Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cuaderno Color
Cuaderno Color
n Introduccin a la Optimizacin
1.- Conceptos bsicos de optimizacin
2.- Resolucin grfica de problemas de optimizacin
3.- Transformacin de problemas
o Programacin No Lineal
1.- Resolucin del problema de programacin no lineal en formato
estndar
q El Mtodo Simplex
1.- El algoritmo del Simplex
Pg 6 a 21
Prctica 1: Planteamiento de un problema de optimizacin.
Prctica 2: Resolucin grfica de problemas de optimizacin
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Pg 22 a 43
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Test 1: Introduccin a la optimizacin y programacin no lineal
Pg 44 a 55
Prctica 1: Clases de problemas lineales
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Pg 56 a 73
Prctica 1: La tabla del Simples
Prctica 2:Resolucin con el algoritmo del Simplex de problemas
lineales
Prctica de Ordenador: Identificacin en GAMS de la tabla del
Simplex
Prctica 3: El mtodo de las Penalizaciones
Prctica 4: Resolucin de problemas lineales mixtos
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Material Complementario
A1.- Revisin de algunos elementos de lgebra lineal
A2.- Resumen de la sintaxis del GAMS
A3.- Modelo de resolucin de programacin no lineal
A4.- Respuestas del Test 1
A5.- Modelo de resolucin de programacin lineal y lineal entera
Bibliografa
TEMAS 1 y 3
TEMAS 1 a 7
TEMA 2
TEMAS 1 y 2
TEMAS 3 a 6 y 7
Pg 74 a 87
Prctica 1: Construccin del problema dual
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Pg 88 a 105
Prctica 1: Anlisis de sensibilidad
Prctica 2: Anlisis de post-optimizacin
Prctica de Ordenador 1: Anlisis de dualidad, sensibilidad y postoptimizacin
Prctica de Ordenador 2: Resolucin completa con ordenador de
un PL
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Test 2: Programacin lineal
Pg 106 a 123
Aplicaciones econmicas y empresariales: PLE
Prctica: Tipos de problemas lineales enteros
Prctica de Ordenador 1: Resolucin con GAMS de problemas
enteros
Prctica de Ordenador 2: Resolucin completa con ordenador de
un PLE
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Test 3: Programacin lineal entera
Pg 124 a 171
A6.- Respuestas del Test 2
A7.- Modelo de resolucin de programacin lineal entera
A8.- Respuestas del Test 3
A9:- Exmenes oficiales de la asignatura Programacin
Matemtica celebrados en la Universidad de Valencia durante el
curso 2003-04
TEMAS 3 a 6
TEMA 7
TEMA 7
TEMAS 1 a 7
Pg 172
Introduccin a la Optimizacin
1.- Conceptos bsicos de optimizacin
2.- Resolucin grfica de problemas de optimizacin
3.- Transformacin de problemas
4.- Resolucin con ordenador de problemas de optimizacin
5.- Teoremas bsicos de la programacin matemtica
Guerrero (1994) Cap. 3, 4 y 5, y Mochol y Sala (1999) Cap. 3
Tema 1
2) PRACTICA
Cada trofeo requiere una serie de materiales para su fabricacin: madera para la base,
acero para la estructura y oro para los dorados y embellecedores. Adems, se conocen las horas
de mano de obra que necesita cada trofeo. Los datos aparecen en la siguiente tabla:
Madera
Acero
Oro
Mano de obra
(en kilos)
(en kilos)
(en kilos)
(en horas)
Ftbol
0.4
0.6
0.2
2.2
Basket
0.5
0.3
0.1
1.7
Carrera
0.6
0.3
0.1
1.2
Tenis
0.4
0.45
0.15
1.3
g m (x1 , x 2 ,..., x n ) b m
donde f: Rn R es la funcin objetivo, gj:Rn R (j=1,...,m) son las funciones que definen las m
restricciones del problema, y bj (j=1,...,m) son los trminos independientes de las m restricciones.
Su resolucin consistir en averiguar el valor que han de tomar las variables principales del
problema para que, cumplindose las restricciones del problema, el valor de la funcin objetivo sea
mximo (en un problema de maximizacin) o mnimo (en un problema de minimizacin). En
relacin al concepto de solucin podemos establecer las siguientes definiciones:
Una solucin de un problema de programacin es cualquier valor de sus variables principales
x=(x1,x2,...,xn) para el que estn definidas todas las funciones.
Una solucin factible de un problema es una solucin que satisface todas las restricciones del
problema, esto es, que pertenece al conjunto factible o de oportunidades S del mismo. Si no
pertenece se dice que es infactible.
Tema 1
Una solucin factible de un problema es solucin interior cuando se cumplen todas las
restricciones con desigualdad, esto es, ninguna restriccin es activa o saturada en esa solucin.
Y es solucin frontera cuando alguna restriccin es activa en dicha solucin.
Una solucin ptima del problema, cuando existe, es la mejor solucin factible del problema,
esto es, un mximo cuando consideramos un problema de maximizar o un mnimo cuando
consideramos un problema de minimizar. Dada la funcin objetivo f:Rn R y el conjunto de
oportunidades S, podemos distinguir los siguientes tipos de mximo (invirtiendo las relaciones
tienes las definiciones correspondientes de mnimo):
x* es mximo local en S si existe >0 tal que f ( x*) f ( x), para x S : x - x * <
__________________________________
__________________________________
__________________________________
____________________________
____________________________
____________________________
Problemas de programacin no lineal: Son problemas en los que las variables de decisin
son continuas y la funcin objetivo y las restricciones son funciones de clase C2 (existen
todas las derivadas parciales de segundo orden y son continuas) en Rn.
Problemas de programacin clsica: Son problemas en los que las variables de decisin son
continuas, la funcin objetivo es de clase C2 en Rn y se cumple una de las siguientes
Tema 1
situaciones: no hay restricciones o stas son de igualdad y definidas por funciones de clase
C2 en Rn.
Problemas de programacin lineal: Son problemas en las que las variables de decisin son
continuas y la funcin objetivo y las restricciones son funciones lineales.
Problemas de programacin lineal entera: Son problemas en las que algunas de las
variables de decisin son enteras y la funcin objetivo y las restricciones son funciones
lineales.
En muchos problemas necesitaremos representar las curvas de nivel y/o conjuntos de nivel superior
e inferior de la funcin f(x,y)=(x-a)2+(y-b)2, con a y b dos parmetros dados. La figura adjunta te
muestra todas estas grficas para a=b=0 (para otros valores de a y b se reproducen figuras anlogas
centradas en (a,b).)
Tema 1
PRCTICA 2: Resolucin grfica de problemas de optimizacin
Podemos resolver grficamente, representndolos en R2, problemas de optimizacin con una o dos
variables principales. Los pasos a seguir son los siguientes:
i)
ii)
Representacin de varias curvas de nivel de la funcin objetivo. Intenta que alguna pase por
el conjunto de oportunidades S para obtener una curva de nivel vlida para alguna solucin
factible.
iii)
y-x 2
x+y4
y 1, x 0
(E)
Max x 2 + y 2
s.a
x+y4
x 0, y 0
10
(B)
Min x - y
s.a
y-x 2
(C)
Max x - y
s.a
x+y4
y 1, x 0
(F)
Min x 2 + y 2
s.a
x+y4
x 1, y 1
y-x 2
(D)
Min y
s.a
y 1, x 0
(G)
Min x 2 + y 2
s.a
x-y0
x 0, y 1
y-x 2
y 1, x 0
(H)
Min x 2 + y 2
s.a
y - x2 1
Tema 1
1) Resuelve grficamente y clasifica segn solucin y estructura los problemas (A) y (B).
_______________________________
_______________________________
_______________________________
3) PRACTICA AHORA T: Resuelve grficamente y clasifica por los dos criterios los problemas (C)
a (H).
Modelo B
Max f(x1, x 2 ,..., x n ) + k
ax1 + bx 2 k
ax1 + bx 2 k
11
Tema 1
2) Empareja, justificando tu respuesta, los siguientes problemas de programacin matemtica con
los problemas (A) a (H) de la PRCTICA 2. Cules se quedan sin pareja?
(1) ( )
Max x - y + 10
s.a x - y 2
y 1, x 0
(5) ( )
Max - x + y
s.a y - x + s1 = 2
(2) ( )
Min - x 2 y 2
s.a x + y + s = 4
x 0, y 0
s0
x + y + s2 = 4
x + y + s2 = 4
y s3 = 1
y - s 3 = 1,
x, y, s1 , s 2 , s3 0
Max x 2 y 2
s.a y + - y x 2 1
s.a
(7) ( )
x, y, s 1 , s 2 , s 3 0
Min (x b ) 2 + ( y b ) 2
x b + y b 4
s.a
x 1, y 1
b
(x = x, y b = y)
b
x y s = 0
x 0, y 1
s0
y ,y 0
(6) ( )
Max x - y
s.a y - x + s 1 = 2
(4) ( )
(3) ( )
Min x 2 + y 2
(8) ( )
Min - y
s.a
y-x 2
y 1
x 0, y 0
12
Tema 1
Bloque de variables. Dentro de este bloque se han de declarar las variables que se van a usar en el
modelo: variables principales y una ms para nombrar a la funcin objetivo. La primera lnea
comienza con el ttulo VARIABLES seguido por los nombres de todas las variables separadas por
comas (y con un punto y coma al final). Las lneas siguientes son optativas y sirven para indicar: de
qu clase son, cotas sobre las variables, y valor inicial de las variables.
Bloque de ecuaciones. Dentro de este bloque se declaran y definen todas las ecuaciones que se van
a usar en el modelo: una para cada restriccin y una ms para la funcin objetivo. La primera lnea
comienza con el ttulo EQUATIONS seguido por los nombres de todas las ecuaciones separados
por comas. La segunda lnea y siguientes se usan para definir cada ecuacin (restriccin o funcin
objetivo) con la siguiente sintaxis:
nombre ecuacin.. parte_a signo parte_b;
Toda ecuacin tiene dos partes en las que aparecen operaciones sobre las variables declaradas
(parte_a, parte_b) separadas por un signo de igualdad o desigualdad. Las operaciones suma, resta,
multiplicacin (ausencia de smbolo produce error) y divisin se representan por +, , * y /
respectivamente, y la exponenciacin se representa por POWER(x,n) si el exponente es entero o
por x**n si no lo es y x es una variable estrictamente positiva. Los signos =, , y se escriben
=E=, =L=, y =G= respectivamente.
Bloque de modelo. En este bloque se declara el nombre del problema y las ecuaciones
(restricciones y funcin objetivo) que lo componen. La sintaxis es la siguiente: el ttulo MODEL
seguido entre barras (/) por los nombres de todas las ecuaciones separadas por comas. Si el modelo
incluye a todas las ecuaciones definidas podemos sustituir la enumeracin completa de las mismas
por la palabra ALL.
Bloque de solucin. En este bloque se ha de indicar qu tipo de algoritmo se ha de usar para
resolver el modelo definido, la direccin de optimizacin, y el nombre de la variable que recoge el
valor de la funcin objetivo. La sintaxis es el ttulo SOLVE seguido por el nombre del modelo, la
palabra USING, las iniciales del tipo de algoritmo (NLP para programacin no lineal, LP para
programacin lineal y MIP para programacin lineal entera), la palabra MAXIMIZING o
MINIMIZING, y el nombre de la variable que recoge el valor de la funcin objetivo.
La siguiente diapositiva recoge las instrucciones GAMS para resolver el problema planteado en la
PRCTICA 1 y resuelto grficamente en la PRCTICA 2.
13
Tema 1
Ejecucin del programa. Resolveremos el programa ejecutando el archivo de modelo mediante el
men FILE
RUN. Entonces el GAMS generar un archivo de solucin con el mismo nombre
que el archivo de trabajo pero con la extensin .lst. De todas las paginas de la solucin, la ms
importante es la pagina titulada REPORT SOLUTION. Esta pgina contiene:
Resumen de la solucin (SOLVE SUMMARY). En esta parte se informa del comportamiento de la
solucin, del tipo de modelo usado, la direccin de la optimizacin, etc. Prestemos atencin a las
lneas inicializadas con cuatro asteriscos (****); la primera nos advierte si el programa ha
completado correctamente el proceso, la segunda de qu tipo es la solucin, y la tercera indica el
valor de la funcin objetivo en la solucin encontrada.
Solucin. Corresponde a la solucin propiamente dicha. Aparece, en primer lugar, el
comportamiento de las ecuaciones, es decir, el valor que toma cada una de las restricciones y la
funcin objetivo. Y en segundo lugar el comportamiento de las variables, es decir, el valor de cada
una de las variables en la solucin y las cotas. Para interpretar correctamente la solucin tengamos
en cuenta que:
En los datos numricos: el punto es la coma decimal, los puntos ( . ) significan cero, y la
entrada EPS una cantidad muy pequea aunque no necesariamente nula.
Las columnas LOWER y UPPER nos dan las cotas inferior y superior de las ecuaciones y
variables del problema.
La columna MARGINAL contiene los rendimientos marginales de las variables y ecuaciones
(lo que ms adelante llamaremos multiplicadores de Kuhn y Tucker) y representan lo que
variar la funcin objetivo por cada unidad que pudiramos hacer variar el trmino
independiente correspondiente.
Errores. En el caso que se produzcan errores durante la ejecucin el fichero original, el programa
los detectar y sealar proporcionando una breve indicacin acerca del tipo de error. Una vez
analizados los errores en el fichero .lst (ntese que, a veces, un primer error puede ser el causante
de los siguientes y slo se tiene que corregir el primero), hay que volver al fichero .gms,
corregirlos, y volverlo a ejecutar.
(Nota.- En Material Complementario: Anexo 2 se facilita un resumen de la sintaxis del GAMS)
M1
NLP
MINOS5
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
U
MAXIMIZE
34
1 NORMAL COMPLETION
2 LOCALLY OPTIMAL
216.0000
LOWER
.
-INF
LEVEL
.
130.000
UPPER
.
130.000
MARGINAL
1.000
3.000
---- VAR X
---- VAR Y
---- VAR U
LOWER
.
.
-INF
LEVEL
16.000
11.000
216.000
UPPER
+INF
+INF
+INF
MARGINAL
.
EPS
.
14
Tema 1
2) PRACTICA AHORA T: Resuelve con GAMS los problemas de programacin (A) a (H) de la
PRCTICA 2.
3) PRACTICA
AHORA T:
PRACTICA AHORA T.
4) PRACTICA
El curso anterior dedicamos un captulo completo a los conceptos de conjunto convexo y funciones
cncavas y convexas, revismoslo rpidamente mediante una trasparencia.
(Nota.- En Material Complementario: Anexo 1 se facilita una revisin de los conceptos de lgebra
lineal que vas a necesitar para estudiar la convexidad de una funcin y algunos conceptos que se
propondrn a lo largo del curso)
15
Tema 1
2) Estudia la convexidad de las funciones U(x,y)=(x+2)(y+1) y f(x,y)=x2+y2 representadas en
REPASO 1. Usando las grficas estudia si sus conjuntos de nivel superior e inferior son o no
convexos.
Max f(x)
s.a. xS
Si S es un conjunto convexo y f es una funcin cncava en S, todo mximo local de f es mximo global.
Si se tratara de un problema de minimizacin, habra que exigir que f fuera una funcin convexa.
Los problemas que verifican las hiptesis de este teorema son llamados problemas convexos.
Demostracin... (vase apartado APRENDE A DEMOSTRAR)
3) PRACTICA
16
AHORA T:
Tema 1
APRENDE A DEMOSTRAR: Teorema local-global
Enunciado: Sea el problema general de programacin matemtica:
Opt f(x)
s.a. xS
a) Si S es un conjunto convexo, f es una funcin cncava en S y x* un mximo local del
problema, entonces x* es mximo global del problema.
b) Si S es un conjunto convexo, f es una funcin convexa en S y x* un mnimo local del
problema, entonces x* es mnimo global del problema.
Demostracin (apartado (a)):
17
Tema 1
COLECCIN DE EJERCICIOS
1.- Utilizando una de las siguientes funciones objetivo:
f(x,y,z)= xy+2x-z
g(x,y,z)=x+2y-6z
objetivo de minimizacin,
18
objetivo de maximizacin,
Tema 1
4.- Dado el siguiente problema:
Max
s.a.
2x+3y+z
x+2y+z 30
x+y 20
x0 , y0
objetivo de minimizacin,
restricciones de igual,
2x+3y+z
x+2y+z 30
x+y 20
x0 , y0 , z Z
2x+3y
x+2y 30
x+y 20
x0 , y0
7.- Definir problema infactible y problema no acotado. Explicar las diferencias entre ambos.
19
Tema 1
COLECCIN DE PROBLEMAS DE ORDENADOR
1.- Una empresa produce dos bienes en competencia perfecta, cuyos precios son p1=42 y p2=51. Si
q1 y q2 son las cantidades producidas de dichos bienes y la funcin de costes es:
C(q 1 , q 2 ) =
1 2
q 1 - 10q 2 + 90
6
donde q1 y q2 representan las cantidades producidas de dichos bienes. Supongamos que las
funciones de demanda a las que se enfrenta la empresa son las siguientes:
q 1 = 680 5p 1 3p 2
q 2 = 430 3p 1 2p 2
donde p1 y p2 son los precios de cada uno de los bienes. Calcula los niveles de produccin que
proporcionan al empresario el mximo beneficio.
20
Tema 1
ANOTACIONES
21
Programacin No Lineal
1.- Resolucin del problema de programacin no lineal en formato
estndar
2.- Resolucin del problema de programacin no lineal en formato
no estndar
3.- Programacin clsica
4.- Interpretacin de los multiplicadores de Kuhn y Tucker
5.- Justificacin de la condicin necesaria de ptimo en programas
no lineales
Guerrero (1994) Cap. 3, 4, 5 y 6, y Mochol y Sala (1999) Cap. 4 y 5
Observaciones:
Para escribir las condiciones de punto de Kuhn y Tucker de problemas no lineales en formato
no estndar transforma primero el problema a este formato (vase TEMA1: TEORA 2).
Las condiciones de punto de Kuhn y Tucker para el problema no lineal en formato estndar con
restricciones de no negatividad se obtienen introduciendo estas como restricciones y
eliminando los multiplicadores de signo.
22
Tema 2
Consideremos los siguientes problemas de programacin no lineal (vase ejercicio 1 de la
COLECCIN DE EJERCICIOS):
a) Max x2 y2
s.a. x + y 1
b) Min x2 + y2
s.a. x + y -1
c) Max x + y
s.a. x2 + y2 1
d) Min x + y
s.a. x2 + y2 1
e) Max x
s.a. x2 + y2 1
x,y0
f) Max y
s.a. 6 - x2 - y2 0
x2 y 0
x,y0
1) Resuelve grficamente los problemas (a) y (b). (Para ayudarte te proporciono varias curvas de
nivel de la funcin z =x2+y2)
(a)
(b)
___________________________________
________________________________
___________________________________
________________________________
2) Escribe las condiciones de punto de Kuhn y Tucker para los dos problemas, estudia si los
ptimos obtenidos cumplen una cualificacin de restriccin y comprueba si son puntos de Kuhn y
Tucker.
Nota: Sigue el siguiente orden para comprobar si un punto es de K-T: factibilidad holgura punto
crtico signo.
3) PRACTICA AHORA T: Repite los apartados 1 y 2 para los problemas de PNL (c), (d) y (e).
4) PRACTICA AHORA T: Resuelve el ejercicio2 de la COLECCIN DE EJERCICIOS.
TEORA 2: Condiciones necesaria y suficiente de optimalidad de Kuhn y Tucker
Los siguientes dos extractos de los apuntes de Ivorra (2003) pg 17 y 21 recogen las condiciones
necesarias y suficiente de optimalidad para problemas no lineales.
Condiciones necesarias Kuhn y Tucker. Consideremos un problema de programacin no lineal en el que
tanto la funcin objetivo como las restricciones sean de clase C2 y que satisfaga una cualificacin de
restricciones. Entonces, para todo ptimo local x del problema existe un vector de multiplicadores tal que
(x,) es un punto de Kuhn y Tucker.
Teorema (Condicin suficiente de Kuhn y Tucker). Consideremos un problema de programacin no lineal
definido por funciones de clase C2 cuyo conjunto de oportunidades sea convexo. Sea x* un punto de Kuhn y
Tucker.
Si la funcin objetivo es convexa y el problema es de minimizar, entonces x* es un mnimo global
Si la funcin objetivo es cncava y el problema es de maximizar, entonces x* es un mximo global
23
Tema 2
Ten en cuenta que:
Si se cumple una cualificacin de restriccin para todos los puntos del conjunto de
oportunidades y todas las funciones que definen el problema son de clase C2 los puntos de
Kuhn y Tucker recogen a todos los candidatos a ptimo global aunque ste podra no existir.
No podemos afirmar que todo punto de Kuhn y Tucker de un problema es una solucin ptima.
Puede suceder que un punto de Kuhn y Tucker no sea ptimo global ni tampoco ptimo local
del problema.
No se deben confundir el teorema local-global con la condicin suficiente de Kuhn y Tucker.
Para que se cumpla la condicin suficiente de Kuhn y Tucker no se requiere una cualificacin
de restriccin.
El teorema de Weierstrass combinado con la condicin necesaria de Kuhn y Tucker
proporciona un procedimiento para obtener ptimos globales en problemas no convexos con
conjuntos de oportunidades compactos.
3) Estudia las condiciones necesaria y suficiente de optimalidad para los problemas de PNL (a) y
(b) enunciados en TEORA 1. Qu se sabe acerca de la solucin de estos dos problemas?
4) PRACTICA AHORA T: Estudia las condiciones necesaria y suficiente de optimalidad para los
problemas de PNL (c), (d) y (e) enunciados en TEORA 1. Qu se sabe acerca de la solucin de
estos problemas?
L(x,)=f(x)+[b-g(x)]
(a)
(b)
(c)
(d)
24
(=)
(i)
g
f
L
=0
=
xi
x i x i
(ii) [b g( x)] = 0
(iii) 0
(iv) g( x) b
L(x,)=f(x)+[-b+g(x)]
=f(x)[b-g(x)]
g
f
L
=0
+
=
xi
x i x i
(b) [- b + g( x)] = -[b g( x)] = 0
(c) 0
(d) g( x) b
(a)
Tema 2
1) PRACTICA AHORA T: Siguiendo el mismo procedimiento deduce las condiciones de punto de
K-T de los siguientes problemas:
1) Max f(x,y)
s.a. x, y 0
2) Min f(x,y)
s.a. g(x,y) b
3) Min f(x,y)
s.a. g(x,y) b
La tabla adjunta resume los cambios a realizar en las condiciones de punto de K-T del problema de
PNL en formato estndar para escribir las condiciones de K-T de un problema de PNL cualquiera.
g j ( x) b j
g j ( x) b j
g j ( x) = b j
Maximizar
Minimizar
Maximizar
Minimizar
j 0
j 0
L
( x, ) 0
x i
L
( x, ) 0
x i
j b j - g j ( x) = 0
j b j - g j ( x) = 0
g j ( x) b j
g j (x) b j
j 0
j 0
j b j - g j ( x) = 0
j b j - g j ( x) = 0
g j (x) b j
g j (x) b j
g j ( x) = b j
g j ( x) = b j
xi 0
xi 0
x i Libre
xi
L
(x, ) = 0
x i
xi
L
(x, ) = 0
x i
xi 0
xi 0
L
( x, ) 0
x i
L
( x, ) 0
x i
xi
L
( x, ) = 0
x i
xi
L
(x, ) = 0
x i
xi 0
xi 0
L
( x, ) = 0
x i
L
( x, ) = 0
x i
Escribe las condiciones de punto de Kuhn y Tucker del problema directamente, tratando las
condiciones sobre las variables como restricciones y estandarizando previamente el modelo.
25
Tema 2
Resuelve el siguiente problema de PNL:
Opt x 2 + y 2
s.a. x + y 5
x-y 0
x0
Caso 1 : x = 0, 1 = 0, 2 = 0
Caso 2 : x = 0, 1 = 0, - x + y = 0
Caso 3 : x = 0, 5 - x - y = 0, 2 = 0
Caso 4 : x = 0, 5 - x - y = 0, - x + y = 0
Caso 5 : 2x 1 2 = 0 , 1 = 0, 2 = 0
Caso 6 : 2x 1 2 = 0 , 1 = 0, - x + y = 0
Caso 7 : 2x 1 2 = 0 , 5 - x - y = 0, 2 = 0
Caso 8 : 2x 1 2 = 0 , 5 - x - y = 0, - x + y = 0
Caso 2: (b) se cumple y=x=0; (a) 2y+2=0 2=0;(c) y (d) se cumplen (0,0) 1=2=0 es K-T.
Caso 3: _______________________________________________________________________
______________________________________________________ (0,5) 1=10, 2=0 es K-T.
Caso 4: (b) contradiccin
Caso 5: _______________________________________________________________________
_________________________________________________________ (0,0) 1=2=0 es K-T.
Caso 6: _______________________________________________________________________
_________________________________________________________
(0,0) 1=2=0 es K-T.
Caso 7: _______________________________________________________________________
____________________________________________________
(5/2,5/2) 1=5, 2=0 es K-T.
Caso 8: _______________________________________________________________________
____________________________________________________
(5/2,5/2) 1=5, 2=0 es K-T.
Los puntos de K-T son: (0,0) con f(0,0)=0, (0,5) con f(0,5)=25, y (5/2,5/2) con f(5/2,5/2)=25/2
Razonemos:
_____________________________________________________________________________
_____________________________________________________________________________
_______________________________________
(0,5) es mximo global estricto del problema
26
Tema 2
Problema de Minimizar
Obtengamos los puntos de K-T para el problema de minimizar:
L(x, y, 1 , 2 ) = x 2 + y 2 + 1 (5 x y) + 2 ( x + y)
L
L
= 2x 1 2 0,
= 2y 1 + 2 = 0
x
y
(b) x(2x 1 2 ) = 0, 1 (5 x y) = 0, 2 ( x + y) = 0
(a)
(c) 1 , 2 0
(d) x + y 5, x y 0, x 0
Caso 1 : _________________________________
Caso 2 : _________________________________
Caso 3 : _________________________________
Caso 4 : _________________________________
Caso 5 : _________________________________
Caso 6 : _________________________________
Caso 7 : _________________________________
Caso 8 : _________________________________
El nico punto de K-T del problema es: (0,0) con multiplicadores 1=2=0.
Razonemos:
_____________________________________________________________________________
_____________________________________________________________________________
_______________________________________
27
Tema 2
Observaciones:
Los candidatos a ptimo en los programas clsicos se llaman puntos crticos y los
multiplicadores asociados son los multiplicadores de Lagrange. Observa, rescribiendo como
aprendimos en la PRCTICA 1 las condiciones de punto de Kuhn y Tucker que en los
problemas sin restricciones o con restricciones de igualdad stas se transforman en la
condicin de punto crtico ms factiblidad (vase el cuadro inferior).
Max f(x)
s.a. g(x) = b
Max f(x)
Sigo por aqu s.a. g(x) b
- g( x) - b
L(x,)=f(x)+[b-g(x)]
(=12)
(a)
(d)
(c)+(b)
(i)
g
f
L
=0
=
xi
x i x i
(ii) g( x) = b
(iii) libre
L(x,1,2)=f(x)+1[b-g(x)]+2[-b+g(x)]=
=f(x)+(12)[b-g(x)]
L
f
g
=
( 1 2 )
=0
x i x i
xi
(b) 1 (b g( x)) = 0, - 2 (b g( x)) = 0
(c) 1 0, 2 0
(d) g( x) = b
(a)
28
Tema 2
Para ello basta con aplicar las condiciones necesarias y suficiente de ptimo global que
repasbamos en TEORA 3. Ten en cuenta tambin las dos observaciones que hemos hecho sobre
resolucin de problemas clsicos convexos.
Obtengamos los puntos crticos del problema:
L ( x 1 , x 2 , x 3 , 1 , 2 ) = x 13
= 3x12 1 = 0
x 1
L
= x 2 2 = 0
x 2
L
= 1 + 2 = 0
x 3
2 x1 = 0
x2 + x3 = 0
1 2
x + x 3 + 10 + 1 ( 2 x 1 ) + 2 ( x 2 + x 3 )
2 2
______________________________________________________
Dh(x 1 , x 2 , x 3 ) =
0 1 1
S es regular
Razonemos:
____________________________________________________________________________
____________________________________________________________________________
________________________________
L(x, y, ) = x 2 + y 2 + (1 y x 2 )
L
= 2x 2x = 0
x
= 2y = 0
y
L
= 1 y x 2 = 0
______________________________________________________
h(x, y) = (2x,1)
_______________________________
29
Tema 2
Razonemos: Como la funcin objetivo y restriccin es de clase C1 (son polinmicas) y todos los
puntos de S son regulares, el ptimo del problema, si existe (esto no lo podemos asegurar porque
no se cumplen las hiptesis del teorema de Weierstrass), ser necesariamente un punto crtico del
problema restringido.
