Está en la página 1de 168

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA

INTRODUCCIÓN A LA MODELACIÓN MATEMÁTICA Y


OPTIMIZACIÓN

Programación Lineal y Teoría de Redes: Formulación y solución de


modelos, teoría de dualidad, análisis de sensibilidad, problema del
transporte y problemas seleccionados de redes.
(Versión 1.5 Agosto de 2005)

Escrito y recopilado por Carlos Julio Vidal Holguín

Cali, Agosto de 2005


Introducción a la Modelación Matemática y Optimización 1

SINOPSIS
La presente publicación trata de familiarizar al estudiante con los principales aspectos
de la Investigación de Operaciones (IO), incluyendo su origen histórico, su naturaleza y sus
diversas técnicas. El énfasis principal se da a los modelos de programación lineal, incluyendo
la programación lineal entera y el problema del transporte. Posteriormente, se presenta una
introducción a los modelos de redes. Así, estas notas pueden utilizarse en cursos de
Investigación de Operaciones I, Modelación Matemática e Introducción a la Optimización,
tanto para pregrado como para postgrado.

La metodología utilizada es la exposición de los principales temas con numerosos


modelos y ejemplos resueltos. Se proponen también diversos ejercicios en cada una de las
secciones para ser desarrollados por los estudiantes. Para una mejor comprensión del texto, se
sugiere la lectura secuencial por capítulos antes de cada clase, complementada con referencias
adicionales.

Se agradece sinceramente a todas las personas que con su esfuerzo como monitores
hicieron posible la recopilación de estas notas de clase: A Héctor Toro, Ana María Pérez y a
todas las personas que de una u otra forma han colaborado con la producción de estas notas.

Carlos Julio Vidal Holguín


cjvidal7@calipso.com.co
2 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

1. LA INVESTIGACIÓN DE
OPERACIONES
1.1 ORÍGENES

Algunos autores afirman que las primeras semillas para el surgimiento de la IO se


remontan hacia mediados del siglo XVIII cuando en 1759 el economista Quesnay utilizó
algunos modelos simples de programación matemática y hacia el año 1874 cuando otro
economista, Walras, usó técnicas similares. Sin embargo, el acontecimiento histórico que
marcó el verdadero origen de la IO fue la segunda guerra mundial.

Generalmente, en tiempos de guerra los recursos se vuelven escasos y su utilización


debe hacerse en la forma más racional posible para obtener de ellos el máximo provecho. Fue
así como la milicia británica y posteriormente la de los Estados Unidos decidieron apoyarse en
un grupo de investigadores con el objeto de diseñar procedimientos científicos para ser
utilizados en las estrategias y técnicas militares. Estos grupos se dedicarían, por lo tanto, a
investigar las operaciones militares. Al parecer, de aquí surgió el nombre de esta disciplina
como sigue utilizándose actualmente. Es de destacar que los estudios realizados por estos
grupos de científicos, según se afirma, contribuyeron positivamente a grandes triunfos de los
países aliados en la segunda guerra mundial, tales como las batallas de Inglaterra y del
Atlántico Norte.

Por otra parte, como consecuencia de la primera Revolución Industrial acaecida en el


Siglo XIX, las organizaciones en general habían sufrido cambios sustanciales, pasando de
pequeños talleres artesanales a medianas y grandes empresas. Además, se pasó de empresas
con un solo administrador o dueño absoluto, quien tenía a su cargo las principales decisiones,
a empresas que por su naturaleza y tamaño tuvieron la necesidad de crear la división funcional
del trabajo y segmentar las responsabilidades administrativas, delegando en varias personas el
proceso de toma de decisiones.

Aunque lo anterior trajo grandes ventajas, empezaron a surgir problemas debidos a la


independencia de los departamentos y secciones de las empresas. Cada ente defendía sus
objetivos particulares, sin contribuir como un todo a las metas y objetivos generales de la
organización, lo cual inclusive se sigue observando en la actualidad. Es entonces cuando
aparecen los primeros problemas de decisión a alto nivel, los cuales eventualmente trataría de
abordar algunas técnicas de la investigación de operaciones.

Debido al éxito de los grupos de científicos que realizaron la investigación de


operaciones militares y como el ambiente de las organizaciones era el propicio, la industria
empezó a interesarse en ellos para que diseñaran procedimientos científicos para abordar los
problemas de decisión que las empresas estaban enfrentando. Fue así como al terminar la
guerra, los británicos comenzaron a utilizar esta metodología en sus industrias y se dieron
cuenta que sus problemas eran de naturaleza semejante a la de los problemas militares:
recursos limitados y dificultad para lograr su mejor asignación a las diversas actividades de la
empresa. En los Estados Unidos, el interés de la industria por las técnicas de la IO no fue tan
Introducción a la Modelación Matemática y Optimización 3

inmediato y surgió con el advenimiento de las Segunda Revolución Industrial, caracterizada


por la automatización y el advenimiento de los computadores electrónicos digitales.

