Está en la página 1de 38

Estads7ca

Tema 8. Programacin lineal y mtodos de op7mizacin

Mara Dolores Fras Domnguez


Jess Fernndez Fernndez
Carmen Mara Sordo
Departamento de Matem.ca Aplicada y
Ciencias de la Computacin
Este tema se publica bajo Licencia:
Crea.ve Commons BY-NC-SA 3.0
Esta unidad est basada en material elaborado por
ngel Cobo Ortega, Universidad de Cantabria

TEMA8:Programacinlinealymtodosde
optimizacin
Introduccinalaoptimizacin
Problemasdeoptimizacin
Elvectorgradiente.Anlisisgeomtrico.
Programacinlineal

Caractersticas

Resolucingeomtrica

Resolucinmediantesoftwareespecializado:LINGO
Estematerialestbasadoenmaterialelaborado
porngelCoboOrtega,UniversidaddeCantabria
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Objetivosdeltema

Reconocerlaimportanciadelaoptimizacinenlos
distintoscamposdelaingeniera.
Identificar las componentes principales de un
problemadeoptimizacin.
Analizar el caso particular de la programacin
lineal.
Saber utilizar software de apoyo a la toma de
decisiones.

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Optimizacinenlaingeniera
Ingeniera:

Crear sistemas de ingeniera competitivos no slo en


trminos de funcionamiento sino tambin en trminos de
productividad,servicio,ciclodevida,...

Necesidades:

Uso de metodologas de diseo rigurosas y de carcter


cuantitativo que puedan complementar a la intuicin y la
facetacreativanocuantitativadelprocesodediseo.

OPTIMIZACIN:Bsquedadelamejorsolucin
aunproblemadado.

Minimizacinymaximizacin
Ejemplos:Problemasdelocalizacin,asignacin,confeccin
decalendarios,rutasdevehculos,
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Metodologa
Desarrollodeun
modelomatemtico

Definicindel
problema
Validacinde
lasolucin

Resolucindel
modelomatemtico

Implementacin:
Tomadedecisiones

Algoritmosexactos:producenlasolucinexactadelproblema
Algoritmos aproximados: producen la solucin aproximadad del
problemamediantealgnprocesoiterativo.
Heursticas:obtienenbuenassolucionesentiemposrazonables.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Problemasdeoptimizacin
Programas
matemticos
Minimizarcostes,tiempo
deproduccin,riesgodela
inversin,plazode
entrega,...

Maximizarlosbeneficios,nivel
deventas,satisfaccindel
cliente,resistenciadelos
materiales,...

Ambosproblemassonenelfondoequivalentes:Maxf(x)=Min(f(x))
v a lo r
m x im o

f(x )
p u n to
m x im o

p u n to
m n im o

D
v a lo r
m n im o

-f(x )

Elpuntoenelque
unafuncinalcanza
sumximoesel
mismoenelquesu
funcinopuesta
alcanzaelmnimo,
siendolosvalores
ptimosrespectivos
opuestos.

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Elementosdetodoproblemaoptimizacin
La programacin matemtica consiste por tanto en el clculo de
mximos y mnimos de funciones de varias variables sometidas a un
conjuntoderestricciones.

Variablesdedecisinx=(x1,x2,...,xn)

Variablesreales,enteras,binariasobooleanas

Funcinobjetivof(x)=f(x1,x2,...,xn)
Regin factible o espacio de soluciones factibles
delimitadoporlasrestricciones:DconjuntoenR n
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Restricciones

Lasrestriccionesdelimitanlareginfactible.

Escasezderecursos,limitacionestecnolgicas,restriccionesde
diseo

Tiposderestricciones

Problemasnorestringidos

Restriccionesdeigualdad

h(x)=0

Lagrange

Optimizacin
clsica

Restriccionesdedesigualdad

g(x)0

aixibi

KarushKuhnTucker

Programacin
matemtica

Programacinlineal
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Restricciones
Ejemplo

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Restricciones
Ejemplo

pi:nmerodebarriles
producidosenelprocesoi

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Tcnicasclsicasdeoptimizacin
Anlisisdecondicionesdeoptimalidad:

Condiciones necesarias: Permiten seleccionar los posibles


mximos y mnimos, (pueden existir puntos que las verifican sin ser
mximosomnimos).