Resolvamos grficamente el problema:
___________________________________
___________________________________
___________________________________
___________________________________
Donde f, g1, g2, ..., gm son funciones C2, siendo x=(x1,...,xn) vector de variables de decisin, =(1,...,k)
vector de parmetros.
Sea ARk un conjunto abierto, y supongamos que para todo A, existe x*()=(x1*(),...,xn*())
solucin ptima del problema (I) en la que se verifican las condiciones de Kuhn-Tucker con multiplicadores
asociados *()=(1*(),...,m*()). Entonces:
(i) Se define la funcin Lagrangiana asociada al problema (I) como:
m
siendo =(1,...,m).
(ii) Se define la funcin objetivo indirecta o funcin valor como:
( ) = f(x *1 ( ),...., x *n ( ), )
Tema 2
B = p f(K, L) - rK - wL
Donde K y L son las respectivas cantidades a emplear de capital y trabajo, p es el precio unitario
al que puede vender el output, r y w son los respectivos precios unitarios a los que paga los
factores capital y trabajo. Adems, f, su funcin de produccin, es de clase C2. Escribe las
condiciones que deben cumplir las cantidades de capital y trabajo para las que se maximiza el
beneficio y demuestra (usando el teorema de la envolvente) que un aumento de p lleva a un
aumento del beneficio ptimo y que un aumento de r o de w produce una disminucin del beneficio
ptimo.
Un caso particular del teorema de la envolvente es estudiar la sensibilidad de la funcin objetivo
ante variaciones de los trminos independientes de las restricciones. Para obtener este resultado en
el PNL en formato estndar basta con definir: f(x,=b)f(x), gi(x,=b)g(x)-bi, i=1,...,m, y aplicar
el teorema de la envolvente. Este caso se conoce en programacin no lineal como interpretacin
econmica de los multiplicadores de Kuhn y Tucker y aparece resumido en el siguiente teorema.
Teorema.- Dado un problema no lineal diferenciable y acotado con x* un ptimo con
multiplicador de Kuhn-Tucker asociado =(1,...,m) se cumple para las restricciones activas que:
(b) f * (b)
=
= i
b i
b i
Esto es, el multiplicador nos da la tasa marginal de cambio del valor de la funcin objetivo ante
una variacin del correspondiente trmino independiente.
Observaciones:
La ecuacin del teorema anterior nos indica que: f * i bi .
Si la restriccin i no est saturada en el ptimo entonces la condicin de holgura
complementaria implica que i=0, esto es una pequea variacin de bi no alterara el valor
ptimo.
Si la restriccin i est saturada y i=0 no tenemos informacin sobre el comportamiento del
valor ptimo al variar bi.
2) PRACTICA
AHORA T:
ZUMO PURO
2
5
3
AGUA
1
2
2
ADITIVOS
1
2
1
31
Tema 2
Se sabe que la funcin de ingresos de la empresa es 2x2+y2+2z2 donde x, y, z son los litros de los
zumos A, B y C, y que los costes totales por litro son de 10 u.m. para el zumo A, 2 u.m. para el
zumo B y 3 u.m. para el zumo C. Tambin se conoce que por cada 10 Kg. de fruta se obtienen 7
litros de zumo puro y la empresa dispone de un stock de 20.000 Kg. de fruta en almacn. No
existen lmites para el empleo de agua y aditivos. Adems, por razones estratgicas se considera
que no es conveniente que la produccin de un tipo de zumo supere el 40% del total.
Se pide:
a) Sabiendo que el objetivo de la empresa es maximizar su funcin de beneficios averigua
cuntos litros de cada clase de zumo producir ZUMIBAN.
b) En la actualidad, hay escasez de este tipo de fruta, pero un proveedor ofrece a ZUMIBAN
100 Kg. adicionales a un precio de 200 u.m por Kg. Sabiendo que la empresa compr la
fruta a 100 u.m por Kg., razona si ZUMIBAN aceptar la propuesta.
(0,0,0)
[2]
(1,1,1)
[3]
(1000,1000,1000)
[4]
(11200,0,0)
[5]
(0,11200,0)
[6]
(0,0,11200)
[7]
(5000,0,5000)
SUMARIO SOLVER
PUNTO PTIMO
B= 510040000
x=10956.522, y=5478.26,
z=10956.522, 1=72873.732,
2=36910.106, 3= 0,
4= 36917.106
5) PRACTICA AHORA T: Repite los apartados 1 a 4 de esta seccin con los enunciados propuestos
en la COLECCIN DE PROBLEMAS DE ORDENADOR.
32
Tema 2
APLICACIONES ECONMICAS Y EMPRESARIALES: Programacin no lineal
Las tcnicas que hemos estudiado en este tema nos van a ayudar a plantear y resolver un gran
nmero de problemas de tipo econmico y/o empresarial, citemos entre ellos:
Problemas de utilidad del consumidor. Determinan la cantidad a consumir de varios bienes
para maximizar la utilidad del consumidor.
Problemas de produccin. Determinan la cantidad a producir de varios bienes para
minimizar costes o maximizar ingresos o beneficios cumpliendo restricciones sobre las
materias primas disponibles y/o mano de obra disponible.
Problemas de seleccin de carteras en un entorno media-varianza. Determinan la cantidad a
invertir en un grupo de activos financieros con el objeto de minimizar los riesgos (medidos
a travs de la varianza) para un nivel de rentabilidad esperado dado.
Lee atentamente los siguientes enunciados:
Enunciado 1: Una agencia de viajes que gestiona tres modelos de viaje por Europa : Francia,
Centro Europa e Italia se plantea determinar la cantidad ptima de viajes a ofertar este ao con el
objetivo de minimizar costes y satisfacer la demanda prevista. Si denotamos por F, CE e I al
nmero de viajes ofertados, se sabe que los costes son :
Coste fijo : 4000 euros
Coste variable por viaje Francia :
10F+CE euros
Se desea determinar la cartera ptima para la que se minimiza la varianza del rendimiento
anual y se consigue al menos un rendimiento esperado del 20%.
Enunciado 3: Una empresa utiliza una cierta materia prima para producir dos tipos de
productos. Una vez procesada, con cada unidad de materia prima se fabrican dos unidades del
producto 1 o una unidad del producto 2. Si se producen x1 unidades del producto 1, cada unidad
puede venderse a un precio de 50-x1 euros, y si se producen x2 unidades del producto 2, cada
unidad puede venderse a un precio de 30-2x2 euros. Una unidad de materia cuesta 5 euros.
Plantea el modelo matemtico que ha de resolver la empresa para maximizar sus beneficios.
Enunciado 4: La funcin de utilidad de un consumidor es:
1/2
U(x1 , x 2 ) = x1/3
1 x2
33
Tema 2
donde x1 y x2 representan las cantidades de los bienes 1 y 2 consumidos en un periodo de tiempo
dado. Sean p1 y p2 los precios unitarios de cada uno de los bienes y M la cantidad de dinero que el
individuo va a gastar en la adquisicin de ambos bienes. Se desea averiguar la cantidad a
consumir de cada uno de los bienes, en funcin de los parmetros p1, p2 y M si el objetivo es
maximizar la utilidad.
Enunciado 5: Una empresa se dedica a la fabricacin de dos modelos de tartas que vende sin
decorar. En el proceso de fabricacin se emplean: harina, leche, aceite y azcar que mezcla en las
siguientes proporciones :
Tarta 1
Tarta 2
Harina
3
4
Leche
2
3
Aceite y Azcar
1
1
3) Estudia si los ptimos obtenidos son globales e interpreta los multiplicadores de Kuhn y Tucker
obtenidos.
34
Tema 2
Comencemos por repasar la interpretacin del gradiente de una funcin (lase el cuadro adjunto):
REPASO: Dado un punto x = (x1,x2,...,xn) y f una funcin escalar diferenciable en x, sabemos que:
f(x) indica la direccin de mximo crecimiento de f
en el punto x.
f(x) indica la direccin de mnimo crecimiento de
f en el punto x.
Y las direcciones perpendiculares a f(x) (v/
f(x)v=0) son de crecimiento nulo.
Analicemos las condiciones de Kuhn y Tucker de un problema no lineal en formato estndar.
L(x,)=f(x)+ 1[b1-g1(x)]+...+ m[bmgm(x)](1)
L f
g
g
=
1 1 ... m m = 0
x i x i
x i
x i
(2) i [bi-gi(x)] = 0
(3) i 0(4) gi(x) bi
(1)
x i
x i
s.a x + y 1
x + y 1
Max f (x, y)
2
35
Tema 2
3) Razona para un punto x1 interior.
___________________________
___________________________
___________________________
___________________________
______________________________
______________________________
______________________________
______________________________
___________________________
___________________________
___________________________
___________________________
6) PRACTICA AHORA T: En un problema lineal el ptimo puede ser un punto interior? Por qu?
36
Tema 2
COLECCIN DE EJERCICIOS
1.- Para los siguientes problemas:
Resolverlos grficamente.
Estudiar si los ptimos obtenidos, cuando as sea, cumplen las condiciones de Kuhn y
Tucker.
b) Min x2 + y2
s.a. x + y -1
c) Max x + y
s.a. x2 + y2 1
d) Min x + y
s.a. x2 + y2 1
e) Max x
s.a. x2 + y2 1
x,y0
f) Max y
s.a. 6 - x2 - y2 0
x2 y 0
x,y0
x2 + y 2
x+y1
xy0
-x 0
37
Tema 2
b) Demostrar que el punto (-2,0) es un punto de Kuhn y Tucker utilizando las condiciones del
apartado a).
c) Estudia si el punto (-2,0) es un ptimo global del problema.
5.- Escribir la funcin Lagrangiana y las condiciones de Kuhn y Tucker correspondientes para los
siguientes problemas de programacin no lineal:
b) Min f(x,y)
a) Max f(x,y)
s.a. g1 (x,y) b1
s.a. g1 (x,y) b1
g2 (x,y) = b2
g2 (x,y) = b2
y0
d) Min f(x,y)
c) Max f(x,y)
s.a. g1 (x,y) b1
s.a. g1 (x,y) = b1
g2 (x,y) b2
x, y 0
x0
Qu condiciones deben cumplirse para que x* sea el nico ptimo del problema?
9.- Aplique las condiciones de Kuhn y Tucker para resolver (encontrar ptimos globales si puede
ser) los siguientes problemas de programacin clsica:
a) Min. 3x2+xy+4y2
s.a: 3x+y=6
e) Min. x2+xy+y2-6x+2
38
b) Max. 2x+y
c) Min. x2+y2
s.a: x+2y2=3
f) Max. x3-x2+xy-y2-4
s.a: y+x2=1
d) Min. x2+y2-3xy+z2
s.a: x+y+z=6
g) Max. x2-2y2+4x-6y
Tema 2
10.- Dado el problema bsico del consumidor:
Max. U(x,y)
Maximizar la utilidad
s.a: p1x+p2y M
x, y 0
Consumos no negativos
Se pide:
a) Analice el problema desde el punto de vista de la programacin no lineal: existencia de
solucin, condiciones de Kuhn y Tucker (sin resolverlas) y globalidad y unicidad de la
solucin de Kuhn y Tucker.
b) Demuestre que si el consumidor es racional, es decir, prefiere ms a menos (utilidades
marginales estrictamente positivas), los consumos ptimos llevarn a gastar totalmente la
renta.
c) Resuelva el problema si U(x,y)=10ln(x)+5ln(y), M=180, p1=5 y p2=3
Fresadora
Torno
Pulidora
Prod. 1
9
5
3
Prod. 2
3
4
0
Prod. 3
5
0
2
Los costes unitarios al producir los artculos 1, 2 y 3 son 25, 10 y 15 unidades monetarias
respectivamente y los precios de venta son 35+100x1-1/3, 15+40x2-1/4 y 20+50x3-1/2,
respectivamente, siendo xi el nmero de unidades vendidas del producto i.
a) Calcular las cantidades de los tres productos que maximizan los beneficios.
b) Apoyndose en los resultados obtenidos en el apartado anterior, determinar si es
conveniente aumentar la capacidad disponible de la pulidora.
Sugerencia: Incluir una cota inferior para cada variable de 0.0001. Volver a resolver el ejercicio sin
cotas y observar qu ocurre.
2.-Una empresa en competencia se plantea minimizar los costes de produccin. Los costes
unitarios de los dos factores que utiliza (capital -K- y trabajo -L-) son de 4 y 5 unidades monetarias,
respectivamente. La produccin mnima que ha de cubrir la empresa es de 1000 unidades fsicas.
La empresa tiene la siguiente funcin de produccin: P(K,L) = 10 * (K0.5 * L0.5)
Se pide:
a) Obtener los valores del capital y del trabajo que minimizan el coste de produccin de la
empresa, as como el coste mnimo.
b) Interpretar el multiplicador. Resolver de nuevo el problema para el caso en que la
39
Tema 2
produccin mnima sea de 1001 unidades y comparar ambos resultados.
3.- Una empresa produce tres tipos de productos en cantidades x, y, z. El beneficio unitario de cada
producto es:
Se sabe que para producir una unidad del producto 1 se utilizan cuatro horas de trabajo, para
producir una unidad del segundo se utilizan dos horas y para producir una unidad del tercer
producto se utilizan dos horas. Adems, la empresa dispone de 16 trabajadores que trabajan 8 horas
cada uno.
Se pide:
a) Calcular las cantidades a producir de cada tipo de producto para maximizar el beneficio de
la empresa.
b) Determinar, segn los resultados obtenidos en el apartado anterior, si a la empresa le
interesa aumentar o reducir el nmero de horas de trabajo de su plantilla.
4.- En una urbanizacin se estn construyendo dos tipos de viviendas: apartamentos y ticos, cuyos
precios son p1 y p2 , respectivamente. La curva de demanda para los apartamentos es d1 = 100
2p1 y para los ticos es d2 = 150 3p2. El constructor, que ha vendido ya 60 apartamentos, no
quiere quedarse con viviendas sin vender. Adems ha calculado que, debido a los pedidos ya
realizados a sus proveedores de materias primas, le conviene construir 15 veces ms apartamentos
que ticos. Por otra parte, ha calculado que la construccin de un apartamento le supone un coste
total de 5 millones de euros y la de un tico, 3 millones de euros. Sabiendo que tiene un
presupuesto de 350 millones de euros, se pide:
a) Calcular los precios de ambos tipos de viviendas para que el constructor maximice su
beneficio.
b) Le interesara aumentar el presupuesto disponible?
5.- Una tienda de quesos tiene 20 kilos de una mezcla de frutas de estacin y 60 kilos de un queso
caro, con los cuales se prepararn dos tipos de queso para untar, fino y normal, que son populares
durante la semana de Navidad. Cada kilo del queso fino para untar se compone de 0'2 kilos de la
mezcla de frutas, 0'3 kilos del queso caro y 0'5 kilos de un queso de relleno, que es barato y del
cual se tiene abundante reserva. Cada kilo del queso normal para untar se compone de 0'2 kilos de
la mezcla de frutas, 0'2 kilos del queso caro y 0'6 kilos de un queso de relleno. Debido a las
polticas de precios empleadas en el pasado por la tienda, se sabe que la demanda para cada tipo de
queso para untar depende de su precio de la siguiente forma:
d1 = 190 - 25p1
d2 = 250 - 50p2
donde d denota la demanda (en kilos), p denota el precio (en euros por kilo), y los subndices 1 y 2
se refieren, respectivamente, al queso para untar fino y normal.
a) Cuntas libras de cada tipo de queso para untar deben prepararse, y qu precios deben
establecerse, si se desea maximizar el ingreso y vender totalmente ambos tipos hacia el fin
de la semana de Navidad?
b) Que le ocurrir al ingreso si la tienda puede dispones de un kilo ms de queso caro?
40
Tema 2
6.- Una empresa produce tres artculos en cantidades x, y, z. La funcin de ingresos de la empresa
viene determinada por:
I(x,y,z) = x2 + 20y2 +10z2 + 20yz
La capacidad mxima productiva de la empresa es de 5000 unidades entre los tres productos. Por
razones de mercado no puede vender ms de 1500 unidades del segundo producto ni puede ofertar
menos de 1000 ni ms de 3000 del primero.
a) Calcular las cantidades de cada artculo que debe producir la empresa si desea maximizar
sus ingresos.
b) Le convendra a la empresa aumentar su capacidad productiva?
7.- Un consumidor puede elegir entre dos bienes cuyos precios son respectivamente de 5 y 9 euros.
Dispone de una renta de 450 euros que debe gastar enteramente entre ambos bienes. La funcin de
utilidad es la siguiente:
U(x,y) = 20 x0.4 y0.6
siendo x las unidades consumidas del primer bien e y las del segundo.
Se pide:
a) Obtener las unidades consumidas de cada bien, el valor de la funcin de utilidad y el valor
del multiplicador de Lagrange asociado a la restriccin, cuando el consumidor maximiza su
utilidad.
b) Interpretar el significado del multiplicador.
c) Resolver de nuevo el problema para el caso en que la renta disponible del consumidor sea
de 452 unidades. Comparar el resultado con el obtenido en el apartado b).
8.- Una empresa de transporte de viajeros tiene la concesin de tres rutas, siendo x, y, z el nmero
de viajes a realizar anualmente por cada ruta. Los costes de la empresa son:
Coste fijo: 4000 u.m.
Coste variable por viaje 1 ruta: 10x+10y
Coste variable por viaje 2 ruta: 10x+20y
Coste variable por viaje 3 ruta: z
Despus de un estudio de mercado, la empresa llega a la conclusin de que se deben realizar
exactamente 2200 viajes anuales entre las tres rutas.
a) Determinar el nmero de viajes a realizar por cada ruta para que el coste sea mnimo.
b) A la empresa le proponen aumentar en uno el nmero total de viajes. Razonar, utilizando
los datos obtenidos en el apartado a, si le conviene aceptar la oferta.
9.- Un fabricante produce tres artculos en cantidades x, y, z. El precio de venta de cada uno es una
funcin decreciente de la cantidad ofrecida de acuerdo con las siguientes relaciones:
Precio de venta de una unidad del producto 1: 210 x.
Precio de venta de una unidad del producto 2: 106 y.
Precio de venta de una unidad del producto 3: 65 z.
Por otra parte, el coste de produccin de cada uno de ellos se compone de un coste fijo de
mantenimiento de 100, 60 y 30 unidades monetarias, respectivamente, y un coste variable por
unidad producida de 10, 6 y 5 unidades monetarias.
a) Determinar las cantidades de cada producto que maximizan el beneficio de la empresa,
teniendo en cuenta que se deben producir exactamente 360 unidades entre los tres
productos.
b) Si el empresario pudiera producir ms de 360 unidades, aumentara su beneficio?
41
Tema 2
s.a.
Se pide:
a) Aplica el teorema de Weierstrass.
b) Obtn los puntos crticos del problema.
c) Se puede aplicar en este problema la condicin suficiente de ptimo global? Por qu?
d) Utilizando los resultados de los apartados anteriores, qu se sabe acerca de la solucin de este
problema?
(2.5 puntos)
PREGUNTA 2: Resuelve grficamente el siguiente problema. Indica si el conjunto de
oportunidades es compacto o convexo. Clasifica el problema e indica si la solucin ptima es
interior o de frontera. Calcula el valor ptimo de la funcin objetivo.
Opt x 2 + y 2
s.a. x 2 + y 2 4
x2 - y 0
x, y 0
(1 puntos)
PREGUNTA 3: Dado el siguiente problema:
Min x 2 + y 2
s.a. x 1
x+ y 0
y0
Se pide:
a) Plantea las condiciones de punto de Kuhn y Tucker.
b) Estudia si los puntos (0,0), (1,1) y (1,0) cumplen las condiciones de Kuhn y Tucker.
c) Razona si son ptimos globales.
(2.5 puntos)
PREGUNTA 4: Una constructora piensa edificar una urbanizacin con dos tipos de viviendas:
apartamento y chalet adosado, cuyos precios son p1 y p2 respectivamente. El coste de cada
apartamento es de 3 u.m. y el de cada chalet adosado de 5 u.m. La curva de demanda para los
apartamentos es d1=100-2p1 y para los chalet adosados d2=200-3p2. El constructor desea maximizar
sus beneficios, no quiere dejar viviendas sin vender, ya ha vendido 35 apartamentos y dispone de
un presupuesto de 350 u.m.
42
Tema 2
La solucin que proporciona el GAMS es:
LOWER
LEVEL
UPPER
MARGINAL
-INF
.
350.000
.
350.000
.
6.800
-1.000
LOWER
LEVEL
UPPER
MARGINAL
35.000
.
-INF
35.000
49.000
3603.833
+INF
+INF
+INF
-5.400
.
.
MIN
s.a.:
10z3 xy
x2 + y2 z 4
2x + 3z 40
x0
y 60
z3
a) Utilcese GAMS para resolver el problema tomando como punto inicial el (0,0,15). Indica el
valor de las variables en el ptimo local encontrado y el valor de la funcin objetivo en dicho
punto.
Nota : Grabar el problema en el disquete con el nombre model1.gms (o model1.lg4) y la solucin
como model1.lst (o model1.lgr).
b) Escribe el valor de los multiplicadores asociados a la primera y la segunda restriccin.
c) Si pudiese aumentar o disminuir el trmino independiente de alguna de las dos primeras
restricciones qu modificacin sera la ms conveniente? Razona la respuesta.
(1.5 puntos)
Nota.- El TEST 1 est resuelto en MATERIAL COMPLEMENTARIO: ANEXO 4.
43
del
problema
de
programacin
lineal
44
Tema 3
1) Escribe el siguiente problema mixto de programacin lineal en forma estndar y seala cul son
las variables principales y de holgura, el vector de coeficientes, la matriz tcnica y el vector de
trminos independientes.
Min - 3x1 + 4x 2 + x 3
s.a. x1 + 2x 2 3
x 2 x3 = 4
2x1 + x 3 5
x1 0, x 2 0, x 3 libre
5) PRACTICA AHORA T: Transforma en formato estndar los problemas (A) a (H) enunciados en
la PRCTICA 1 y seala cul son las variables principales y de holgura, el vector de coeficientes, la
matriz tcnica y el vector de trminos independientes.
(B)
(C)
(D)
Max x + 2y
s.a. x + y 4
2x + y 6
x, y 0
Max x + y
s.a. x + y 4
2x + y 6
x, y 0
Max - x + 2 y
s.a. - x + y 2
y4
x, y 0
Max - x + y
s.a. - x + y 2
y 4
x, y 0
(E)
(F)
(G)
(H)
Max x
s.a. - x + y 2
y 4
x, y 0
Max y
s.a. - x + y 2
y4
x, y 0
Max x + y
s.a. - x + 2 y 4
- 2x + y 4
x, y 0
Min x - y
s.a. x y 0
x + y 1
x, y 0
45
Tema 3
1) Resuelve grficamente los problemas (A) y (D), y clasifcalos atendiendo a su solucin.
_________________________________
_________________________________
_________________________________
__________________________________
__________________________________
__________________________________
46
Tema 3
2.- Soluciones factibles bsicas
PRCTICA 2: Obtencin de soluciones factibles bsicas
Como veremos en el prximo apartado de este tema la obtencin de ptimos en los programas
lineales se basa en el clculo de soluciones factibles bsicas. Introduzcamos ahora este concepto y
algunas de sus consecuencias inmediatas.
Consideremos nuevamente un problema lineal en su forma matricial estndar:
Max c t x
s.a. Ax = b
x0
con x el (n+m)-vector de variables del problema, c el (n+m)-vector de coeficientes, b el m-vector
de trminos independientes y A la m(n+m)-matriz de coeficientes tcnicos del problema
(rango(A)=m).
Apoyndonos en este formato del problema podemos descomponer la matriz A en una matriz B
mm con determinante no nulo, que llamaremos bsica y una matriz N mn formada por las
restantes columnas, que llamaremos no bsica. Atendiendo a esta divisin A=(B|N) podemos
dividir el vector x de variables del problema (no distinguimos aqu entre variables principales y de
holgura) en un m-vector xB de variables bsicas y un n-vector xN de variables no bsicas
(xt=(xBt,xNt)). A partir de esta descomposicin, diremos que:
Solucin bsica, es todo vector x que tiene a lo sumo m componentes no nulas, satisface las
restricciones Ax=b, y la submatriz B asociada a esas componentes no nulas tiene determinante
no nulo. (Las a lo sumo m componentes no nulas son las variables bsicas, y las n restantes son
las variables no bsicas.)
Solucin factible, es todo vector x que verifica el sistema de restricciones y las condiciones de
no negatividad.
Solucin factible bsica, es un vector x que es solucin factible y bsica a la vez. En los
procedimientos de resolucin de problemas lineales se distingue entre:
x
Ax = (B | N) B = Bx B + Nx N = b Bx B = b x B = B -1 b 0
x N =0
B 0
xN
Esto es, tenemos dos procedimientos equivalentes para obtener, si existe, la solucin factible bsica
asociada a un grupo de m variables bsicas, xB:
Primer Mtodo
Demostrar que: |B|0
Hacer xN=0 y resolver el sistema: Ax=b
Comprobar que xB0
Segundo Mtodo
Demostrar que: |B|0
Obtener la inversa de B.
Calcula y comprueba: xB=B-1b0
Si falla alguna de las condiciones de cualquiera de los dos mtodos no existe solucin factible
bsica asociada a ese grupo de variables bsicas.
47
Tema 3
1) Obtn todas las soluciones factibles bsicas del problema de programacin lineal:
Max 4x + y
s.a 2x + y 8
y5
x, y 0
,
0 1 0 1
5
t
c = (4 1 0 0 )
Cada solucin factible bsica (SFB) tendr a lo sumo m=2 componentes no nulas. Hay 6
posibilidades para las variables bsicas: (1) (s,t), (2) (s,y), (3) (x,y), (4) (x,s), (5) (x,t), y (6) (y,t).
(1) xB= (s,t)t, xN= (x,y)t = 0t
Aplicando el segundo procedimiento:
1 0
B =
0 1
|B|=10
1 0
B-1 =
0 1
8
x B = B-1b = b = 0
5
(0,0,8,5)t es SFB
B =
0 1
|B|=10
1 0 2 1 3
1 1 2 0 8
0 1 0 1 1 5 1
0 1 0 1 5
I B N B b
B N b
3
x B = B -1b = 0
5
(0,5,3,0)t SFB
B =
0 1
|B|=20
2x + y = 8
x = 3 2, y = 5
y=5
_____________________________________________________________________________
(5) xB= (x,t)t, xN= (y,s)t = 0t
_____________________________________________________________________________
(6) xB= (y,t)t, xN= (x,s)t = 0t
_____________________________________________________________________________
Observa: si el problema de PL es cannico, es muy fcil obtener un primera SFB (la (1)).
48
Tema 3
2) Dibuja el conjunto de oportunidades del problema lineal anterior. Y observa que: las soluciones
factibles bsicas se corresponden con los vrtices del poliedro (Hay un teorema, que enunciaremos
en el prximo apartado, que garantiza esta correspondencia entre SFB y vrtices). Hay alguna
solucin factible bsica en este problema que sea degenerada?
x - 2y 0
x - y 1
x, y 0
2) Ejecuta los programas GAMS anterior y compara tus salidas con las siguientes:
S O L V E
MODEL
TYPE
SOLVER
LP
OSL
S O L V E
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
F
MAXIMIZE
12
1 NORMAL COMPLETION
4 INFEASIBLE
4.0000
MODEL
TYPE
SOLVER
LP
OSL
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
F
MAXIMIZE
11
1 NORMAL COMPLETION
1 OPTIMAL
8.0000
LOWER
.
-INF
4.000
LEVEL
.
8.000
4.000
UPPER
.
4.000
+INF
MARGINAL
---- EQU OBJ
1.000
---- EQU R1
.
---- EQU R2
1.000
LOWER
.
-INF
-INF
LEVEL
.
4.000
4.000
UPPER
MARGINAL
.
1.000
4.000
2.000
6.000
.
---- VAR X
---- VAR Y
---- VAR F
LOWER
.
.
-INF
LEVEL
.
4.000
4.000
UPPER
+INF
+INF
+INF
MARGINAL
---- VAR X
3.000
---- VAR Y
.
---- VAR F
.
LOWER
.
.
-INF
LEVEL
.
4.000
8.000
UPPER
+INF
+INF
+INF
S O L V E
MODEL
TYPE
SOLVER
LP
OSL
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
S O L V E
F
MAXIMIZE
11
1 NORMAL COMPLETION
1 OPTIMAL
4.0000
MODEL
TYPE
SOLVER
LP
OSL
MARGINAL
-1.000
.
.
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
F
MAXIMIZE
11
1 NORMAL COMPLETION
1 OPTIMAL
2.0000
LOWER
.
-INF
-INF
LEVEL
.
2.000
4.000
UPPER
.
2.000
4.000
MARGINAL
1.000
---- EQU OBJ
EPS
---- EQU R1
1.000
---- EQU R2
LOWER
.
