nmero de asignaciones y estableciendo su ui = 0, y despus resolviendo el sistema de ecuaciones cij = ui+vj para cada (i,j) tal que xij es bsica. Si cijuivj 0 para toda (i,j) tal que xij es no bsica, entonces la solucin actual es ptima por lo que el proceso se detiene. De lo contrario, se regresa a una iteracin. Iteracin: 1. Se determina la variable bsica entrante: se elige la variable no bsica xij que tiene el valor negativo ms grande (en trminos absolutos) para cijuivj. 2. Se determina la variable bsica que sale identificando la reaccin en cadena (encontrar un circuito) que se necesita para conservar la factibilidad cuando se aumenta el valor de la variable bsica entrante. Entre las celdas donadoras se selecciona la variable bsica que tiene el menor valor. 3. Se determina la nueva solucin bsica factible: se suma el valor de la variable bsica que sale a las asignaciones de las celdas receptoras y se resta este valor a las asignaciones de las celdas donadoras.
81
Investigacin de operaciones I Continuando con la aplicacin de este procedimiento a nuestro problema, tenemos que calcular los nuevos valores de las ui y vj y despus los valores cijuivj correspondientes a las variables no bsicas para determinar si todos cumplen con la prueba de optimalidad: Nuevamente existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 Observemos que nuevamente resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las ui y cuatro de las vj). Ya que hay empate en el nmero de asignaciones que tiene cada rengln (2 asignaciones en cada rengln), asignemos el valor de cero a la incgnita u1. De esta asignacin resulta lo siguiente: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 v1=3 v2=7
Hemos obtenido el valor de dos incgnitas ms, v1, y v2, los cuales nos ayudarn para hallar el valor de las incgnitas restantes: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 v1=3 v2=7 si v2=7, entonces u2= 3 si u2= 3, entonces v3=6 si v2=7, entonces u3= 4 si u3= 4, entonces v4=9
De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en la tabla como sigue:
82
v1 u1
v2
v3
v4
Recursos 5
ui 0
3
3
7
2
u2
4
0
3
2
u3
3
2
5
1 2 6 1 9
Demanda vj
3 3
4 7
Costo=40
Ahora calculemos los valores cijuivj para las variables no bsicas y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1,3): 6 0 6 = 0 Para la celda (1,4): 4 0 9 = 5 Para la celda (2,1): 2 (3) 3 = 2 Para la celda (2,4): 2 (3) 9 = 4 Para la celda (3,1): 4 (4) 3 = 5 Para la celda (3,3): 8 (4) 6 = 6 v1 u1 v2 v3 v4 Recursos 5 ui 0
3 0
3
7 0 4 0 3 0
3 3 4 7 2 0 2
6 0 3 0 8 6
2 6 2
4 5 2 4 5 0
1 9 1
u2
2 2
u3
4 5
Demanda vj
Costo=40
83
Investigacin de operaciones I Aplicando la prueba de optimalidad para verificar los valores de cijuivj obtenidos, vemos que dos de estos valores ( c14u1v4= 5, c24u2v4= 4) son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible. Aplicando el procedimiento descrito anteriormente, se llega al siguiente conjunto de tablas smplex de transporte que se muestra enseguida y que dan solucin al problema planteado: v1 u1 v2 v3 2 v4 Recursos 5 + 2 3 ui 0
3 0
3
7 0 4 0 3 0
3 3 v1 4 7 v2 2
6 0 3
4 5 2
2
u2
2 2
0 +
0 8 6
2 6 v3
4 5 0
1 9 v4 Recursos 5 1 2 ui 1 Costo=4 3 4
u3
4 5
Demanda vj
u1
3 0
3
7 0 4 0 3 0
3 4 3 0 1
6 0 3 0 8 6
2 2
4 5 2 4 5 0
1
u2
2 2
u3
4 5
Demanda vj
Costo=35
84
Investigacin de operaciones I La nueva solucin bsica factible es x11=3, x12=1, x14=1, x22=0 (variable bsica degenerada), x23=2 y x32=3 y el costo total de transporte asociado es de: x11 c11 Costo = 3 (3) + x12 c12 1 (7) + x14 1 c14 (4) + x22 c22 0 (4) + x23 2 c23 (3) + x32 c32 3 (3) = 35 unidades
