Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programacion Convexa PDF
Programacion Convexa PDF
o Programacin No Lineal
Teora 1: Condiciones de punto de Kuhn y Tucker
1.- Resolucin del problema de programacin no lineal en formato
Teora 2: Condiciones necesaria y suficiente de optimalidad de
estndar
Kuhn y Tucker
5.- Justificacin de la condicin necesaria de ptimo en programas Teora 5: Justificacin geomtrica de la condicin necesaria de
no lineales ptimo
q El Mtodo Simplex
Teora 1: Mejora de una solucin factible bsica
1.- El algoritmo del Simplex
Teora 2: El algoritmo del Simplex
2
Pg 6 a 21
Prctica 1: Planteamiento de un problema de optimizacin.
Prctica 2: Resolucin grfica de problemas de optimizacin
Pg 22 a 43
Pg 44 a 55
Prctica 1: Clases de problemas lineales
Pg 56 a 73
Prctica 1: La tabla del Simples
3
r Dualidad en Programacin Lineal
1.- Formulacin del problema dual
Teora 1: Teoremas bsicos de la dualidad
2.- Teoremas bsicos de la dualidad
Aprende a demostrar: Teorema de la dualidad
3.- Relaciones entre la solucin ptima primal y dual
2.- Mtodo de ramificacin y acotacin (Branch and Bound) Teora: Mtodo de ramificacin y acotacin
Material Complementario
A1.- Revisin de algunos elementos de lgebra lineal TEMAS 1 y 3
A2.- Resumen de la sintaxis del GAMS TEMAS 1 a 7
A3.- Modelo de resolucin de programacin no lineal TEMA 2
A4.- Respuestas del Test 1 TEMAS 1 y 2
A5.- Modelo de resolucin de programacin lineal y lineal entera TEMAS 3 a 6 y 7
Bibliografa
4
Pg 74 a 87
Prctica 1: Construccin del problema dual
Pg 88 a 105
Prctica 1: Anlisis de sensibilidad
Prctica 2: Anlisis de post-optimizacin Coleccin de Ejercicios
Prctica de Ordenador 1: Anlisis de dualidad, sensibilidad y post- Coleccin de problemas de ordenador
optimizacin
Prctica de Ordenador 2: Resolucin completa con ordenador de Test 2: Programacin lineal
un PL
Pg 106 a 123
Aplicaciones econmicas y empresariales: PLE
Prctica: Tipos de problemas lineales enteros
Coleccin de Ejercicios
Coleccin de problemas de ordenador
Prctica de Ordenador 1: Resolucin con GAMS de problemas
enteros
Test 3: Programacin lineal entera
Prctica de Ordenador 2: Resolucin completa con ordenador de
un PLE
Pg 124 a 171
A6.- Respuestas del Test 2 TEMAS 3 a 6
A7.- Modelo de resolucin de programacin lineal entera TEMA 7
A8.- Respuestas del Test 3 TEMA 7
A9:- Exmenes oficiales de la asignatura Programacin TEMAS 1 a 7
Matemtica celebrados en la Universidad de Valencia durante el
curso 2003-04
Pg 172
5
Introduccin a la Optimizacin
6
Tema 1
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.
7
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 * <
x* es mximo local estricto en S si existe >0 tal que:
f ( x*) > f ( x), para x S - {x*} : x - x * <
x* es mximo global en S si f (x*) f (x), para x S
x* es mximo global estricto en S si f ( x*) > f (x), para x S - {x*}
__________________________________
__________________________________
__________________________________
____________________________
____________________________
____________________________
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.
3) Clasifica el problema de programacin planteado en la PRCTICA 1 segn su estructura.
4) PRACTICA AHORA T: Repite el ejercicio 3 con el problema enunciado en la PRCTICA 1.
5) PRACTICA AHORA T: Resuelve los ejercicios 1 y 7 de la COLECCIN DE EJERCICIOS.
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).)
9
Tema 1
10
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).
11
Tema 1
x, y, s1 , s 2 , s3 0 x, y, s 1 , s 2 , s 3 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
MODEL M1 OBJECTIVE U
TYPE NLP DIRECTION MAXIMIZE
SOLVER MINOS5 FROM LINE 34
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: Resuelve con GAMS el problema planteado en la PRCTICA 1:
PRACTICA AHORA T.
4) PRACTICA AHORA T: Plantea, clasifica y resuelve con GAMS los problemas 1 a 4 de la
COLECCIN DE PROBLEMAS DE ORDENADOR.
S3 = {(x, y) R 2 / 2x + 3y 2 = 4} ; S 4 = {(x, y) R 2 / x 2 + y 2 4} ;
S5 = {(x, y) R 2 / x 2 + y 2 4, x > 0}
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
16
Tema 1
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
y una o varias de las siguientes restricciones
x+2y+z6 ; x+2y-z=3 ; y+2x+30
enunciar, si es posible, un problema de:
a) Programacin clsica.
b) Programacin no lineal.
c) Programacin lineal.
d) Programacin lineal entera.
- objetivo de maximizacin,
- restricciones de mayor o igual.
18
Tema 1
7.- Definir problema infactible y problema no acotado. Explicar las diferencias entre ambos.
19
Tema 1
20
Tema 1
ANOTACIONES
21
Programacin No Lineal
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
___________________________________ ________________________________
___________________________________ ________________________________
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.
23
Tema 2
24
Tema 2
L L
j 0 j 0 ( x, ) 0 ( x, ) 0
x i x i
g j ( x) b j [ ]
j b j - g j ( x) = 0 [ ]
j b j - g j ( x) = 0 xi 0 xi
L
( x, ) = 0 xi
L
(x, ) = 0
g j (x) b j g j (x) b j x i x i
xi 0 xi 0
L L
g j ( x) = b j g j ( x) = b j g j ( x) = b j x i Libre ( x, ) = 0 ( x, ) = 0
x i 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.
3) PRACTICA AHORA T: Resuelve el ejercicio5 de la COLECCIN DE EJERCICIOS.
25
Tema 2
Opt x 2 + y 2
s.a. x + y 5
x-y 0
x0
Caso 1: (b) se cumple; (a) y=0; (c) y (d) se cumplen (0,0) 1=2=0 es punto K-T.
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:
Caso 1 : _________________________________
L(x, y, 1 , 2 ) = x 2 + y 2 + 1 (5 x y) + 2 ( x + y)
Caso 2 : _________________________________
L L
(a) = 2x 1 2 0, = 2y 1 + 2 = 0 Caso 3 : _________________________________
x y
Caso 4 : _________________________________
(b) x(2x 1 2 ) = 0, 1 (5 x y) = 0, 2 ( x + y) = 0
(c) 1 , 2 0 Caso 5 : _________________________________
(d) x + y 5, x y 0, x 0 Caso 6 : _________________________________
Caso 7 : _________________________________
Caso 8 : _________________________________
El nico punto de K-T del problema es: (0,0) con multiplicadores 1=2=0.
