Universidad Interactiva y a Distancia del Estado de Guanajuato

Nombre de la actividad:

ACTIVIDAD 12

Nombre de alumno:

MARTINEZ HERNANDEZ OMAR HERNAN

Centro:

UNIDEG PLANTEL CELAYA

Profesor:

JOSE MARIO ALVAREZ VILLEDA

Materia:

MODELOS DE OPTIMIZACION

Fecha de elaboración: VIERNES 27 de MARZO de 2020

Página 1 de 7
Universidad Interactiva y a Distancia del Estado de Guanajuato

1. ¿Qué es la programación por metas?

R=La programación por metas es un enfoque para tratar problemas de decisión gerencial que
comprenden metas múltiples o inconmensurables, de acuerdo a la importancia que se le asigne
a estas metas. El método de programación de metas permite alcanzar varios objetivos de
manera simultánea

2. Analizar un ejemplo de programación por metas

R= En cierto país de 20 000 habitantes se tienen las siguientes bases tributarias: 550 millones
por predial. 35 millones por alimentos y medicinas. 55 millones por ventas. El consumo anual de
gasolina es de 7.5 millones de galones.
Se tienen las siguientes metas:
Tener un ingreso por impuestos de 16 millones.
Que el impuesto para alimentos y medicinas no exceda el 10% del total de impuestos
Que el impuesto sobre ventas no exceda el 20% del total de impuestos.
Que el impuesto para gasolina no exceda de 2 centavos por galón.
Así es que las variables serían:
X1 = tasa tributaria predial
X2 = tasa tributaria por alimentos y medicinas
X3 = tasa tributaria por ventas
X4 = impuesto para gasolina en centavos por galón.
Metas
Las metas quedarían expresadas de la siguiente forma:
Tener un ingreso de impuestos de 16 millones.
550x1 + 35x2 + 55x3 + 0.075x4 >= 16
Que el impuesto para alimentos y medicinas no exceda el 10% del total de impuestos
35x2 <= .1 (550x1 + 35x2 + 55x3 + 0.075x4)
Haciendo las operaciones correspondientes, y simplificando, la meta anterior quedaría:
55x1 – 31.5x2 + 5.5x3 + 0.0075x4 >= 0
Que el impuesto sobre ventas no exceda el 20% del total de impuestos.
55x3 <= .2 (550x1 + 35x2 + 55x3 + 0.075x4)
Haciendo las operaciones correspondientes, y simplificando, la meta anterior quedaría:
110x1 + 7x2 – 44x3 + 0.015x4 >= 0
Que el impuesto para gasolina no exceda de 2 centavos por galón.
x4 <= 2
La planificación por metas (incluyendo las variables de desviación) sería:
550x1 + 35x2 + 55x3 + 0.075x4  + n1 – p1 = 16
55x1 – 31.5x2 + 5.5x3 + 0.0075x4 +n2 – p2  = 0
110x1 + 7x2 – 44x3 + 0.015x4 +n3 – p3  = 0
X4 + n4 – p4 = 0
Las variables de desviación no deseadas serían: n1, n2, n3, p4.
La función de logro sería:
Min g(n1, n2 , n3,  p4)

Página 2 de 7
Universidad Interactiva y a Distancia del Estado de Guanajuato

3. ¿Qué es la programación lineal?

R= La programación lineal es el campo de la programación matemática dedicado a
maximizar o minimizar (optimizar) una función lineal, denominada función objetivo, de tal
forma que las variables de dicha función estén sujetas a una serie de restricciones
expresadas mediante un sistema de ecuaciones o inecuaciones también lineales. El método
tradicionalmente usado para resolver problemas de programación lineal es el Método
Simplex.

4. ¿Qué es el algoritmo de ramificación y acotamiento?

R= este método funciona a modo de proceso de enumeramiento de las posibles soluciones
enteras al problema original, esto lo hace dividiendo (ramificando) el problema original en
subproblemas mas sencillos, a los que generalmente se les quita las restricciones mas
complicadas de resolver (que son generalmente las restricciones que hacen que las
variables sean enteras) para poder solucionarlo.

5. Analizar un ejemplo de ramificación y acotamiento

R= Consideremos el siguiente modelo de Programación Entera el cual resolveremos con el
algoritmo de ramificación y acotamiento:

El paso inicial consiste en resolver este problema como si fuese un modelo de Programación
Lineal (relajación continua). Si la solución de dicho problema llegara a respetar las
condiciones de integralidad para las variables de decisión, ésta ya sería la solución óptima del
problema entero.
Si bien este procedimiento se puede extender a problemas de mayor dimensión, utilizamos un
modelo en 2 variables para poder representar los pasos del algoritmo gráficamente. El gráfico a
continuación muestra dicha resolución:

Página 3 de 7
Universidad Interactiva y a Distancia del Estado de Guanajuato

La solución óptima del problema lineal asociado (que llamaremos P0) es X1=2,8 y X2=1,6 con

valor óptimo V(P0) =20,8. Claramente esta solución no cumple las condiciones de integralidad
para las variables de decisión por tanto es necesario generar cotas o restricciones adicionales
de modo de poder obtener soluciones enteras. Para ello debemos seleccionar una de las 2
variables de decisión con valores fraccionarios para poder generar cotas. En estricto rigor
es indistinto cuál de ellas seleccionemos debido a que el método nos debe llevar a
conclusiones similares (aun cuando la cantidad de pasos requeridos o rapidez de convergencia
cambie).
En nuestro ejemplo generaremos cotas adicionales para la variable X1 aproximando su valor
actual al entero inferior más cercano (P1) y entero superior más cercano (P2).
La resolución gráfica del problema 1 (P1) nos da como solución óptima X1=2 y X2=2 que es
una solución entera. El valor óptimo del problema 1 es V(P1)=20. Notar que V(P1)<V(P0) lo
cual es natural dado que el dominio de soluciones factibles del P1 es menor (subconjunto) al
dominio de soluciones factibles de P0.

Página 4 de 7
Universidad Interactiva y a Distancia del Estado de Guanajuato

Análogamente la resolución gráfica (Método Gráfico) del problema 2 (P2) determina

que X1=3 y X2=4/3 con V(P2)=20 según se observa a continuación:

Luego no sería del todo necesario seguir desarrollando el algoritmo dado que si generamos
cotas para la variable X2 del P2 en ningún caso podríamos obtener una solución entera con
valor óptimo superior a 20 (valor que reporta en la función objetivo la actual solución entera
de P1) y por tanto podríamos concluir que X1=2 y X2=2 es la solución óptima del problema
entero. No obstante el siguiente diagrama muestra los pasos adicionales en caso que quisiera
agregar cotas adicionales a partir del P2.

Página 5 de 7
Universidad Interactiva y a Distancia del Estado de Guanajuato

Un argumento similar al expuesto previamente en este caso explicaría la no necesidad de

seguir ramificando el P21. Se propone al lector verificar que se obtiene la misma solución
óptima si luego del P0 ramificamos a través de X2 agregando las restricciones X2<=1 y X2>=2.

Página 6 de 7