Como en esta ltima tabla todas las cijuivj son no negativas, la prueba de optimalidad identifica este conjunto de asignaciones como ptimo, lo cual concluye el algoritmo. 3.2 PROBLEMA DE ASIGNACIN El Problema de la Asignacin es un problema clsico de la Investigacin de Operaciones y es un caso particular del Problema del Transporte. Este problema se trata de asignar una serie de Recursos a una serie de tareas. Tiene una limitante y es que a cada tarea se le puede asignar slo un recurso, pueden sobrar recursos o podran sobrar tareas pero no se le puede asignar dos recursos a una misma tarea, o tres... por ejemplo si se tienen tres operarios con diferentes tiempos de operacin en cuatro mquinas el modelo nos dira como asignar los tres operarios a tres mquinas (nos sobrara una) de manera que se minimice el tiempo total, pero no nos dira como asignar dos operarios a dos mquinas y el otro operario a las otras dos mquinas. Ejemplos de Asignaciones: Operarios a Tareas, Mquinas a Operarios, Nadadores a Estilos, Novias a das de la semana, etc, etc, etc. El Problema de la Asignacin se basa en una informacin comparativa para tomar la decisin de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos, etc. Cuando la matriz no est balanceada, es decir, cuando no es cuadrada, cuando sobran filas o columnas, se debe balancear para que tenga solucin mediante la inclusin de filas o columnas ficticias, con valores de cero en dicha matriz. Ejemplo prototipo: Existen cuatro operarios que se pueden asignar al trabajo con tres mquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por operario para las tres mquinas. Indicar que operario debe trabajar en que mquina y cul de ellos no ser asignado a ninguna.
85
Mquina 1 Mquina 2 Mquina 3 Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7
Como
la
matriz
no
est
balanceada,
es
necesario
incluir
una
mquina
ficticia:
Mquina 1 Mquina 2 Mquina 3 Mquina Ficticia Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7 0 0 0 0
Xij = Se debe asignar el operario i a la mquina j? S o no? En matemticas existen dos nmeros cuyas propiedades hacen que puedan representar estas respuestas son el 1 y el 0, debido a que todo nmero multiplicado por 1 da el mismo nmero entonces el 1 se puede reemplazar por la respuesta S y como todo nmero multiplicado por cero da cero entonces se puede reemplazar por la respuesta No. As por ejemplo: 10X11 + 7X12 + 9X13 + 0X14 representa el tiempo sumado que empleara el operario1 en operar las mquinas, pero solo una variable de las tres anteriores puede tomar el valor de S, o sea de 1 las dems tendrn que tomar el valor de 0, y eso es debido a que el operario 1 slo puede ser asignado a una mquina, lo que significara que el tiempo que utilice el operario 1 puede ser ya sea de "10" de "7" o de "9". Con base en esto podemos formular la funcin objetivo:
86
Min Z = 10X11 + 7X12 + 9X13 7X21 + 5X22 + 8X23 9X31 + 8X32 + 10X33 8X41 + 9X42 + 7X43
Restricciones: Como cada operario slo puede estar asignado a una mquina.... X11 + X12 + X13 + X14 = 1 X21 + X22 + X23 + X24 = 1 X31 + X32 + X33 + X34 = 1 X41 + X42 + X43 + X44 = 1 Y como cada mquina solo puede tener un operario asignado... X11 + X21 + X31 + X41 = 1 X12 + X22 + X32 + X42 = 1 X13 + X23 + X33 + X43 = 1 X14 + X24 + X34 + X44 = 1 Xij = 1 o 0 para toda i,j. Al resolver la respuesta que se obtiene es la siguiente: Mquina 1 Mquina 2 Mquina 3 Mquina Fic. Operario 1 0 Operario 2 0 Operario 3 1 Operario 4 0 0 1 0 0 0 0 0 1 1 0 0 0
Esto significa que el Operario 1 queda asignado a la Mquina Ficticia (es decir, es el que sobra), el operario 2 se asigna a la mquina 2, el operario 3 se asigna a la mquina 1 y el operario 4 se asigna a la mquina 3.
87