Razonemos:
_____________________________________________________________________________
_____________________________________________________________________________
_______________________________________ (0,0) es mnimo global estricto del problema
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) Max f(x)
s.a. g(x) = b Sigo por aqu s.a. g(x) b
- g( x) - b
L(x,)=f(x)+[b-g(x)] L(x,1,2)=f(x)+1[b-g(x)]+2[-b+g(x)]=
=f(x)+(12)[b-g(x)]
(a) (=12) L f g
(i) = =0 L f g
x i x i xi (a) = ( 1 2 ) =0
x i x i xi
(d) (ii) g( x) = b (b) 1 (b g( x)) = 0, - 2 (b g( x)) = 0
(c)+(b) (iii) libre (c) 1 0, 2 0
(d) g( x) = b
La cualificacin de restriccin es la de regularidad y se introduce implcitamente en las
condiciones necesaria y de ptimo local al exigir que el rango de la matriz diferencial o
jacobiana de las restricciones sea de rango completo.
Si las restricciones son lineales el conjunto de oportunidades de los problemas clsicos es
convexo.
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:
1 2
L ( x 1 , x 2 , x 3 , 1 , 2 ) = x 13 x + x 3 + 10 + 1 ( 2 x 1 ) + 2 ( x 2 + x 3 )
2 2
L
= 3x12 1 = 0
x 1
L
= x 2 2 = 0
x 2 ______________________________________________________
L
= 1 + 2 = 0
x 3
2 x1 = 0
x2 + x3 = 0
Estudiemos la condicin de regularidad:
1 0 0 , rango[Dh(x1,x2,x3)]=2(=n restricciones) S es regular
Dh(x 1 , x 2 , x 3 ) =
0 1 1
Razonemos:
____________________________________________________________________________
____________________________________________________________________________
________________________________ el punto (......,......,......) es mximo global del problema
2) Resuelve el siguiente problema de programacin clsica:
Opt z = x 2 + y 2
s.a. y + x 2 = 1
Observa antes de empezar que la restriccin de este problema clsico no es lineal y por lo tanto el
conjunto de oportunidades no es convexo y no se puede aplicar la condicin suficiente de ptimo ni
en el problema de minimizar ni en el problema de maximizar. Y tampoco se puede aplicar el
teorema de Weierstrass porque el conjunto de oportunidades es no acotado.
Obtengamos los puntos crticos del problema:
L(x, y, ) = x 2 + y 2 + (1 y x 2 )
L
= 2x 2x = 0
x
L ______________________________________________________
= 2y = 0
y
L
= 1 y x 2 = 0
Estudiemos la condicin de regularidad:
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:
___________________________________
___________________________________
___________________________________
___________________________________
siendo =(1,...,m).
(ii) Se define la funcin objetivo indirecta o funcin valor como:
( ) = f(x *1 ( ),...., x *n ( ), )
Teorema 5.8. (Teorema de la Envolvente)
Dado el problema (I) y las condiciones de la Definicin 5.2, si ( ) = f(x *1 ( ),...., x *n ( ), ) es la funcin valor
del programa, se verifica que para cada s, s=1,...,k
( ) L ( * ( ), x* ( ), ) f (x* ( ), ) m g (x* ( ), )
= = ( ) i
s s s i =1 s
El Teorema 5.8 y la Definicin 5.2 son vlidos si el problema es de minimizacin.
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.
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.
1) A partir del enunciado plantea en trminos matemticos el problema de programacin
matemtica identificando las variables del problema, la funcin objetivo y restricciones. Clasifica
el problema atendiendo a su estructura. ( Vase apartado Modelizacin en ANEXO 3)
2) Crea un proyecto en el directorio A:\TEMA2 y el fichero GAMS para resolver el problema de
programacin planteado y ejectalo para varios puntos de arranque. Rellena el cuadro adjunto. (
Vase apartado Solucin del modelo con ordenador en ANEXO 3)
PUNTO DE ARRANQUE SUMARIO SOLVER PUNTO PTIMO
[1] (0,0,0)
[2] (1,1,1)
[5] (0,11200,0)
[6] (0,0,11200)
[7] (5000,0,5000)
32
Tema 2
Coste fijo : 4000 euros Coste variable por viaje Centro Europa :
Coste variable por viaje Francia : 2F+10CE euros
10F+CE euros Coste variable por viaje Italia : 8I 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:
U(x1 , x 2 ) = x1/3
1 x2
1/2
33
Tema 2
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:
Introduzcamos ahora unas consideraciones geomtricas para entender por qu las condiciones de
Kuhn y Tucker son necesarias. Para ello, nos apoyaremos en el siguiente problema de
programacin no lineal diferenciable:
Max f (x, y)
s.a x + y 1
2 2
x + y 1
Dibujemos ahora el conjunto de oportunidades del problema y consideremos tres puntos del
mismo: un punto interior, un punto frontera con una restriccin activa y un punto frontera con dos
restricciones activas, qu condiciones se tienen que cumplir necesariamente si esos puntos son
ptimos del problema planteado?
35
Tema 2
___________________________
___________________________
___________________________
___________________________
______________________________
______________________________
______________________________
______________________________
___________________________
___________________________
___________________________
___________________________
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:
Aplicar el teorema de Weierstrass.
Resolverlos grficamente.
Estudiar si los ptimos obtenidos, cuando as sea, cumplen las condiciones de Kuhn y
Tucker.
Estudiar si los ptimos obtenidos, cuando as sea, cumplen la condicin de regularidad.
Estudiar si los ptimos obtenidos, cuando as sea, cumplen la condicin de suficiencia.
Aplicando la informacin de los apartados anteriores que se considere pertinente, razonar
qu se sabe acerca de la solucin de cada uno de los problemas.
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:
a) Max f(x,y) b) Min f(x,y) c) Max f(x,y) d) Min f(x,y)
s.a. g1 (x,y) b1 s.a. g1 (x,y) b1 s.a. g1 (x,y) = b1 s.a. g1 (x,y) b1
g2 (x,y) = b2 g2 (x,y) = b2 x, y 0 g2 (x,y) b2
y0 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:
38
Tema 2
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
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
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
43
Introduccin a la 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
45
Tema 3
_________________________________
_________________________________
_________________________________
__________________________________
__________________________________
__________________________________
APRENDE A DEMOSTRAR
Enunciado: Si un problema lineal es acotado entonces tiene solucin nica o infinitas soluciones.
Adems, dadas dos soluciones ptimas del problema lineal tambin es solucin ptima cualquier
punto del segmento lineal cerrado que las une.
Demostracin:
Dadas x1 y x2 dos soluciones ptimas de un problema lineal en formato estndar y z* el valor de
la funcin objetivo en el ptimo se cumple que:
z*=ctx1= ctx2
Y las condiciones de factibilidad: Ax1=Ax2=b, x1,x20.
Tomemos ahora un punto x cualquiera del segmento que une estas dos soluciones ptimas,
entonces por estar en dicho segmento podemos expresar, para un determinado valor de entre 0 y
1, este punto como:
x =x1+(1 )x2
El punto x satisface las condiciones de factibilidad:
Ax=A[x1+(1 )x2] = Ax1+(1 )Ax2= b+(1 )b= [+(1 )]b=b
x =x1+(1 )x2 0+(1 )0 = 0
y adems, es ptimo ya que:
ctx = ct[x1+(1 )x2]= = ct x1+(1 ) ct x2=z*+(1 )z*= [+(1 )]z*=z*
Con lo que queda demostrado todo el enunciado (ntese que si hay ms de una solucin ptima,
hay al menos dos y como entonces como son tambin soluciones ptimas cualquier punto del
segmento hay infinitas soluciones ptimas).
46
Tema 3
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:
Solucin factible bsica no degenerada, cuando el vector x tiene exactamente m
componentes no nulas.
Solucin factible bsica degenerada, cuando alguna de las componentes bsicas
del vector x es nula.