El notable adelanto logrado en pocos años en las técnicas de la IO se debió al interés de


muchos científicos en perfeccionar lo que ya habían desarrollado para las tácticas militares y
al surgimiento de los computadores. Fue así como en 1947, el Dr. George Dantzig, con la
ayuda de muchos de sus antecesores, logró desarrollar el método simplex para la solución de
problemas de programación lineal, método que hasta la actualidad es utilizado mundialmente
para la solución de grandes problemas de aplicación de esta técnica.

Antes de finalizar la década de los 50s, otras técnicas de la IO fueron ampliamente


desarrolladas, tales como la programación dinámica, la teoría de colas y la teoría de
inventarios. En 1952 se funda en Estados Unidos la “Operations Research Society of
America”, ORSA, la cual hacia 1972 ya contaba con alrededor de 8000 miembros en todo el
mundo. Posteriormente, la ORSA se fusionó con el Instituto Americano para las Ciencias de
la Administración y se creó el “Institute for Operations Research and the Management
Sciences”, INFORMS (ver página web www.informs.org), el cual actualmente cuenta con
miles de miembros de todo el mundo y celebra reuniones trimestrales en los Estados Unidos y
reuniones anuales en diferentes partes del mundo, donde se exponen las últimas
investigaciones en el área. Existen también actualmente diversas organizaciones en todo el
mundo para la divulgación y el desarrollo de la investigación de operaciones, tales como
EURO en Europa y la recientemente creada SOCIO en Colombia (Sociedad Colombiana de
Investigación de Operaciones). Todas estas organizaciones tienen importantes publicaciones
periódicas que circulan a nivel mundial. INFORMS, por ejemplo, publica las revistas
“Operations Research” y “Management Science”, entre otras, de gran renombre en el área de
investigación de operaciones.

En las universidades, por otra parte, existen programas de estudios de pregrado y


postgrado (a nivel de maestría y doctorado) íntimamente relacionados con el área de la
investigación de operaciones. Existen, por ejemplo, escuelas de ingeniería industrial con áreas
especializadas en optimización y en producción y distribución que hacen extensiva
investigación y aplicación de las técnicas de la investigación de operaciones.

Algunas de las técnicas de la IO se han ido especializando de tal forma, que


actualmente representan un cuerpo independiente y con desarrollos propios, como por
ejemplo, la estadística, la optimización y la simulación. En otros casos, algunas áreas del
conocimiento utilizan ampliamente la IO, como es el caso de la Logística, la cual aplican por
ejemplo diversas técnicas de optimización. Además, existen diversos proveedores de software
dedicados exclusivamente al desarrollo de programas especializados de técnicas de IO, como
es el caso de la simulación y la optimización, quienes promueven sus productos con
seminarios y cursos alrededor del mundo.

Aunque muchas veces se ha dado la discusión sobre la utilidad real de la IO y su


posible decadencia, todo parece indicar que sus diversas técnicas han tomado en la actualidad
completa independencia y autonomía, y las innumerables aplicaciones que existen siguen en
desarrollo y crecimiento. Un ejemplo típico de esto es la aplicación de la IO para el diseño y
optimización de las cadenas de abastecimiento.
4 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

1.2 NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES

De acuerdo con Hillier y Lieberman (1997), se ha tratado de enmarcar a la IO y


definirla. Sin embargo, su propio origen hace que esto sea una tarea muy difícil o imposible.
En lugar de definirla, entonces, es preferible dar una idea de su naturaleza y sus características
para comprender mejor su esencia.

La IO aplica el método científico para el estudio de los diversos problemas,


observando y definiendo claramente el problema en cuestión. Posteriormente se diseña un
modelo (generalmente matemático) que permite representar y abstraer la realidad del sistema
bajo estudio. Seguidamente, se obtienen las soluciones del modelo y se trata de validar el
modelo, principalmente con el análisis de las respuestas del modelo y la experimentación. De
acuerdo con los resultados de la validación, es posible retornar al rediseño del modelo y su
refinamiento, convirtiéndose así en un proceso iterativo que puede cambiar de acuerdo con la
dinámica del sistema estudiado. Como puede observarse, esta metodología corresponde a la
utilización del enfoque de sistemas como herramienta de estudio de los problemas, donde se
identifican y analizan los componentes, interrelaciones y factores significativos del sistema
bajo análisis.