Condiciones suficientes: Permiten asegurar con total certeza


quesehaencontradounextremo.

La mayora de las tcnicas estn basadas en el


clculodiferencial:

Noaplicablesamuchostiposdeproblemas
Dificultad de obtencin de soluciones exactas en
muchoscasosMtodosnumricos
Problemticadelosptimoslocales
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Elproblemadelosptimoslocales
valor
mnimo
local

f(x0)
valor
mnimo
global

x0

mnimo global
estricto

x0

mnimo local
estricto

x0

mnimo local no
estricto

Espreferibleunptimoglobalaunolocal,perodesgraciadamente,
lamayoradelastcnicasdeoptimizacinlocalizanptimoslocales
ytienendificultadesparareconocerlaglobalidad.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Cond.deoptimalidadconf.diferenciables
Condicionesnecesarias:

Problemassinrestricciones:

Todoptimotieneasociadounvectorgradientenulo

Problemasrestringidos:

Condicionessuficientes:

Clasificacindematrizhessianas
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo

Candidato
aptimo
Lamatrizhessianaesdef.pos.,
porloqueelpuntoesun
mnimo.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo
Matlabtip
f=inline('2*x.^2+y.^2+2*x.*y+xy+2')
dens=50;
x=y=linspace(5,5,dens);
[xx,yy]=meshgrid(x,y);
zz=f(xx,yy);
surf(xx,yy,zz,'EdgeColor','none');
xlabel('x');ylabel('y')
holdon
contour3(xx,yy,zz,'w')
scatter3(1,3/2,f(1,3/2),'w')

Candidato
aptimo
Lamatrizhessianaesdef.pos.,
porloqueelpuntoesun
mnimo.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo
Siaadimos
una
restriccin

Candidato
aptimo

Lamatrizhessianaesdefinidapositivaparatodo(x,y)y,porlo
queelpuntoesunmnimo.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Anlisisgeomtrico
En casos muy sencillos y de pocas dimensiones
(1 2), se puede resolver el problema de
optimizacindeformagrfica.

Representandolareginfactible
Representando las curvas de nivel y el vector
gradiente.
Localizandoelptimodentro(oenlosbordes)dela
reginfactible.

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Elpapeldelvectorgradiente

Los vectores gradientes son ortogonales


con las curvas de nivel (curvas f(x,y)=cte,
quepermitenrepresentarfuncionesdedos
variablesenelplano).
Siempre sealan sobre el dominio la
direccin de ms rpido crecimiento de la
funcin.
"Huyen" de los mnimos y se sienten
"atrados"porlosmximos.

0.5

-0.5

-1
-1

-0.5

MaraDoloresFras,JessFernndezyCarmenMaraSordo

0.5

Elpapeldelvectorgradiente
Ejemplo

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejercicio

Contenidos
Introduccinalaoptimizacin
Problemasdeoptimizacin
Elvectorgradiente.Anlisisgeomtrico.
Programacinlineal

Caractersticas

Resolucingeomtrica

Resolucinmediantesoftwareespecializado:LINGO

MaraDoloresFras,JessFernndezyCarmenMaraSordo

ProgramacinLineal
La programacin lineal es instrumento habitual en
empresas.
UnadelasramasdelaOptimizacinmsdesarrollada
yconmayornmerodeaplicacionesprcticas
Orgenesdelaprogramacinlineal:

Economistas de la URSS: modelos lineales para


aumentar la eficiencia en la organizacin y
planificacindelaproduccin
Segunda Guerra Mundial: Proyecto SCOOP
(ScientificComputationofOptimalPrograms)
Dantzig:mtodoSimplex
http://www.ormstoday.org/orms1207/history.html
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Programaslineales
Funcin objetivo

Restricciones
lineales

Caractersticas:

Todoptimoesglobal.