Observemos que, si x es solucin factible bsica entonces:
x
Ax = (B | N) B = Bx B + Nx N = b Bx B = b x B = B -1 b 0
xN x N =0 B 0
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 Segundo Mtodo
Demostrar que: |B|0 Demostrar que: |B|0
Hacer xN=0 y resolver el sistema: Ax=b Obtener la inversa de B.
Comprobar que xB0 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
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|=10 1 0 8 (0,0,8,5)t es SFB
B = B-1 = x B = B-1b = b = 0
0 1 0 1 5
(2) xB= (s,y)t, xN= (x,t)t = 0t
Aplicando el segundo procedimiento:
1 1 |B|=10 1 1 2 0 8 1 0 2 1 3 3 (0,5,3,0)t SFB
B = x B = B -1b = 0
0 1 0 1 0 1 5 0 1 0 1 1 5 1 5
B N b I B N B b
2 1 2x + y = 8
B = |B|=20 x = 3 2, y = 5 3/2, 5 0 (3/2,5,0,0)t SFB
0 1 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?
3) PRACTICA AHORA T: Resuelve los ejercicios 3, 4, 5 y 6 de la COLECCIN DE EJERCICIOS.
4) PRACTICA AHORA T: Calcula todas las soluciones factibles bsicas del problema:
Max 2x + y
s.a x + y 1 (Solucin: apuntes Ivorra (2003), pg. 39-40)
x - 2y 0
x - y 1
x, y 0
49
Tema 3
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
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.
1) Plantea en trminos matemticos los problemas de programacin enunciados identificando las
variables del problema, la funcin objetivo y restricciones.
2) Abre el proyecto que creaste en el directorio A:\TEMA3 en la PRCTICA DE ORDENADOR y crea
los correspondientes ficheros GAMS para resolver los problemas de programacin planteados.
Ejecuta los programas y escribe la solucin obtenida: valor de la funcin objetivo, valor de las
variables principales y valor de las variables de holgura.
3) PRACTICA AHORA T: Plantea y resuelve los problemas de la COLECCIN DE PROBLEMAS DE
ORDENADOR. Responde a las cuestiones planteadas.
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.
1) Por qu necesitamos asumir en el procedimiento anterior que el problema lineal es acotado?
Bajo qu hiptesis podemos demostrar que el problema es acotado? Son esas hiptesis
necesarias?
2) Resuelve el problema de programacin lineal planteado en el apartado (1) de la PRCTICA 2.
3) La siguiente figura representa al conjunto de oportunidades de un problema de programacin
lineal en forma cannica, y las letras sobre las aristas la variable de holgura correspondiente a cada
restriccin.
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 b) Max 2x+y c) Max x+y
s.a. -x+y2 s.a. -x+y2 s.a. -x+y2
x+2y6 x+2y6 y4
2x+y6 2x+y6 x,y0
x,y0 x,y0
3.- Cuntas variables distintas de cero tiene como mximo una solucin factible bsica de un
problema lineal de n variables y m restricciones?
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
1 2 3 4 5 6
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:
Partculas de materia, con una reduccin de 60 millones de kilos.
xidos de azufre, con una reduccin de 150 millones de kilos.
Hidrocarburos, con una reduccin de 125 millones de kilos.
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:
Chimeneas altas Filtros Mejores comb.
Altos Hogar Altos Hogar Altos Hogar
hornos abierto hornos abierto hornos abierto
Partcula 12 9 25 20 17 13
Oxidos 35 42 18 31 56 49
Hidrocar. 37 53 28 24 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:
Altos hornos Hogar abierto
Chimeneas altas 8 10
Filtros 7 6
Mejor combustible 11 9
a) Qu tipo de mtodos y a qu fraccin de su capacidad deben emplearse para conseguir la
reduccin requerida por las autoridades?
b) Cul sera la nueva solucin si la reduccin requerida de xidos de azufre fuese de 175
millones de kilos?
55
El Mtodo Simplex
(
(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
= c B t B -1b + (c N t - c B t B -1 N)x N c B t B -1b
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=cj-
cBtB-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
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
B N= 1/2 - 1/2 , cB t B 1N = (4 1) 1/2 - 1/2 = (2 1), Ws = 2, Wt = 1
0 1 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:
3/2 - 1/2 y = 5-t = 0
t 0 y = 0 t = 5, x = 4
5 1 x = 3/2 + (1/2)t
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 > 0 .
Yij
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 > 0 .
Yij
PRACTICA AHORA T: Repite los clculos partiendo ahora de la SFB inicial: x=(0,0,8,5)t
58
Tema 4
xB=(x,y), xN=(s,t)
4 1 0 0
2 1 |B|=20 x y s t
B =
0 1 4 x 1 0 1/2 -1/2 3/2
2 11 0 8
1 0 1/2 1/2 3/2
1 y 0 1 0 1 5
Zj 4 1 2 -1
0 1 0 1 5 0 1 0 1 1 5
1
11
B N b I B N B b Wj 0 0 -2 1
Observacin.- Podemos mejorar la solucin
3/2 (3/2,5,0,0)t SFB
xB = B-1b = b = 0 introduciendo en la base t y sacando de la base y.
5
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.
2) Calcula una tabla del Simplex para el ejemplo anterior.
xB=(s,t), xN=(x,y)
4 1 0 0
1 0
B = |B|=10 B-1A=A, B-1b=b0 x y s t
0 1 0 s 2 1 1 0 8
t
(0,0,8,5) SFB 0 t 0 1 0 1 5
Zj 0 0 0 0
0
Wj 4 1 0 0
3) Dado el siguiente problema de programacin lineal:
Max c1 x + y z
s.a. x + 2 y + z 8
- x + y - 2z b 2
x, y, z 0
y la siguiente tabla del Simplex:
c1 1 -1 0 0
X y z s t
c1 x 2 1 1 0 8
0 t 3 -1 1 1 16
Zj 2 2 0
Wj -3 -3 -2 0
a) Escribe la solucin factible bsica asociada indicando cules son las variable bsicas y
no bsicas.
b) Averigua los valores de c1 y b2 y completa la tabla.
4) PRACTICA AHORA T: Resuelve el Ejercicio 3 de la COLECCIN DE EJERCICIOS.
59
Tema 4
60
Tema 4
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) 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 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 AHORA T: Resuelve los siguientes problemas lineales usando el algoritmo del
Simplex.
(I) (II) (III)
Max 2x - 3y Max - 2x + 2y Max 2x - 2y
s.a. - x + y 2 s.a. - x + y 2 s.a. - x + y 2
x+y4 x+y4 x - 2y 1
x - 2y 1 x - 2y 1 x, y 0
x, y 0 x, y 0
(Solucin: Guerrero(1994) pg. 160-164)
2) PRACTICA AHORA T: La ltima tabla del Simplex de un determinado problema lineal de
maximizacin en forma cannica es:
1 2 0 0
x y s1 s2
2 y -1 1 1 0 1
0 s2 -1 0 -3 1 3
Zj -2 2 2 0
2
Wj 3 0 -2 0
a) Escribe la solucin factible bsica que aparece en la tabla y calcula su matriz bsica
asociada.
b) Calcula los trminos independientes del problema.
3) PRACTICA AHORA T: Resuelve los ejercicios 1 y 7 de la COLECCIN DE EJERCICIOS.