Las conclusiones obtenidas con la aplicación del modelo deben enmarcarse en la


realidad del problema analizado y deben ser fáciles de interpretar y de implementar para el
ente decisorio. Por lo tanto, la IO debe producir soluciones de problemas reales que puedan
ser aplicadas de una manera eficiente y racional por las personas responsables de los procesos
decisorios de la organización.

Como puede observarse, el punto de vista de la IO es muy amplio, pues apunta hacia
cualquier tipo de organización, tratando de resolver los conflictos entre los componentes de la
misma, para obtener el máximo provecho de los recursos disponibles y lograr los objetivos
globales de la empresa. Ese “máximo aprovechamiento de los recursos” se ve reflejado en la
mayoría de los casos que estudia la investigación operacional en la búsqueda de soluciones
óptimas de los problemas.

La investigación de operaciones se ocupa y hace uso de diversos y muy variados


campos del conocimiento humano. Por lo tanto, la IO presenta la característica de ser aplicada
por grupos interdisciplinarios, tales como personas expertas en los campos de las
matemáticas, la estadística y la probabilidad, economía, administración, ingeniería industrial y
de sistemas, ciencias de la computación, sicología, ingeniería en general, e incluso en las áreas
de la salud, tales como la medicina y epidemiología.

Por otra parte, el grupo que realiza un estudio específico en alguna organización debe
contener personas expertas en las áreas antes mencionadas y además poseer un conocimiento
global y profundo de la organización misma, de tal forma que la definición del problema, el
diseño del modelo y la utilización de sus soluciones estén enmarcados dentro del contexto del
sistema real y específico bajo estudio. De esto último puede deducirse que los resultados que
brinda la IO se obtienen en general de mediano a largo plazo, pues el conocimiento inicial del
sistema bajo estudio por parte del grupo puede consumir un tiempo considerable.
Introducción a la Modelación Matemática y Optimización 5

En resumen, y tal como lo expresan Hillier y Lieberman (1997), la investigación de


operaciones se ocupa de la modelación y la toma de decisiones óptimas en sistemas
determinísticos y probabilísticos de la vida real. Aquí nos ocuparemos de modelos
determinísticos de optimización y sus aplicaciones a sistemas reales.

1.3 IMPACTO DE LA INVESTIGACIÓN DE OPERACIONES

Debido a su amplio punto de vista, la IO se ha aplicado y se continúa aplicando a los


más diversos campos del conocimiento humano. Es así como las diversas técnicas de la IO se
han utilizado con éxito en campos de los negocios, entes gubernamentales y militares, la banca
y otros sectores de servicios y la industria en general, en aspectos como la producción, los
mercados, las inversiones y las finanzas, la salud, las ciencias sociales, la biología, etc. Unos
pocos ejemplos de estas aplicaciones son los siguientes:

• Control y predicción del crecimiento económico,


• Planeación de la expansión de plantas manufactureras,
• Planeación urbana,
• Optimización de servicios de transporte y de transporte de basuras,
• Diseño de redes de tubería,
• Optimización y diseño de cadenas de abastecimiento regionales e internacionales,
• Estrategias de sustitución de importaciones,
• Planeación agregada de la producción,
• Planeación y estrategias en empresas de transporte aéreo,
• Problemas de inventarios en general, incluyendo materias primas y productos terminados,
• Mantenimiento y reemplazo de equipos,
• Evaluación de estrategias de publicidad,
• Tratamiento óptimo de tumores cancerosos,
• Estudio de la propagación de epidemias (como el SIDA),
• Distribución del esfuerzo de ventas,
• Entrenamiento de personal,
• Diversas aplicaciones en refinerías petroleras,
• Predicción financiera,
• Optimización de satélites,
• Distribución de fuerzas navales y aéreas,
• Evaluación de inversiones en bonos y acciones,
• Planeación y control de proyectos,
• Estudios de diversos sistemas de servicio (teoría de colas y simulación),
• Programas de vacunación de perros callejeros,
• Predicción de trabajo policiaco,
• Estudios de factores de criminalidad y
• Otras diversas aplicaciones en muchos campos.

Como puede observarse, las posibilidades de aplicación son inmensas y cada día más
especializadas. Las aplicaciones reales de la IO están creciendo cada día, especialmente en
nuestro medio cuando apenas empieza a reconocerse su importancia y utilidad para el diseño y
optimización de sistemas complejos.

Entre las técnicas de la IO que más se han utilizado se resaltan el análisis estadístico
cuyo origen tuvo lugar con el desarrollo de la IO, para posteriormente volverse una técnica
6 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

independiente con sus propios desarrollos. Igualmente, la programación lineal y la simulación


han tenido y tienen actualmente un gran desarrollo en diversos campos, como por ejemplo los
sistemas integrados de producción y distribución, los sistemas de manejo de materiales,
algunas aplicaciones en agricultura, los problemas de planeación de las líneas aéreas y muchos
otros más.