Investigacin de operaciones I 3.2.1 TEOREMA FUNDAMENTAL DE LA ASIGNACIN Si a todos los elementos de una fila o de una columna de una matriz de rendimientos se le suma o se le resta una cantidad constante la asignacin ptima no vara. El algoritmo Hngaro est destinado para minimizar si tenemos que maximizar tendremos previamente que darle la vuelta a la matriz restndole el mayor elemento de toda la matriz a cada uno de los elementos de la misma de manera que el elemento que era ms pequeo pasara a ser el ms grande y a la inversa. El algoritmo Hngaro se debe a D. Knig y E. E Egervry. Cuando hay que pasar de maximizar a minimizar en lugar de operar con el mayor de toda la matriz tomar el mayor de cada fila o columna e ir restndole todos los elementos de esa fila o columna con lo cual se obtiene por lo menos un cero como mnimo en cada fila o columna. Si en alguna columna no hubiera ceros le quitamos el mayor a la columna. 3.2.1.1 EL MTODO HNGARO Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el empleado para resolver el problema del transporte por el alto grado de degeneracin que pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo Hngaro son: Paso 1: Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el costo mnimo de su columna. Paso 2: (En algunos pocos textos este paso se atribuye a Flood). Consiste en trazar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los ceros, se debe continuar con el paso 3. El nmero de lneas para cubrir los ceros es igual a la cantidad de asignaciones que hasta ese momento se pueden realizar. Paso 3: Encontrar el menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a
88
Investigacin de operaciones I cada elemento de la matriz de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2. Notas: Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y resolver el problema como uno de minimizacin. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo Hngaro. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas. Mediante el siguiente ejemplo vamos a ilustrar la manera de aplicar el mtodo Hngaro a la solucin de un problema de asignacin de minimizacin: Una factora tiene cuatro operarios, los cuales deben ser asignados al manejo de cuatro mquinas; las horas requeridas para cada trabajador en cada mquina se dan en la tabla adjunta; el tiempo a laborar por cada operario en cada una de las mquinas se pretende que sea mnimo, para lo cual se busca la asignacin ptima posible.
OPERARIOS
MAQUINAS 1 2 14 13 12 13 3 16 15 12 18 4 13 12 11 16
Antonio Bernardo Carlos Diego
10 12 9 14
89
Investigacin de operaciones I Planteamiento del Modelo Primal: MIN W = 10 X11+ 14 X12+ 16 X13+ 13 X14+ 12 X21+ 13 X22+ 15 X23+ 12 X24+ + 9 X31+ 12 X32+ 12 X33+ 11 X34+ 14 X41+ 16 X42+ 18 X43+ 16 X44 sujeto a las siguientes restricciones:
Aplicando el mtodo Hngaro tenemos: 1 A B C D 10 12 9 14 2 14 13 12 16 3 16 15 12 18 4 13 12 11 16
Restamos 10, 12, 9 y 14 (costos mnimos de cada fila) de cada elemento en cada una de las filas correspondientes:
1 A B C D 0 0 0 0
2 3 1 3 2
3 6 3 3 4
4 3 0 2 2
90
Investigacin de operaciones I En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran todos los ceros (Mtodo de Flood):
1 A B C D 0 0 0 0
2 3 0 2 1
3 3 0 0 1
4 3 0 2 2
En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran todos los ceros (Mtodo de Flood):
1 A B C D 0 1 0 0
2 2 0 1 0
3 3 1 0 1
4 2 0 1 1
Solucin Optima Unica:A-1, B-4, C-3 y D-2.Lo anterior quiere decir que Antonio va a laborar en la mquina 1 (10 horas), Bernardo en la mquina 4 (12 horas), Carlos va a trabajar en la mquina 3 (12 horas) y Diego en la mquina 2 (16 horas). La combinacin ptima de los recursos para este problema de minimizacin de asignacin es de 50 horas, resultantes de adicionar las asignadas a cada uno de los operarios en cada una de las mquinas. Dicho valor corresponde al valor ptimo de la funcin objetivo.
91