2.- Algunos ejemplos
PRCTICA 2: Resolucin con el algoritmo del Simplex de problemas lineales
En esta seccin aplicaremos el algoritmo del Simplex para resolver problemas de programacin
lineal. Consideremos nuevamente los 8 problemas lineales planteados en TEMA3: PRCTICA 1:
(A) (B) (C) (D)
Max x + 2y Max x + y Max - x + 2 y Max - x + y
s.a. x + y 4 s.a. x + y 4 s.a. - x + y 2 s.a. - x + y 2
2x + y 6 2x + y 6 y4 y 4
x, y 0 x, y 0 x, y 0 x, y 0
(E) (F) (G) (H)
Max x Max y Max x + y Min x - y
s.a. - x + y 2 s.a. - x + y 2 s.a. - x + 2 y 4 s.a. x y 0
y 4 y4 - 2x + y 4 x + y 1
x, y 0 x, y 0 x, y 0 x, y 0
62
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.
1 2 0 0 (A)
x y s t
0 s 1 1 1 0 4 Solucin vrtice: x*=0, y*=4, z*=8
0 t 2 1 0 1 6
Zj 0 0 0 0
0
Wj 1 2 0 0
2 y 1 1 1 0 4
0 t 1 0 -1 1 2
Zj 2 2 2 0
8
Wj -1 0 -2 0
(D) -1 1 0 0
x y s t
Solucin arista finita. z*=2 0 s -1 1 1 0 2
Las soluciones son de la forma: 0 t 0 1 0 1 4
x 0 2 Zj 0 0 0 0
0
y
2
4 Wj -1 1 0 0
s = 1 0 + 2 0 , 0 1, 2 1, 1 + 2 = 1 1 y -1 1 1 0 2
t 2 0 0 t 1 0 -1 1 2
Zj -1 1 1 0
Geomtricamente y considerando nicamente 2
Wj 0 0 -1 0
variables principales, la arista que une los
vrtices (0,2) y (2,4)
Zj
Wj
1 0 0 0 (E)
x y s t
0 s Problema no acotado (no sale nadie y w1>0)
0 t
Zj
Wj
(F) 0 1 0 0
x y s t
Solucin arista infinita. z*=4 0 s
Las soluciones son de la forma: 0 t
x 2 1 Zj
y 4 0 Wj
s = 0 + 1 , 0
t 0 0
Zj
Geomtricamente y considerando Wj
nicamente variables principales, la arista
x2, y=4.
Zj
Wj
63
Tema 4
___________________________________
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
4) PRACTICA AHORA T: Resuelve los ejercicios 4 y 5 de la COLECCIN DE EJERCICIOS.
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.
1) Plantea en trminos matemticos el problema de programacin matemtica enunciado
identificando las variables del problema, la funcin objetivo y restricciones.
2) Crea un proyecto en el directorio A:\TEMA4 y el fichero GAMS para resolver el problema de
programacin planteado. Incluye la opcin: OPTION SOLSLACK=1 para obtener directamente el
valor de las variables de holgura.
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 S U M M A R Y
MODEL TEJIDOS OBJECTIVE B
TYPE LP DIRECTION MAXIMIZE
SOLVER CPLEX FROM LINE 22
**** SOLVER STATUS 1 NORMAL COMPLETION
**** MODEL STATUS 1 OPTIMAL
**** OBJECTIVE VALUE 107.3000
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 AHORA T: Preprate algunos problemas y averigua: Cmo se obtienen los
rendimientos marginales si el problema es de maximizar y las restricciones son mayor o igual? Y
si el problema es de minimizar con restricciones menor o igual?
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.
7) PRACTICA AHORA T: Plantea y resuelve con GAMS los problemas 1 a 4 de la COLECCIN
DE PROBLEMAS DE ORDENADOR. Estudia si la solucin es nica y/o degenerada y responde a las
cuestiones planteadas en cada problema.
65
Tema 4
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
67
Tema 4
68
Tema 4
COLECCIN DE EJERCICIOS
1.- Dado el siguiente problema de PL:
Max 2x+2y+10
s.a. 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.
1 -2 -1 0 0 0
x1 x2 x3 s1 s2 s3 B
1 x1 1 -2 1 0 0 1 2
0 s2 0 1 -1 0 1 0 1
0 s1 0 0 1 0 4
cj-zj 0 0 -2 0 0 -1 Z=2
a) Existe solucin? es nica? Razonar la respuesta y, si la solucin no es nica, obtener las
soluciones restantes.
b) Qu le ocurrira al valor de la funcin objetivo si se decidiese cambiar de solucin
introduciendo x3 en la base?
c) Calcular el problema original.
69
Tema 4
7.- Se calculan tres tablas del smplex para un problema lineal de minimizacin de las cuales se
sabe:
- En la segunda tabla, existe una variable bsica cuyo valor es cero.
- La funcin objetivo toma un valor de 4 en la primera tabla, 3 en la segunda y 3 en la tercera.
- En la tercera tabla uno de los rendimientos marginales bsicos vale tres.
Se puede afirmar, con total seguridad, que ha habido algn error de clculo. Explicar por qu.
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
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.
Octubre Noviembre Diciembre Enero Febrero
Demanda (Kg) 60000 150000 230000 90000 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%
Prstamo para mobiliario: 5%
Prstamo para automviles: 7%
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
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 Cant. mxima Consumo agua Rend. Neto
acres pies-acre/acre dlar/acre
Remolacha 600 3 400
Algodn 500 2 300
Sorgo 325 1 100
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
Dualidad en Programacin Lineal
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).
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
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)
La tabla ptima del Simplex es: Usando la condicin (iii) de punto de K-T:
3 5 0 0 (1-x-y)=(1-2-0)=0 =0
x y s t x(3--)=2(3-0-)=0 =3
3 x 1 2 0 1 2
0 s 0 1 1 1 1
Zj 3 6 0 3
6
Wj 0 -1 0 -3
Solucin nica: x*=2, y*=0, s*=1, t*=0, z*=6
4) PRACTICA AHORA T: Realiza los ejercicios 1, 2 y 10 de la COLECCIN DE EJERCICIOS.
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 ( ) B b = ( )t b
t -1
c t x* = c B ( )t = cBt B-1
t 1
Wj = c j c B B Pj = c j (*) t Pj 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)
Demostracin:
Comprobaremos sin prdida de generalidad esta doble implicacin para duales simtricos:
(PP) Max F(x) = c t x (PD) Min G( ) = b t
s.a Ax b s.a At c
x0 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, [c-At *]t x=0
Por tanto: F(x) = ct x =( )t A x* = ( )t b = bt = G()
Ntese, adems, que es solucin ptima del (PD) porque ste es un problema lineal y las
condiciones de punto de Kuhn y Tucker de los dos problemas coinciden.
() Si existe un 0 una solucin ptima del (PD), por ser solucin factible cumple que: Atc,
0, y transponiendo y multiplicando por x una solucin factible cualquiera del (PP) (que sabemos
que existe por el teorema de existencia) se tiene que:
G()=( )t b=( )t A x ct x=F(x)
A partir de ah, aplicando que F(x*)=G() (hiptesis del teorema) tenemos que: F(x*)F(x) para
toda solucin factible del (PP), y por lo tanto que x* es solucin ptima del (PP).
77
Tema 5
78
Tema 5
___________________________________
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.
4) PRACTICA AHORA T: Realiza los ejercicios 7 y 8 de la COLECCIN DE EJERCICIOS.