-INF
-INF
LEVEL
.
2.000
2.000
UPPER
.
2.000
4.000
MARGINAL
1.000
1.000
.
---- VAR X
---- VAR Y
---- VAR F
LOWER
.
.
-INF
LEVEL
2.000
4.000
4.000
UPPER
+INF
+INF
+INF
MARGINAL
.
---- VAR X
.
---- VAR Y
.
---- VAR F
LOWER
.
.
-INF
LEVEL
.
2.000
2.000
UPPER
+INF
+INF
+INF
MARGINAL
EPS
.
.
49
Tema 3
Relaciona solucin de GAMS con problema de optimizacin, compara la solucin proporcionada
por el programa con la obtenida grficamente y establece normas para escribir el punto ptimo
(variables principales y de holgura) e identificar en su caso el tipo de ptimo.
/1*2/;
/1*2/;
PARAMETER C(J)
/1
1
2
-1/;
PARAMETER B(I)
/1
2
TABLE A(I,J)
1
1
1
2
1
2
-1
1;
VARIABLES Z, X(J);
POSITIVE VARIABLES X(J);
EQUATIONS OBJ, R(I);
OBJ..
Z =E= SUM(J, C(J)*X(J));
R(I)..
SUM( J, A(I,J)*X(J)) =G= B(I);
MODEL H /ALL/;
0
1/;
Deduce a partir del fichero GAMS el procedimiento de bloques, ejectalo, y escribe el valor del
ptimo e indica el tipo de ptimo encontrado.
4) PRACTICA AHORA T: Resuelve usando GAMS con bloques opcionales los problemas lineales
planteados en (1) y (4) de PRCTICA 2. (Nota.- El (4) requiere una pequea transformacin previa).
Almacn 1
Almacn 2
Centro
25
20
Nuevo Centro
12
45
Ciudad Ciencias
40
10
Sabiendo que las existencias de un producto tipo son de 1200 unidades en el Almacn A y de 2000
en el Almacn B, que tiene que enviar al menos 500, 1000 y 1500 unidades de producto tipo a los
centros: Centro, Nuevo Centro y Ciudad Ciencias respectivamente, y que el precio por Km y
unidad de producto es de 0.06 euros, averigua cuntas unidades se tienen que enviar de un
producto tipo desde cada almacn a cada centro comercial para minimizar el coste total.
50
Tema 3
Enunciado 2: Un fabricante de juguetes comercializa tres modelos de muecas: Andadora,
Parlanchina y Repollo. La cantidad de materiales y mano de obra para su fabricacin as como las
existencias de esos materiales vienen dadas en la siguiente tabla:
Andadora
Parlanchina
Repollo
Disponibilidades
Plstico
300 g.
450 g.
700 g.
800 Kg.
Telas
100 cm.
75 cm.
150 cm.
1500 m.
Mano de obra
2 h.
15 h.
1.25 h
8000 h.
Andadora y Parlanchina llevan adems un pequeo motor elctrico y las existencias de ese motor
son de800 unidades. El fabricante estima que puede vender no menos de 500 muecas ni ms de
1300 y adems, que por estar de moda, la demanda de la mueca Repollo ser superior a la de las
otras dos juntas. Sabiendo que el beneficio neto por la venta de las muecas es: Andadora, 10
euros; Parlanchina, 15 euros; y Repollo, 17 euros. Plantea un modelos de programacin para
maximizar beneficios.
51
Tema 3
De acuerdo con estos teoremas podemos resolver un problema de programacin lineal acotado
siguiendo el siguiente procedimiento:
Paso 1.- Plantear el problema en formato estndar.
Paso 2.- Calcular todas las soluciones factibles bsicas del problema y el valor de la funcin
objetivo en todas ellas.
Paso 3.- Si el problema est acotado, entonces la solucin factible bsica con mayor valor de la
funcin objetivo (si estamos maximizando) o con menor valor de la funcin objetivo (si
minimizamos) es un ptimo global del problema.
Este procedimiento tiene dos inconvenientes importantes. El primero, que necesitamos saber si el
problema est acotado; y en segundo, el elevado coste computacional de calcular todas las
soluciones factibles bsicas del problema.
52
Tema 3
COLECCIN DE EJERCICIOS
1.- Resuelva grficamente los siguientes problemas de PL, obteniendo la solucin ptima e
indicando de qu tipo es:
a)
Max x+y
s.a.
-x+y2
x+2y6
2x+y6
x,y0
b)
Max
s.a.
2x+y
-x+y2
x+2y6
2x+y6
x,y0
c)
Max
s.a.
x+y
-x+y2
y4
x,y0
d)
Max
s.a.
e)
Min
s.a.
6x+8y
3x+y4
5x+2y7
x,y0
f)
Min
s.a.
-x-y
x-y10
-x+y1
x,y0
x+3y
x+y6
-x+2y8
x,y0
Max
s.a.
x+y
-x+y=2
x+2y6
2x+y6
x 0 y0
b)
Max
s.a.
2x+3y+z
4x+3y+z20
x+y20
x0, y0, z libre
c)
Min
s.a.
x+y
-x+y2
3.- Cuntas variables distintas de cero tiene como mximo una solucin factible bsica de un
problema lineal de n variables y m restricciones?
c) (20,0,5,5,0)
b) (0,0,0, 30,20)
d) (0,0,30, 0,20)
e) (20,0,5, 0,0)
5.- Dado el siguiente problema de PL, calcular todas las soluciones factibles bsicas del problema e
indicar la base que tiene asociada cada una de ellas.
Max 2x - 3y
s.a. x + y 1
xy0
x, y 0
53
Tema 3
6.- Dado el siguiente problema:
Max
s.a.
x1+2x2+4x3
x1+x210
x1+2x2+x3=14
x1 , x2 , x3 0
54
Tema 3
2.- La NORI & LEETS CO. es una de las mayores productoras de acero del mundo situada en la
ciudad de Aceroburgo. Dado que la contaminacin no controlada del aire est arruinando la
apariencia de la ciudad y poniendo en peligro la salud de sus habitantes, el consejo directivo de la
empresa y las autoridades de la ciudad han establecido estndares rigurosos de la calidad del aire
para la ciudad de Aceroburgo. Los tres tipos principales de contaminantes, y la reduccin requerida
en la tasa de emisin anual de los mismos para cumplir los nuevos estndares, son:
Para conseguir dicha reduccin, el personal de ingeniera de la compaa ha determinado que las
dos fuentes principales de contaminacin son los altos hornos y los hornos de hogar abierto. Y que
los tres mtodos mas eficaces de reduccin son aumentar la altura de las chimeneas, usar filtros en
las chimeneas e incluir limpiadores de alto grado en los combustibles de los hornos, aunque todos
ellos tienen limitaciones tecnolgicas en cuanto a la cantidad de emisin que pueden eliminar. La
reduccin efectuada por cada mtodo (medida en millones de kg por ao) al ser empleado en su
totalidad es:
Partcula
Oxidos
Hidrocar.
Chimeneas altas
Altos
Hogar
hornos
abierto
12
9
35
42
37
53
Altos
hornos
25
18
28
Filtros
Hogar
abierto
20
31
24
Mejores comb.
Altos
Hogar
hornos
abierto
17
13
56
49
29
20
Con estos datos, es evidente que ningn mtodo por s solo poda lograr las reducciones requeridas.
Por otro lado, la reduccin de la combinacin de los tres mtodos a toda su capacidad resulta
mucho mayor de lo que se pide y demasiado cara. Luego, convendra usar alguna combinacin de
mtodos con capacidades fraccionarias en base a sus costes. Dichos costes, considerando cada
mtodo utilizado al total de su capacidad y medidos en millones de euros, son:
Chimeneas altas
Filtros
Mejor combustible
Altos hornos
8
7
11
Hogar abierto
10
6
9
55
El Mtodo Simplex
1.- El algoritmo del Simplex
2.- Algunos ejemplos
3.- El mtodo de las Penalizaciones
Guerrero (1994) Cap. 9, Mochol y Sala (1999) Cap. 7, Mochol y Sala (1993) Cap. 2
(2) z = c B t
x
c N t B = c B t B -1b - c B t B -1 Nx N + c N t x N
xN
Notemos que (2) indica cul es la variable no bsica que ha de entrar en la base y la magnitud del
cambio por unidad, y (1) limita el valor que tomar esta variable al entrar en la base para que la
nueva solucin sea factible. Sea j una variable no bsica candidata a entrar y denotemos por: Wj=cjcBtB-1Pj al rendimiento marginal de esta variable (lo que aumenta el objetivo por el incremento de
una unidad) y por: Yj=B-1 Pj a la variacin que experimentarn las variables bsicas cuando la
56
Tema 4
variable j entre en la base, siendo Pj la columna de la matriz tcnica correspondiente a la variable j.
Estudiemos algunos casos:
Si existe una o ms variables no bsicas con Wj0. Entonces introduciremos en la base a la
variable j que maximiza {Wj=cj-cBtB-1Pj/ Wj0}. Si el rendimiento es estrictamente positivo la
nueva SFB adyacente mejorar estrictamente la antigua y si es cero igualar la antigua.
Podemos encontrarnos dos casos:
Yj0.
-
Existe una o ms variables bsicas con Yij0. Entonces el valor que puede tomar la variable
j est limitado y saltaremos a otro vrtice en el que se mejorar estrictamente el valor de la
funcin objetivo si Wj>0.
Si para toda las variables no bsicas Wj<0. En este caso no podemos mejorar la solucin
factible bsica de partida que es el ptimo del problema.
Veamos todo lo anterior con nmeros. Consideremos nuevamente el problema planteado en el
apartado (1) de TEMA3: PRCTICA 2:
Max 4x + y
s.a 2x + y 8
y5
x, y 0
Y tomemos como punto de partida la solucin factible bsica: x=(3/2,5,0,0)t con valor de la funcin
objetivo z=11. Para esta solucin se tiene que:
s
t
1/2
1/2
, cB t B 1N = (4 1) 1/2 - 1/2 = (2 1), Ws = 2, Wt = 1
B N=
1
1
0
0
1
Las dos posibles soluciones factibles adyacentes sern aquellas en las que s t entren en la base.
Veamos lo que sucede en cada caso:
Si t entra en la base: se va a producir un aumento del valor de la funcin objetivo de 1 por
unidad de t, y se tiene que cumplir que:
y = 5-t = 0
3/2 - 1/2
t 0 y = 0
t = 5, x = 4
x = 3/2 + (1/2)t
5 1
Esto es, y pasa a valer 0, x pasa a valer 4, t pasa a valer 5 y s continua valiendo 0, la nueva
solucin factible bsica es (4,0,0,5) t con z=11+15=16.
Si s entra en la base: se va a producir una reduccin del valor de la funcin objetivo de 2 por
unidad de s (esto es, un empeoramiento), y se tiene que cumplir que:
3/2 1/2
s 0 x = 0, y = 5 3/2 (1/2)s = 0 s = 3, t = 0
5 0
Esto es, x pasa a valer 0, y pasa a valer 5 (en este caso no cambia), s pasa a valer 3 y t continua
valiendo 0, la nueva solucin factible bsica es (0,5,3,0) t con z=11-23=5.
57
Tema 4
Observa: Fijada la variable j que entra en la base si existe una o ms variables bsicas con Yij0
saldr aquella que minimice x i
Yij
/ Yij > 0 .
En resumen, para pasar de una solucin factible bsica dada a una solucin factible bsica mejor o
que iguale la funcin objetivo (y para que esta mejora sea lo ms grande posible) la variable no
bsica que entra y la variable bsica que sale vienen determinadas por los siguientes criterios de
entrada y salida respectivamente:
Criterio de entrada (para maximizar). Entra la variable j que maximiza {Wj=cj-cBtB-1Pj / Wj0}.
Criterio de entrada (para minimizar). Entra la variable j que minimiza {Wj=cj-cBtB-1Pj / Wj0}.
Criterio de salida (para maximizar y minimizar). Fijada la variable j que entra sale la variable i
que minimiza x i
Yij
/ Yij > 0 .
PRACTICA AHORA T: Repite los clculos partiendo ahora de la SFB inicial: x=(0,0,8,5)t
58
Tema 4
Interpretacin y clculo de la tabla
Volvamos nuevamente al ejemplo que hemos trabajado brevemente en TEORA 1:
1) Calcula la tabla del Simplex correspondiente a dicho ejemplo y a las variables bsicas x, y.
xB=(x,y), xN=(s,t)
2 1
B =
0 1
|B|=20
4
1
2 11 0 8
1 0 1/2 1/2 3/2
5
0 1 0 1 5
0 1 0 1 1
1
B N
B b
B N b
I
3/2
xB = B-1b = b = 0
5
(3/2,5,0,0)t SFB
x
y
Zj
Wj
4
x
1
0
4
0
1
y
0
1
1
0
0
s
1/2
0
2
-2
0
t
-1/2
1
-1
1
3/2
5
11
Observaciones:
Los rendimientos marginales asociados a variables bsicas son cero.
Cuando todas las restricciones del problema lineal son menor o igual (por ejemplo, en
problemas de maximizar en forma cannica) y b0, es muy fcil construir una tabla inicial del
Simplex, concretamente aquella que tiene como variables bsicas las variables de holgura del
problema.
Si la matriz tcnica incluye a la matriz identidad, en cada tabla las columnas asociadas a esa
matriz identidad (en su orden) forman la inversa de la matriz bsica, B1,asociada a la solucin
factible bsica correspondiente a la tabla.
B =
0 1
|B|=10
B-1A=A, B-1b=b0
0
0
(0,0,8,5) SFB
s
t
Zj
Wj
4
x
2
0
0
4
1
y
1
1
0
1
0
s
1
0
0
0
0
t
0
1
0
0
8
5
0
c1
0
a)
b)
1
y
2
3
-1
0
0
z
s
t
1
1
0
8
-1
1
1
16
2
2
0
-3
-3
-2
0
factible bsica asociada indicando cules son las variable bsicas y
x
t
Zj
Wj
Escribe la solucin
no bsicas.
Averigua los valores de c1 y b2 y completa la tabla.
Tema 4
Actualizacin de la tabla del Simplex
El proceso de cambio de una solucin factible dada a otra adyacente mejor se puede realizar de
forma sencilla usando la tabla del Simplex, los pasos de actualizacin los siguientes:
Paso 1.- Determinar el elemento pivote de la tabla, es decir, el elemento que est en la interseccin
de la columna de la variable que entra en la base y la fila de la variable que sale de la base. (Vanse
los criterios de entrada y salida en TEORA 1)
Paso 2.- Dividir toda la fila de la variable que sale por el valor del elemento pivote. El elemento
pivote vale ahora 1. La nueva fila corresponde a los elementos de la nueva variable bsica j.
Paso 3.- Las restantes filas de las variables bsicas que permanecen se actualizan realizando las
operaciones necesarias, va la fila de la nueva variable bsica, para que la columna del elemento
pivote tenga, exceptuando el pivote, todos los elementos nulos.
Paso 4.- La fila correspondiente a los Zj y z se calcula multiplicando mediante el producto escalar
de los coeficientes de las variables bsicas por cada una de las columnas. La fila correspondiente a
los Wj restando el vector de coeficientes y la fila de los Zj.
5) Actualiza la tabla del Simplex obtenida en (1). Podemos obtener una solucin factible bsica
estrictamente mejor o igual a la que acabamos de obtener? Qu puedes concluir sobre la
optimalidad del problema?
4
1
4
0
x
y
Zj
Wj
x
t
Zj
Wj
4
x
1
0
4
0
1
0
4
0
1
y
0
1
1
0
1/2
1
2
-1
0
s
1/2
0
2
-2
1/2
0
2
-2
0
t
-1/2
1
-1
1
0
1
0
0
3/2
5
11
4
5
16
6) Actualiza la tabla del Simplex obtenida en (2). Podemos obtener una solucin factible bsica
estrictamente mejor o igual a la que acabamos de obtener? Sigue actualizando la tabla del Simplex
hasta que no puedas continuar. Qu puedes concluir sobre la optimalidad del problema?
60
Tema 4
TEORA 2: El algoritmo del Simplex
Lee atentamente el siguiente extracto ligeramente adaptado de Guerrero (1994), pg: 158 y 159:
El algoritmo facilita las pautas operativas que han de seguirse en la aplicacin del mtodo del Simplex. Consideremos
nuestro problema tipo
Max c t x
s.a. Ax = b
x0
Etapa 1 Determinar una solucin bsica factible inicial que estar asociada a la base cannica para facilitar los clculos
posteriores.
Etapa 2 Calcular los valores cj-zj, j=1,...,n+m; aquellos que correspondan a los vectores que forman la base sern cero:
a) Si todos los cj-zj<0 no bsicos (j=m+1,..,n+m) se ha hallado la solucin. FIN.
b) Si cj-zj=0 para algn j=m+1,...,n+m y los restantes cj-zj no bsicos son negativos, entonces el ltimo x* es
solucin del problema, pero adems posee otra u otras soluciones ptimas extremas y por tanto infinitas
soluciones. FIN.
c) Si no se dan los casos anteriores, elegir j tal que
cj-zj=Max{cs-zs / cs-zs>0, s=m+1,...,n+m}
entra en la base la variable no bsica j.
Etapa 3 Elegido el ndice j en la etapa anterior, observar el signo de las componentes de Pj, es decir, de los valores Yij,
i=1,...,m. Puede suceder:
a) Que Yij0, i=1,...,m, entonces el problema es no acotado. FIN.
b) Si no ocurre el caso anterior, sale de la base la variable i tal que
xi
Yij
= Min x k
/ Ykj > 0, k = 1,..., m
Ykj
Etapa 4 Sustituir en la base la variable i por la variable j, lo que obliga a realizar en la tabla del Simplex los cambios
algebraicos oportunos para que en la columna correspondiente a la variable j aparezca el correspondiente vector de la
base cannica. VOLVER A LA ETAPA 2
Observaciones:
Si al aplicar el criterio de entrada hay empates entre varios candidatos, podemos elegir entre
cualquiera de ellos. Y el nmero de iteraciones a realizar no cambia de forma significativa.
Si al aplicar el criterio de salida hay empates, la eleccin arbitraria puede producir ciclajes y
que nunca se llegue a la solucin ptima. Para deshacer el ciclaje, en caso de empate hay que
elegir la variable con menor subndice.
El algoritmo de Simplex anterior est enunciado para problemas de maximizacin. Si el
problema es de minimizacin tenemos dos soluciones posibles: (i) cambiar el objetivo de
minimizar a maximizar y aplicar el Simplex tal y como esta enunciado o (ii) cambiar el criterio
de entrada del algoritmo sustituyndolo por el indicado en TEORA 1. y los criterios de parada
de la etapa 1 a y b:
a)
b)
Si cj-zj=0 para algn j=m+1,...,n+m y los restantes cj-zj no bsicos son positivos, entonces el ltimo x* es
solucin del problema, pero adems posee otra u otras soluciones ptimas extremas y por tanto infinitas
soluciones. FIN.
61
Tema 4
de solucin ptima del problema original, que en algunas ocasiones un ptimo del problema
original se puede corresponder con infinitos ptimos del problema estandarizado.
1) PRACTICA
Simplex.
(II)
(I)
(III)
Max - 2x + 2y
s.a. - x + y 2
x+y4
x - 2y 1
x, y 0
Max 2x - 3y
s.a. - x + y 2
x+y4
x - 2y 1
x, y 0
Max 2x - 2y
s.a. - x + y 2
x - 2y 1
x, y 0
2) PRACTICA
2
0
y
s2
Zj
Wj
1
x
-1
-1
-2
3
2
y
1
0
2
0
0
s1
1
-3
2
-2
0
s2
0
1
0
0
1
3
2
a) Escribe la solucin factible bsica que aparece en la tabla y calcula su matriz bsica
asociada.
b) Calcula los trminos independientes del problema.
62
(A)
(B)
(C)
(D)
Max x + 2y
s.a. x + y 4
2x + y 6
x, y 0
Max x + y
s.a. x + y 4
2x + y 6
x, y 0
Max - x + 2 y
s.a. - x + y 2
y4
x, y 0
Max - x + y
s.a. - x + y 2
y 4
x, y 0
(E)
(F)
(G)
(H)
Max x
s.a. - x + y 2
y 4
x, y 0
Max y
s.a. - x + y 2
y4
x, y 0
Max x + y
s.a. - x + 2 y 4
- 2x + y 4
x, y 0
Min x - y
s.a. x y 0
x + y 1
x, y 0
Tema 4
1) Resuelve usando el algoritmo del Simplex los problemas (A), (D), (E) y (F). Indica de qu tipo
son e identifica, en su caso, todas sus soluciones ptimas.
0
0
2
0
s
t
Zj
Wj
y
t
Zj
Wj
1
x
1
2
0
1
1
1
2
-1
2
y
1
1
0
2
1
0
2
0
0
s
1
0
0
0
1
-1
2
-2
0
t
0
1
0
0
0
1
0
0
(A)
4
6
0
4
2
8
(D)
Solucin arista finita. z*=2
Las soluciones son de la forma:
x
0
2
y
2
4
s = 1 0 + 2 0 , 0 1, 2 1, 1 + 2 = 1
t
2
0
0
0
1
0
s
t
Zj
Wj
y
t
Zj
Wj
-1
x
-1
0
0
-1
-1
1
-1
0
1
y
1
1
0
1
1
0
1
0
0
s
1
0
0
0
1
-1
1
-1
0
t
0
1
0
0
0
1
0
0
2
4
0
2
2
2
Zj
Wj
1
x
0
0
0
y
0
s
0
t
(E)
Problema no acotado (no sale nadie y w1>0)
s
t
Zj
Wj
0
x
(F)
Solucin arista infinita. z*=4
Las soluciones son de la forma:
x 2 1
y 4 0
s = 0 + 1 , 0
t 0 0
Geomtricamente
y
considerando
nicamente variables principales, la arista
x2, y=4.
0
0
1
y
0
s
0
t
s
t
Zj
Wj
Zj
Wj
Zj
Wj
63
Tema 4
2) Resuelve usando el algoritmo del Simplex el problema de minimizacin (H).
(H)
Busquemos en primer lugar una SFB inicial:
(i)
xB=(s,t) no existe SFB
(ii)
xB=(y,s) no existe SFB
(iii)
xB=(x,s) SFB
x
s
___________________________________
A partir de la ltima tabla del Simplex:
___________________________________
___________________________________
___________________________________
3) PRACTICA AHORA T: Resuelve usando el algoritmo del Simplex los problemas lineales (B) y
(C). Indica de qu tipo son e identifica, en su caso, todas sus soluciones ptimas
64
Tema 4
de una unidad de T1 obtendr un beneficio de 4 u.m. y por la de una unidad de T2 el beneficio ser
de 5 u.m. Determinar las cantidades a fabricar de los dos tipos de tela para maximizar
beneficios.
3) Ejecuta el programa GAMS. Interpreta la salida, escribe la ltima tabla del Simplex y razona si
el ptimo encontrado es nico y/o degenerado.
La salida del GAMS es:
S O L V E
MODEL
TEJIDOS
TYPE
LP
SOLVER CPLEX
**** SOLVER STATUS
**** MODEL STATUS
**** OBJECTIVE VALUE
---------------------****
EQU
EQU
EQU
EQU
OBJ
R1
R2
R3
LOWER
.
-INF
-INF
-INF
S U M M A R Y
OBJECTIVE B
DIRECTION MAXIMIZE
FROM LINE 22
1 NORMAL COMPLETION
1 OPTIMAL
107.3000
SLACK
.
.
8.700
.
UPPER
.
56.000
105.000
67.000
MARGINAL
1.000
0.600
.
1.100
LOWER
LEVEL
UPPER
MARGINAL
VAR T1
.
15.700
+INF
.
VAR T2
.
8.900
+INF
.
VAR B
-INF
107.300
+INF
.
REPORT SUMMARY :
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
4) PRACTICA AHORA T: Obtn a partir de la salida GAMS de los problemas (A) a (D), (F) y (H)
(vase TEMA 3: PRCTICA DE ORDENADOR) la tabla ptima del Simplex. Cmo se obtienen los
rendimientos en problemas de maximizar con restricciones mayor o igual?
5) PRACTICA
6) PRACTICA AHORA T: Obtn a partir de la salida GAMS la tabla ptima de los problemas (I)
y (II) de TEORA 2: PRACTICA AHORA T.
65
Tema 4
3.- El mtodo de las Penalizaciones
PRCTICA 3: El mtodo de las Penalizaciones
El mtodo del Simplex requiere de una solucin factible inicial, y deseablemente para facilitar los
clculos que dicha solucin este asociada a una base cannica. Adems esta necesidad no slo es
un inconveniente computacional inicial sino que hace intil el algoritmo para resolver problemas
infactibles. (Si intentamos resolver un problema infactible con Simplex la bsqueda de la solucin
factible bsica inicial es infructuosa pero esta circunstancia se averigua despus de haber
comprobado todas las posibles combinaciones de variables bsicas.) El mtodo de las
penalizaciones es una variante del mtodo del Simplex que permite solucionar estos dos problemas.
Para aplicar el mtodo de las penalizaciones seguimos los siguientes pasos:
Paso 1.- Escribimos el problema en forma estndar y observamos que los trminos independientes
de las restricciones sean no negativos. Si alguno es negativo cambiamos el signo a las restricciones
necesarias para que as sea. Obtenemos la matriz tcnica asociada:
a) Si la matriz tcnica tiene una submatriz identidad, obtenemos la solucin factible bsica
asociada. ETAPA 2 DEL MTODO DEL SIMPLEX CON EL PROBLEMA INICIAL.
b) Si la matriz tcnica no tiene una submatriz identidad, aadimos nuevas variables al
problema, llamadas variables artificiales, de modo que formen una submatriz identidad.
Las variables artificiales se introducen en la funcin objetivo con un coeficiente
arbitrariamente grande (conocido por M>0), y con un signo acorde con la direccin de
optimizacin que garantice su salida de la base en las primeras iteraciones si el problema es
factible (negativo en el caso de maximizar y positivo en el caso de minimizar). Escribimos
el nuevo problema en forma matricial y obtenemos la solucin factible bsica asociada a la
base cannica. ETAPA 2 DEL MTODO DEL SIMPLEX CON EL PROBLEMA CON VARIABLES
ARTIFICIALES.
Paso 2.- Finalizado el algoritmo del Simplex miramos la solucin:
a) Si el algoritmo del Simplex termina antes de que todas las variables artificiales salgan de la
base, el problema lineal original es infactible. FIN.
b) Si acaba con todas las variables artificiales fuera de la base el problema ser no acotado o
acotado con una o infinitas soluciones de acuerdo con la interpretacin habitual de la
ltima tabla del Simplex quitando las columnas correspondientes a variables artificiales.
FIN.
66
Tema 4
1) Resuelve por el mtodo de penalizaciones el problema (H) de PRCTICA 2.
El problema (H) con variables
artificiales es:
Min x - y + Ma1 + Ma 2
M a1
M a2
Zj
Wj
1 x
M
a2
A partir de la ltima tabla del
Z
j
Simplex concluimos que :
W
j
___________________________
1
x
___________________________
-1 y
___________________________
Zj
___________________________
Wj
s.a.
= 0
+ a 2 = 1
x + y - s2
x, y, s1, s 2 , a1, a 2 0
x y - s1
+ a1
1
-1
0
0
M
M
x
y
s1
s2
a1
a2
-1
-1
0
1
0 0
1
1
1
0
-1
0
1 1
2M
0
-M -M
M
M
M
-1
M
M
0
0
1-2M
1
-1
-1
0
1
0 0
0
1
-1
-1
1 1
2
1
-1+2M -1+M -M 1-M M
M
0
-2M 1-M M -1+2M 0
1
0
-1/2 -1/2 1/2 1/2 1/2
0
1
1/2 -1/2 -1/2 1/2 1/2
1
-1
-1
0
1
0
0
0
0
1
0
M-1 M
0 s1
- a
M
Zj 2M
Wj 1-2M
Zj
Wj
1
y
2
1
0
s1
1
0
0
s2
0
-1
-M
a
0
1
4
4
-M
1+M
0
0
M
-M
-M
0
4M
________________________________
________________________________
________________________________
A partir de la ltima tabla del Simplex
concluimos que:
________________________________
________________________________
________________________________
a) Obtn una tabla inicial que sirva de arranque para la resolucin del problema mediante el
algoritmo del Simplex.
b) Obtn sin iterar la tabla del Simplex cuyas variables bsicas son xB=(y,t)t. Es una
tabla ptima o final? En caso afirmativo, escribe la solucin del problema lineal e
indica de qu tipo es. En caso negativo, realiza una iteracin ms.
4) PRACTICA AHORA T: Resuelve los ejercicios 9 y 10 de la COLECCIN DE EJERCICIOS.
67
Tema 4
PRCTICA 4: Resolucin de problemas lineales mixtos
1) Resuelve el siguiente problema lineal:
Min 3x 1 + 4 x 2
s.a.
