Programaci�n lineal

Ir a la navegaci�nIr a la b�squeda
Commons-emblem-question book yellow.svg
Este art�culo tiene referencias, pero necesita m�s para complementar su
verificabilidad.
Puedes colaborar agregando referencias a fuentes fiables como se indica aqu�. El
material sin fuentes fiables podr�a ser cuestionado y eliminado.
Este aviso fue puesto el 3 de febrero de 2014.
La programaci�n lineal es el campo de la optimizaci�n matem�tica dedicado a
maximizar o minimizar (optimizar) una funci�n lineal, denominada funci�n objetivo,
de tal forma que las variables de dicha funci�n est�n sujetas a una serie de
restricciones expresadas mediante un sistema de ecuaciones o inecuaciones tambi�n
lineales. El m�todo tradicionalmente usado para resolver problemas de programaci�n
lineal es el M�todo Simplex.

�ndice
1 Historia de la programaci�n lineal
2 Variables
3 Restricciones
4 Funci�n Objetivo
5 Existencia de soluciones �ptimas
6 Programaci�n entera
7 Aplicaciones
8 Ejemplo
9 V�ase tambi�n
10 Referencias
10.1 Bibliograf�a
Historia de la programaci�n lineal
Cronolog�a1?
A�o Acontecimiento
1826 Joseph Fourier anticipa la programaci�n lineal. Carl Friedrich Gauss
resuelve ecuaciones lineales por eliminaci�n "gaussiana".
1902 Gyula Farkas concibe un m�todo para resolver sistemas de inecuaciones.
1947 George Dantzig publica el algoritmo simplex y
John von Neumann desarroll� la teor�a de la dualidad.
Se sabe que Leonid Kantor�vich tambi�n formul� la teor�a en forma independiente.
1984 Narendra Karmarkar introduce el m�todo del punto interior para resolver
problemas de programaci�n lineal.
El problema de la resoluci�n de un sistema lineal de inecuaciones se remonta, al
menos, a Joseph Fourier, despu�s de quien nace el m�todo de eliminaci�n de Fourier-
Motzkin. La programaci�n lineal se plantea como un modelo matem�tico desarrollado
durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin
de reducir los costos al ej�rcito y aumentar las p�rdidas del enemigo. Se mantuvo
en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su
planificaci�n diaria.

Los fundadores de la t�cnica son George Dantzig, quien public� el algoritmo

simplex, en 1947, John von Neumann, que desarroll� la teor�a de la dualidad en el
mismo a�o, y Leonid Kantor�vich, un matem�tico de origen ruso, que utiliza t�cnicas
similares en la econom�a antes de Dantzig y gan� el premio Nobel en econom�a en
1975. En 1979, otro matem�tico ruso, Leonid Khachiyan, dise�� el llamado Algoritmo
del elipsoide, a trav�s del cual demostr� que el problema de la programaci�n lineal
es resoluble de manera eficiente, es decir, en tiempo polinomial.2? M�s tarde, en
1984, Narendra Karmarkar introduce un nuevo m�todo del punto interior para resolver
problemas de programaci�n lineal, lo que constituir�a un enorme avance en los
principios te�ricos y pr�cticos en el �rea.

El ejemplo original de Dantzig de la b�squeda de la mejor asignaci�n de 70 personas

a 70 puestos de trabajo es un ejemplo de la utilidad de la programaci�n lineal. La
potencia de computaci�n necesaria para examinar todas las permutaciones a fin de
seleccionar la mejor asignaci�n es inmensa (factorial de 70, 70!) ; el n�mero de
posibles configuraciones excede al n�mero de part�culas en el universo. Sin
embargo, toma s�lo un momento encontrar la soluci�n �ptima mediante el
planteamiento del problema como una programaci�n lineal y la aplicaci�n del
algoritmo simplex. La teor�a de la programaci�n lineal reduce dr�sticamente el
n�mero de posibles soluciones factibles que deben ser revisadas.

Variables
Las variables son n�meros reales mayores o iguales a cero. {\displaystyle X_{i}\geq
0} {\displaystyle X_{i}\geq 0}

En caso que se requiera que el valor resultante de las variables sea un n�mero
entero, el procedimiento de resoluci�n se denomina Programaci�n entera.