Problemas no cannicos
Bsicamente podemos aplicar tres procedimientos:
1. Si tenemos la tabla ptima del problema primal y teniendo en cuenta que al estandarizar un
problema primal no cannico (duplicando variables libres, cambiando el signo a variables
no positivas e introduciendo variables de holgura y artificiales) las variables principales del
problema dual no cambian, podemos obtener el ptimo dual aplicando que:
Wj = c j (*) t Pj
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.
5) Dado el siguiente problema de programacin lineal:
Max 2x1 + 2 x2 + x3
s.a. 2x1 + x 2 + x 3 10
2x1 + 2x 2 + 2 x3 = 4
2x1 + x 2 + 2 x3 6
x1 0, x 2 0
cuya ltima tabla del Simplex (hacemos los cambios: x2=-x2-, x3=x3+x3-) viene dada por:
2 -2 1 -1 0 -M 0 -M
x1 x2- x3+ x3- s1 a1 s2 a2
-1 x3- 0 0 -1 1 1 0 1 -1 4
2 x1 1 0 0 0 1 -1/2 0 0 8
-2 x2- 0 1 0 0 0 -1 -1 1 2
Zj 2 -2 1 -1 1 1 1 -1
8
Wj 0 0 0 0 -1 -1-M -1 1-M
Plantea el problema dual asociado y obtn su solucin.
6) Considera el siguiente problema lineal:
Max x 1 + 2x 2 + x 3
s.a. 3x 1 + 4x 2 + x 3 2
x 1 + 2x 2 + 3x 3 1
x3 0
Obtn el problema dual y halla la solucin de ambos problema resolviendo un problema de los dos.
El problema dual es: Aplicando las condiciones de holgura
complementaria:
______________________________________
______________________________________
______________________________________
______________________________________
______________________________________ ______________________________________
______________________________________ ______________________________________
______________________________________ Por tanto, las soluciones ptimas del primal
Por tanto, su solucin ptima es: satisfacen que:
=0, =1, G*=1 x1+2x2=1, x3=0, F*=1
7) PRACTICA AHORA T: Realiza los ejercicios 3 y 4 de la COLECCIN DE EJERCICIOS.
80
Tema 5
81
Tema 5
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.
1) Plantea en trminos matemticos el problema de programacin matemtica enunciado
identificando las variables del problema, la funcin objetivo y restricciones.
2) Abre el proyecto que has creado en PRCTICA DE ORDENADOR 1 en el directorio A:\TEMA5 y
crea el fichero GAMS para resolver el problema de programacin planteado.
82
Tema 5
83
Tema 5
COLECCIN DE EJERCICIOS
1.- Dado el siguiente problema de PL:
Max x1+x2+x4
s.a. 2x1+x2+4x3=10
x1+2x48
xi0, i=1,3, x4 libre, x20
Plantea el problema dual asociado.
S= { (x , y ) R2 / -2x + 5y 10 , 2x + y 6 , -x + 3y 3 , x + 2y 2 , x 0 , y 0}
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.
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
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:
Necesidades (horas/unidad)
Seccin Modelo 1 Modelo 2 Modelo 3 Horas dis.
Cortar 0'02 0'04 0'01 500
Ensamblar 0'04 0'03 0'04 600
Pintar 0'03 0'03 0'02 300
Montar 0'05 0'04 0'04 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.
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
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:
x1.Marisol x2.Clemenules x3.Clemenvilla
Beneficio /Kg 0.03 0.07 0.08
Meses Oct. a Dic. Nov. a Ene. 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:
Octubre Noviembre Diciembre Enero Febrero
Demanda (Kg) 60000 150000 230000 90000 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
Anlisis de Sensibilidad y Post-Optimizacin
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:
La condicin de factiblidad, que para un problema de maximizar en forma cannica
queda expresada por: x B = B 1b 0
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).
1.- Anlisis de sensibilidad
PRCTICA 1: Anlisis de sensibilidad
El anlisis de sensibilidad trata de la obtencin de los intervalos en los que se puede variar un
parmetro dado sin que se modifique la estructura de la solucin ptima. Y decimos estructura
porque en dicho intervalo no vara cuales son las variables bsicas del problema y cuales no son
pero si puede variar el valor concreto de las variables bsicas.
Estos intervalos de sensibilidad se calculan estudiando el campo posible de variacin del parmetro
para que se sigan cumpliendo las condiciones de factibilidad y optimalidad a las que hacamos
referencia en la introduccin de este tema. Veremos cmo se realiza el anlisis de sensibilidad para
algunos parmetros mediante un ejemplo.
Sea el programa lineal:
Max x 1 + 2 x 2
s.a. x1 + x 2 4
2x 1 + x 2 6
x1 , x 2 0
88
Tema 6
__________________________________
c1 2 0 0
x1 x2 s1 s2
2 x2 1 1 1 0 4
0 s2 1 0 -1 1 2
Zj 2 2 2 0
8
Wj c1-2 0 -2 0
Para que la tabla siga siendo ptima: Para que la tabla siga siendo ptima:
W1= c1-2 0 c1 2 ______________________________________
______________________________________
Cambios en los coeficientes de los trminos independientes: afectan a la condicin de
factibilidad y en el intervalo de sensibilidad se mantiene la estructura de la solucin pero no el
valor de la funcin en el ptimo ni el valor de las variables. En este tipo de anlisis es prctico
observar que si la matriz tcnica tiene una identidad en la tabla del Simplex asociadas a las
variables que conforman esa identidad (y en su correspondiente orden) tenemos a la matriz B-1
correspondiente a las variables bsicas de la correspondiente solucin factible bsica.
3) Calcula el intervalo de sensibilidad de b1 y b2
Coeficiente restriccin b1: Coeficiente restriccin b2:
El cambio afecta a la factibilidad de la solucin. _____________________________________
A partir de la tabla del Simplex identificamos:
_____________________________________
1 0
B 1 = _____________________________________
1 1
para mantener la solucin como factible:
1 0 b1 b1 _____________________________________
B 1b = = 0
1 1 6 b1 + 6
_____________________________________
0 b1 6
89
Tema 6
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
1 1/2 0 0
___________________________________ x1 x2 s1 s2 b
1/2 x2 1 1 1 0 4 4
___________________________________ 0 s2 1 0 -1 1 2 2
___________________________________ Wj 1/2 0 -1/2 0 2
1/2 x2 0 1 2 -1 2
___________________________________ 1 x1 1 0 -1 1 2
___________________________________ Wj 0 0 0 -1/2 3
91
Tema 6
92
Tema 6
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.
El paciente desea determinar la dieta ms barata que cumple con los requisitos dietticos
indicados.
94
Tema 6
S O L V E S U M M A R Y
95
Tema 6
96
Tema 6
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 1 -1 0 0
x1 x2 x3 s1 s2
2 x1 1 2 1 1 0 8
0 s2 0 3 -1 1 1 16
zj 2 4 2 2 0
wj 0 -3 -3 -2 0 16
a) Obtn el intervalo de sensibilidad del trmino independiente b2.
b) A partir de la tabla determina la solucin ptima si c2=5.