2x 1 + 3x 2 10
x 1 + 3x 2 5
x1 , x 2 0
El PL en su forma estndar es:
Min 3x 1 + 4x 2
s.a.
3
4
0 0
M
x1
x2
s1 s2
a
2
3
1 0
0
10 10/3
0 s1
M a
1
0 -1
1
5 5/3
3
Zj M
3M
0 -M
M
5M
Wj 3-M 4-3M 0 M
0
0 s1
1
0
1 1
-1
5
4 x2 1/3
1
0 -1/3
1/3
5/3
Zj 4/3
4
0 -4/3
4/3
20/3
Wj 5/3
0
0 4/3 -4/3+M
2x 1 + 3x 2 + s1
x 1 + 3x 2
= 10
- s2 = 5
x 1 , x 2 , s1 , s 2 0
s.a.
2x 1 + 3x 2 + s1
x 1 + 3x 2
= 10
- s2 + a = 5
x 1 , x 2 , s1 , s 2 0
0 s1
4 x3+
Zk
Wk
1 x1
4 x3+
Zk
Wk
1
x1
1
1
4
-3
1
0
1
0
-2 4
x2 x3+
-1 0
-2 1
-8 4
6 0
-1 0
-1 1
-5 4
3 0
-4
x3
0
-1
-4
0
0
-1
-4
0
0
s1
1
0
0
0
1
-1
-3
3
b
10 10
14 14
56
10
4
26
68
Tema 4
COLECCIN DE EJERCICIOS
1.- Dado el siguiente problema de PL:
Max
s.a.
2x+2y+10
4x+2y16
x+2y8
x,y0
Con cuntas tablas diferentes podra empezar el algoritmo del smplex? Plantear dos de ellas e
indicar en cada una, si es procedente, la variable de entrada, la variable de salida y el elemento
pivote.
x1+2x2+4x3
x1+x210
x1+2x2+x3=14
x10, x20, x3 libre
Max
s.a.
c1x1+2x2+x3
x1+2x2+a13x38
2x1+4x3b2
xi0 i
x2
x2
x1
wj
x3
s1
1/2
s2
b
3
-7
-1
-1
1
0
0
x1
s2
s1
cj-zj
1
x1
1
0
0
0
-2
x2
-2
1
-1
x3
1
-1
0
-2
0
s1
0
0
1
0
0
s2
0
1
0
0
0
s3
1
0
-1
B
2
1
4
Z=2
69
Tema 4
5.- Dado el problema de PL:
Max
s.a.
2x1+x2
-x1+x2 2
x1+2x2 6
2x1+x2 6
x10, x20
y sabiendo que en el ptimo x1=2 y x2=2, calcular la tabla ptima del smplex sin realizar
ninguna iteracin. De qu tipo es la solucin?
x1+x2
-x1+x22
x2 4
x1 , x2 0
Obtener, sin iterar, la tabla del smplex en la cual las variables bsicas son x2 y s2. Es la tabla
ptima? En caso afirmativo, indicar la solucin y el valor de la funcin objetivo. En caso
negativo, realizar una iteracin ms.
7.- Se calculan tres tablas del smplex para un problema lineal de minimizacin de las cuales se
sabe:
-
Se puede afirmar, con total seguridad, que ha habido algn error de clculo. Explicar por qu.
5x1-x2
2x1+x23
x1+5x2=1
xi0, i
9.- Cuando en un problema de programacin lineal de maximizar se llega a una tabla con todos los
wj0 y una variable artificial es bsica, qu se sabe sobre la solucin del problema?
10.- Ponga un ejemplo de un problema lineal que tenga al menos una restriccin de igualdad y no
necesite variables artificiales para que la matriz bsica de la primera tabla sea la identidad.
70
Tema 4
COLECCIN DE PROBLEMAS DE ORDENADOR
1.- Un exportador de ctricos adquiere naranjas a los agricultores de su zona para manipularla y
exportarla a distintos pases de la UE. Los precios en el campo y los costes de manipulacin
determinan unos mrgenes de beneficio que dependen de la variedad de la naranja. La tabla
siguiente proporciona estos datos y los meses del ao en que se puede recolectar cada variedad.
Beneficio /Kg
Meses
x1.Marisol
0.03
Oct. a Dic.
x2.Clemenules
0.07
Nov. a Ene.
x3.Clemenvilla
0.08
Dic. a Feb.
La oferta mxima de naranja en la zona para esta campaa es de 200000 Kg para cada una de las
variedades 1 y 3 y de 400000 para la variedad 2. Los clientes extranjeros demandan naranja segn
los meses del ao, sin importarles mucho la variedad de la que se trate. Las demandas mnimas que
deben ser satisfechas vienen dadas en la tabla siguiente.
Demanda (Kg)
Octubre
60000
Noviembre
150000
Diciembre
230000
Enero
90000
Febrero
70000
La limitaciones del almacn donde se manipula la naranja suponen que de cada variedad y en cada
mes no se pueden tratar ms de 130000 Kgs.
a) Con estas limitaciones, plantee el problema que proporciona a este exportador la cantidad
de Kgs que debe comercializar de cada variedad en cada mes para maximizar el beneficio.
b) Determina la cantidad a exportar de cada variedad de naranja en cada mes y los beneficios.
c) Razona si la restriccin demanda de octubre satisface con igualdad o desigualdad.
2.- Una compaa financiera planifica sus operaciones para el ao prximo. La compaa concede
tres clases de prstamos que tienen los siguientes tipos de inters:
Prstamo personal: 9%
La poltica de la compaa impone ciertas restricciones sobre el reparto de los montantes en las
diferentes categoras. Los prstamos personales no debern exceder el 25% del presupuesto de la
compaa, mientras que los prstamo personal y mobiliario no debern exceder el 45% del
presupuesto. El montante concedido a los prstamos para automviles no deber exceder el 70%
del presupuesto, pero ser al menos el 80% del presupuesto concedido a los prstamos personales y
de mobiliario. La compaa tiene un presupuesto de 500 unidades monetarias.
a) Determinar el reparto ptimo del presupuesto para maximizar el rendimiento.
b) Se agota todo el presupuesto? Si se rebaja el tipo de inters para los prstamos personales
en un punto cambiar el reparto del presupuesto? (Para responder interpreta el rendimiento
marginal de la variable de holgura correspondiente)
3.- Una empresa se dedica a comprar y vender un producto durante algunos meses. El precio de
mercado tanto de compra como de venta, por tonelada, es
71
Tema 4
Enero
60
Febrero
90
Marzo
80
Abril
110
Se sabe que el coste de almacenamiento es de 10 u.m. por mes y tonelada, y el almacn tiene una
capacidad de 20 toneladas. Se supone que tanto la compra como la venta se realiza al principio de
mes, que el 1 de enero no hay stock y que no debe haber stock al final de abril.
a) Determinar la mejor poltica de compra/venta.
b) Indica la capacidad de almacenaje disponible por mes en el almacn.
Asignacin de agua
(pies-acre)
600
800
375
El tipo de cosecha apropiada para la regin incluye remolacha, algodn y sorgo, y stas
precisamente se estn estudiando para la estacin venidera. Las cosechas difieren primordialmente
en su rendimiento neto por acre esperado y en su consumo de agua. Adems, el Ministerio de
Agricultura ha establecido una cantidad mxima de acres que la Confederacin puede dedicar a
estas cosechas. Las cantidades son:
Cosecha
Remolacha
Algodn
Sorgo
Cant. mxima
acres
600
500
325
Consumo agua
pies-acre/acre
3
2
1
Rend. Neto
dlar/acre
400
300
100
Los tres kibbutzim que pertenecen a la Confederacin Sur estn de acuerdo en que cada kibbutzim
sembrar la misma proporcin de sus tierras irrigables disponibles. Cualquier combinacin de estas
cosechas se puede sembrar en cualquiera de los kibbutzim.
a) Cuntos acres deben asignarse a cada tipo de cosecha en cada kibbutzim, cumpliendo
con las restricciones dadas e intentando maximizar el rendimiento neto para la
Confederacin Sur?
b) Indica cuntos acres asignados por el Ministerio para cada uno de los cultivos queda sin
cultivarse.
c) Interpreta los rendimientos marginales de todas las variables.
72
Tema 4
ANOTACIONES
73
Dado un problema lineal (problema primal) es posible plantear un problema dual en el que las
variables de decisin son los multiplicadores del primero y es equivalente al primero en el sentido
de que la solucin ptima de uno permite calcular la del otro. El estudio de los problemas duales es
interesante porque:
Permite resolver de forma ms eficiente problemas en los que el nmero de restricciones es
mayor que el nmero de variables.
Permite realizar interpretaciones interesantes de los problemas econmicos y empresariales
subyacentes al problema de programacin lineal inicial.
Permite generar mtodos de resolucin (p.e. el mtodo dual del Simplex) que son tiles en
post-optimizacin y anlisis de sensibilidad (vase TEMA 6).
Las variables principales del problema primal son los multiplicadores del dual y
viceversa.
Consideremos para comenzar los siguientes problemas lineales, uno dual del otro:
(PP) Max 3x + 5y
s.a x + y 1
x + 2y 2
x, y 0
(PD) Min + 2
s.a + 3
+ 2 5
0, 0
1) Escribe las condiciones de punto de Kuhn y Tucker de los dos problemas y observa que las
variables principales del problema primal (PP) son los multiplicadores de Kuhn y Tucker del
problema dual (PD) y viceversa.
74
Tema 5
Problema Primal (PP)
L (x,y,,)=3x+5y+(1-x-y)+(2-x2y) LD(,,x,y)
L (,,x,y)=+2+x(3--)+y(5--2)
(d) x, y0
(c)
(iv) 0 (b.1), 0
(b.2)
2) Fjate en los dos problemas e intenta deducir las reglas que relacionan la direccin de
optimizacin y el signo de las variables de decisin del problema primal con las desigualdades de
las restricciones del problema dual y las desigualdades del problema primal con el signo de las
variables de decisin del problema dual.
En la prctica, la construccin del problema dual sigue las reglas recogidas en la siguiente
diapositiva:
Observaciones:
Cuando los problemas primales estn escritos en su forma cannica (maximizar con
restricciones menor o igual y condiciones de no negatividad de las variables o minimizar con
restricciones mayor o igual y condiciones de no negatividad de las variables) los duales son
asimismo cannicos y se dicen duales simtricos. Los duales de problema lineales en forma no
cannica se dicen duales asimtricos.
El dual de un problema dual es el problema primal original.
75
Tema 5
3) Resuelve por el mtodo del Simplex el problema primal y obtn los multiplicadores asociados
(la solucin dual) Qu relacin guardan los rendimientos marginales de la tabla del Simplex y la
solucin dual? (vanse ms detalles en el apartado 3 de este tema)
Usando la condicin (iii) de punto de K-T:
(1-x-y)=(1-2-0)=0 =0
x(3--)=2(3-0-)=0 =3
3
0
x
s
Zj
Wj
3
x
1
0
3
0
5
y
2
1
6
-1
0
s
0
1
0
0
0
t
1
1
3
-3
2
1
6
( x*, *) S S'
Observacin 1: El teorema de existencia se apoya en la siguiente argumentacin: si escribimos el
problema primal en forma cannica y ambos problemas son factibles entonces existen x y tales
que: Axb, x0 y Atc, 0. Y multiplicando la primera por t y la segunda por x: tAx t b,
tAxctx, se tiene que: ctx tAx t b. Entonces, se tiene que una solucin factible dual es una
cota superior del problema primal de maximizar, esto es, el problema primal es acotado; y una
solucin factible primal es una cota inferior del problema dual de minimizar, esto es, el problema
dual es acotado.
En consecuencia, los cuatro posibles casos que pueden darse son:
a) S S'
b) S = S'
c) S S' =
d) S = S' =
76
Tema 5
Teorema de la Dualidad. La condicin necesaria y suficiente para que exista solucin ptima del primal
(x*), es que exista una solucin ptima para el dual (*) en cuyo caso el valor de la funcin objetivo de
ambos programas ser el mismo, es decir F(x*)=G(*).
x* * / F( x*) = G( *)
Observacin 2.- Por este teorema si ambos problemas tienen solucin entonces:
F(x*) = c t x* = b t = G ( )
t -1
c t x* = c B
B b = ( )t b
t 1
Wj = c j c B
B Pj = c j (*) t Pj
( )t = cBt B-1
Wj = c j (*) t Pj
Teorema de la Holgura complementaria. La condicin necesaria y suficiente para que (x*, *) sean
soluciones ptimas del problema primal y dual, es que satisfagan las condiciones de holgura complementaria.
Observacin 3.- Como corolarios del teorema de la holgura complementaria se deducen los
distintos procedimientos que veremos en el apartado 3 para obtener la solucin ptima dual a partir
de la solucin ptima del primal cuando ambos problemas son factibles (y por lo tanto acotados).
2) PRACTICA AHORA T: Resuelve los problemas duales de los problemas lineales enunciados en
los ejercicios 1 y 2 de la COLECCIN DE EJERCICIOS y deduce la solucin primal aplicando el
Teorema de la Holgura Complementaria. (Nota.- En PRCTICA 1: EJERCICIO 3 hemos aplicado este
resultado para obtener la solucin dual a partir de la primal)
x* * / F( x*) = G( *)
Demostracin:
Comprobaremos sin prdida de generalidad esta doble implicacin para duales simtricos:
(PP) Max F(x) = c t x
s.a
Ax b
x0
(PD) Min G( ) = b t
s.a
At c
0
() Como las condiciones de Kuhn y Tucker son necesarias y suficientes en los problemas lineales
si x* es una solucin ptima del (PP) entonces x* es punto de Kuhn y Tucker y existe un 0 tal
que:
[b-Ax*]t =0,
77
Tema 5
3.- Relaciones entre la solucin ptima primal y dual
PRCTICA 2: Clculo de la solucin
El teorema de existencia garantiza que si ambos problemas son factibles entonces ambos problemas
tienen solucin ptima. Cabe ahora preguntarse cul es la relacin entre las soluciones de ambos
problemas y para ello haremos uso de los teoremas de dualidad y de la holgura complementaria.
Distinguiremos dos casos: los problemas en forma cannica (tambin podramos incluir en este
grupo problemas en los que no hayan restricciones de igualdad y/o variables libres) y los problemas
en forma no cannica.
P. Primal
x*=4 Wx=0
y*=0 Wy=-1
s*=0 Ws=-2
t*=5 Wt=0
Min 8 + 5
s.a 2
4
+ 1
, 0
4
0
x
t
Zj
Wj
4
x
1
0
4
0
1
y
1/2
1
2
-1
0
s
1/2
0
2
-2
0
t
0
1
0
0
B =
1 1
1 1/2
4
5
16
78
F*=16
P. Dual
s*=0 Ws=4
t*=1 Wt=0
*=2 W=0
*=0 W=5
G*=16
8
0
t
Zj
Wj
1
0
8
0
0
-1
0
5
0
s
-1/2
-1/2
-4
4
0
t
0
1
0
0
2
1
16
Tema 5
2) Resuelve grficamente el problema lineal:
Min 3x1 + 5x 2 x 3 + 2x 4 4x 5
s.a
x1 x 2 x 3 3x 4 x 5 6
x1 x 2 + 2x 3 + x 4 x 5 3
x i 0, i = 1, 2,..., 5
___________________________________
A partir de la solucin grfica del dual, y por
las relaciones entre las soluciones ptimas
de los dos problemas, la solucin del
problema primal es:
__________________________________
__________________________________
__________________________________
__________________________________
Se pide:
a) Obtn, sin iterar, la tabla del Simplex que corresponde a la solucin factible bsica
(x1,x2,s1,s2,s3)=(3,0,5,7,0). Esta tabla es ptima?, en caso afirmativo, indica la solucin y
el valor de la funcin objetivo y, en caso negativo, realiza las iteraciones necesarias para
resolver el PL.
b) Plantea el problema dual asociado y resulvelo a partir de la solucin del primal.
79
Tema 5
2. Alternativamente, tambin podemos obtener el ptimo del problema dual aplicando que:
( )t = cBt B-1
3. Y finalmente, sin necesidad de usar el Simplex, siempre podremos calcular la solucin
ptima dual usando directamente las condiciones de holgura complementaria.
cuya ltima tabla del Simplex (hacemos los cambios: x2=-x2-, x3=x3+x3-) viene dada por:
-1
2
-2
x3x1
x2Zj
Wj
2
x1
0
1
0
2
0
-2
x20
0
1
-2
0
1
x3+
-1
0
0
1
0
-1
x31
0
0
-1
0
0
s1
1
1
0
1
-1
-M
a1
0
-1/2
-1
1
-1-M
0
s2
1
0
-1
1
-1
-M
a2
-1
0
1
-1
1-M
4
8
2
8
Obtn el problema dual y halla la solucin de ambos problema resolviendo un problema de los dos.
El problema dual es:
______________________________________
______________________________________
______________________________________
______________________________________
______________________________________
______________________________________
80
Tema 5
4.- Interpretacin econmica del problema dual
PRCTICA 3: Interpretacin econmica del problema dual
Como las variables principales del problema dual corresponden a los multiplicador de Kuhn y
Tucker del problema primal su interpretacin econmica coincide con la de stos, es decir, miden
la sensibilidad de la funcin objetivo respecto a cambios infinitesimales en los trminos
independientes de las restricciones activas.
x1+x2+2x3+x4+3x5 4
2x1-x2+3x3+x4+x5 3
x1, x2, x3, x4, x5 0
3) A partir de la solucin GAMS del problema primal: a) recupera la ltima tabla del Simplex, b)
indica el tipo de solucin del problema primal, y c) obtn la solucin del problema dual y
reconstruye la ltima tabla Simplex del problema dual
81
Tema 5
Problema Primal
Problema Dual
Solucin: ______________________________
Solucin: ______________________________
______________________________________
______________________________________
Horas m.o
Horas mquina
Beneficio (/unidad)
10
15
21
Adems se sabe por experiencia comercial que se venden al menos tantas libreras del modelo
Pars como de los modelos Berln y Viena conjuntamente .El objetivo de la empresa es determinar
el nmero de librerias de cada modelo a fabricar para maximizar el beneficio.
82
Tema 5
3) Planteado y resuelto el problema usando el programa GAMS se obtuvo la siguiente solucin:.
S O L V E
S U M M A R Y
MODEL
MUEBLES
OBJECTIVE B
TYPE
LP
DIRECTION MAXIMIZE
SOLVER CPLEX
FROM LINE 17
**** SOLVER STATUS
1 NORMAL COMPLETION
**** MODEL STATUS
1 OPTIMAL
**** OBJECTIVE VALUE
1060.0000
LOWER
LEVEL
UPPER
MARGINAL
---- EQU BENEFICIO
.
.
.
1.000
---- EQU TABLERO
-INF
100.000
100.000
3.000
---- EQU HORAS_PER
-INF
200.000
200.000
3.800
---- EQU HORAS_MAQ
-INF
120.000
120.000
.
---- EQU DEMANDA
.
.
+INF
-0.600
LOWER
LEVEL
UPPER
MARGINAL
---- VAR PARIS
.
40.000
+INF
.
---- VAR BERLIN
.
30.000
+INF
.
---- VAR VIENA
.
10.000
+INF
.
---- VAR B
-INF
1060.000
+INF
.
Responde razonadamente a las siguientes cuestiones:
a) Determine la cantidad de libreras a producir de cada modelo para maximizar el beneficio.
b) Qu cantidad de tablero DM utiliza semanalmente?
c) Le interesa a la empresa hacer horas extraordinarias a un precio adicional de 2? Razona
la respuesta.
4) PRACTICA
ORDENADOR.
83
Tema 5
COLECCIN DE EJERCICIOS
1.- Dado el siguiente problema de PL:
Max
s.a.
x1+x2+x4
2x1+x2+4x3=10
x1+2x48
xi0, i=1,3, x4 libre, x20
x1+x2+x4
2x1+x2+4x3=10
x1+2x48
xi0, i=1,3, x4 libre, x20
4x1+3x2+x3
x1+x2+x34
x1+x34
xi0, i
Plantea el problema dual asociado, obtenga su solucin y calcule, a partir de l, la solucin primal.
84
Tema 5
6.- Dado un problema lineal con cinco variables, se sabe que (0,3,0,1,4) es una solucin factible.
Supongamos que resolvemos el problema dual asociado. Analiza cules de los siguientes casos son
posibles:
a) El problema dual tiene solucin ptima.
b) El problema dual es no factible.
c) El problema dual es no acotado.
7.- Dado un problema lineal de maximizar en forma cannica cuya solucin viene dada por:
F(x1,x2,x3)=20
(x1,x2,x3,s1,s2)=(1,0,3,0,0)
(wx1,wx2,wx3,ws1,ws2)=(0,-2,0,-2 ,-4)
Indica las variables bsicas y las no bsicas del ptimo dual, as como su valor, los wj duales y el
valor de la funcin objetivo dual en el ptimo.
8.- Dado un problema lineal de minimizar en forma cannica, se sabe que el ptimo es degenerado.
Qu se puede saber acerca del ptimo dual?
9.- Cierto fabricante produce sillas y mesas para lo que requiere la utilizacin de dos secciones de
produccin: la seccin de montaje y la seccin de pintura. La produccin de una silla requiere una
hora de trabajo en la seccin de montaje y 2 horas en la de pintura. Por su parte, la fabricacin de
una mesa precisa de tres horas en la seccin de montaje y una hora en la de pintura. La seccin de
montaje slo puede estar 9 horas diarias en funcionamiento, mientras que la de pintura slo 8 horas.
El beneficio que se obtiene produciendo mesas es el doble que el de sillas. El fabricante pretende
maximizar beneficios. Se pide:
a) Plantea el problema como un problema lineal y resolverlo mediante el mtodo smplex.
b) Interpreta el valor de las variables principales y el de las de holgura.
c) Interpreta el valor de los costes reducidos.
d) Calcula las variables duales e interpretar su valor.
e) Utilizando aquellas interpretaciones de los apartados anteriores que se consideren
pertinentes, razona si al empresario le conviene aumentar las horas de funcionamiento de la
seccin de montaje Y de la de pintura?
85
Tema 5
COLECCIN DE PROBLEMAS DE ORDENADOR
1.- MONDESCOR es una empresa que fabrica dos modelos de coches en dos plantas de
produccin y los vende en Madrid, Barcelona y Valencia. Los costes de transportar un coche,
independientemente del modelo, de cada fbrica a cada ciudad, vienen dados en unidades
monetarias en la siguiente tabla:
Planta 1
Planta 2
Madrid
30
100
Barcelona
20
90
Valencia
40
40
Madrid
800
1200
Barcelona
2000
1000
Valencia
4500
1500
Determina cuntos coches de cada modelo se deben transportar desde cada planta a
cada ciudad para satisfacer la demanda y minimizar los costes de transporte.
b)
2.- Un fabricante de carroceras de coches utiliza chapa metlica en la produccin de tres modelos
de coches, que divide en cuatro secciones. Las caractersticas de su sistema de produccin se
resumen en la siguiente tabla:
Seccin
Cortar
Ensamblar
Pintar
Montar
Necesidades (horas/unidad)
Modelo 1
Modelo 2
Modelo 3
0'02
0'04
0'01
0'04
0'03
0'04
0'03
0'03
0'02
0'05
0'04
0'04
Horas dis.
500
600
300
1000
Se dispone de 40000 metros cuadrados de chapa metlica para la semana prxima. La chapa se
utiliza en los tres tipos de coches en cantidades de 6, 5 y 4 metros cuadrados, respectivamente.
Existen niveles mximos de produccin y niveles de demanda mnimos a satisfacer, tambin se
dispone de los precios de venta de cada modelo y del coste unitario variable.
Modelo
1
2
3
Precio vta
100
120
75
Coste var.
30
35
25
Prod. max.
20000
10000
25000
Dem. min
3000
1000
5000
a) Resuelve el modelo que calcula las cantidades a producir de cada modelo de coche de
forma que se maximicen los beneficios.
86
Tema 5
b) A la empresa le ofrecen 5000 metros cuadrados de chapa a un coste total de 79000
unidades monetarias. Por qu la empresa aceptar la oferta? Calcula el beneficio
mximo que puede obtener bajo estas nuevas condiciones.
3.- Un exportador de ctricos adquiere naranjas a los agricultores de su zona para manipularla y
exportarla a distintos pases de la UE. Los precios en el campo y los costes de manipulacin
determinan unos mrgenes de beneficio que dependen de la variedad de la naranja. La tabla
siguiente proporciona estos datos y los meses del ao en que se puede recolectar cada variedad:
Beneficio /Kg
Meses
x1.Marisol
0.03
Oct. a Dic.
x2.Clemenules
0.07
Nov. a Ene.
x3.Clemenvilla
0.08
Dic. a Feb.
La oferta mxima de naranja en la zona para esta campaa es de 200000 Kg para cada una de las
variedades 1 y 3 y de 400000 para la variedad 2. Los clientes extranjeros demandan naranja segn
los meses del ao, sin importarles mucho la variedad de la que se trate. Las demandas mnimas que
deben ser satisfechas vienen dadas en la tabla siguiente:
Demanda (Kg)
Octubre
60000
Noviembre
150000
Diciembre
230000
Enero
90000
Febrero
70000
La limitaciones del almacn donde se manipula la naranja suponen que de cada variedad y en cada
mes no se pueden tratar ms de 130000 Kgs.
a) Determina la cantidad de Kgs que debe comercializar de cada variedad en cada mes
para maximizar el beneficio.
b) Razona si la restriccin demanda de octubre satisface con igualdad o desigualdad.
c) Si el exportador puede incrementar en 1000 Kg adicionales la oferta mxima para esta
temporada de naranja Celemenvilla (x3) adquiriendo estos kilos al precio de 0.06 /Kg,
le interesar esta posibilidad?
87
Cuando resolvemos un problema de programacin lineal asumimos que los coeficientes, trminos
independientes y coeficientes de la matriz tcnica son conocidos con certeza y permanecen
constantes en el tiempo. Estas hiptesis son admisibles como mucho a muy corto plazo y en
periodos de planificacin ms largos es muy probable que estos coeficientes cambien haciendo, tal
vez inadecuada la solucin ptima obtenida.
Estos cambios en los parmetros pueden afectar a las dos condiciones que ha de satisfacer una
solucin ptima x* que son:
En este tema estudiaremos el rango o campo de variacin admisible para los diferentes parmetros
del problema dentro del cual la solucin actual se mantiene como factible y ptima (anlisis de
sensibilidad) y cmo quedan afectadas las condiciones de optimalidad y factibilidad de la solucin
actual cuando se modifican uno o varios parmetros del problema (anlisis de post-optimizacin).
x1 + x 2 4
2x 1 + x 2 6
x1 , x 2 0
88
Tema 6
1) Obtn la tabla del Simplex sin realizar ninguna iteracin
Una vez estandarizado el problema y
sustituyendo en las ecuaciones se obtiene que
s1=0, s2=2 y por lo tanto que las variables
bsicas en la solucin ptima son x2 y s2.
__________________________________
__________________________________
2
0
x2
s2
Zj
Wj
1
x1
1
1
2
-1
2
x2
1
0
2
0
0
s1
1
-1
2
-2
0
s2
0
1
0
0
4
2
8
__________________________________
Cambios en los coeficientes de la funcin objetivo: afectan a la condicin de
optimalidad y en el intervalo de sensibilidad se modifica el valor de la funcin objetivo en el
ptimo y no el valor de las variables.
2
0
x2
s2
Zj
Wj
c1
x1
1
1
2
c1-2
2
x2
1
0
2
0
0
s1
1
-1
2
-2
4
2
8
B 1 =
1 1
para mantener la solucin como factible:
1 0 b1 b1
0
=
B 1b =
1 1 6 b1 + 6
0 b1 6
_____________________________________
_____________________________________
89
Tema 6
Cambios en los coeficientes tcnicos de variables no bsicas: afectan a la condicin de
optimalidad y en el intervalo de sensibilidad se modifica el valor de la funcin objetivo en el
ptimo y no el valor de las variables. (No se estudian los cambios en variables bsicas porque
puede pasar cualquier cosa.)
COLECCIN DE EJERCICIOS.
Cada uno de estos procesos tiene una limitacin de utilizacin semanal de 20 y 10 horas,
respectivamente. El objetivo es determinar la produccin que maximiza los beneficios.
Se pide:
a) Plantea el problema y determina la produccin de A y B que maximiza los beneficios.
b) Calcula el intervalo de variacin del beneficio bruto unitario del producto A para que se
mantenga la misma base ptima.
c) Calcula el intervalo de sensibilidad para el beneficio unitario de la variedad B.
d) Hallar el intervalo de variacin de la limitacin de horas de trabajo de los procesos P y Q
para que se mantenga la misma base ptima.
e) Realiza el anlisis de sensibilidad del coeficiente definido por las horas requeridas del
proceso Q para producir una unidad de B.