Restricciones
Las restricciones pueden ser de la forma:

Tipo 1: {\displaystyle A_{j}=\sum _{i=1}^{N}a_{i,j}\times X_{i}} {\displaystyle

A_{j}=\sum _{i=1}^{N}a_{i,j}\times X_{i}}

Tipo 2: {\displaystyle B_{j}\leq \sum _{i=1}^{N}b_{i,j}\times X_{i}} {\displaystyle

B_{j}\leq \sum _{i=1}^{N}b_{i,j}\times X_{i}}

Tipo 3: {\displaystyle C_{j}\geq \sum _{i=1}^{N}c_{i,j}\times X_{i}} {\displaystyle

C_{j}\geq \sum _{i=1}^{N}c_{i,j}\times X_{i}}

Donde:

A = valor conocido a ser respetado estrictamente;

B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = n�mero de la ecuaci�n, variable de 1 a M (n�mero total de restricciones);
a; b; y, c = coeficientes t�cnicos conocidos;
X = Inc�gnitas, de 1 a N;
i = n�mero de la inc�gnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M;
N > M; �, N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimizaci�n.

Los tres tipos de restricciones pueden darse simult�neamente en el mismo problema.

Funci�n Objetivo
La funci�n objetivo puede ser:

{\displaystyle Max!=\sum _{i=1}^{N}f_{i}\times X_{i}} {\displaystyle Max!=\sum

_{i=1}^{N}f_{i}\times X_{i}}

{\displaystyle Min!=\sum _{i=1}^{N}f_{i}\times X_{i}} {\displaystyle Min!=\sum

_{i=1}^{N}f_{i}\times X_{i}}

Donde:

{\displaystyle f_{i}} {\displaystyle f_{i}} = coeficientes

Existencia de soluciones �ptimas
Geom�tricamente, las restricciones lineales definen la regi�n factible, que es un
poliedro convexo. Una funci�n lineal es una funci�n convexa, por lo que un m�nimo
local es un m�nimo global; una funci�n lineal es tambi�n una funci�n c�ncava, as�
que todo m�ximo local es tambi�n un m�ximo global.

Como las funciones lineales no son ni estrictamente convexas ni estrictamente

c�ncavas, las soluciones �ptimas no son necesariamente �nicas.

Si la regi�n factible es acotada y no vac�a, entonces existir� al menos una

soluci�n �ptima, puesto que una funci�n lineal es continua y por lo tanto alcanza
un m�ximo en cualquier regi�n cerrada y acotada. Sin embargo, puede no existir una
soluci�n �ptima en dos situaciones. En primer lugar, si la regi�n factible es
vac�a, es decir, si ning�n punto verifica todas las restricciones, entonces el
problema es inviable. En segundo lugar, si la regi�n factible no est� acotada en la
direcci�n del gradiente de la funci�n objetivo, el problema es no acotado, y se
pueden encontrar puntos que verifican todas las restricciones y con un valor tan
alto como queramos de la funci�n objetivo.

Programaci�n entera
En algunos casos se requiere que la soluci�n �ptima se componga de valores enteros
para algunas de las variables. La resoluci�n de este problema se obtiene analizando
las posibles alternativas de valores enteros de esas variables en un entorno
alrededor de la soluci�n obtenida considerando las variables reales. Muchas veces
la soluci�n del programa lineal truncado est� lejos de ser el �ptimo entero, por lo
que se hace necesario usar alg�n algoritmo para hallar esta soluci�n de forma
exacta. El m�s famoso es el m�todo de 'Ramificar y Acotar' o Branch and Bound por
su nombre en ingl�s. El m�todo de Ramificar y Acotar parte de la adici�n de nuevas
restricciones para cada variable de decisi�n (acotar) que al ser evaluado
independientemente (ramificar) lleva al �ptimo entero.