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
2 5 0 0
x y s1 s2
5 y 3/5 1 1/5 0 6
0 s2 -1/5 0 -2/5 1 8
Zj 3 5 1 0
30
Wj -1 0 -1 0
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:
Llenado Precintado
A 16 30
B 4 5
C 6 10
99
Tema 6
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:
Inters
Activo Tipo Moneda esperado
1 Renta fija Euro 4%
2 Renta fija Euro 6%
3 Renta variable Euro 16%
4 Renta fija Dlar 4%
5 Renta variable Dlar 11%
6 Renta variable Yen 18%
Tras consultar con un asesor financiero para disminuir el riesgo de su inversin, decide invertir
cumpliendo los siguientes requisitos:
Invertir al menos un 60% del capital total disponible en renta fija.
Invertir al menos un 30% del capital total disponible en euros.
Invertir al menos un 30% del capital total invertido en dlares.
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.
Los precios de venta de estas embarcaciones son de 100.000 en 2004, 110.000 en
2005 y 120.000 en 2006.
Los costes de produccin son de 80.000 por unidad.
Las embarcaciones producidas y no vendidas se pueden almacenar con un coste anual
de 1.000 por embarcacin y ao.
A finales de 2003 la empresa posee 10 embarcaciones en el almacn.
Y que la produccin de este modelo de embarcacin se interrumpir a finales de 2006
para introducir un nuevo modelo, razn por la cual el almacn debe quedarse vaco.
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:
El efecto sobre los beneficios de un incremento de las demandas de 2, 7 y 13 unidades
para los aos 2004, 2005 y 2006 respectivamente.
Para que intervalo de precios por unidad y ao la solucin inicial seguir siendo
ptima.
101
Tema 6
Se pide:
a) Plantea el problema dual asociado.
b) Resuelve grficamente el problema dual. Qu puedes decir acerca de la solucin del problema
primal?
(2.25 puntos)
102
Tema 6
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 LOWER CURRENT UPPER
------------- ----- ------- -----
CORTE 360 500 +INF
ENSAMBLADO 270 600 +INF
PINTURA 270 300 +INF
MONTAJE 360 1000 +INF
CHAPA 0 4.5e+004 5e+004
BENEFICIO -INF 0 +INF
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 Tipo Pas Inters Activo Tipo Pas Inters
1 R. F. Z. Euro 4% 4 R. F. EEUU 4%
2 R. F. Z. Euro 6% 5 R. V. EEUU 11%
3 R. V. Z. Euro 16% 6 R. V. Argentina 18%
Notacin.- R.F. = Renta Fija, R.V.= Renta Variable
Tras consultar con un asesor financiero para disminuir el riesgo de su inversin, decide invertir
cumpliendo los siguientes requisitos :
Invertir como mximo un 60% del capital total disponible en renta fija.
Invertir como mximo un 30% del capital total disponible en activos de la zona Euro.
Invertir al menos un 30% del capital total invertido en EEUU.
Se pide :
a) Modeliza y plantea matemticamente el problema, indicando: variables, funcin objetivo y
restricciones.
b) Soluciona el problema creando un fichero GAMS (clineal.gms) y resolvindolo (clineal.lst). El
fichero GAMS debe incluir las instrucciones necesarias para realizar el anlisis de sensibilidad y
ambos ficheros impresos se entregarn grapados con esta hoja.
c) Obtn cmo distribuir el inversor su capital entre los distintos activos, el total invertido, la
inversin ptima en renta fija, activos en zona euro y qu inters recibir si realiza la inversin
ptima. Reconstruye la ltima tabla del Simplex y describe, justificando tu respuesta, el tipo de
solucin obtenida (global/local, nica/mltiple, )
d) Escribe el problema dual y su solucin.
e) Escribe e interpreta el intervalo de sensibilidad para el coeficiente del activo 6.
(2 puntos)
Nota.- El Test 2 est resuelto en MATERIAL COMPLEMENTARIO: ANEXO 6.
104
Tema 6
ANOTACIONES
105
Programacin Lineal Entera
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.
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:
Comercial Financiacin Produccin
Directivo 1 7 6 7.5
Directivo 2 9.2 7 8.5
Directivo 3 7.5 5.5 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 Peso Utilidad
Linterna 40 40
Saco 50 80
Cocina 30 10
Manta 10 10
Comida 10 4
Ropa 40 20
Varios 30 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.
Distancia
Seccin Alumnos Escuela A Escuela B Escuela C
1 450 1.2 1.5 3.3
2 400 2.6 4 5.5
3 500 0.7 1.1 2.8
4 500 1.8 1.3 2
Capacidad escuela 750 700 550
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.
108
Tema 7
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.
110
Tema 7
Resolucin de los PL nodos 1.2.1 y 1.2.2 Resolucin de los PL nodos 1.2.2.1 y 1.2.2.2
111
Tema 7
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
6) PRACTICA AHORA T: Responde los ejercicios 1 a 5 de la COLECCIN DE EJERCICIOS.
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
S O L V E S U M M A R Y
113
Tema 7
S O L V E S U M M A R Y
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.
1) A partir del enunciado plantea en trminos matemticos el problema de programacin
matemtica identificando las variables del problema, la funcin objetivo y restricciones. ( Vase
apartado Modelizacin en MATERIAL COMPLEMENTARIO: ANEXO 7)
114
Tema 7
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 ) = 3 7
F ( x ,y ,z ) = 3 9 x=0
x=0 y=7
F ( x ,y ,z ) = 4 1 .3 3 y = 7 .6 7 z=8
x=0 z=8
y=8 y<=7 1 .2 .1
1 .1
F ( x ,y ,z ) = 4 1 ,3 6 z = 8 .6 7 z < = 8
y>=8
x = 0 .0 5
y=8 1
z = 8 .5 8 x<=0 z>=9 1 .2 .2
In fa c tib le
0
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 1 .1
y> = 2
y= 1,7 9
F (x,y)= 7 ,49 F (x,y)= 5 ,5
x= 1,8 8 1 F (x,y)= 6 ,23 x= 4
y= 1,8 7 x> = 2 x= 3,2 3 y= 0,5
y< = 1
F (x,y)= 6 .61 y= 1
0 x= 1 x> = 4 1 .2 .1
y= 1,8 7 1 .2
x< = 1 x< = 3
2
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 F (x,y)= 1 4 .8
x= 2.5 1 x= 2
y= 1.8 y= 2
F (x,y)= 1 5
0 x= 2 2 .1
y= 2.1
2 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:
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
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
1 450 1.2 1.5 3.3
2 400 2.6 4 5.5
3 500 0.7 1.1 2.8
4 500 1.8 1.3 2
5 400 1.5 0.4 2.3
6 450 2 0.6 1.7
7 450 1.2 1.4 3.1
8 500 3.5 2.3 1.2
9 400 3.2 1.2 0.7
10 450 3.8 1.8 1
Capacidad escuela 1500 2000 1300
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) Mineral grado bajo(Tm/da) Costes diarios
Mina 1 4 4 2
Mina 2 6 4 2.2
Mina 3 1 6 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
122
Tema 7
ANOTACIONES
123
Material Complementario
1 1 0
0 2 0
(d)
0 0 2 = 0 0 ( 1) + ( 2) ( 2) ( 1) + 0 0 ( 1) [ 0 0 ( 1) + ( 2) 0 ( 1) + 0 ( 2) ( 1)] = 4
1 1 1
o alternativamente, calculando el primer determinante de esta otra forma :
2 0 1 2 0 ( 1) 1 2 0 1 2 + 2 1 0 1 0 0 1
( e) (f ) (g)
0 2 1 = 0 2 ( 1) 1 = ( 1) 0 2 1 = ( 1) 0 + 2 1 2 1 = ( 1) 2 2 1
1 1 0 1 1 ( 1) 1 1 1 0 1+ 2 0 1 0 1 1 0
2 2
[ ]
(a) ( b)
= ( 1) 0 A11 + 0 A12 + 1 A13 = ( 1) 1 ( 1)1+ 3 = ( 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
(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.