(Solucin en: Guerrero (1994) pg. 200-201, 218-219, 221-222 y 225
90
Tema 6
Cambios en los coeficientes de la funcin objetivo
1) Qu sucede cuando c1 pasa a valer 3/2?
Corresponde a una variables no bsica y por lo
tanto, su modificacin altera nicamente la
condicin de optimalidad de la variable x1.
w1=3/2-2=-1/2<0
Como se sigue cumpliendo la condicin de
optimalidad, la solucin sigue siendo vlida con
el mismo valor de la funcin objetivo.
2
0
x2
s2
Zj
Wj
3/2
x1
1
1
2
-1/2
2
x2
1
0
2
0
0
s1
1
-1
2
-2
0
s2
0
1
0
0
b
4
2
8
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
1/2
0
1/2
1
x2
s2
Wj
x2
x1
Wj
1
1/2 0
0
x1
x2
s1
s2
1
1
1
0
0
-1
1
1
1/2 0 -1/2 0
0
1
2
-1
1
0
-1
1
0
0
0 -1/2
b
4
2
2
2
2
3
4
2
91
Tema 6
5) Qu sucede cuando b1 pasa a valer 10 y b2 pasa a valer 8?
Afecta a la factibilidad de la solucin:
10
B 1 b = / 0
2
La solucin deja de ser ptima para recuperar la
optimalidad se pasa a resolver el dual (una
solucin bsica no factible del primal que
cumple el criterio de optimalidad es una
solucin factible bsica del dual), se aplica el
algoritmo dual del Simplex, o se soluciona el
problema desde el principio.
El problema dual a resolver es:
10
0
8
0
1
h1
Zj
Wj
2
h1
Wj
10 8
1 2
1
1
0
-1
10 10
0 -2
1
1
1
0
2
0
0
h1
0
1
0
0
0
1
0
0
h2
-1
-1
-10
10
-1
-2
8
b
2
1
20
2
3
16
1 2 1 0
A D =
1 1 0 1
luego:
1 1 2 0 1
1 0 1 1
2
L
0 1 1 1
1
1 0 1 1 2
BD ND
I (B D ) 1 N D (B D ) 1 b D
bD
2
2
B 1P3 = , w 3 = 6 (2,0) = 2 > 0
0
0
La solucin deja de ser ptima y hay que hacer
iteraciones del Simplex hasta recuperar la
optimalidad.
92
2
0
6
0
x2
s2
Wj
x3
s1
Wj
1
2
x1 x2
1
1
1
0
-1
0
1/2 1/2
-1
0
-2 -1
6
0
x3 s1
1
2
0
-1
2 -2
1 1/2
0
-1
0
-3
0
s2
0
1
0
0
1
0
b
4
2
8
2
2
12
Tema 6
7) PRACTICA
PRCTICA AHORA T. Estudia si la solucin ptima sigue siendo vlida bajo los siguientes
supuestos y si ya no lo es determina la nueva solucin ptima.
a) Si el beneficio unitario del primer producto pasa a ser de 7 u.m.
b) Si el beneficio unitario del segundo producto pasa a ser de 12 u.m.
c) Si la limitacin semanal del segundo proceso se ampla a 30 horas.
d) Si el tiempo que requiere la variedad B en el proceso Q es 1 hora por semana.
e) Si al fabricante le proponen fabricar otra variedad C con la que obtendr un beneficio
unitario de 6 u.m., sabiendo que para fabricar una unidad de este producto se requieren 3 y
2 horas semanales de los procesos P y Q.
f) Si el fabricante tiene como limitacin no producir ms de 6 unidades semanales en total.
(Solucin en: Guerrero (1994) pg. 203-211
93
Tema 6
Observaciones:
Fjate bien en la diapositiva, en la versin GAMS 21.3 se obtienen directamente los intervalos
de sensibilidad de coeficientes y trminos independientes.
El programa GAMS no realiza anlisis de post-optimizacin, para hacer este anlisis hay que
modificar el fichero GAMS y volverlo a ejecutar.
El anlisis de sensibilidad se realiza siempre sobre los resultados del problema introducido (si
cambias algn coeficiente del problema cambia, en consecuencia, el anlisis de sensibilidad).
Consideremos un problema de dieta para repasar la interpretacin econmica de los rendimientos
marginales y las variables duales, y realizar anlisis de sensibilidad y post-optimizacin con
GAMS. El enunciado es el siguiente:
Un mdico receta a un paciente una dieta basada en 6 grupos alimenticios bsicos: fruta (F),
verdura (V), lcteos (L), carne (Ca), pescado (P) y cereales (Ce). Para que la dieta cumpla los
requerimientos energticos del paciente y sea equilibrada debe sumar un contenido calrico
mnimo de 2000 caloras y los productos de los grupos carne y pescado (se consideran a este nivel
sustitutos), cereales, y verduras deben representar al menos el 7, 15 y 43% del total
respectivamente.
La tabla adjunta indica para cada grupo: las caloras que proporciona por trmino medio un kilo
de alimento, y el precio medio (en euros) de un kilo de alimento.
Caloras/Kg
Precio/Kg.
Fruta
900
2.5
Verdura
500
3
Lcteos
1800
0.6
Carne
3200
7
Pescado
1500
6.5
Cereales
2500
0.5
El paciente desea determinar la dieta ms barata que cumple con los requisitos dietticos
indicados.
94
Tema 6
La salida GAMS 21.3 con anlisis de sensibilidad es:
S O L V E
MODEL
TYPE
SOLVER
S U M M A R Y
DIETA
LP
CPLEX
OBJECTIVE
DIRECTION
FROM LINE
C
MINIMIZE
16
1 NORMAL COMPLETION
1 OPTIMAL
2.4038
EQUATION NAME
------------VERDURA
CAR_Y_PES
CEREALES
CALORIAS
COSTE
LOWER
-----0.3374
-0.08537
-INF
0
-INF
CURRENT
------0
0
0
2000
0
UPPER
----0.7078
0.3619
0.4144
+INF
+INF
VARIABLE NAME
------------F
V
L
CA
P
CE
C
LOWER
-----1.423
-0.2493
-0.3413
1.172
4.957
-2.566
-INF
CURRENT
------2.5
3
0.6
7
6.5
0.5
1
UPPER
----+INF
34.75
+INF
8.66
+INF
1.687
+INF
----------------
EQU
EQU
EQU
EQU
EQU
VERDURA
CAR_Y_PES
CEREALES
CALORIAS
COSTE
----------------------
VAR
VAR
VAR
VAR
VAR
VAR
VAR
F
V
L
CA
P
CE
C
LOWER
.
.
.
2000.000
.
LOWER
.
.
.
.
.
.
-INF
LEVEL
.
.
0.414
2000.000
.
UPPER
+INF
+INF
+INF
+INF
.
MARGINAL
4.904
5.659
.
0.001
1.000
LEVEL
.
0.509
.
0.083
.
0.592
2.404
UPPER
+INF
+INF
+INF
+INF
+INF
+INF
+INF
MARGINAL
3.923
.
0.941
.
1.543
.
.
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
Determina la dieta ms barata que cumple con los requisitos. Cul es el coste mnimo? Qu
requisitos se cumplen con igualdad? La dieta ptima es nica?
95
Tema 6
8) Si aumenta el precio de los cereales a 2/Kg. La solucin seguir siendo ptima? Si la
respuesta es negativa, cul ser la nueva solucin?
9) Si podemos comprar pescado a 4.8/Kg. La solucin seguir siendo ptima? Si la respuesta es
negativa, cul ser la nueva solucin?
10) PRACTICA
ORDENADOR.
Vase
Vase
apartado Discusin de la solucin del problema lineal: Descripcin de la solucin en ANEXO 5)
Vanse los
apartados Discusin de la solucin del problema lineal: Interpretacin dela columna MARGINAL
del GAMS y Planteamiento y resolucin del problema dual en MATERIAL COMPLEMENTARIO:
ANEXO 5)
Vanse
los apartados Discusin de la solucin del problema lineal: Intervalos de sensibilidad de los
coeficientes de la funcin objetivo y Discusin de la solucin del problema lineal: Intervalos de
sensibilidad de los trminos independientes en MATERIAL COMPLEMENTARIO: ANEXO 5)
96
Tema 6
6) Responde razonadamente a las cuestiones del enunciado. (
97
Tema 6
COLECCIN DE EJERCICIOS
1.- Considera el siguiente problema de programacin lineal:
Max Z = 2x1 +x2 -x3
s.a. x1 + 2x2 + x3 8
- x1 + x2 - 2x3 8
x1, x2, x3 0
Cuya tabla ptima es:
2
0
2
x1
1
0
2
0
x1
s2
zj
wj
1
x2
2
3
4
-3
-1
x3
1
-1
2
-3
0
s1
1
1
2
-2
0
s2
0
1
0
0
8
16
16
2.- Una empresa planea producir dos artculos en cantidades x e y. Los beneficios unitarios son de
2 y 5 u.m. respectivamente. El coste de produccin unitario es de 3 u.m. para el primero y 5 u.m.
para el segundo, y la empresa dispone de un presupuesto de 30 u.m. diarias. Por otra parte, la
empresa dispone de un mximo de 20 horas diarias de mano de obra, con lo que el problema de
maximizar beneficios resulta ser:
Max 2 x + 5 y
Funcin de beneficios
s.a. 3x + 5 y 30 Coste de la produccin diaria
x + 2 y 20 Horas diarias de produccin
x, y 0
La tabla ptima es
5
0
y
s2
Zj
Wj
2
x
3/5
-1/5
3
-1
5
y
1
0
5
0
0
s1
1/5
-2/5
1
-1
0
s2
0
1
0
0
6
8
30
a) Indica el valor ptimo de las variables, el tipo de solucin e interpreta econmicamente los
wj.
b) Plantea el problema dual y obtn su solucin ptima a partir de la tabla anterior.
c) Intervalo de sensibilidad del presupuesto disponible.
d) La solucin muestra que no resulta rentable producir el primer artculo. Ante esta situacin,
la empresa se plantea la posibilidad de reducir de algn modo el coste de produccin.
Determina la produccin ptima si el coste se redujera a a11=1.
3.- Si el coeficiente en la funcin objetivo de una variable bsica cambia, pero sin salirse de su
intervalo de sensibilidad, analiza los cambios que se producen sobre la composicin de la base, el
valor de las variables bsicas y el valor de la funcin objetivo en el ptimo del nuevo problema.
98
Tema 6
4.- Si un coeficiente tcnico asociado a una variable no bsica cambia, pero sin salirse de su
intervalo de sensibilidad, analiza los cambios que se producen sobre la composicin de la base, el
valor de las variables bsicas y el valor de la funcin objetivo en el ptimo del nuevo problema.
5.- Si el coeficiente en la funcin objetivo de una variable no bsica cambia pero sin salirse de su
intervalo de sensibilidad, analiza los cambios que se producen sobre la composicin de la base, el
valor de las variables bsicas y el valor de la funcin objetivo en el ptimo del nuevo problema.
6.- Si un trmino independiente de una restriccin cambia, pero sin salirse de su intervalo de
sensibilidad, analiza los cambios que se producen sobre la composicin de la base, el valor de las
variables bsicas y el valor de la funcin objetivo en el ptimo del nuevo problema.
7.- Un botellero embotella y comercializa tres tipos de vino A, B y C, obteniendo un beneficio por
cuba de 50, 25 y 20 u.m., respectivamente. Cada cuba ha de pasar por dos fases, llenado y
precintado. La primera trabaja hasta un total de 640 horas semanales y la segunda 900 horas
semanales.
El nmero de horas que una cuba necesita en cada fase viene dado por la tabla:
A
B
C
Llenado
16
4
6
Precintado
30
5
10
99
Tema 6
COLECCIN DE PROBLEMAS DE ORDENADOR
1.- Una empresa de piensos elabora tres tipos de piensos utilizando cuatro tipos de cereales. Cada
saco de pienso, de 50 kilos, se vende a un precio y de cada cereal existe una disponibilidad mxima
en los almacenes. Para obtener un saco de cada tipo de pienso se necesitan determinados kilos de
cada cereal. En la siguiente tabla, donde los datos aparecen en kilos y euros, se resumen los datos:
Pienso
Avena
Maz
Cebada
Mijo
Precio
25
25
1500
20
20
10
2000
20
30
1200
Existencias
50000
80000
40000
10000
Se pide:
a) Determinar el nmero de sacos que deber producir la empresa de cada tipo de pienso para
maximizar el ingreso, suponiendo que vende toda su produccin. Le sobrarn existencias
de cebada?
b) Para potenciar el consumo de mijo la Unin Europea decide conceder una subvencin a los
piensos que lo contengan. Esto supone 200 euros adicionales por saco del pienso 2. Qu
ocurrir con la solucin actual si la empresa decide solicitar la subvencin?
2.- Un inversor desea invertir 150000 euros como mucho de forma que maximice los intereses
esperados al final del ao. Tras un estudio de las distintas alternativas de inversin selecciona seis
activos con las siguientes caractersticas:
Activo
Tipo
Moneda
Inters
esperado
Renta fija
Euro
4%
Renta fija
Euro
6%
Renta variable
Euro
16%
Renta fija
Dlar
4%
Renta variable
Dlar
11%
Renta variable
Yen
18%
Tras consultar con un asesor financiero para disminuir el riesgo de su inversin, decide invertir
cumpliendo los siguientes requisitos:
Se pide:
a) Obtn cmo distribuir el inversor su capital entre los distintos activos para maximizar el
total de intereses esperados y calcular qu intereses recibir si realiza la inversin ptima.
b) El inters esperado del sexto activo es muy incierto. Calcula cules son los valores entre los
cuales este activo se mantiene en la inversin ptima.
100
Tema 6
3.- La empresa Veleros Valencianos, S.A. que se dedica a la fabricacin de embarcaciones a vela
esta planificando la produccin para atender a la demanda de los prximos tres aos.
Sabiendo que:
La demanda prevista para los aos 2004, 2005 y 2006 es de 50, 75 y 90 embarcaciones
respectivamente.
Se pide:
a) Determina la produccin en cada uno de los meses, para que el beneficio de la empresa sea
mximo.
b) La direccin estima que la nominacin de Valencia como sede de la Copa Amrica 07
puede afectar a la demanda de esta embarcacin y a su precio de venta y desea conocer:
Para que intervalo de precios por unidad y ao la solucin inicial seguir siendo
ptima.
101
Tema 6
Se pide:
Max 2x + 3y
s.a. x + y + z = 4
y+z2
x, y, z 0
cuya tabla ptima es :
x
y
zj
wj
x
1
0
2
0
y
0
1
3
0
z
0
1
3
-3
s
-1
1
1
-1
b
2
2
10
Se pide :
a) Calcula a partir del enunciado del problema una tabla inicial para resolver el problema usando el
algoritmo del Simplex.
b) Escribe la solucin completa del problema indicando qu variables son bsicas y cules no lo
son. Indica tambin si la solucin es nica o no y explica por qu. E interpreta los valores de los
redimientos marginales.
102
Tema 6
Seccin
Corte
Ensamblado
Pintura
Montaje
Necesidades (horas/unidad)
Modelo 1
Modelo 2
Modelo 3
0.02
0.04
0.01
0.04
0.03
0.04
0.03
0.03
0.02
0.05
0.04
0.04
Horas
disponibles
500
600
300
1000
Se disponen de 45000 m2 de chapa metlica en el almacn y los requerimientos por cada unidad de
cada modelo son de 6, 5 y 4 m2 de chapa respectivamente. Por otra parte, sabemos que los
beneficios unitarios de cada modelo son de 70, 85 y 50 u.m. respectivamente.
El fabricante desea averiguar cuntas carroceras de cada modelo ha de fabricar para maximizar sus
beneficios.
La solucin ptima que proporciona el GAMS es:
EQUATION NAME
------------CORTE
ENSAMBLADO
PINTURA
MONTAJE
CHAPA
BENEFICIO
LOWER
----360
270
270
360
0
-INF
CURRENT
------500
600
300
1000
4.5e+004
0
UPPER
----+INF
+INF
+INF
+INF
5e+004
+INF
VARIABLE NAME
------------M1
M2
M3
B
LOWER
-----INF
-22.5
-INF
0
CURRENT
------0
0
0
1
UPPER
----32
+INF
18
+INF
LOWER
-------------------
EQU
EQU
EQU
EQU
EQU
EQU
CORTE
ENSAMBLADO
PINTURA
MONTAJE
CHAPA
BENEFICIO
-INF
-INF
-INF
-INF
-INF
.
LOWER
-------------
VAR
VAR
VAR
VAR
M1
M2
M3
B
.
.
.
-INF
LEVEL
UPPER
360.000
500.000
270.000
600.000
270.000
300.000
360.000 1000.000
45000.000 45000.000
.
.
LEVEL
.
9000.000
.
7.6500E+5
MARGINAL
.
.
.
.
17.000
1.000
UPPER
MARGINAL
+INF
+INF
+INF
+INF
-32.000
.
-18.000
.
103
Tema 6
PREGUNTA 4: Un inversor desea invertir como mximo 150.000 euros maximizando los
intereses esperados al final del ao. Tras un estudio de las distintas alternativas de inversin
selecciona seis activos, todos ellos denominados en euros, con las siguientes caractersticas :
Activo
1
2
3
104
Tema 6
ANOTACIONES
105
Hasta este tema cuando estudibamos un problema lineal asumamos que las variables de decisin
del problema eran continuas. Muchos problemas lineales por sus propias caractersticas (problemas
enteros directos), porque incluyen alguna variable de decisin de tipo cualitativo (problemas
codificados), o porque para ser formulados requieren de la introduccin de variables artificiales
enteras (problemas transformados) exigen considerar una o varias variables de decisin enteras.
Dedicaremos este tema a plantear y resolver algunos de estos problemas que reciben el nombre de
problemas de programacin entera.
Detallista 1
14
13
Detallista 2
13
13
Detallista 3
11
12
Determina el nmero de cajas que se enviarn desde cada fbrica hasta cada detallista de modo
que se minimice el coste total.
106
Tema 7
Enunciado 2: El encargado de recursos humanos de una empresa debe asignar a tres directivos
de la empresa matriz con sede en Madrid a tres puestos directivos distintos en los departamentos:
Comercial, Financiacin y Produccin de su nueva sede en Valencia. Tras evaluar las aptitudes de
cada candidato para cada cargo se obtuvo la siguiente tabla de calificaciones:
Directivo 1
Directivo 2
Directivo 3
Comercial
7
9.2
7.5
Financiacin
6
7
5.5
Produccin
7.5
8.5
7
Plantea un problema que permita determinar la asignacin ptima de cada directivo a un puesto.
Enunciado 3: Un excursionista debe determinar qu objetos (como mximo uno de cada tipo)
debe llevar consigo en la mochila para maximizar su utilidad sabiendo que el peso mximo que
puede llevar es de 100 Kgs.
Los objetos que puede llevar, su peso y su utilidad quedan recogidos en la tabla adjunta.
Objeto
Linterna
Saco
Cocina
Manta
Comida
Ropa
Varios
Peso
40
50
30
10
10
40
30
Utilidad
40
80
10
10
4
20
60
Enunciado 4: Una ciudad tiene tres escuelas y el Consejo Directivo de Escuelas ha decidido
redistribuir las zonas escolares asignadas a cada escuela. La ciudad est dividida en 4 secciones,
cada una de ellas con una poblacin estimada de estudiantes para los prximos aos. Se ha
determinado la distancia (en Kms) del centro de cada seccin a cada una de las escuelas.
Seccin
Alumnos
1
450
2
400
3
500
4
500
Capacidad escuela
Escuela A
1.2
2.6
0.7
1.8
750
Distancia
Escuela B
1.5
4
1.1
1.3
700
Escuela C
3.3
5.5
2.8
2
550
El Consejo desea averiguar cuntos estudiantes de cada seccin deben asistir a cada una de las
escuelas para que la distancia total recorrida por el conjunto de estudiantes sea mnima.
107
Tema 7
Enunciado 6: Una empresa de productos plsticos fabrica mesas y sillas de terraza. Las sillas y
mesas se producen en unos moldes por inyeccin del plstico y la empresa tiene una capacidad
mxima de inyeccin de 325 Kg. diarios, siendo las necesidades de cada producto de 3 Kg. por
silla y 12 Kg. por mesa. Por razones tcnicas se han de producir un mnimo de 60 sillas y 30 mesas
cada vez que se instala el molde. Sabiendo que los beneficios unitarios son de 6 por silla y 24
por mesa determina el nmero de mesas y sillas a fabricar.
Plantea en trminos matemticos estos problemas de programacin matemtica identificando las
variables del problema, la funcin objetivo y restricciones. E identifica el tipo de aplicacin
econmica.
Problemas enteros puros, son aquellos en los que todas las variables del problema
nicamente pueden tomar valores enteros.
Problemas mixtos, son aquellos en los que al mismo tiempo hay variables continuas y
discretas.
Problemas binarios, cuando aparece al menos una variable binaria. Pueden ser binarios
puros y binarios mixtos. (Una variable binaria es aquella que slo puede tomar los valores
0 1.)
Problemas directos, cuando el problema de decisin por su propia naturaleza implica que
las variables han de tomar valores enteros.
Problemas codificados, cuando se trata de un problema que toma decisiones sobre alguna
cuestin de orden cualitativa.
108
Tema 7
El mtodo de ramificacin y acotacin (Branch and Bound) que describimos en la prxima
diapositiva se apoya en las siguientes ideas:
Resolver en primer lugar el problema lineal asociado, si la solucin cumple las condiciones de
integridad exigidas hemos resuelto el problema lineal entero.
Si el problema lineal asociado no cumple las condiciones de integridad exigidas evitaremos la
tentacin de redondear la solucin y considerarla como vlida, por dos razones importantes: (i)
la solucin obtenida por redondeo no es ptima y puede ser incluso muy diferente a la solucin
ptima del problema entero, y (ii) puede ocurrir que al efectuar el redondeo la solucin
obtenida no cumpla las restricciones y por lo tanto sea no ptima e infactible.
Si al resolver el problema lineal asociado el ptimo no cumple las condiciones de integridad
exigidas podemos dividir, a partir de una variable no entera xi, el problema en dos nuevos
subproblemas con restricciones excluyentes (el 1 con la restriccin xi[xi]+1 y el 2 con la
restriccin xi[xi] ) que dividen el problema original en dos partes en las que se eliminan
soluciones no enteras. Este proceso de ramificacin favorece, a travs de la resolucin de estos
problemas, la obtencin de candidatos a solucin entera ptima del problema lineal entero.
Si a un problema de programacin de maximizar se le aaden restricciones adicionales, el valor
de la funcin objetivo en el ptimo del problema con ms restricciones es menor o igual que en
el problema original. Y al contrario, en un problema de minimizar si se aaden restricciones
adicionales el valor de la funcin objetivo en el ptimo es mayor o igual que en el problema
original.
Si al aplicar el proceso de ramificacin que hemos descrito antes obtenemos una solucin
entera (un candidato a ptimo del problema lineal entero original), el valor de la funcin
objetivo en esta solucin se convierte en una cota que de acuerdo con la observacin anterior
interrumpir (porque por esa rama no podemos obtener una solucin entera mejor) aquellos
procesos de ramificacin en los que el valor de la funcin objetivo en el ptimo (no
necesariamente entero) del subproblema lineal asociado sea en el problema de maximizar
menor o igual al valor de la funcin objetivo en esa solucin entera, y en el problema de
minimizar mayor o igual.
El proceso de ramificacin se puede detener por el criterio de acotacin o por llegar a un
problema infactible.
109
Tema 7
Observaciones:
Los problemas lineales que se construyen en cada nudo se resolvern por el mtodo grfico si
el nmero de variables de decisin es una o dos, o usando el algoritmo del Simplex. En este
ltimo caso, es til aplicar las tcnicas de anlisis de post-optimizacin que vimos en el TEMA
6.
Los problemas lineales enteros mixtos se resuelven aplicando el mismo mtodo aplicado a las
variables principales que han de tomar valor entero. En estos casos, el valor de la funcin
objetivo en el ptimo no ser necesariamente un entero.
Consideremos el siguiente problema de programacin lineal entera pura:
Max 28x + 11y
14x + 6y 25
s.a
x, y 0, x, y Z+
110
_____________________________________
Resolucin de los PL nodos 1.1 y 1.2
Tema 7
Resolucin de los PL nodos 1.2.1 y 1.2.2
2) Usando el rbol presentado escribe cules son las restricciones adicionales impuestas para pasar
de un nodo al siguiente. Escribe el problema que se ha resuelto en los nodos 0 (PLA), 1.1 y 1.2.2.1.
3) Razona por qu se ha acabado el proceso de ramificacin. Indica por qu razn han quedado
saturados los nodos 2, 1.1, 1.2.1, 1.2.2.1 y 1.2.2.2.
4) Se ha llegado al ptimo del problema lineal entero? En caso afirmativo cul es el valor del
ptimo?
111
Tema 7
5) PRACTICA AHORA T: Considera el siguiente problema de programacin lineal entera pura:
Max 8x + 10y
s.a
4x + 6y 24
8x + 3y 24
x, y 0, x, y Z+
Plantea el rbol de ramificacin del problema resolviendo grficamente los problemas lineales
asociados de cada nodo, y responde razonadamente a las preguntas 1) a 4) de esta seccin.
Solucin: Mochol y Sala (1999), pg. 352-355
Fjate en el tercer grupo de instrucciones, el GAMS es un programa de uso profesional y como tal
incorpora algunas limitaciones para evitar bsquedas de solucin demasiado largas. En primer
lugar, acota por defecto el conjunto de oportunidades garantizando la existencia de un ptimo en un
cubo de lado 100. Y en segundo lugar, establece un nivel de tolerancia de modo que si obtiene una
solucin entera que cumple este nivel de tolerancia se detiene. Estos dos niveles por defecto pueden
modificarse a costa de hacer ms lento el proceso de optimizacin, la pregunta es en qu
situaciones? Si las restricciones del problema nos hacen sospechar que la solucin ptima supera el
valor de 100 habr que aumentar la cota. (En algunas ocasiones nos damos cuenta de esta
circunstancia porque sin cambiar la cota el problema se vuelve infactible.) Si el problema es
relativamente pequeo (los que vamos a ver en este curso lo son) como el riesgo de alargar
excesivamente el tiempo de resolucin es pequeo en el caso de que la solucin no nos d ptima
lo que haremos es cambiar la tolerancia a un valor muy bajo (por ejemplo, el 0.01% como aparece
en la transparencia).
Consideremos para practicar los enunciados 1, 3 y 6 que plantebamos matemticamente en la
seccin APLICACIONES ECONMICAS Y EMPRESARIALES de este tema.
112
Tema 7
1) Crea un proyecto en el directorio A:\TEMA7 y los correspondientes ficheros GAMS para
resolver estos tres problemas y ejectalos.
Deberas obtener las siguientes salidas para los enunciados 1, 3 y 6 respectivamente:
S O L V E
MODEL
TYPE
SOLVER
TRANS
MIP
OSL
EQU
EQU
EQU
EQU
EQU
EQU
FAB_A
FAB_B
DET_1
DET_2
DET_3
COSTE
----------------------
VAR
VAR
VAR
VAR
VAR
VAR
VAR
XA1
XA2
XA3
XB1
XB2
XB3
C
OBJECTIVE
DIRECTION
FROM LINE
C
MINIMIZE
18
1 NORMAL COMPLETION
1 OPTIMAL
27600.0000
LOWER
LEVEL
UPPER
-INF
1200.000 1200.000
-INF
1000.000 1000.000
1000.000 1000.000 1000.000
700.000
700.000
700.000
500.000
500.000
500.000
.
.
.
LOWER
.
.
.
.
.
.
-INF
S O L V E
MODEL
TYPE
SOLVER
S U M M A R Y
LEVEL
.
700.000
500.000
1000.000
.
.
27600.000
UPPER
1200.000
1200.000
1200.000
1000.000
1000.000
1000.000
+INF
MARGINAL
.
-1.000
14.000
14.000
13.000
1.000
MARGINAL
EPS
-1.000
-2.000
EPS
EPS
EPS
.
S U M M A R Y
MOCHILA
MIP
OSL
OBJECTIVE
DIRECTION
FROM LINE
1 NORMAL COMPLETION
1 OPTIMAL
154.0000
LOWER
.
-INF
LEVEL
.
100.000
UPPER
.
100.000
MARGINAL
1.000
0.400
-------------------------
LOWER
.
.
.
.
.
.
.
-INF
LEVEL
.
1.000
.
1.000
1.000
.
1.000
154.000
UPPER
1.000
1.000
1.000
1.000
1.000
1.000
1.000
+INF
MARGINAL
24.000
60.000
-2.000
6.000
EPS
4.000
48.000
.