Investigacion de Operaciones I - Material de Autoaprendizaje

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion de Operaciones I - Material de Autoaprendizaje

Cargado por

Copyright:

Formatos disponibles

ASIGNATURA

CAPITULO 1 FUNDAMENTOS DE LA INVESTIGACIN DE OPERACIONES

1.1 LOS MODELOS

1.1.1 CLASIFICACIN DE MODELOS

1.2 RESEA HISTRICA DE LA INVESTIGACIN DE OPERACIONES

CAPITULO 2 PROGRAMACIN LINEAL

4 x + 3 y = 44 El punto M, interseccin de es decir, M (8, 4 ), es el que proporciona 2 x + 3 y = 28

el mximo, que vale: z = 8 + 4 = 12

Investigacin de operaciones I CASO 3.

Las restricciones son:

x + 5 y = 15 El mnimo se alcanza en el punto de interseccin de ; es decir, en (2,5; 2,5). 5 x + y = 15

Las restricciones son:

x + y 210 000 x 130 000 y 6 000 x 2y x 0 y 0

1 (10 x + 8y ) = 2 (5 x + 4y ) = 1 (5 x + 4y ). 100 100 50

1 (5 130 000 + 4 80 000 ) = 19 400 euros . 50

a) Representa el recinto que cumple estas restricciones:

b) Por ejemplo: (1, 1), (2, 2) y (2, 0).

Investigacin de operaciones I 2.5.1.3 EJERCICIOS PROPUESTOS

b) Dibuja el recinto definido por:

2.5.1.4 SITUACIONES ESPECIALES a) Modelos con soluciones ptimas alternas o mltiples.

Max 6X1+ 2X2 (Beneficio) Sujetos a: 3 X1 + X2 4 8 horas de trabajo

120 unidades de materia Prima 36 horas de supervisin. 0

Investigacin de operaciones I b) Modelos sin solucin posible.

d) modelos con espacio de solucin no acotado y solucin de valor finito.

0.06 X1+ 0.05 X2

e) Modelos con solucin degenerada

Min 2500 X + 2200 Y ( costos) Sujeto a: X+ Y

10 Empleados temporales 680 paquetes 0

Investigacin de operaciones I Respuestas:

Investigacin de operaciones I 2.5.2 SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL: MTODO SIMPLEX

Variables de holgura. El mtodo simplex empieza con el planteamiento de una funcin

Elementos de la tabla simplex.

C Variables de la solucin 0 0 S1 S2 Z C-Z

Valores de solucin (LD) 12 16 0 0

Por lo tanto el rengln 1 es el rengln pivote.

2.6 DUALIDAD Y ANLISIS DE SENSIBILIDAD

X5 2/3 1/15 -1/6

X7 5/6 -1/6 -5/6 1/3

Sol. 3,333.33 400/3 500/3 400/3

29/15 19/10 -1/30

Cambios en los coeficientes de la funcin objetivo.

S1 2/3 1/15 -1/6 -1/30

S3 5/6 -1/6 -5/6 1/3

Sol. 3,333.33 400/3 500/3 400/3 ----------4000/57

-13/15 -12/15 29/15 19/10

2.6.2 TEORA DE DUALIDAD

Sea el problema P : minimizar

sujeto a El problema dual se formula entonces como D:

sujeto a su problema dual se define como D:

Minimizacion 0 Variables Restricciones

Maximizaci on 0 0 restricciones variables

Investigacin de operaciones I 2. 6.2.5 Interpretacin econmica del problema dual

CAPITULO 3 APLICACIONES ESPECIALES DE PROGRAMACIN LINEAL

Costo por unidad distribuida Destino

... ... ...

3.1.1.1 PARA EL CASO DE SOBREPRODUCCIN (

3.1.1.2. PARA EL CASO DE SOBREDEMANDA (

Investigacin de operaciones I Recursos

Investigacin de operaciones I Recursos DIF. 1 0 1 10 Demanda DIF. 3 1 4 1 2 0 3

Mquina 1 Mquina 2 Mquina 3 Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7

Mquina 1 Mquina 2 Mquina 3 Mquina Ficticia Operario 1 Operario 2 Operario 3 Operario 4 10 7 9 8 7 5 8 9 9 8 10 7 0 0 0 0

Antonio Bernardo Carlos Diego

Aplicando el mtodo Hngaro tenemos: 1 A B C D 10 12 9 14 2 14 13 12 16 3 16 15 12 18 4 13 12 11 16

También podría gustarte