Lascondicionesnecesariasdeprimerordensonsuficientes.

Si hay dos soluciones distintas, tambin lo es cualquier


combinacinlinealconvexa.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Programaslineales
Funcin objetivo

Restricciones
lineales

Ventajas:

Fcilesdedefiniryformular.
Se trabaja de forma eficiente con un nmero elevado de variables
dedecisin.
Se adaptan mejor al tratamiento algortmico con computadores
(rpidezdeclculo).
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Anlisisgeomtrico
100

80

60

40

El espacio D de soluciones
factibles es un poltopo con
un nmero finito de
vrtices.
Es recomendable que sea
acotado para garantizar la
existencia de un ptimo.

20

D
20

40

60

80

100

En programacin lineal habitualmente no


se consideran restricciones estrictas

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Casoa=20,b=60
100

80

60

40

Elgradientemarcaladireccin
de crecimiento, y por tanto de 20
bsquedadelmximo

D
20

40

60

80

100

ElmximosealcanzaenelvrticeA=(0,80)
Valormximodelafuncinf(0,80)=4800
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Casoa=30,b=60
100

80

60

40

20

D
20

40

60

80

100

El mximo se alcanza en los vrtices A=(0,80) y B=(40,60) y en todos los


puntosqueestnentodoelladoquedeterminan.
Elvalordelafuncinentodoselloses4800
Elproblematieneportantoinfinitassoluciones
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Casoa=50,b=60
100

80

60

40

20

D
20

40

60

80

100

ElmximosealcanzaenelvrticeB=(40,60)
Valormximodelafuncinf(40,60)=5600
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Anlisisgeomtrico
Deduccin de propiedades:

Todo ptimo es global y siempre se alcanza en la frontera de D


(alguna restriccin se satura).
Si existe ptimo, ste se alcanza, al menos, en un vrtice de D.
Si varios puntos son ptimos, tambin lo es cualquier
combinacin lineal convexa.

Resolucin:

Localizar los vrtices de D.

Calcular la funcin objetivo sobre todos los vrtices

Elegir aqul sobre el que la funcin alcance el menor o el mayor


valor.
Noaconsejableparaproblemasdegrandesdimensiones.
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejercicio

MtodoSimplex
Formulacinestndardeprogramaslineales:

Objetivo: encontrar el vrtice ptimo sin


tener que calcularlos todos.

Vrtice

Separtedeunvrticeinicial.
inicial
Sinoesptimo,encontrarunvrtice
adyacentequedisminuyaelvalordelafuncin
objetivooque,porlomenos,noaumente.
Repetirelprocesohastaencontrarunvrtice
quenopuedasermejorado.

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Vrtice
ptimo

Elproblemadeltransporte
Unaempresadisponedemfbricasparaproducirunnicoproducto
quehadedistribuirseanmercadosdiferentes,siendoCijelcoste,por
unidaddeproducto,desdelafbricaFialmercadoMj
Fbricas
F1

Mercados
C11

M1

F2

M2

Fm

Mn

Cmn

Objetivosdelaempresa:
1.Disearpolticadesuministrosqueminimicecostesdetransporte(c ij).
2.Nosobrepasarloslmitesdeproduccindecadaunadesusfbricas(pi).
3.Atenderlademandadecadaunodelosmercados(d j).
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Elproblemadeltransporte
Unaempresadisponedemfbricasparaproducirunnicoproducto
quehadedistribuirseanmercadosdiferentes,siendoCijelcoste,por
unidaddeproducto,desdelafbricaFialmercadoMj.
Fbricas
F1