Aplicaciones
La programaci�n lineal constituye un importante campo de la optimizaci�n por varias
razones, muchos problemas pr�cticos de la investigaci�n de operaciones pueden
plantearse como problemas de programaci�n lineal. Algunos casos especiales de
programaci�n lineal, tales como los problemas de flujo de redes y problemas de
flujo de mercanc�as se consideraron en el desarrollo de las matem�ticas lo
suficientemente importantes como para generar por si mismos mucha investigaci�n
sobre algoritmos especializados en su soluci�n. Una serie de algoritmos dise�ados
para resolver otros tipos de problemas de optimizaci�n constituyen casos
particulares de la m�s amplia t�cnica de la programaci�n lineal. Hist�ricamente,
las ideas de programaci�n lineal han inspirado muchos de los conceptos centrales de
la teor�a de optimizaci�n tales como la dualidad, la descomposici�n y la
importancia de la convexidad y sus generalizaciones. Del mismo modo, la
programaci�n lineal es muy usada en la microeconom�a y la administraci�n de
empresas, ya sea para aumentar al m�ximo los ingresos o reducir al m�nimo los
costos de un sistema de producci�n. Algunos ejemplos son la mezcla de alimentos, la
gesti�n de inventarios, la cartera y la gesti�n de las finanzas, la asignaci�n de
recursos humanos y recursos de m�quinas, la planificaci�n de campa�as de
publicidad, etc.

Otros son:

Optimizaci�n de la combinaci�n de cifras comerciales en una red lineal de

distribuci�n de agua.
Aprovechamiento �ptimo de los recursos de una cuenca hidrogr�fica, para un a�o con
afluencias caracterizadas por corresponder a una determinada frecuencia.
Soporte para toma de decisi�n en tiempo real, para operaci�n de un sistema de obras
hidr�ulicas;
Soluci�n de problemas de transporte.
Ejemplo
Progr Lineal.PNG
Este es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener f�cilmente m�s de 1.000 variables) en el cual se aprecia la
utilidad de este procedimiento de c�lculo.

Existen tres minas de carb�n cuya producci�n diaria es:

La mina "a" produce 40 toneladas de carb�n por d�a;

La mina "b" produce 40 t/d�a; y,
La mina "c" produce 20 t/d�a.
En la zona hay dos centrales termoel�ctricas que consumen:

La central "d" consume 40 t/d�a de carb�n; y,

La central "e" consume 60 t/d�a
Los costos de mercado, de transporte por tonelada son:

De "a" a "d" = 2 monedas

De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas
De "b" a "e" = 24 monedas
De "c" a "d" = 13 monedas
De "c" a "e" = 18 monedas
Si se preguntase a los pobladores de la zona c�mo organizar el transporte, tal vez
la mayor�a opinar�a que debe aprovecharse el precio ofrecido por el transportista
que va de "a" a "d", porque es m�s conveniente que los otros, debido a que es el de
m�s bajo precio.

En este caso, el costo total del transporte es:

Transporte de 40 t de "a" a "d" = 80 monedas

Transporte de 20 t de "c" a "e" = 360 monedas
Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.
Sin embargo, formulando el problema para ser resuelto por la programaci�n lineal se
tienen las siguientes ecuaciones:

Restricciones de la producci�n:
{\displaystyle X_{a\to d}+X_{a\to e}\leq 40} {\displaystyle X_{a\to d}+X_{a\to
e}\leq 40} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
{\displaystyle X_{b\to d}+X_{b\to e}\leq 40} {\displaystyle X_{b\to d}+X_{b\to
e}\leq 40} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
{\displaystyle X_{c\to d}+X_{c\to e}\leq 20} {\displaystyle X_{c\to d}+X_{c\to
e}\leq 20} {\displaystyle [{\mbox{T/dia}}]\,\!} {\displaystyle
[{\mbox{T/dia}}]\,\!}
Restricciones del consumo:
{\displaystyle X_{a\to d}+X_{b\to d}+X_{c\to d}\geq 40} {\displaystyle X_{a\to d}
+X_{b\to d}+X_{c\to d}\geq 40} {\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle X_{a\to e}+X_{b\to e}+X_{c\to e}\geq 60} {\displaystyle X_{a\to e}
+X_{b\to e}+X_{c\to e}\geq 60} {\displaystyle [{\mbox{T/dia}}]\,\!}
{\displaystyle [{\mbox{T/dia}}]\,\!}
La funci�n objetivo ser�:
{\displaystyle 2X_{a\to d}+11X_{a\to e}+12X_{b\to d}+24X_{b\to e}+13X_{c\to d}
+18X_{c\to e}=Min!} {\displaystyle 2X_{a\to d}+11X_{a\to e}+12X_{b\to d}+24X_{b\to
e}+13X_{c\to d}+18X_{c\to e}=Min!}
La soluci�n de costo m�nimo de transporte diario resulta ser:

Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas

Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas
Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
Total 1.280 monedas.
120 monedas menos que antes.