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
LINTERNA
SACO
COCINA
MANTA
COMIDA
ROPA
VARIOS
U
U
MAXIMIZE
14
113
Tema 7
S O L V E
MODEL
TYPE
SOLVER
S U M M A R Y
PLASTICO
MIP
OSL
OBJECTIVE
DIRECTION
FROM LINE
B
MAXIMIZE
24
1 NORMAL COMPLETION
1 OPTIMAL
648.0000
-------------------
EQU
EQU
EQU
EQU
EQU
EQU
OBJ
R1
R2
R3
R4
R5
LOWER
.
-INF
.
.
-INF
-INF
LEVEL
.
324.000
48.000
.
-292.000
.
UPPER
.
325.000
+INF
+INF
.
.
MARGINAL
1.000
.
.
EPS
.
.
----------------
VAR
VAR
VAR
VAR
VAR
X
Y
B
B1
B2
LOWER
.
.
-INF
.
.
LEVEL
108.000
.
648.000
1.000
.
UPPER
400.000
400.000
+INF
1.000
1.000
MARGINAL
6.000
24.000
.
EPS
.
Coinciden estas salidas con las que has obtenido? En caso afirmativo enhorabuena, en caso
negativo, vuelve a leer el tercer bloque de instrucciones.
2) Qu valores por defecto del programa GAMS has tenido que modificar para obtener la solucin
ptima?
Caso 1
145
80
121
118
97
Caso 2
122
63
107
83
75
Caso 3
130
85
93
116
120
Caso 4
95
48
69
80
80
Caso 5
115
78
95
105
111
Determinar la forma ptima de asignar los casos a los abogados, de manera que cada uno de ellos
se dedique a un caso diferente y que el tiempo total de horas empleadas sea mnimo.
114
Vase
Tema 7
2) Abre el proyecto que creaste en el directorio A:\TEMA7 en la PRCTICA DE ORDENADOR 1 y
crea un fichero GAMS para resolver el problema de programacin planteado ( Vase apartado
Solucin del modelo de programacin lineal entera en MATERIAL COMPLEMENTARIO: ANEXO 7)
3) Cul es la forma ptima de asignar los casos? Cul es el tiempo mnimo necesario para
prepararlos? ( Vase apartados Discusin de la solucin del problema lineal entero en
MATERIAL COMPLEMENTARIO: ANEXO 7)
4) PRACTICA
115
Tema 7
COLECCIN DE EJERCICIOS
1.- Dado un cierto problema de programacin lineal entera pura cuyo rbol de ramificacin es el
siguiente:
F ( x ,y ,z ) = 4 1 .3 3
x=0
y=8
z = 8 .6 7 z < = 8
F ( x ,y ,z ) = 4 1 ,3 6
x = 0 .0 5
y=8
x<=0
z = 8 .5 8
F ( x ,y ,z ) = 3 7
x=0
y=7
z=8
F ( x ,y ,z ) = 3 9
x=0
y = 7 .6 7
z=8
1 .1
y<=7
1 .2 .1
y>=8
1
z>=9
1 .2 .2
In fa c tib le
In fa c tib le
1 .2
x>=1
2
F ( x ,y ,z ) = 2 6 .4
x=1
y = 4 .4
z = 4 .6
2.- Dado un cierto problema de programacin lineal entera pura cuyo rbol de ramificacin es el
siguiente:
Infa ctible
F (x,y)= 7 .38
x= 2
y> = 2
y= 1,7 9
F (x,y)= 7 ,49
x= 1,8 8
y= 1,8 7 x> = 2
0
x< = 1
1
y< = 1
F (x,y)= 6 .61
x= 1
y= 1,8 7
1 .1
F (x,y)= 5 ,5
x= 4
y= 0,5
F (x,y)= 6 ,23
x= 3,2 3
y= 1
x> = 4
1 .2
1 .2 .1
x< = 3
1 .2 .2
F (x,y)= 6
x= 3
y= 1
116
Tema 7
3.- Dado un cierto problema de programacin lineal entera pura cuyo rbol de ramificacin es el
siguiente:
F (x,y)= 1 4
x= 3
y= 1
F (x,y)= 1 6
x= 2.5
y= 1.8
0
1
F (x,y)= 1 5
x= 2
y= 2.1
2
F (x,y)= 1 4 .8
x= 2
y= 2
2 .1
F (x,y)= 1 4 .5
x= 0.8
y= 3
2 .2
Se pide:
a) Situar en cada ramificacin la restriccin que se ha aadido.
b) Se ha llegado al ptimo? En caso afirmativo explicar por qu y, en caso negativo, indicar
qu nodo debera ramificarse y por medio de qu restricciones.
4.- Sea un cierto problema de programacin lineal entera pura de cuyo rbol de ramificacin y
acotacin se conocen los siguientes datos:
117
Tema 7
5.- Dado un cierto problema de programacin lineal entera mixta, donde las variables x , z tienen
condiciones de integridad, y cuyo rbol de ramificacin es el siguiente:
Kit 2
Kit 3
Kit 4
Kit 5
Kit 6
Coste
10.2
23
11.1
9.8
31.6
Incremento
15
10
12
Determina los kits que adquirir el equipo para maximizar el incremento de su velocidad, sabiendo
que el nuevo patrocinador va a aportar 35000 euros.
118
Tema 7
2.- La Consellera de Obras Pblicas dispone de un presupuesto para infraestructuras de 5000
millones de euros en los prximos 4 aos. Para determinar las obras a realizar, se hace una lista de
actuaciones preferentes, con el siguiente coste e impacto de beneficio social:
Obra
ndice de impacto
2000
3000
1000
1500
4000
500
1000
1000
Determina los proyectos que se han de llevar a cabo para maximizar la suma de los ndices de
impacto.
3.- La ciudad de Villa Arriba tiene tres escuelas de enseanza media superior. El consejo directivo
de escuelas de la ciudad ha decidido redistribuir las zonas escolares asignadas a cada escuela. La
ciudad est dividida en 10 secciones, cada una de ellas con una poblacin estimada de estudiantes
para los prximos aos. Se ha determinado la distancia (en km) del centro de cada seccin a cada
una de las escuelas. La siguiente tabla recoge estos datos junto con la capacidad mxima de cada
escuela:
Distancia
Seccin
Alumnos
Escuela 1
Escuela 2
Escuela 3
450
1.2
1.5
3.3
400
2.6
5.5
500
0.7
1.1
2.8
500
1.8
1.3
400
1.5
0.4
2.3
450
0.6
1.7
450
1.2
1.4
3.1
500
3.5
2.3
1.2
400
3.2
1.2
0.7
10
450
3.8
1.8
1500
2000
1300
Capacidad escuela
El consejo directivo de escuelas desea determinar cuntos estudiantes de cada seccin deben asistir
a cada una de las escuelas para que la distancia total recorrida por el conjunto de estudiantes de la
ciudad sea mnimo.
119
Tema 7
4.- Una compaa minera opera con tres minas. El mineral de cada una se separa antes de
embarcarse, en dos grados. La capacidad diaria de produccin de las minas as como sus costes
diarios (medidos en millones de euros) son los siguientes:
Mineral grado alto(Tm/da)
Costes diarios
Mina 1
Mina 2
2.2
Mina 3
1.8
5.- El encargado de recursos humanos de una gran empresa debe asignar a los 3 trabajadores que se
encargan de la parte contable a 3 tareas que hasta ahora realizaban indistintamente: tesorera,
financiacin y contabilidad. Tras realizarles una prueba de conocimientos en los tres campos
obtienen una calificacin en cada parte que le indica el rendimiento de cada trabajador en cada
puesto de trabajo. Los datos de la prueba son:
Tesorera
Financiacin
Contabilidad
Trabajador 1
7.5
8.6
8.4
Trabajador 2
5.3
7.2
6.1
Trabajador 3
6.7
7.9
7.5
El encargado debe decidir qu trabajador asigna a cada tarea para maximizar el rendimiento total.
120
Tema 7
PREGUNTA 2: Un pequeo fabricante de juguetes produce dos modelos para montar aviones y
coches por los que obtiene un beneficio de 3 y 4 por modelo respectivamente. Los modelos deben
pasar por las secciones de modelado e impresin con una disponibilidad diaria de 45 y 30 minutos
respectivamente para cada proceso. Los aviones requieren 2 minutos e cada una de las secciones
mientras que los coches requieren 3 minutos en moldeado y 1 en impresin. El juguetero querra
saber cuntos juguetes de cada clase ha de fabricar para maximizar el beneficio obtenido.
Hasta ahora hemos obtenido el siguiente rbol de ramificacin:
121
Tema 7
c) Se ha llegado al ptimo? En caso afirmativo explicar por qu indicando las razones de
saturacin de cada nodo final y, en caso negativo, indicar qu nodo debera ramificarse (si
hay ms de una elige la ms prometedora) y termina el proceso de ramificacin
resolviendo los correspondientes problemas lineales.
d) Escribe el problema que se ha resuelto en el nodo 1.2.
(4 puntos)
x+y+z
5x + 8y + 8z 300
5x + 3y + 4z 200
5x + 6y + 4z 240
x, y, z 0, x, y Z+
Coste
450.000
25
0.75
50.000
300.000
Rendimiento
40.000
3
0.08
6.000
50.000
122
Tema 7
ANOTACIONES
123
Material Complementario
Anexo 1.- Revisin de algunos elementos de lgebra lineal
Anexo 2.- Resumen de la sintaxis del GAMS
Anexo 3.- Modelo de resolucin de programacin no lineal
Anexo 4.- Respuestas del TEST 1
Anexo 5.- Modelo de resolucin de programacin lineal y lineal entera
Anexo 6.- Respuestas del TEST 2
Anexo 7.- Modelo de resolucin de programacin lineal entera
Anexo 8.- Respuestas del TEST 3
Anexo 9.- Exmenes oficiales de la asignatura Programacin
Matemtica de la Diplomatura en Ciencias Empresariales celebrados en
la Universidad de Valencia durante el curso 2002-03
ANEXO 1: Revisin de algunos elementos de lgebra lineal
1.- Clculo de determinantes. Supongamos que queremos calcular :
2
A =
0
0
1
0 1
0 1 (a)
= ( 2) A 11 + 0 A 12 + 0 A 13 + ( 1) A 14
0 2 1
1 1 0
0
2
( b)
= ( 2) ( 1)
1+1
0 1
0 2 0
1+ 4
0 2 1 + ( 1) ( 1)
0
0 2
1 1 0
1 1 1
(c)
= ( 2) ( 1) 2 4 + ( 1) ( 1) 5 ( 4) = 8 4 = 12
donde :
2
0 1
(d)
0 2 1 = ( 2) ( 2) 0 + 0 ( 1) ( 1) + ( 1) 0 ( 1) [ ( 1) ( 2) ( 1) + 0 0 0 + ( 2) ( 1) ( 1)] = 4
1 1 0
0
0
2 0
(d)
0 2 = 0 0 ( 1) + ( 2) ( 2) ( 1) + 0 0 ( 1) [ 0 0 ( 1) + ( 2) 0 ( 1) + 0 ( 2) ( 1)] = 4
1 1
( b)
2 2
= ( 1) 1 ( 1) 4 [ 2 ( 1) ( 2) ( 1)] = 4
1 1
(a) Mtodo de adjuntos : un determinante es igual a la suma de los productos de los elementos de
una fila (/columna) por sus respectivos adjuntos. Se llama adjunto del elemento aij, y se
124
Material Complementario
representa por Aij al determinante que resulta de la supresin de la fila i y columna j
multiplicado por (-1)i+j. En este caso hemos aplicado el resultado sobre la primera fila.
(b) Sustituyendo los adjuntos por su expresin.
(c) Calculando los determinantes resultantes 33 (ver ms abajo).
(d) Regla de Sarrus : |A|=a11a22a33+a12a23a31+a13a21a32a13a22a31a11a23a32a12a21a33
(e) Mtodo del pivote : Consiste en modificar los elementos de una fila (/columna) haciendo
operaciones con columnas (/filas) para que todos los elementos de la fila (/columna) salvo uno,
que llamamos pivote, sean cero, y luego aplicar el mtodo de adjuntos sobre dicha fila
(/columna). Las operaciones se basan en dos propiedades :
Al multiplicar una columna (/fila) por un escalar, el determinante queda multiplicado
por dicho escalar.
El valor del determinante no vara si a una columna (/fila) de un determinante se le
suma otra columna multiplicada por un escalar.
En este caso, convertiremos en pivote el -1 de la primera fila y cuarta columna.
(f) Aplicando la primera propiedad para obtener el pivote 1 operando con la columna cuarta.
(g) Aplicando la segunda propiedad para que el resto de los elementos de la primera fila sean cero.
1 1 0
1 1 1 0
es: 1
3 5 3
A) Mtodo de Gauss. Para obtener la inversa se coloca a la derecha la matriz identidad y se hacen
operaciones para convertir la matriz de la original en la identidad, la nueva matriz de la derecha es
la inversa. Las operaciones permitidas son: cambiar el orden de filas, multiplicar toda una fila por
un escalar y sumar a una fila otra multiplicada por un escalar.
2 3 1 1 0 0
1 2 0 0 1 0 1 2 0 0 1 0
1
2
0
0
1
0
2 3 1 1 0 0 0 1 1 1 2 0
3 5 3 0 0 1
3 5 3 0 0 1 0 1 3 0 3 1
A
I
2
1
1 0 1 2 0 0
1 0 1 0 0 3
1 2 0 0
0 1 1 1 2 0 0 2 0 3 3 1 0 1 0 3 / 2 3 / 2 1/ 2
0 0 2 1 1 1 0 0 2 1 1 1 0 0 1 1/ 2 1/ 2 1/ 2
I
A -1
125
Material Complementario
B) Mtodo de Adjuntos. Sabiendo que: la inversa de una matriz A se obtiene a partir de la
1
expresin : A 1 =
Adj(A ) t , con |A|0, Adj(A ) = (A ij ) in, j=1 la matriz adjunta de A y Aij el adjunto
| A|
del elemento aij, obtenemos A-1 de la siguiente manera :
(a) |A| = 223+303+115123313205=20
(b) A 11 = ( 1) 1+1 2 0 = 6, A 12 = ( 1) 1+ 2 1 0 = 3, A 13 = ( 1) 1+ 3 1 2 = 1,
5 3
A 21
3 3
3 5
3 1
2 1
2 3
= ( 1) 2 +1
= 4, A 22 = ( 1) 2 + 2
= 3, A 23 = ( 1) 2 + 3
= 1,
5 3
3 3
3 5
3 1
2 1
2 3
A 31 = ( 1) 3+1
= 1.
= 2, A 32 = ( 1) 3+ 2
= 1, A 33 = ( 1) 3+ 3
2 0
1 0
1 2
t
2
1
6 4 2 3
6 3 1
6 3 1
(c) Adj ( A) = 4 3 1, y A -1 = 1 4 3 1 = 1 3 3 1 = 3 / 2 3 / 2 1 / 2
2
2
2 1
1
1
1 1 1 1/ 2 1/ 2 1/ 2
2 1
Observacin:
Los menores principales de orden p de una matriz cuadrada son los determinantes de orden p que
contienen p elementos de la diagonal principal. Por ejemplo, en una matriz cuadrada de orden 3 los
menores principales son:
orden 1: |a11|, |a22| y |a33|
126
a 32
a11
a12
a13
a 31
a 32
a 33
orden 3: a a a
21
22
23
a 33
a 31 a 33
Material Complementario
ANEXO 2: Resumen de la sintaxis del GAMS
CONSTRUCClN DEL PROBLEMA
1. Lneas de comentario
- $ONTEXT, $OFFTEXT para prrafos
Ej
$ONTEXT
Comentario
Comentario
$OFFTEXT
- para lneas aisladas. No usar acentos, ni
Ej
* Comentario
2. Bloque de variables
- Cabecera: VARIABLES
- Nombre de las variables: (mximo 8 caracteres)
- una variable por lnea o todas segudas en una lnea separadas por comas
- se ha de incluir una variable para la funcin objetivo Esta variable no puede tener
ninguna restriccin, no puede ponerse como positiva, binaria, etc
- despus de la ltima variable hay que poner ";"
Ej (Opcin l)
VARIABLES x, y, z, F;
Ej (Opcin 2)
VARIABLES x variable 1
y variable 2
z variable 3
F objetivo;
- Clase de variables: (optativo)
- libres (FREE) valor por defecto
- no negativas (POSITIVE)
- binarias (BINARY)
- enteras positivas (lNTEGER)
Ej:
POSITIVE VARIABLES x. y;
- Cotas sobre las variables: (optativo) Por defecto estn entre Inf y +Inf. Enteras entre 0 y 100.
- cota superior. Nom.UP = valor;
- cota inferior. Nom.LO = valor;
Ej:
x.up = 10; x.lo = 3;
- Valor inicial de las variables: (optativo) Por defecto (0,...,0)
- Nom.L = valor;
(Recomendado en NLP)
Ej:
x.l = 2;
3. Bloque de ecuaciones (han de tener nombres diferentes al de las variables)
- Cabecera: EQUATIONS
- Nombre de las funciones v restricciones: (Mximo 8 caracteres)
- una por lnea o todas seguidas en una lnea separadas por comas
- despus del ltimo nombre hay que poner ";"
Ej (Opcin l)
EQUATIONS REST1, REST2, OBJ;
Ej (Opcin 2)
EQUATIONS REST1 nombre de la primera restriccin
REST2 nombre de la segunda restriccin
OBJ nombre de la funcin objetivo;
(Recomendado)
- Definicin de las funciones v restricciones:
- Una por lnea yal final de cada lnea ";"
- Los signos de igualdad y de desigualdad son: =E= (para =), =L= (para ), =G= (para )
- Los signos de las operaciones son. + , -, * , / , ** ( o power(x,n), con n entero)
Ej:
OBJ.. F =E= 2+4*x**2+y*z;
Ej:
REST1.. 4*x+2*z=L=3;
127
Material Complementario
4. Bloque de modelo
- Una nica lnea
- Hay que asignarle un nombre al modelo (puede ser distinto al nombre con que el problema se
guardar en el disco)
- Hay que declarar entre barras (/.../) las ecuaciones que formarn parte del modelo definido, Si son
todas se pone /ALL/ y si slo se usan algunas deben detallarse cules son. Esto permite para una
nica entrada de datos definir varios modelos y resolverlos todos, si se desea, en una sola ejecucin
del GAMS
Ej:
MODEL Problem1 /OBJ, REST1/;
Ej:
MODEL Problem2 /ALL/;
5. Bloque de solucin
- Una nica lnea con:
- La palabra SOLVE
- El nombre del modelo (el mismo que el usado en el bloque de modelo)
- El tipo de problema precedido de la palabra USING: NLP, LP, MIP, RMIP, DNLP
- La direccin de la optimizacin: MAXIMIZING o MINIMIZING
- Nombre de la variable correspondiente a la funcin objetivo
- Acabaremos con ";"
Ej:
SOLVE Probleml USING NLP MAXIMIZING F;
- Si deseamos resolver ms de un modelo pondremos una lnea por modelo
128
Material Complementario
ANEXO 3: Modelo de resolucin de programacin no lineal
1.- ENUNCIADO
La empresa ZUMIBAN se dedica a la obtencin de zumos de frutas exticas. En el proceso de
transformacin se utiliza zumo puro, agua y otros aditivos que diferencian los zumos de la empresa
respecto a los de la competencia. El zumo puro se obtiene exprimiendo las frutas y desechando las
pieles y otros residuos slidos.
ZUMIBAN fabrica tres tipos de zumo A, B y C combinando zumo puro, agua y aditivos en las
siguientes proporciones:
TIPO ZUMO
A
B
C
ZUMO PURO
2
5
3
AGUA
1
2
2
ADITIVOS
1
2
1
Se sabe que la funcin de ingresos de la empresa es 2x2+y2+2z2 donde x, y, z son los litros de los
zumos A, B y C, y que los costes totales por litro son de 10 u.m. para el zumo A, 2 u.m. para el
zumo B y 3 u.m. para el zumo C. Tambin se conoce que por cada 10 Kg. de fruta se obtienen 7
litros de zumo puro y la empresa dispone de un stock de 20.000 Kg. de fruta en almacn. No
existen lmites para el empleo de agua y aditivos. Adems, por razones estratgicas se considera
que no es conveniente que la produccin de un tipo de zumo supere el 40% del total.
Se pide:
a) Sabiendo que el objetivo de la empresa es maximizar su funcin de beneficios averigua
cuntos litros de cada clase de zumo producir ZUMIBAN.
b) En la actualidad, hay escasez de este tipo de fruta, pero un proveedor ofrece a ZUMIBAN
100 Kg. adicionales a un precio de 200 u.m por Kg. Sabiendo que la empresa compr la
fruta a 100 u.m por Kg., razona si ZUMIBAN aceptar la propuesta.
2.- MODELIZACIN
Identificacin de las variables:
La empresa ZUMIBAN precisa averiguar la cantidad (en litros) a fabricar de sus tres tipos de
zumo, por tanto las variables son:
x nmero de litros a fabricar del zumo tipo A
y nmero de litros a fabricar del zumo tipo B
z nmero de litros a fabricar del zumo tipo C
con x, y, z cantidades no negativas (condicin de no negatividad).
Funcin objetivo:
El objetivo que se persigue es maximizar el beneficio que se obtiene a partir de la diferencia entre
ingresos y costes.
El enunciado indica que la funcin de ingresos viene dada por:
I(x,y,z) = 2x2+ y2 + 2z2
Por otra parte, como los costes totales son de 10, 2 y 3 u.m. por litro fabricado de los zumos A, B y
C respectivamente, se tiene que:
C(x,y,z) = 10x + 2y +3z
129
Material Complementario
Y la funcin de beneficios de la empresa es:
B(x,y,z)=I(x,y,z)-C(x,y,z)= 2x2+ y2 + 2z2 (10x + 2y +3z)
Restricciones y conjunto de oportunidades:
Los posibles beneficios de ZUMIBAN estn sujetos a dos tipos de restricciones: la debida a las
disponibilidades en almacn de fruta (20000 Kg.) ya que no hay restricciones en el agua ni en los
aditivos, y las referidas a condiciones estratgicas del mercado.
En relacin a la primera, notemos que:
Los 20000 Kg. de fruta equivalen a 14000 litros de zumo puro. Este resultado se obtiene
aplicando una simple regla de tres: 10 Kg son a 7 litros como 20000 Kg. son a ? litros.
A partir de la tabla sobre las proporciones necesarias de zumo puro, agua y otros aditivos
se tiene que:
Con lo que la nica restriccin sobre disponibilidad de materias primas se puede formular como:
1
5
1
x + y + z 14000
2
9
2
Respecto a las restricciones estratgicas, observemos que stas pueden formularse de dos formas
alternativas que van a conducir a un mismo resultado ptimo:
x 0.4(x + y + z) 0
y 0.4(x + y + z) 0
z 0.4(x + y + z) 0
(a)
Esta formulacin tiene la ventaja de que as podemos garantizar al ser todas las
restricciones lineales que el mximo del problema si existe es un punto de Kuhn y Tucker,
la desventaja es que es menos interpretable el multiplicador asociado (al menos en
porcentaje sobre el total).
x (x + y + z) 0.4
y (x + y + z) 0.4
z (x + y + z) 0.4
(b)
130
Material Complementario
Como restriccin adicional recordemos la condicin de no negatividad de las variables x, y, z ya
introducida en el apartado de variables.
El conjunto de oportunidades queda definido en la alternativa (a) por:
C =E= 10*X+2*Y+3*Z;
I =E= 2*POWER(X,2)+POWER(Y,2)+2*POWER(Z,2);
B =E= I - C;
(1/2)*X+(5/9)*Y+(1/2)*Z =L= 14000;
X - 0.4*(X+Y+Z) =L= 0;
Y - 0.4*(X+Y+Z) =L= 0;
Z - 0.4*(X+Y+Z) =L= 0;
*BLOQUE MODELO
MODEL NOLINEAL /ALL/;
*BLOQUE SOLUCION
SOLVE NOLINEAL USING NLP MAXIMIZING B;
131
Material Complementario
Y la solucin:
S O L V E
MODEL
TYPE
SOLVER
NOLINEAL
NLP
CONOPT
OBJECTIVE
DIRECTION
FROM LINE
EQU
EQU
EQU
EQU
EQU
EQU
EQU
COSTE
INGRESO
BENEFICIO
STOCK
L1
L2
L3
.
.
.
-INF
-INF
-INF
-INF
VAR
VAR
VAR
VAR
VAR
VAR
X
Y
Z
I
C
B
.
.
.
-INF
-INF
-INF
LEVEL
.
.
.
14000.000
.
-5478.261
.
LOWER
-------------------
B
MAXIMIZE
28
1 NORMAL COMPLETION
2 LOCALLY OPTIMAL
510039425.3308
LOWER
----------------------
S U M M A R Y
LEVEL
10956.522
5478.261
10956.522
5.1019E+8
1.5339E+5
5.1004E+8
UPPER
MARGINAL
.
.
.
14000.000
.
-1.000
1.000
1.000
72873.732
36910.106
.
36917.106
.
UPPER
MARGINAL
+INF
+INF
+INF
+INF
+INF
+INF
.
.
.
.
.
.
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
0
ERRORS
132
Material Complementario
Y la salida GAMS es:
LOWER
----------------------
-------------------
EQU
EQU
EQU
EQU
EQU
EQU
EQU
VAR
VAR
VAR
VAR
VAR
VAR
COSTE
INGRESO
BENEFICIO
STOCK
L1
L2
L3
.
.
.
-INF
-INF
-INF
-INF
X
Y
Z
I
C
B
LEVEL
.
.
.
14000.000
0.4
0.200
0.400
UPPER
.
.
.
14000.000
0.400
0.400
0.400
MARGINAL
-1.000
1.000
1.000
72873.732
1.0110E+9
.
1.0112E+9
LOWER
LEVEL
UPPER
MARGINAL
.
.
.
-INF
-INF
-INF
10956.522
5478.261
10956.522
5.1019E+8
1.5339E+5
5.1004E+8
+INF
+INF
+INF
+INF
+INF
+INF
.
.
.
.
.
.
4 0 0
Por lo que no podemos asegurar que el ptimo local obtenido por GAMS sea un ptimo global del
problema planteado. Como no se cumplen las hiptesis de la condicin suficiente de mximo
global para problemas convexos no podemos asegurar que el ptimo local obtenido por GAMS sea
ptimo global del problema planteado ni que dicho ptimo global exista.
Sin embargo, la existencia de mximo global del problema es comprobable de forma terica
aplicando el teorema de Weierstrass. Efectivamente, S es cerrado por interseccin finita de
conjuntos cerrados (las restricciones lineales definen semiespacios cerrados) y es acotado (vase
demostracin ms abajo) y por lo tanto compacto, y la funcin de beneficios es continua en S (es
C2 en R3); se cumplen las hiptesis del teorema de Weierstrass y por lo tanto la funcin B alcanza
un mximo global y mnimo global en S.
Para ver que S es acotado notemos que:
1 x + 5 y + 1 z = 1 (x + 10 y + z) = 1 (x + y + z + 1 y) 14000
2
9
2
2
9
2
9
(x + y + z + 1 y) 2 14000 = 28000 x + y + z 28000 1 y
9
9
y0
x, y,z 0
x + y + z 28000 0 x, y, z 28000
En consecuencia, el mximo global buscado existe y el programa GAMS debe ser capaz de
encontrarlo si le proporcionamos un nmero suficientemente amplio de puntos de arranque. No hay
garantas tericas para asegurar que el ptimo que hemos obtenido aplicando el GAMS (el que
133
Material Complementario
proporciona un mayor valor de la funcin objetivo de los dos encontrados) sea el mximo global
buscado aunque la reiteracin del resultado al rodar con distintos puntos de arranque el programa
nos hace creer que s lo es.
Interpretacin de los multiplicadores de Kuhn y Tucker
El valor del multiplicador de Kuhn y Tucker de las restricciones activas nos indica la variacin que
sufre la funcin objetivo cuando vara infinitesimalmente el trmino independiente de dicha
restriccin. Para el mximo local solucin (el que creemos global), rescribiendo el problema segn
la alternativa (b), hay tres restricciones activas con multiplicadores asociados: 1*=72873.732,
2*=1.0110109 y 4*=1.0112109.
De acuerdo con el primer multiplicador, si la empresa aumenta su stock de fruta en 10/7 Kg. o
equivalentemente en 1 litro de zumo puro (y el coste de la materia prima no vara) aumentar su
beneficio en 72873.732 u.m.