Mercados
C11

M1

F2

M2

Fm

Mn

Cmn

Variablesdedecisin:unidadestransportadasdesdecadafbricaacadamercado(xij)
Funcinobjetivo:minimizarelcostetotaldeltransporte
Restricciones:Atenderlademandadecadamercado(dj)
Nosobrepasarlascapacidadesdeproduccindecadafbrica(pi)
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Elproblemadeltransporte
Ejemplo
Una empresa multinacional dedicada a la fabricacin de electrodomsticos
recibeunpedidode8.000hornosy12.000cocinas.
Para hacer frente al pedido en un plazo de un mes debe producir los
electrodomsticosencuatrofbricasdiferentes.
El objetivo que se plantea la empresa es la planificacin ptima de la
produccindelpedido.
Fbrica 1

Fbrica 2

Fbrica 3

Fbrica 4

Capacidad de produccin
mensual de hornos

5000

7000

3000

Capacidad de produccin
mensual de cocinas

4000

6000

8000

Coste de produccin por unidad


de horno

25

30

20

Coste de produccin por unidad


de cocina

20

20

25

Coste por unidad de


electrodomstico del envo
hasta el destino

10

13

12

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo

VARIABLESDEDECISIN(xij):

Planteamientodel
problema

X2H=hornosproducidosenlaFbrica2
X2C=cocinasproducidasenlaFbrica2
X3H=hornosproducidosenlaFbrica3
X4H=hornosproducidosenlaFbrica4
X4C=cocinasproducidasenlaFbrica4

FUNCINOBJETIVO(COSTESTOTALES):

Prod=20X1C+25X2H+20X2C+30X3H+20X4H+25X4C
Trans=10X1C+13(X2H+X2C)+12X3H+9(X4H+X4C)
COSTETOTAL=30X1C+38X2H+33X2C+42X3H+29X4H+34X4C
LIMITACIONESORESTRICCIONES:

Capacidadesdeproduccinencadafbrica:
X1C<=4000; X2H<=5000; X2C<=6000
X3H<=7000; X4H<=3000; X4C<=8000
Necesidaddesatisfacerelpedido:
X2H+X3H+X4H>=8000;
X1C+X2C+X4C>=12000
Nonegatividaddelasvariables:
X2H,X3H,X4H,X1C,X2C,X4C>=0
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Resolucindeprogramas
linealesconsoftwarede
investigacinoperativa
UsodelprogramaLingo
http://www.lindo.com

MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo
Resolucindelproblemaanteriorconunsoftwarede
Investigacinoperativa:Lingo
(http://www.lindo.com)

Lingo es un software especfico para


resolver problemas de optimizacin,
tanto lineales como no lineales
MaraDoloresFras,JessFernndezyCarmenMaraSordo

Ejemplo
Solucin:
Optimal solution found at step:
Objective value:
Variable
X1C
X2H
X2C
Valores
de las
X3H
variables
X4H
de
X4C

Value
4000.000
5000.000
6000.000
0.00000E+00
3000.000
2000.000

Row
1
R1
R2
R3
R4
R5
R6
PEDIDO_HORNOS
PEDIDO_COCINAS

Slack or Surplus
663000.0
0.0000000E+00
0.0000000E+00
0.0000000E+00
7000.000
0.0000000E+00
6000.000
0.0000000E+00
0.0000000E+00

decisin

2
663000.0
Reduced Cost
0.0000000E+00
0.0000000E+00
0.0000000E+00
4.000000
0.0000000E+00
0.0000000E+00
Dual Price
1.000000
4.000000
0.0000000E+00
1.000000
0.0000000E+00
9.000000
0.0000000E+00
-38.00000
-34.00000

Valor ptimo

Costes reducidos:
indican la
modificacin a
aplicar a los
coeficientes de la
funcin objetivo
para que la variable
pase a ser no nula

Precios duales:
miden la
sensibilidad del
valor ptimo ante
cambios en los
trminos de la
derecha de las
restricciones

Holguras en las
restricciones
MaraDoloresFras,JessFernndezyCarmenMaraSordo