125
Material Complementario
(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 3 3 3 5
3 1 2 1 2 3
A 21 = ( 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 = 2, A 32 = ( 1) 3+ 2 = 1, A 33 = ( 1) 3+ 3 = 1.
2 0 1 0 1 2
t
6 3 1 6 3 1 6 4 2 3 2 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 2 1 1
1 1 1 1/ 2 1/ 2 1/ 2
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:
a11 a12 a13
orden 1: |a11|, |a22| y |a33| orden 3: a a a
21 22 23
a 31 a 32 a 33
126
Material Complementario
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
SINTAXIS ESPECFICA
1.- Programacin Lineal
Para que el GAMS realice y muestre el anlisis de sensibilidad de los trminos independientes de las
restricciones y de los coeficientes de la funcin objetivo:
- Aadir entre el bloque de modelo y el bloque de solucin las siguientes lneas:
option lp=cplex;
NomModelo.dictfile=4;
NomModelo.optfile= 1;
NomModelo deber coincidir con el nombre que se le haya asignado al modelo; los otros valores
siempre sern los indicados.
- En el directorio del PROYECTO donde estemos trabajando debe estar grabado el fichero
CPLEX.OPT el cual debe contener slo las dos siguientes lneas:
objrng all
rhsrng all
2.- Programacin Entera
Para ajustar la tolerancia o distancia al ptimo del problema de la solucin entera proporcionada por GAMS,
(el valor por defecto es 0.), aadir la siguiente lnea al principio del fichero gms
option optcr=0.0001;
128
Material Complementario
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 ZUMO PURO AGUA ADITIVOS
A 2 1 1
B 5 2 2
C 3 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
130
Material Complementario
{
S = (x, y, z) R 3 : 1 x + 5 y + 1 z 14000, x - 0.4(x + y + z) 0,
2 9 2
y - 0.4(x + y + z) 0, z - 0.4(x + y + z) 0, x 0, y 0, z 0}
Modelo matemtico:
Por todo lo anterior el problema queda descrito en trminos del siguiente programa no lineal:
$OFFTEXT
*BLOQUE VARIABLES
VARIABLES X, Y, Z, I, C, B;
POSITIVE VARIABLES X, Y, Z;
X.L=3700;
Y.L=3700;
Z.L=3700;
*BLOQUE ECUACIONES
EQUATIONS COSTE, INGRESO, BENEFICIO, STOCK, L1, L2, L3;
*BLOQUE MODELO
MODEL NOLINEAL /ALL/;
*BLOQUE SOLUCION
SOLVE NOLINEAL USING NLP MAXIMIZING B;
131
Material Complementario
Y la solucin:
S O L V E S U M M A R Y
132
Material Complementario
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:
Si aumento a un 41% el porcentaje del zumo A sobre el total, el beneficio aumenta en
10.110106 u.m
Si aumento a un 41% el porcentaje del zumo C sobre el total, el beneficio aumenta en
10.112106 u.m
Y si aumento a un 41% el porcentaje del zumo A y C sobre el total, el beneficio aumenta en
20.222106 u.m
134
Material Complementario
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
L (2,2,2), = 1
= 4 2z = 0
z
x 2 + y 2 + z 2 = 12
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
1. = 2x 1 2 = 0
x
L 5. 1 0 8. 2 0
2. = 2y 2 0
y 6. 1 (1 x) = 0 9. 2 ( x y) = 0
L 7. x 1 10. x + y 0
3. y = y(2y 2 ) = 0
y
4. y 0
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
Max A+ C - 3A - 5C
2 3
s.a. A 35
3A + 5C 350
A, C 0
b) * La solucin ptima es construir 35 apartamentos y 49 chalet con un beneficio de 3603.83
u.m.
* No se vende ningn apartamento adicional a los ya vendidos.
* Se gasta todo el presupuesto disponible.
* Un aumento de 1 u.m. en el presupuesto disponible repercutir en un aumento de los
beneficios de 6.8 u.m.
* Una disminucin de los apartamentos vendidos hubiera repercutido en un aumento de los
beneficios de 5.4 u.m. por apartamento.
c) Si, el incremento de beneficios aproximado es de 50*6.8= 340 u.m.
PREGUNTA 5:
VARIABLES X, Y, Z, F; S O L V E S U M M A R Y
POSITIVE VARIABLE X;
Y.UP=60; Z.LO=3; MODEL TEST1 OBJECTIVE F
TYPE NLP DIRECTION MINIMIZE
X.L=0; Y.L=0; Z.L=15;
SOLVER CONO FROM LINE 10
EQUATIONS R1, R2, OBJ;
R1.. POWER(X,2)+POWER(Y,2)-Z =L= 4; LOWER LEVEL UPPER MARGINAL
R2.. 2*X+3*Z =G= 40; ---- EQU R1 -INF 4.000 4.000 -277.776
OBJ.. F =E= 10*POWER(Z,3)-X*Y; ---- EQU R2 40.000 40.000 +INF 1067.579
MODEL TEST1 /ALL/; ---- EQU OBJ . . . 1.000
SOLVE TEST1 USING NLP MINIMIZING F;
LOWER LEVEL UPPER MARGINAL
---- VAR X . 3.843 +INF .
---- VAR Y -INF 0.007 60.000 2.2826E-6
---- VAR Z 3.000 10.771 +INF .
---- VAR F -INF 12496.317 +INF .
136
Material Complementario
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) Bajo el supuesto del apartado (a) plantear y resolver el problema dual.
c) Determinar el nmero entero de cajas que maximiza el beneficio.
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
{
S = (x 1 , x 2 , x 3 ) R 3 :10x 1 + 13x 2 + 18x 3 2.324, 20x 1 + 22x 2 + 20 x 3 2.550
18x 1 + 20x 2 + 24x 3 1.568, x 1 0, x 2 0, x 3 0}
y en la alternativa (ii) por:
138
Material Complementario
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 S U M M A R Y
140
Material Complementario
10 13 18 1 0 0 13 1 0 0 0 1 / 20
1
A = 20 22 20 0 1 0 B = 22 0 1 B = 1 0 13 / 20
18 20 24 0 0 1 20 0 0 0 1 11 / 10
9 / 10 6/5 1 / 20 392 / 5 0'9 1'2 0'05 78'4
1
B ( N | b) = 17 / 10 12 / 5 13 / 20 6524 / 5 = 1'7 2'4 0'65 1.304'8
1/ 5 32 / 5 11 / 10 4126 / 5 0'2 6'4 1'1 825'2
Interpretacin de las variables principales:
La solucin del problema es x1*=0, x2*=784, x3*=0, esto es, vender 0 cajas del fertilizante tipo 1,
78.4 cajas del fertilizante tipo 2 y 0 cajas del fertilizante tipo 3.
Interpretacin de las variables de holgura:
Las variables de holgura s1, s2 y s3 estn asociadas a las restricciones de disponibilidad mxima
(son restricciones ) de los componentes A, B y C respectivamente, y en consecuencia representan
en el ptimo las cantidades no utilizadas de cada uno de los componentes a realizar la decisin
ptima.