De acuerdo con el segundo y cuarto las restricciones estratgicas sobre la produccin de zumos de
tipo A y C sobre el total reducen (si no cambian las condiciones del mercado) posibles beneficios
de la empresa, ya que:
134
Material Complementario
ANEXO 4: Respuestas del TEST 1
PREGUNTA 1:
a) El conjunto de oportunidades es no vaco (el punto (2,2,2) pertenece a l), acotado (esta
incluido en la bola de centro (0,0,0) y radio 12) y cerrado (est definido por un restriccin de
forma igualdad de una funcin continua), y la funcin objetivo es continua, por lo tanto, el
problema tiene mximo y mnimo globales.
b)
L(x, y, z, ) = 4x 4y + 4z 40 + (12 x 2 y 2 z 2 )
L
= 4 2x = 0
x
L
= 4 2y = 0
(2,2,2), = 1
y
(2,2,2), = 1
L
= 4 2z = 0
z
x 2 + y 2 + z 2 = 12
c) No se puede aplicar la condicin suficiente de ptimo global porque el conjunto de
oportunidades no es convexo (es una esfera).
d) Por el teorema de Weierstrass sabemos que el problema tiene solucin global, y por la
condicin necesaria (se cumple la condicin de regularidad ya que el gradiente de la restriccin
es (2x,2y,2z) y es linealmente independiente ya que no se anula en ningn punto del conjunto
de oportunidades) sabemos que dicho ptimo es un punto crtico. Por lo tanto, el mximo ha de
ser el punto (2,-2,2) el (-2,2,-2). Como z(2,-2,2)=-16 y z(-2,2,-2)=-64, el mximo global ser
el punto (2,-2,2).
PREGUNTA 2:
S es compacto porque es cerrado y acotado
S no es convexo (se pueden dibujar segmentos
entre dos puntos del conjunto que no estn
contenidos en S)
Las soluciones ptimas son soluciones frontera.
Se trata de un problema no lineal con ptimo
global:
*Mximo no nico en arco azul, z = 4
*Mnimo nico en (0,0) con z=0.
PREGUNTA 3:
a)
L(x,y,1,2)=x2+y2+1(1-x)+2(-x-y)
L
= 2x 1 2 = 0
x
L
5. 1 0
8. 2 0
= 2y 2 0
2.
y
6. 1 (1 x) = 0 9. 2 ( x y) = 0
L
7. x 1
10. x + y 0
= y(2y 2 ) = 0
3. y
y
4. y 0
1.
135
Material Complementario
b) El punto (1,1) es infactible y por tanto no es punto de K-T; ell punto (1,0) no es punto de K-T
porque no satisface todas las ecuaciones a la vez ; y el punto (0,0) es K-T con multiplicadores
asociados iguales a cero.
c) La funcin objetivo es estrictamente convexa (la hessiana de la funcin es una matriz diagonal
con elementos en la diagonal iguales a 2 y por tanto positivos); el conjunto de oportunidades es
un poltopo y por tanto un convexo, y (0,0) es punto de K-T, por la condicin suficiente de
ptimo global de problemas no lineales se tiene que (0,0) es mnimo global estricto del
problema.
PREGUNTA 4:
a) La constructora no quiere dejar viviendas sin vender y por lo tanto ajusta sus precios a la
demanda existente. El problema a resolver es:
100 - A
200 - C
A+
C - 3A - 5C
2
3
s.a. A 35
3A + 5C 350
A, C 0
Max
PREGUNTA 5:
VARIABLES X, Y, Z, F;
POSITIVE VARIABLE X;
Y.UP=60; Z.LO=3;
X.L=0; Y.L=0; Z.L=15;
EQUATIONS R1, R2, OBJ;
R1.. POWER(X,2)+POWER(Y,2)-Z =L= 4;
R2.. 2*X+3*Z =G= 40;
OBJ..
F =E= 10*POWER(Z,3)-X*Y;
MODEL TEST1 /ALL/;
SOLVE TEST1 USING NLP MINIMIZING F;
S O L V E
MODEL
TYPE
SOLVER
S U M M A R Y
TEST1
NLP
CONO
LOWER
LEVEL
---- EQU R1 -INF
4.000
---- EQU R2 40.000 40.000
---- EQU OBJ
.
.
-------------
VAR
VAR
VAR
VAR
X
Y
Z
F
LOWER
.
-INF
3.000
-INF
OBJECTIVE
DIRECTION
FROM LINE
F
MINIMIZE
10
UPPER
4.000
+INF
.
MARGINAL
-277.776
1067.579
1.000
LEVEL
UPPER
3.843
+INF
0.007 60.000
10.771
+INF
12496.317 +INF
MARGINAL
.
2.2826E-6
.
.
136
Material Complementario
ANEXO 5.- MODELO DE RESOLUCIN DE PROGRAMACIN LINEAL Y LINEAL ENTERA
1.- ENUNCIADO
La empresa FERCA, S.A. se dedica a la fabricacin de tres tipos de fertilizantes: tipo 1, 2 y 3, que
envasa y vende en cajas de pesos diferentes con unos beneficios unitarios de 25, 30 y 35 u.m.
respectivamente.
Los fertilizantes se elaboran a partir de tres componentes bsicos (A, B y C) de forma que por caja:
el tipo 1 contiene 10 Kg. de componente A, 20 Kg. de componente B y 18 Kg. de componente C; el
tipo 2 requiere 13, 22 y 20 Kg. de componente A, B y C respectivamente; y el tipo 3 se fabrica con
18, 20 y 24 Kg. de componente A, B y C respectivamente.
La empresa dispone actualmente en el almacn de 2.324 Kg. de componente A, 2.550 Kg. de
componente B y 1.568 Kg. de componente C.
Se pide:
a) Determinar el nmero de cajas de fertilizante (asumiendo que esta variable puede tomar un
valor fraccional) que la empresa debe vender para maximizar su beneficio.
b)
2.- MODELIZACIN
Identificacin de las variables:
La empresa FERCA, S.A. desea averiguar el nmero de cajas que debe vender de sus tres tipos de
fertilizante, por tanto las variables son:
x1 nmero de cajas a fabricar y vender del fertilizante tipo 1
x2 nmero de cajas a fabricar y vender del fertilizante tipo 2
x3 nmero de cajas a fabricar y vender del fertilizante tipo 3.
Como x1, x2, x3 son cantidades a fabricar y vender sern cantidades positivas, esto es, exigiremos
para las tres variables la condicin de no negatividad. Adems, como son cajas de producto en
principio pueden considerarse dos posibilidades de venta: (i) que la empresa considere conveniente
vender, dada la naturaleza del producto, facciones de caja en cuyo caso las variables x1, x2 y x3
podrn tomar cualquier valor real positivo (situacin considerada en el apartado (a) y (b)), o (ii)
que la empresa decida vender cajas enteras de fertilizante y en este caso slo se admitan soluciones
con x1, x2 y x3 variables enteras y positivas (situacin considerada en el apartado (c)).
Funcin objetivo:
El objetivo que se persigue es maximizar el beneficio que vendr dado, en funcin del nmero de
cajas fabricadas y vendidas por la siguiente funcin lineal:
B(x1,x2,x3) = 25x1+30x2+35x3
137
Material Complementario
Restricciones y conjunto de oportunidades:
Los beneficios de FERCA, S.A. estn limitados por los recursos (limitados) en almacn de los
componentes A, B y C que se precisan para fabricar las cajas de los tres tipos de fertilizante.
Tenemos tres restricciones relativas a los tres componentes que se emplean en la fabricacin de los
fertilizantes que son:
Componente A: 10x1 + 13x2 + 18x3 2.324
Componente B: 20x1 + 22x2 + 20x3 2.550
Componente C: 18x1 + 20x2 + 24x3 1.568
Como restriccin adicional recordemos la condicin de no negatividad de las variables x1, x2 y x3
para los planteamientos (i) y (ii), y la condicin adicional de variables enteras para el planteamiento
(ii).
El conjunto de oportunidades quedar definido en la alternativa (i) por:
Modelo matemtico:
Por todo lo anterior el problema queda descrito para resolver el apartado (a) y (b) (o alternativa (i))
en trminos del siguiente programa lineal (en forma cannica):
Max B(x 1 , x 2 , x 3 ) = 25x 1 + 30x 2 + 35x 3
s.a.
Y para resolver el apartado (c) (o alternativa (ii)) en trminos del siguiente programa lineal
entera:
138
Material Complementario
3.- SOLUCIN DEL PROGRAMA LINEAL CON ORDENADOR
Despus de generar el archivo CPLEX.OPT con las lneas:
objrng all
rhsrng all
y situarlo en el directorio de ejecucin de GAMS, el fichero GAMS, que incluye solucin y anlisis
de sensibilidad. En este fichero se incluye adems la opcin de ver el valor de las variables de
holguras , es decir, se saber como se satisfacen las restricciones del problema (OPTION SOLSLACK
= 1):
$ONTEXT
PROBLEMA MODELO DE PROGRAMACIN LINEAL (apartado (a))
SOLUCIN DEL PROBLEMA (PRIMAL) CON ANLISIS DE SENSIBILIDAD
ALUMNO ________________________________________ GRUPO _________
$OFFTEXT
OPTION SOLSLACK = 1;
*BLOQUE VARIABLES
VARIABLES X1, X2, X3, B;
POSITIVE VARIABLES X1, X2, X3;
*BLOQUE ECUACIONES
EQUATIONS
BENEFICIO, COMP_A, COMP_B, COMP_C;
BENEFICIO.. B =E= 25*X1+30*X2+35*X3;
COMP_A..
10*X1+13*X2+18*X3 =L= 2324;
COMP_B..
20*X1+22*X2+20*X3 =L= 2550;
COMP_C..
18*X1+20*X2+24*X3 =L= 1568;
*BLOQUE MODELO
MODEL LINEAL /ALL/;
*BLOQUE SOLUCION
OPTION LP=CPLEX;
LINEAL.DICTFILE=4;
LINEAL.OPTFILE=1;
SOLVE LINEAL USING LP MAXIMIZING B;
139
Material Complementario
Y la solucin GAMS:
S O L V E
MODEL
TYPE
SOLVER
LINEAL
LP
CPLEX
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
B
MAXIMIZE
23
1 NORMAL COMPLETION
1 OPTIMAL
2352.0000
0.110
3
1000.000
10000
LOWER
-----INF
1019
1725
0
CURRENT
------0
2324
2550
1568
UPPER
----+INF
+INF
+INF
2318
VARIABLE NAME
------------X1
X2
X3
B
LOWER
-----INF
29.1667
-INF
0
CURRENT
------25
30
35
1
UPPER
----27
+INF
36
+INF
-------------
EQU
EQU
EQU
EQU
BENEFICIO
COMP_A
COMP_B
COMP_C
LOWER
.
-INF
-INF
-INF
SLACK
.
1304.800
825.200
.
UPPER
.
2324.000
2550.000
1568.000
MARGINAL
1.000
.
.
1.500
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
.
78.400
.
2352.000
UPPER
+INF
+INF
+INF
+INF
MARGINAL
-2.000
.
-1.000
.
140
Material Complementario
4.- DISCUSIN DE LA SOLUCIN DEL PROGRAMA LINEAL
Descripcin de la solucin:
De acuerdo con la salida de GAMS el programa lineal estandarizado se detiene en un mximo
global definido por:
Variables principales: x1*=0, x2*=784, x3*=0
Variables de holgura: s1*=1.3048, s2*=8252, s3*=1.5681.568=0
Y valor de la funcin objetivo en el ptimo igual a 2.352 u.m. Es este mximo global nico y por
tanto estricto (solucin vrtice) o estamos ante un mximo global no estricto (solucin arista finita
o infinita)?, para verlo reconstruiremos la tabla del Simplex a partir de la columna marginal del
GAMS. Como tenemos tres restricciones el nmero de variables bsicas es asimismo tres, las
variables bsicas mirando el resumen superior (la solucin factible bsica contiene a lo sumo 3
componentes no negativas que corresponden a las bsicas) y la columna marginal del GAMS (debe
valer cero en las variables bsicas) son: x2*=784, s1*=1.3048 y s2*=8252 con rendimientos
marginales (Wj) asociados 0 y las no bsicas son: x1*=x3*=s3*=0 con rendimientos marginales
asociados 2, 1 y 15 respectivamente. Como los rendimientos de todas las variables no bsicas
son estrictamente negativos podemos concluir que la solucin obtenida es nica, y que la solucin
de vender 0 cajas del fertilizante tipo 1, 784 cajas del fertilizante tipo 2 y 0 cajas del fertilizante
tipo 3 es un mximo global estricto (o solucin vrtice) del programa planteado.
Haciendo algunos clculos adicionales podemos reconstruir toda la tabla ptima del Simplex:
30
0
0
x2
s1
s2
Wj
25
x1
09
17
02
2
30
x2
1
0
0
0
35
x3
12
24
64
1
10 13 18 1 0 0
13 1
A = 20 22 20 0 1 0 B = 22 0
18 20 24 0 0 1
20 0
6/5
1 / 20
9 / 10
1
B ( N | b) = 17 / 10 12 / 5 13 / 20
1/ 5
32 / 5 11 / 10
0
s1
0
1
0
0
0
s2
0
0
1
0
0
s3
005
065
11
15
b
784
1.3048
8252
2.352
0
0 0 1 / 20
1
1 B = 1 0 13 / 20
0 1 11 / 10
0
392 / 5 0'9
1'2
0'05
78'4
141
Material Complementario
En consecuencia, de los 2.324 Kg iniciales de componente A quedan en el almacn sin utilizar
s1*=1.3048 Kg., de los 2.550 Kg. iniciales de componente B quedan sin utilizar s2*=8252 Kg., y se
consumen totalmente los 1.568 Kg. disponibles de componente C (s3*=0).
Interpretacin de la columna MARGINAL del GAMS:
Los rendimientos marginales de las variables principales no bsicas x1 y x3 (vase la columna
MARGINAL del bloque de variables) son: W1*= 2, W3*= 1 y representan la contribucin en la
funcin objetivo de la decisin de vender cajas de fertilizantes del tipo 1 y 3 respectivamente.
Concretamente, indican que si vendemos fertilizante del tipo 1 la funcin objetivo disminuir en 2
u.m y si vendemos fertilizante del tipo 3 en 1 u.m.
El coste de oportunidad de la variable de holgura no bsica s3 (vase la columna MARGINAL del
bloque de ecuaciones) es: 3=15 y su interpretacin est directamente relacionada con la
interpretacin de las variables duales principales del problema. Por lo tanto, podemos decir que, si
la empresa aumenta las disponibilidades en almacn en 1 Kg. ms del componente C entonces su
beneficio se incrementar en 15 u.m, y al contrario, si reduce su stock de componente C en 1 Kg.
su beneficio disminuir en 15 u.m.
Identificacin de las solucin dual:
A partir de la solucin que nos proporciona el GAMS podemos obtener tambin la solucin del
correspondiente problema dual; esta solucin nos interesa fundamentalmente por la interpretacin
econmica de las variables duales principales como precios sombra o costes de oportunidad (vase
el segundo prrafo del apartado interpretacin de la columna MARGINAL del GAMS).
La solucin dual es:
Variables principales: 1*=0, 2*=0, 3*=15 (vase la columna MARGINAL de
ecuaciones)
Variables de holgura: 1h*=2, 2h*= 0, 3h*=1 (vase la columna MARGINAL cambiada
de signo de variables)
Interpretacin de la funcin objetivo:
La funcin objetivo representa el beneficio que obtiene la empresa FERCA, S.A. al implementar la
decisin ptima obtenida, en este caso: 2.352 u.m.
Intervalos de sensibilidad de los trminos independientes:
Los intervalos de sensibilidad para b1, b2 y b3 se obtienen directamente del fichero de la solucin,
es decir, el rango entre los valores de LOWER y UPPER, por ejemplo para:
COMP_A
1019
2324
+INF
142
Material Complementario
Para las otras restricciones ser de [1.725, +) para COMP-B y [0, 2.318] para COMP-C. Estos
intervalos indican que la solucin ptima obtenida sigue siendo valida si las existencias disponibles
en el almacn del componente A no son inferiores a 1.019 Kg1., las existencias del componente B
no son inferiores a 1.725 Kg. y las existencias del componente C estn comprendidas entre los 0 y
2.318 Kg ambos inclusive2.
Intervalos de sensibilidad de los coeficientes de la funcin objetivo:
La obtencin de los intervalos de sensibilidad de los coeficientes de la funcin objetivo se obtienen
tambin directamente del fichero de la solucin, es decir, el rango entre los valores de LOWER y
UPPER.
, por ejemplo para sigue en proceso diferentes del que hemos visto anteriormente, ya que lo que nos
proporciona el anlisis de sensibilidad de CPLEX son los posibles incrementos y decrementos del
coeficiente original. Es decir que para determinar el rango de variacin hemos de aplicar la
expresin, por ejemplo para:
X1
-INF
25
27
el intervalo en donde la solucin se mantiene como ptima (no slo en estructura sino tambin en
valor, lo nico que puede cambiar es el valor de la funcin objetivo en el ptimo) es: (, 27]
Como los intervalos de sensibilidad indican entre qu valores puede variar un dato del problema
(en este caso el coeficiente) de manera que el ptimo encontrado siga siendo vlido diremos que: la
solucin ptima obtenida sigue siendo vlida si el beneficio por fertilizante de tipo 1 no supera las
27 u.m por caja, el beneficio por caja de fertilizante de tipo 2 no baja de las 29167 u.m., y el
beneficio por caja de fertilizante tipo 3 no supera las 36 u.m. Al igual que en el caso anterior, el
Por ejemplo para el termino independiente de la primera restriccin = 2000. La solucin es:
-------------
EQU
EQU
EQU
EQU
BENEFICIO
COMP_A
COMP_B
COMP_C
LOWER
.
-INF
-INF
-INF
SLACK
.
980.800
825.200
.
UPPER
.
2000.000
2550.000
1568.000
MARGINAL
1.000
.
.
1.500
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
.
78.400
.
2352.000
UPPER
+INF
+INF
+INF
+INF
MARGINAL
-2.000
.
-1.000
.
Por ejemplo para el termino independiente de la tercera restriccin = 1100. La solucin es:
-------------
EQU
EQU
EQU
EQU
BENEFICIO
COMP_A
COMP_B
COMP_C
LOWER
.
-INF
-INF
-INF
SLACK
.
1609.000
1340.000
.
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
.
55.000
.
1650.000
UPPER
.
2324.000
2550.000
1100.000
UPPER
+INF
+INF
+INF
+INF
MARGINAL
1.000
.
.
1.500
MARGINAL
-1.000
.
-1.000
.
143
Material Complementario
valor de algunos de los componentes de la solucin pueden cambiar, por ejemplo, el valor de
funcin objetivo puede verse alterada si cambia el coeficiente de alguna variable bsica3.
Valores fuera del rango de sensibilidad
No siempre las posibles modificaciones coinciden dentro del intervalo de sensibilidad, y ello
provoca que haya cambios en la solucin. Estos cambios afectan tanto a las variables bsicas como
a su valor, y por ello la nueva solucin tiene poco que ver con la anterior. No obstante, conviene
sealar que para obtener la nueva solucin GAMS no comienza a resolver el problema desde el
principio sino que trata de aprovechar de solucin actual y derivar de ella la solucin correcta.
Consideremos el siguiente caso: El coeficiente del tipo 1, pasa de ser 25 a ser 28. El valor de 28,
est fuera del rango de sensibilidad, con lo que el nuevo archivo GAMS ser:
*BLOQUE VARIABLES
VARIABLES X1, X2, X3, B;
POSITIVE VARIABLES X1, X2, X3;
*BLOQUE ECUACIONES
EQUATIONS
BENEFICIO, COMP_A, COMP_B, COMP_C;
BENEFICIO.. B =E= 28*X1+30*X2+35*X3;
COMP_A..
10*X1+13*X2+18*X3 =L= 2324;
COMP_B..
20*X1+22*X2+20*X3 =L= 2550;
COMP_C..
18*X1+20*X2+24*X3 =L= 1568;
*BLOQUE MODELO
MODEL LINEAL /ALL/;
*BLOQUE SOLUCION
SOLVE LINEAL USING LP MAXIMIZING B;
Y la solucin:
-------------
EQU
EQU
EQU
EQU
BENEFICIO
COMP_A
COMP_B
COMP_C
LOWER
.
-INF
-INF
-INF
LEVEL
.
871.111
1742.222
1568.000
UPPER
.
2324.000
2550.000
1568.000
MARGINAL
1.000
.
.
1.556
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
87.111
.
.
2439.111
UPPER
+INF
+INF
+INF
+INF
MARGINAL
.
-1.111
-2.333
.
Por ejemplo si cambia el coeficiente del tipo 2, es decir, pasa de ser 30 a ser 33. La nueva solucin es:
-------------
EQU
EQU
EQU
EQU
BENEFICIO
COMP_A
COMP_B
COMP_C
LOWER
.
-INF
-INF
-INF
SLACK
.
1304.800
825.200
.
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
.
78.400
.
2587.200
144
UPPER
.
2324.000
2550.000
1568.000
UPPER
+INF
+INF
+INF
+INF
MARGINAL
1.000
.
.
1.650
MARGINAL
-4.700
.
-4.600
.
Material Complementario
5.- PLANTEAMIENTO Y RESOLUCIN DEL PROBLEMA DUAL
Planteamiento del problema dual:
Problema Primal (vase apartado 2):
Min
s.a.
x1 , x 2 , x 3 0
*
1, 2 , 3 0
G =E= 2324*Y1+2550*Y2+1568*Y3;
10*Y1+20*Y2+18*Y3 =G= 25;
13*Y1+22*Y2+20*Y3 =G= 30;
18*Y1+20*Y2+24*Y3 =G= 35;
*BLOQUE MODELO
MODEL DUAL /ALL/;
*BLOQUE SOLUCION
OPTION LP=CPLEX;
SOLVE DUAL USING LP MINIMIZING G;
145
Material Complementario
Y la solucin GAMS:
S O L V E
MODEL
TYPE
SOLVER
DUAL
LP
CPLEX
-------------
-------------
EQU
EQU
EQU
EQU
VAR
VAR
VAR
VAR
S U M M A R Y
OBJD
R1D
R2D
R3D
Y1
Y2
Y3
G
OBJECTIVE
DIRECTION
FROM LINE
G
MINIMIZE
26
1 NORMAL COMPLETION
1 OPTIMAL
2352.0000
LOWER
LEVEL
UPPER
MARGINAL
.
25.000
30.000
35.000
.
27.000
30.000
36.000
.
+INF
+INF
+INF
1.000
.
78.400
.
LOWER
LEVEL
UPPER
MARGINAL
.
.
.
-INF
.
.
1.500
2352.000
+INF
+INF
+INF
+INF
1304.800
825.200
.
.
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
1.568
0
0
3
1h
3h
Wjdual
2.324
1
2.550
2
1.3048
8252
1.568
3
1
0
0
0
0
1h
0
1
0
0
0
2h
784
0
3h
0
0
1
0
bdual
15
2
1
2.352
Y, recordando que la solucin del problema primal coincide para las variables principales con los
rendimientos marginales de las variables duales holgura y para las variables de holgura con los
rendimientos marginales de las variables duales principales, se tiene la siguiente solucin del
146
Material Complementario
primal: x1*=0, x2*=784, x3*=0 (vase la columna MARGINAL de ecuaciones), s1*=1.3048,
s2*=8252, s3*=0 (vase la columna MARGINAL de variables).
Notemos que para garantizar que la solucin que obtenga el GAMS sea ptima se ha introducido
una cota mxima de 100 cajas para las tres variables enteras (la solucin de las variables
principales del problema lineal son 0, 784, 0 para los tipos de fertilizante 1, 2 y 3
respectivamente). Se trata de una condicin que introduce GAMS directamente de forma que evita
tener que hacer muchas ramificaciones. No obstante si consideramos que el valor que pueden tomar
la variables es superior, basta con introducir una cota artificial, por ejemplo: X1.UP= 100000
para que desaparezca la fijada por GAMS.
Asimismo hemos reducido el criterio relativo de optimalidad4 del programa para la resolucin de
problemas de programacin lineal entera.
La solucin GAMS ptima es:
S
MODEL
TYPE
SOLVER
LINEALE
MIP
OSL
1 NORMAL COMPLETION
1 OPTIMAL
2350.0000
-------------
LOWER
.
-INF
-INF
-INF
BENEFICIO
COMP_A
COMP_B
COMP_C
OBJECTIVE B
DIRECTION
FROM LINE 30
LEVEL
.
1024.000
1712.000
1568.000
UPPER
.
2324.000
2550.000
1568.000
MAXIMIZE
MARGINAL
1.000
.
.
1.500
Si no se fija explcitamente el criterio de optimalidad GAMS lo fija en 0,1, es decir, en el 10 por ciento de la
diferencia de la mejor solucin posible, que por lo general es la solucin del Programa Lineal
147
Material Complementario
-------------
VAR
VAR
VAR
VAR
X1
X2
X3
B
LOWER
.
.
.
-INF
LEVEL
.
76.000
2.000
2350.000
UPPER
100.000
100.000
100.000
+INF
MARGINAL
-2.000
EPS
-1.000
.
0
NONOPT
0 INFEASIBLE
0 UNBOUNDED
Y su solucin ptima: 1*=0, 2*=0, 3*=15, 1h*= 2, 2h*=0, 3h*= 1 con un valor objetivo en el
mnimo de 2.352 u.m. (vase el apartado 5).
c) Determinar el nmero entero de cajas que maximiza el beneficio.
La solucin del problema lineal entero es vender 0 cajas de fertilizante tipo 1, 76 cajas del
fertilizante tipo 2 y 2 cajas del fertilizante tipo 3 con un beneficio mximo de 2.350 u.m.
148
Material Complementario
ANEXO 6: Respuestas del TEST 2
PREGUNTA 1:
a) El problema dual es:
Max
s.a. + 2 2
+ 1
1
0, libre
b) Grficamente,
1 1 1 0
4
, b = ,
A =
0 1 1 1
2
c = (2 3 0 0)
Por tanto, podemos obtener fcilmente una tabla inicial tomando como variables bsicas x y s (que
tienen asociada a la base identidad). La tabla inicial ser:
b) La solucin ptima del problema es: x=2, y=2, z=0, s=0, F=10. Las variables bsicas son x e y,
y las no bsicas z y s. Esta solucin es un ptimo global nico porque los rendimientos marginales
de todas las variables son negativos o cero (condicin de ptimo en maximizar) y los de las
variables no bsicas estrictamente negativos (condicin de solucin nica). Los rendimientos de las
variables no bsicas son: -3 y 1 respectivamente y quieren decir que: si z se hace positivo por cada
unidad que incrementemos z la funcin objetivo disminuir en 3 unidades, y que si aumentamos la
segunda restriccin (b2=2) por cada unidad que la aumentemos la funcin crecer 1 unidad (-1 es el
rendimiento marginal de s y , desde la interpretacin del dual, el multiplicador de K-T asociado a la
segunda restriccin.).
149
Material Complementario
c) La base asociada a la solucin ptima, su inversa y el intervalo de sensibilidad se obtienen a
partir de:
1 1 1 0 1 0 1 1
4 1 1 4 4 b 2
1 1
1
1
0 1 0 1 0 1 0 1 B = 0 1 B b = 0 1 b = b 0
2 2
0 b2 4
La solucin anterior sigue siendo ptima con el mismo valor de la funcin objetivo en el ptimo,
pero ahora la solucin no es nica (hay un rendimiento marginal no bsico igual a cero), hay
infinitas soluciones (solucin arista finita).
e) Modificando la tabla ptima, teniendo en cuenta que:
a 1 1 3 2
=
B1 13 =
1 0 1 1 1
llegamos a la tabla no ptima ni final siguiente e iterando a una nueva solucin ptima:
La nueva solucin ptima y nica es: x=0, y=1, z=1, s=0, F=11.
PREGUNTA 3:
a) Si denotamos por Mi (i=1,2,3) a las unidades a fabricar de cada modelo de carrocera, el
problema a resolver es:
150
Material Complementario
d) El intervalo de sensibilidad para el coeficiente de beneficios del modelo 2 es: [62.5, ).
e) A partir del marginal de la ecuacin chapa sabemos que (a igualdad de costos) 5000 m2
adicionales supondrn un aumento aproximado del beneficio de 17*5000=85000 u.m. Como este
aumento del beneficio supera los costes adicionales de 79000 u.m., a la empresa le interesar
aceptar la oferta con un beneficio final adicional aproximado de 85000-79000=6000 u.m.
Por otra parte, 5000 m2 ms de chapa supone tener en el almacn 45000+5000=50000 m2 de
chapa. El valor 50000 pertenece al intervalo de sensibilidad del trmino independiente chapa que
es: [0,50000], y por tanto la estrategia de fabricar nicamente el modelo 2 seguir siendo ptima
(aunque no la cantidad calculada en esta salida).
PREGUNTA 4:
a) Si denotamos por Xi a la cantidad en euros invertida en el activo i (i=1,...,6), el problema a
resolver es:
Max R = 0.04 X1+ 0.06 X2 + 0.16 X3
+ 0.04 X4 + 0.11 X5 + 0.18 X6
s.a. X1+ X2 + X3 + X4 + X5 + X6 150000
X1+ X2 + X4 (0.6) 150000
X1+ X2 + X3 (0.3) 150000
c) X1, X2, X3, X4=0, X5=45000, X6=105000, se invierten 150000, la inversin en renta fija y
en la zona euro es de 0 y en EEUU de 45000, el inters que percibir es de 23850.
La ltima tabla del Simplex es:
0.11
0.18
0
0
X5
X6
H2
H3
Wj
0.11
X5
1
0
0
0
0
0.18
X6
0
1
0
0
0
0
H1
0.3
0.7
0
0
-0.159
0
H2
0
0
1
0
0
0
H3
0
0
0
1
0
0
H4
-1
1
0
0
-0.07
45000
105000
90000
45000
23850
La solucin del problema dual (columna MARGINAL del GAMS) es: Y1=0.159, Y2=Y3=0,
Y4=0.07, y la funcin dual en el ptimo vale 23850. (El problema dual tiene asimismo una nica
solucin ptima.)
e) El intervalo de sensibilidad para el coeficiente del activo 6 es: [0.15545,), esto es, se deja de
invertir en este activo para rentabilidades inferiores al 15.545%.
151
Material Complementario
ANEXO 7: MODELO DE RESOLUCIN DE PROGRAMACIN LINEAL ENTERA
1.- ENUNCIADO
Un bufete de abogados ha aceptado cinco nuevos casos, cada uno de los cuales puede ser llevado
adecuadamente por cualquiera de los cinco asociados ms recientes. Debido a la diferencia en
experiencia y prctica, los abogados emplearn distintos tiempos en sus casos. Uno de los
asociados ms experimentados ha estimado las necesidades de tiempo (en horas) como sigue:
Caso 1
Caso 2
Caso 3
Caso 4
Caso 5
Abogado 1
145
122
130
95
115
Abogado 2
80
63
85
48
78
Abogado 3
121
107
93
69
95
Abogado 4
118
83
116
80
105
Abogado 5
97
75
120
80
111
Determinar la forma ptima de asignar los casos a los abogados, de manera que cada uno de ellos
se dedique a un caso diferente y que el tiempo total de horas empleadas sea mnimo.
2.- MODELIZACIN
Identificacin de variables:
Este problema se puede modelizar como un problema de asignacin. Puesto que se trata de decidir
qu abogado llevar cada caso, definimos xij que valdr 1 si el abogado i es asignado al caso j y 0
en caso contrario, donde i, j=1,...,5. Estas 25 variables son las variables principales del problema y
nos indicarn que decisin tomar.
Funcin objetivo:
Nuestro objetivo es asignar ptimamente los abogados a los casos (o viceversa) siendo obvio que
una asignacin es mejor que otra si el nmero total de horas dedicadas a la preparacin de los casos
es menor. Por ello, la funcin objetivo debe representar el nmero de horas que los cinco abogados
utilizan para preparar los cinco casos.
Si supisemos a priori qu abogado prepara cada caso, sumaramos las horas empleadas por los
cinco y obtendramos el tiempo total. Sin embargo, esto es precisamente lo que trata de resolver
nuestro problema. Por ello, para poder plantear la funcin de tiempo total correctamente debemos
razonar del siguiente modo: si el abogado 1 tiene que preparar el caso 1 emplear 145 horas
mientras que si no tiene que prepararlo no emplear ninguna, es decir, emplear 0 horas. Segn
hemos definido las variables xij, podemos representar matemticamente esta afirmacin verbal con
la expresin 145xij . Repitiendo el mismo razonamiento para cada abogado y para cada caso,
llegamos a la conclusin de que la funcin objetivo es
Horas =
152
Material Complementario
Conjunto de oportunidades:
Las restricciones del problema surgen porque se exige que cada abogado se dedique a un caso
diferente. Si el abogado 1 slo puede llevar un caso, debe ocurrir que una, y slo una, de las
variables x1j , j=1,...,5, valga 1, mientras que las otras cuatro debern valer cero. Esta condicin
puede representarse por la ecuacin:
x11 + x12 + x13 + x14 + x15 = 1
Para el abogado 2, tendremos que:
x21 + x22 + x23 + x24 + x25 = 1
Y as sucesivamente para los abogados 3, 4 y 5.
Adems, estas restricciones, junto con el hecho de que hay tantos abogados como casos, implican
necesariamente que cada caso slo puede ser preparado por un abogado. Por tanto, para el caso 1
exigiremos que:
x11 + x21 + x31 + x41 + x51 = 1
Y as sucesivamente para los casos 2, 3, 4 y 5.
Por ltimo, no debemos olvidar que las condiciones que indican que las variables son binarias, xij
{0,1}, tambin deben incluirse en el conjunto de oportunidades. No aadimos condiciones de no
negatividad porque, en este caso, seran redundantes.
Modelo matemtico:
Min Horas =
s.a.
i,j = 1,...,5
153
Material Complementario
3.- SOLUCIN DEL MODELO DE PROGRAMACIN LINEAL ENTERA
El fichero GMS es:
* MODELO DE PROGRAMACION LINEAL ENTERA
VARIABLES Z;
BINARY VARIABLES
X11, X12, X13, X14, X15, X21, X22, X23, X24, X25, X31, X32, X33,
X34, X35, X41, X42, X43, X44, X45, X51, X52, X53, X54, X55;
EQUATIONS
OBJ, A1, A2, A3, A4, A5, C1, C2, C3, C4, C5;
OBJ..
Z =E=145*X11 + 122*X12 + 130*X13 + 95*X14 + 115*X15 +
80*X21 + 63*X22 + 85*X23 + 48*X24 + 78*X25 +
121*X31 + 107*X32 + 93*X33 + 69*X34 + 95*X35 +
118*X41 + 83*X42 + 116*X43 + 80*X44 + 105*X45 +
97*X51 + 75*X52 + 120*X53 + 80*X54 + 111*X55;
A1..
X11 + X12 + X13 + X14 + X15 =E= 1;
A2..
X21 + X22 + X23 + X24 + X25 =E= 1;
A3..
X31 + X32 + X33 + X34 + X35 =E= 1;
A4..
X41 + X42 + X43 + X44 + X45 =E= 1;
A5..
X51 + X52 + X53 + X54 + X55 =E= 1;
C1..
C2..
C3..
C4..
C5..
X11
X12
X13
X14
X15
+
+
+
+
+
X21
X22
X23
X24
X25
+
+
+
+
+
X31
X32
X33
X34
X35
+
+
+
+
+
X41
X42
X43
X44
X45
+
+
+
+
+
X51
X52
X53
X54
X55
=E=
=E=
=E=
=E=
=E=
1;
1;
1;
1;
1;
La solucin es:
S O L V E
MODEL
TYPE
SOLVER
ABOGADOS
MIP
OSL
154
S U M M A R Y
OBJECTIVE
DIRECTION
FROM LINE
1 NORMAL COMPLETION
1 OPTIMAL
436.0000
Z
MINIMIZE
29
Material Complementario
LOWER
----------------------------------
-------------------------------------------------------------------------------
EQU
EQU
EQU
EQU
EQU
EQU
EQU
EQU
EQU
EQU
EQU
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
VAR
OBJ
A1
A2
A3
A4
A5
C1
C2
C3
C4
C5
Z
X11
X12
X13
X14
X15
X21
X22
X23
X24
X25
X31
X32
X33
X34
X35
X41
X42
X43
X44
X45
X51
X52
X53
X54
X55
LEVEL
.
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
.
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
LOWER
LEVEL
-INF
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
436.000
.
.
.
.
1.000
.
.
.
1.000
.
.
.
1.000
.
.
.
1.000
.
.
.
1.000
.
.
.
.
UPPER
.
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
UPPER
+INF
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
MARGINAL
1.000
43.000
.
17.000
25.000
17.000
80.000
58.000
76.000
52.000
78.000
MARGINAL
.
22.000
21.000
11.000
EPS
-6.000
EPS
5.000
9.000
-4.000
EPS
24.000
32.000
EPS
EPS
EPS
13.000
EPS
15.000
3.000
2.000
EPS
EPS
27.000
11.000
16.000
155
Material Complementario
ANEXO 8: Respuestas del TEST 3
PREGUNTA 1:
a) El objetivo del problema es de maximizacin porque al aadir restricciones al problema lineal
asociado el valor de la funcin objetivo en el ptimo disminuye.
b) Vase el rbol adjunto.
c) Si se ha llegado al ptimo porque todos los nodos estn saturados y hemos obtenido una
solucin entera. Las razones de saturacin de cada nodo estn escritas en el rbol adjunto. La
solucin entera ptima es x*=0, y*=76, z*=2, con valor ptimo de 2350.
d) Nodo 1.2: PLA+(y78,z 1); Nodo 1.1.1:PLA+(y78, z0, x0);
Nodo 1.2.1.2.1: PLA+(y78,z 1, y77, z1, x 1)
(Nota:- PLA=Problema Lineal Asociado)
PREGUNTA 2:
a) Si denotamos por x, y al nmero de aviones y coches a fabricar respectivamente, el problema
que tenemos que resolver es:
Max 3x + 4y
s.a. 2x + 3y 45
2x + y 30
x, y 0, x, y Z +
156
Material Complementario
Los primeros dos problemas a resolver son:
Nodo 1.1.1
Max 3x + 4y
Nodo 1.1.2
Max 3x + 4y
s.a. 2x + 3y 45, 2x + y 30
s.a. 2x + 3y 45, 2x + y 30
y
y
8,
8,
10
x, y 0
y
y
8,
9,
10
x, y 0
Observa que el problema 1.1.1 implica que y*=8, con lo que el problema a resolver es:
Max 3x+32, s.a. 2x 21, 2x 22, x 10, x 0 Max 3x+32, s.a. x 10, x 0
z*=62
Resumiendo, la solucin de 1.1.1 es x*=10, y*=8, z*=62
x*=10,
157
Material Complementario
PREGUNTA 3:
a) La solucin ptima y nica (los rendimientos de las variables no bsicas son: -0.05, -0.1 y
0.05, esto es estrictamente negativos) del problema lineal asociado es: x*=25.33, y*=13.33,
z*=8.33, con un valor de la funcin objetivo en el ptimo igual a 47.
La columna MARGINAL recoge en el bloque de variables los rendimientos marginales de las
mismas, como todas las variables principales estn en la base estos rendimientos son iguales a
cero. Esta misma columna recoge en el bloque de ecuaciones la solucin dual del problema
(que en este caso primal cannico coincide con los rendimientos cambiados de signo de las
variables de holgura) que es *=0.05, *=0.1, *=0.05 con un valor de la funcin objetivo en el
ptimo dual igual a 47.
b) La solucin del problema lineal entero planteado es: x*=25, y*=13, z*=8.875, f*=46.875. (Para
obtener el ptimo se necesita introducir en el archivo de programa la lnea: option
optcr=0.0001;)
PREGUNTA 4:
a) El planteamiento matemtico del problema es:
Max 40000 P1 + 3 P2 + 0.08 P3 + 6000 P4 + 50000 P5
s.a. 450000 P1 + 25 P2 + 0.75 P3 + 50000 P4 + 300000 P5 500000
P1, P2, P3, P4, P5 0, P1, P5 {0,1}, P2, P4 Z+
donde P1 y P5 son variables binarias que toman el valor 1 cuando se hace la inversin 1 o 2
respectivamente y 0 en otro caso; P2 y P4 son variables enteras que indican el nmero de acciones
a adquirir en la empresa de Telecomunicaciones o nmero de vehculos a adquirir con objeto de
alquiler respectivamente, y P3 es una variable continua que indica el nmero de litros de gasleo a
adquirir.
El problema planteado es un problema lineal entero mixto y de tipo codificado.
c) La inversin ptima es: adquirir la avioneta y con el presupuesto restante (el presupuesto
disponible se agota totalmente) comprar 4 coches para alquilar. El rendimiento ptimo de esta
solucin es de 74000.
(Nota.- Para solucionar correctamente el problema entero se debe poner: P2.UP=20000; ya que con
500000 podemos comprar si slo compramos acciones- hasta 20000 acciones, y la cota por
defecto de 100 del GAMS elimina muchas soluciones posibles del problema que podran ser
ptimas)
158
Material Complementario
Nota Importante.- Todos los exmenes incluyen dos partes: una parte escrita que se resuelve en
el aula normal (incluye las preguntas terico-prcticas y el planteamiento del problema) que vale
7.5 y una parte de ordenador (que incluye la resolucin e interpretacin completa de un problema
planteado) que se resuelve en aula informtica y vale 2.5 puntos.
159
Material Complementario
PROGRAMACIN MATEMTICA (1 Convocatoria)
02/02/04
LICENCIATURAS EN ADE Y ECO
APELLIDOS .. NOMBRE ...
1.- (1.5 puntos.) Consideremos el problema de programacin no lineal:
Max - x 2 + y
x 2 + (y - 1) 2 1
x - y +1
s.a.
x 0
Se pide:
a) Demuestra que el punto (0, 2) es un punto de Kuhn y Tucker. Calcula los multiplicadores
asociados.
b) Comprueba que (0, 2) es un punto regular.
c) Verifica que se cumplen las hiptesis del teorema de suficiencia de Kuhn y Tucker.
2.- (1 punto.)
a) Enuncia el teorema de Weierstrass.
b) Justifica que en programacin lineal todos los ptimos (si existen) son globales.
3.- (1 punto.) Considera el problema:
Max 2x + 5y
s.a.
x -y 3
x+y =4
x + 2y 2
x, y 0
Se pide:
a) Construye la primera tabla del Simplex.
b) Enuncia el problema dual.
4.- (2 puntos.) Un empresario fabrica dos productos en cantidades x1 y x2. El beneficio unitario que
obtiene es de 3 y 5 unidades monetarias respectivamente. Cada producto requiere para su
fabricacin de un proceso de montaje y de un proceso de pulido. La disponibilidad de horas de
trabajo en estas secciones est limitada a 8 horas de montaje y 14 de pulido. Para maximizar
beneficios, el empresario se plantea el problema lineal:
Max - 3x1 + 5x 2
s.a.
x1 + 2x 2 8
(montaje)
2 x1 + 3x 2 14 (pulido)
x1 , x 2 0
3
5
160
x1
x2
Zj
Wj
3
x1
1
0
3
0
5
x2
0
1
5
0
0
s1
-3
2
1
-1
0
s2
2
-1
1
-1
4
2
22
Material Complementario
Se pide:
a) Calcula las cantidades a producir para maximizar el beneficio y el beneficio mximo. Sobran
horas de montaje o de pulido?
b) Calcula la solucin ptima del problema dual. Interpreta el valor de las variables duales.
c) Calcula el intervalo de sensibilidad de las horas de montaje (b1).
d) La empresa decide lanzar al mercado un tercer producto x3 con coeficiente 3 en la funcin
objetivo y vector de coeficientes tcnicos (1,1). Calcula la nueva solucin ptima. Es nica la
solucin? Si no lo es, calcula otra solucin factible bsica ptima.
5.- (1 punto.) El siguiente rbol corresponde a un problema de programacin entera con dos
variables:
Indica si el problema es de maximizacin o minimizacin. Sita sobre cada rama la restriccin que
se ha aadido y razona si se ha llegado al ptimo. En caso de que falte por ramificar algn nodo
indica cul es y qu restricciones habra que aadir.
6.- (1 punto.) Un fabricante de juguetes comercializa tres modelos de muecas:
Andadora
Parlanchina
Repollo
Disponibilidad
Plstico
250g
450g
600g
800Kg
Telas
150cm
75cm
175cm
1800m
Mano obra
2h
12h
1.5h
6000h
Andadora y Parlanchina llevan adems un pequeo motor elctrico. Las existencias de este motor
son de 800 unidades. El fabricante calcula que se puede vender no menos de 500 muecas ni ms
de 1500. Adems, se estima que por estar de moda, la demanda de la mueca Repollo ser superior
a la de las otras dos juntas. El beneficio neto por la venta de las muecas es: Andadora, 12 euros;
Parlanchina, 15 euros; Repollo, 18 euros. Plantea un modelo de programacin para maximizar
beneficios.
161
Material Complementario
PROGRAMACIN MATEMTICA (1 Convocatoria)
02/02/04
LICENCIATURAS EN ADE Y ECO
APELLIDOS .. NOMBRE ...
7.- (2.5 puntos.) Dos pozos A y B suministran agua a tres fbricas de un mismo propietario. El
precio pagado por litro suministrado es proporcional a la distancia, cobrando 0.07 euros el pozo
A por litro y km. Y 0.08 euros el pozo B. Las distancias en Km. aparecen en la siguiente tabla:
Fbrica 1
Fbrica 2
Fbrica 3
Pozo A
12
20
13
Pozo B
18
11
32
Diariamente, el pozo A es capaz de suministrar 1000 litros, mientras que el pozo B 2000. Los
requerimientos diarios de las fbricas 1, 2 y 3 son 250.6, 1200, y 750.8 litros respectivamente.
El problema para que el propietario de las fbricas minimice su gasto diario quedara formulado
como sigue:
Min 0.07 (12x11 + 20x12 + 13x13 ) +
+ 0.08 (18x 21 + 11x 22 + 32x 23 )
s.a.
a)
b)
c)
d)
e)
162
Material Complementario
PROGRAMACIN MATEMTICA (1 Convocatoria)
25/06/04
DIPLOMATURA EN C. EMPRESARIALES
APELLIDOS .. NOMBRE ...
1.- (1.5 puntos.) Dado el siguiente problema de programacin no lineal:
Min x 2 + 2xy + 2y 2 + 2yz + z 2
s.a.
x+y+z 3
=5
x+y
z 0
a) Demuestra que el punto (3, 2,-2) es un punto de Kuhn y Tucker. Calcula los multiplicadores
asociados.
b) Es posible encontrar para este problema un ptimo global que no cumpla las condiciones de
Kuhn y Tucker? Razona tu respuesta.
c) Estudia si se cumplen o no las hiptesis del teorema de suficiencia de Kuhn y Tucker. Qu se
puede afirmar acerca de la optimalidad del punto (3, 2,-2).
2.- (1.5 puntos.) Dado el siguiente problema de programacin lineal:
Max - 2x + y - 2z
s.a.
x+y
4
x 2y + z = 8
x, y, z 0
a) Razona si de los siguientes puntos (x,y,z,s) son solucin factible y/o bsica: (5,1,3,1), (8,0,0,4) y
(2,2,10,0).
b) Obtn sin iterar la tabla del Simplex asociada a la solucin factible bsica (x,y,z,s)=(4,0,4,0).
Es una tabla ptima o final? En caso afirmativo, escribe la solucin del problema lineal y
explica, en su caso, si la solucin es nica y/o degenerada. En caso negativo, realiza un iteracin
ms.
c) Justifica que en programacin lineal todos los ptimos (si existen) son globales.
3.- (2.5 puntos.) Dado el problema de programacin lineal:
Max - x + y
s.a.
- x + 2y 6
2x + y 2
y 4
x, y 0
-1
1
0
x
y
u
Zj
Wj
3
x
1
0
0
-1
0
-3
y
0
1
0
1
0
0
s
1/3
2/3
-2/3
1/3
-1/3
0
t
-2/3
-1/3
1/3
1/3
-1/3
0
u
0
0
1
0
0
2/3
10/3
2/3
8/3
a) Escribe la solucin del problema: valor de las variables y de la funcin objetivo en el ptimo,
explicando si es solucin nica y/o degenerada.
163
Material Complementario
b) Plantea el problema dual y calcula su solucin ptima: valor de las variables, valor de la funcin
objetivo dual en el ptimo y rendimientos marginales, explicando si es solucin nica y/o
degenerada.
c) Realiza el anlisis de sensibilidad del trmino independiente b1 del problema primal. Explica en
qu sentido la solucin obtenida sigue siendo ptima para aquellos problemas en los que el
primer trmino independiente pertenece al intervalo de sensibilidad encontrado.
d) Cul es la solucin ptima del problema primal si el nuevo objetivo del problema es maximizar
la funcin 3x-y? Escribe la solucin del problema e indica, en su caso: valor de las variables y
de la funcin objetivo en el ptimo, y si es nica y/o degenerada.
4.- (1 punto.) Al resolver un problema de programacin lineal entera se obtiene el siguiente rbol
de ramificacin:
Serrn
5
4
Virutas
6
15
Restos madera
9
19
Los desechos se almacenan y una vez a la semana son recogidos por una empresa de reciclaje. La
capacidad de almacenamiento es limitada: como mximo se pueden almacenar 200 Kg. de serrn,
350 Kg. de virutas y 400 Kg. de madera troceada. Y la empresa de reciclaje trabaja con una
furgoneta que no puede cargar ms de 600 Kg. y hace slo un viaje. Plantea el problema a resolver
para averiguar cuntas unidades de cada mueble se tienen que fabricar por semana para maximizar
los beneficios de la empresa sabiendo que los beneficios unitarios son de 15-E por estantera y
20-A por armario.
164
Material Complementario
PROGRAMACIN MATEMTICA (1 Convocatoria)
25/06/04
DIPLOMATURA EN C. EMPRESARIALES
APELLIDOS .. NOMBRE ...
6.- (2.5 puntos.) El directivo de distribucin de una empresa comercial en Valencia se plantea el
problema de optimizar los suministros desde los dos almacenes de la empresa a sus tres centros
comerciales: Centro, Nuevo Centro y Ciudad Ciencias. El nmero de Kms desde cada almacn a
cada centro comercial se detalla en la tabla adjunta:
Centro
25
20
Almacn 1
Almacn 2
Sabiendo que las existencias de un producto tipo son de 1200 unidades en el Almacn A y de 2000
en el Almacn B, que tiene que enviar al menos 500, 1000 y 1500 unidades de producto tipo a los
centros: Centro, Nuevo Centro y Ciudad Ciencias respectivamente, y que el precio por Km y
unidad de producto es de 0.06 euros, averigua cuntas unidades se tienen que enviar de un producto
tipo desde cada almacn a cada centro comercial para minimizar el coste total. El problema de
programacin quedara planteado de la siguiente manera:
Min 0.06 (25X1C + 12X 1NC + 40X 1CC
+ 20X 2C + 45X 2NC + 10X 2CC )
s.a.
165
Material Complementario
PROGRAMACIN MATEMTICA (2 Convocatoria)
29/06/04
LICENCIATURAS EN ADE Y ECO
APELLIDOS .. NOMBRE ...
1.- (225 puntos.) Dado el siguiente problema:
x2 + y2
Min
s.a.
2 x + 6y 11
3x + y 12
x+ y =4
y 0
Se pide:
a) Es posible encontrar para este problema un ptimo global que no cumpla las condiciones de
Kuhn y Tucker? Razona tu respuesta.
b) Comprueba si el punto (2, 2) cumple o no las condiciones de Kuhn y Tucker, indicando en caso
afirmativo el valor de los multiplicadores asociados.
c) Utilizando los resultados del apartado anterior, qu se puede afirmar de la optimalidad del
punto (2,2)?
d) Si el trmino independiente de la tercera restriccin pasase a valer 4,25 Puedes indicar
aproximadamente cul ser el valor ptimo del nuevo problema?
e) Transformar el problema de forma que tenga objetivo de maximizacin, todas las restricciones
de igualdad y todas las variables con condiciones de no negatividad.
2.- (1 punto.)
a) Enuncia el teorema local-global para el caso de maximizacin.
b) Define problema infactible y problema no acotado. Explica la principal diferencia entre ambos.
3.- (225 puntos.) Considera el problema siguiente:
Max
s.a.
x 2y
x+y 3
-x + y 1
x 0
166
Material Complementario
4.- (1 punto.) Al resolver un problema de programacin lineal entera obtenemos el rbol siguiente:
167
Material Complementario
PROGRAMACIN MATEMTICA (2 Convocatoria)
29/06/04
LICENCIATURAS EN ADE Y ECO
APELLIDOS .. NOMBRE ...
6.- (2.5 puntos.) Una empresa fabrica tres artculos en cantidades x, y, z. El beneficio por cada
unidad producida es de 3, 2 y 4 respectivamente. Adems, la empresa dispone de una materia
prima M limitada a 800 unidades disponibles, as como un mximo de 1000 horas de mano de obra.
Por otra parte, la empresa se ha comprometido a fabricar al menos 30 unidades del primer artculo.
As pues, el beneficio mximo que puede obtener la empresa viene dado por el problema:
Max 3x + 2y + 4z
s.a.
2x + 15y + 3z 800
Funcin de beneficios en
Unidades mximas de M
x, y, z 0
168
Material Complementario
PROGRAMACIN MATEMTICA (2 CONVOCATORIA)
8/09/04
DIPLOMATURA EN CIENCIAS EMPRESARIALES
APELLIDOS................................................................................ NOMBRE........................
1.- (225 puntos). Considera el problema siguiente:
Max B = 300x + 200y - x 2
s.a. 2x + y 20
x + 2y 5
x, y 0
donde B es la funcin de beneficios de una empresa y las variables x, y representan las
cantidades producidas de dos artculos A y B.
a) Podemos asegurar que la solucin ptima (todava no calculada) cumple las
condiciones de punto de Kuhn y Tucker?
b) Estudia si la solucin (x,y)=(5,0) cumple las condiciones de punto de Kuhn y Tucker.
c) Enuncia la condicin suficiente de Kuhn y Tucker para problemas de maximizacin y
utilzala para demostrar que el punto anterior es un ptimo global del problema.
d) Se puede aplicar el teorema de Weierstrass? En caso afirmativo, indica qu
conclusiones extraes de su aplicacin.
e) Si el trmino independiente de la 2 restriccin pasa a valer 45 puedes indicar cul
ser el beneficio mximo aproximado del nuevo problema?
2.- (225 puntos). Una empresa fabrica dos productos en cantidades diarias x e y. Dispone
de 200 horas diarias de mano de obra y el segundo artculo requiere una materia prima de
la que se dispone a razn de 30 unidades diarias. Los beneficios unitarios son de 2 y 5 u.m.
respectivamente. El problema es:
Max 2x + 5y
s.a. 3x + 5y 200
3y 30
x, y 0
a) Sabiendo que el ptimo es (50,10), calcula la tabla ptima.
b) Cuntas unidades de cada artculo fabricar la empresa? Cul es el beneficio
mximo? Interpreta el valor de las variables de holgura.
c) Razona si el ptimo obtenido es de vrtice, de arista o de arista infinita.
d) Calcula las variables principales duales e interprtalas. Le interesara a la empresa
pagar 10 horas extra diarias a 1 u.m. cada una?
e) Hasta cunto se podran reducir los beneficios unitarios del 2 artculo de modo que la
solucin siguiese siendo vlida?
169
Material Complementario
3.- (1 punto). La ltima tabla del Simplex de un determinado problema lineal de
maximizacin en forma cannica es:
2
0
y
s2
Zj
Wj
1
x
-1
-1
-2
3
2
y
1
0
2
0
0
s1
1
-3
2
-2
0
s2
0
1
0
0
1
3
2
a) Escribe la solucin factible bsica que aparece en la tabla y calcula su matriz bsica
asociada.
b) Calcula los trminos independientes del problema.
c) Qu se puede deducir acerca de la solucin del problema dual?
4.- (1 punto). Dado un problema de programacin lineal entera con tres variables (X1,X2,X3),
cuyo rbol de ramificacin y acotacin es el siguiente:
170
Material Complementario
PROGRAMACIN MATEMTICA (2 CONVOCATORIA)
8/09/04
DIPLOMATURA EN CIENCIAS EMPRESARIALES
ORDENADOR
APELLIDOS................................................................................ NOMBRE........................
6.- (25 puntos). Dado el problema de optimizacin siguiente donde cada variable
representa el capital invertido (en cientos de euros) en cada uno de los 4 activos
considerados:
Max 3x + 5y + 8z + 2t
(maximizacin de la rentabilidad en euros2
2
2
2
)
s.a. x + 1'5y + 2'5z + t 500000
(limitacin del riesgo)
x + y + z + t 1000
(limitacin del capital disponible)
x+ y- z -t0
(condicin de diversificacin)
x, y, t 0
0 z 100
a) Resuelve el problema. Guarda en el disquete el archivo de programa GAMS y el
archivo solucin con el nombre EXAMEN_A. Escribe a continuacin la solucin
obtenida:
Valor de la funcin objetivo
Valor de las variables principales
Valor de las variables de holgura
Valor de los multiplicadores
c1 [
b1 [
171
BIBLIOGRAFA
Ivorra, C. (2004): Programacin Matemtica: Apuntes de Teora. Disponible en el
Servicio de Reprografa del Campus de Tarongers.
Guerrero, F. M. (1994): "Curso de Optimizacin. Programacin Matemtica. Ed. Ariel
Economa. Barcelona.
Mochol, M. y Sala, R. (1993): "Programacin Lineal. Metodologa y Problemas". Ed. Tebar
Flores. Madrid.
Mochol, M. y Sala, R. (1999): "Decisiones de Optimizacin". Segunda Edicin. Ed. Tirant
Lo Blanc. Valencia.
Pgina web de GAMS: http://www.gams.com
Y diverso material preparado por los profesores del Departamento de Matemtica
Econmicoempresarial para la docencia de la asignatura durante los cursos 2001-02, 200202 y 2003-04. Citemos especialmente:
La coleccin de Problemas Terico-Prcticos y Ejercicios para Ordenador del curso
172