141
Material Complementario
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
1
Por ejemplo para el termino independiente de la primera restriccin = 2000. La solucin es:
LOWER SLACK UPPER MARGINAL
---- EQU BENEFICIO . . . 1.000
---- EQU COMP_A -INF 980.800 2000.000 .
---- EQU COMP_B -INF 825.200 2550.000 .
---- EQU COMP_C -INF . 1568.000 1.500
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:
3
Por ejemplo si cambia el coeficiente del tipo 2, es decir, pasa de ser 30 a ser 33. La nueva solucin es:
144
Material Complementario
*
El problema dual se obtiene aplicando la tabla de Tucker sobre el problema primal.
El problema dual reformulado en su forma estndar es:
Min 2.3241 + 2.550 2 + 1.568 3
s.a. 101 + 20 2 + 18 3 + 1h = 25
131 + 22 2 + 20 3 + h2 = 30
181 + 20 2 + 24 3 + 3h = 35
1 , 2 , 3 , 1h , h2 , 3h 0
$OFFTEXT
*BLOQUE VARIABLES
VARIABLES Y1, Y2, Y3, G;
POSITIVE VARIABLES Y1, Y2, Y3;
*BLOQUE ECUACIONES
EQUATIONS OBJD, R1D, R2D, R3D;
*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 S U M M A R Y
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
4
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
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
PREGUNTA 1:
a) El problema dual es:
Max
s.a. + 2 2
+ 1
1
0, libre
b) Grficamente,
PREGUNTA 2:
a) El problema en formato estndar es:
Max 2x + 3y 1 1 1 0 4
s.a. x + y + z = 4 A = , b = ,
0 1 1 1 2
y+z+s=2
c = (2 3 0 0)
x, y, z, s 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
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:
Max B = 70M1 + 85M2 + 50M3
s.a. 0.02M1 + 0.04M2 + 0.01M3 500, 0.05M1 + 0.04M2 + 0.04M3 1000
0.04M1 + 0.03M2 + 0.04M3 600, 6M1 + 5M2 + 4M3 45000
0.03M1 + 0.03M2 + 0.02M3 300, M1, M2, M3 0
b) M1=0, M2=9000, M3=0, B=765000 u.m.
c) En ninguna seccin se consumen todas las horas disponibles. En la seccin corte restan s1=500-
360=140 horas, en la seccin ensamblado s2=600-270=330 horas, en la seccin pintura s3=300-
270=30 horas, y en la seccin montaje s4=1000-360=640 horas.
150
Material Complementario
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 Max R = 0.04 X1 + 0.06 X2 + 0.16 X3
+ 0.04 X4 + 0.11 X5 + 0.18 X6 + 0.04 X4 + 0.11 X5 + 0.18 X6
s.a. X1+ X2 + X3 + X4 + X5 + X6 150000 s.a. X1 + X2 + X3 + X4 + X5 + X6 150000
X1+ X2 + X4 (0.6) 150000 X1 + X2 + X4 90000
X1+ X2 + X3 (0.3) 150000 X1 + X2 + X3 45000
X4 + X5 (0.3) (X1+ X2 + X3 + X4 + X5 + X6) 0.3 X1 + 0.3 X2 + 0.3 X3 - 0.7 X4 0.7 X5 + 0.3 X6 0
X1, X2, X3, X4,X5,X6 0 X1, X2, X3, X4, X5, X6 0
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:
0.04 0.06 0.16 0.04 0.11 0.18 0 0 0 0
X1 X2 X3 X4 X5 X6 H1 H2 H3 H4
0.11 X5 0 0 0 1 1 0 0.3 0 0 -1 45000
0.18 X6 1 1 1 0 0 1 0.7 0 0 1 105000
0 H2 1 1 0 1 0 0 0 1 0 0 90000
0 H3 1 1 1 0 0 0 0 0 1 0 45000
Wj -0.14 -0.12 -0.027 - 0 0 -0.159 0 0 -0.07 23850
0.07
La solucin obtenida es global y nica porque el rendimiento marginal de las variables no
bsicas es estrictamente negativo.
d) El problema dual es:
Min 150000 Y1 + 90000 Y2 + 45000 Y3
s.a. Y1 + Y2 + Y3 + 0.3 Y4 0.04, Y1 + Y2 + Y3 + 0.3 Y4 0.06
Y1 + Y3 + 0.3 Y4 0.16, Y1 + Y2 0.7 Y4 0.04
Y1 0.7 Y4 0.11, Y1 + 0.3 Y4 0.18
Y1, Y2, Y3, Y4 0
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
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 = 145x11 + 122x12 + 130x13 + 95x14 + 115x15 +
80x21 + 63x22 + 85x23 + 48x24 + 78x25 +
121x31 + 107x32 + 93x33 + 69x34 + 95x35 +
118x41 + 83x42 + 116x43 + 80x44 + 105x45 +
97x51 + 75x52 + 120x53 + 80x54 + 111x55
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
153
Material Complementario
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;
La solucin es:
S O L V E S U M M A R Y
154
Material Complementario
155
Material Complementario
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
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 x*=10,
z*=62
Resumiendo, la solucin de 1.1.1 es x*=10, y*=8, z*=62 Nodo saturado por solucin entera.
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
Max - x 2 + y
s.a. x 2 + (y - 1) 2 1
x - y +1
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.
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
160
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.
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
Pozo A Pozo B
Fbrica 1 12 18
Fbrica 2 20 11
Fbrica 3 13 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:
162
Material Complementario
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).
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.
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:
5.- (1 punto.) En una carpintera en la que se fabrican estanteras (E) y armarios (A) se producen
tres tipos de desechos de fabricacin: serrn, virutas y restos de madera en las siguientes cantidades
(en Kg.) por mueble:
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
165
Material Complementario
Min x2 + y2
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.
Max x 2y
s.a. 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:
5.- (1 punto.) La empresa CRISCRASH es lder mundial en fabricacin de lunas para coches. Las
fbrica utilizando cristal para coche, mano de obra, maquinaria de corte y maquinaria de viselado.
Las horas semanales que necesita de mano de obra y de cada tipo de mquina para fabricar una
unidad de cada tipo de luna y las horas disponibles son:
Adems cada luna delantera o trasera requiere 2,5 m2 de cristal frente a los 15 m2 que requiere
cada luna lateral. La disponibilidad semanal de cristal es de 1800 m2.
Para adaptarse a la demanda semanal habitual, la empresa siempre fabrica el doble de lunas
laterales que de lunas delanteras y el triple de lunas laterales que de lunas traseras.
Plantee matemticamente el problema que debe resolver esta empresa si su objetivo es fabricar el
mayor nmero total de lunas posibles a la semana.
167
Material Complementario
168
Material Complementario
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
169
Material Complementario
1 2 0 0
x y s1 s2
2 y -1 1 1 0 1
0 s2 -1 0 -3 1 3
Zj -2 2 2 0
2
Wj 3 0 -2 0
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:
5.- (1 punto). 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 49-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.
170
Material Complementario
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 euros-
s.a. x + 1'5y + 2'5z + t 500000
2 2 2 2 )
x + y + z + t 1000 (limitacin del riesgo)
x+ y- z -t0 (limitacin del capital disponible)
(condicin de diversificacin)
x, y, t 0
0 z 100
171
BIBLIOGRAFA
172