Entre otras técnicas de la IO se destacan:

• Los modelos de redes,


• La programación dinámica,
• Los modelos de inventarios,
• La teoría de pronósticos,
• La teoría de análisis de decisión y juegos,
• Los sistemas de colas,
• Los procesos markovianos de decisión y
• La optimización nó-lineal.

Prácticamente cada una de estas técnicas podría dar lugar a cursos completos o
seminarios especializados, con amplia exposición de aplicaciones reales. Esta publicación se
centra en lo que podría denominarse un curso de Introducción a la Optimización o
Investigación de Operaciones I, concentrándose principalmente en los modelos de
programación lineal y brindando una introducción a la teoría de redes y a la programación no-
lineal.
Introducción a la Modelación Matemática y Optimización 7

2. EL PROCESO DE DISEÑO EN
INGENIERÍA
Como ya se ha visto, la IO aplica el método científico para analizar, modelar y
optimizar sistemas complejos reales. Desde el punto de vista de la ingeniería industrial y de
sistemas, esta metodología podría definirse como el “proceso de diseño en ingeniería.” Este
proceso consiste en una serie de pasos bien definidos para encontrar la solución de problemas
reales. La Figura 2.1 muestra una síntesis de este proceso.

Formulación del problema

Análisis del problema y


recolección de datos

Generación de alternativas de
solución

Evaluación y selección de la(s) Formulación y


mejor(es) alternativa(s) validación de un
modelo

Especificaciones de la(s)
solución(es)

Implementación, evaluación y
control del diseño utilizado

Figura 2.1. El proceso de diseño en ingeniería

Inicialmente debe identificarse claramente el problema que se va a resolver. Este paso


es fundamental para el éxito de todo el proceso, ya que si el problema no está bien formulado,
8 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

cualquier análisis podría llegar a conclusiones sin sentido. Una vez definido el problema, se
pasa a su análisis y se recolectan datos preliminares que permitan enmarcarlo de una forma
más precisa.

Posteriormente, se generan posibles alternativas de solución del problema. El paso


siguiente consiste en la evaluación de las alternativas con el objeto de determinar la mejor o
mejores. Es en este paso cuando la formulación de un modelo como herramienta de decisión
puede ser muy importante. Obviamente, puede llegarse a una selección de una buena
alternativa sin necesidad de formular ningún modelo, pero generalmente éste da una visión
mucho más amplia del sistema bajo estudio y, en otras ocasiones, se hace imprescindible su
utilización.

El modelo formulado entra en un proceso de validación para determinar su grado de


aproximación con la realidad, a través de la comparación con resultados históricos y con
indicadores extraídos del sistema real bajo análisis. Una vez superado este paso, el modelo
puede utilizarse para evaluar las alternativas de solución y determinar la mejor.

Los dos pasos siguientes son comunes al proceso bien sea que exista o no un modelo
de decisión. Se trata de especificar claramente la solución con el objeto de que sea
implementada de una forma correcta y de que permita su continua evaluación y control. Estos
pasos pueden identificar desviaciones de la realidad o cambios con respecto de la concepción
original del problema, de tal forma que se puede hacer necesario un proceso continuo de
análisis y refinamiento del modelo, incluso existiendo la posibilidad de reformular el problema
e iniciar el proceso de nuevo.

2.1 MODELOS

Uno de los pasos fundamentales del proceso descrito anteriormente puede ser la
formulación y validación de un modelo de decisión. En general, puede decirse que un modelo
es la abstracción de la realidad, el cual debe poseer dos características básicas:

• Ser más fácil de manipular y


• Proveer una mejor visión del sistema bajo estudio.

En todas las disciplinas, de una u otra forma, se utilizan modelos. A continuación se da una
clasificación típica de modelos.

2.1.1 Clasificación de modelos

De acuerdo con su naturaleza los modelos pueden clasificarse en:

• Físicos, los cuales normalmente lucen semejantes a la realidad física, pero a menor
escala, como por ejemplo un avión en miniatura siendo probado en un túnel de
viento.
Introducción a la Modelación Matemática y Optimización 9

• Análogos o analógicos, los cuales no asemejan físicamente el sistema bajo estudio,


sino que exhiben conexiones entre los parámetros de entrada y las variables de
salida proporcionales a los correspondientes parámetros y variables existentes en el
sistema real. Un ejemplo clásico de un modelo análogo se utiliza en la localización
óptima de una nueva planta o centro de distribución en el plano, donde se trata de
minimizar la suma ponderada de las distancias de la nueva instalación hacia todas
las instalaciones existentes (plantas o centros de distribución). Para ello se
construye una estructura en la que se tiene una mesa horizontal con agujeros
dispuestos de la misma forma que las instalaciones existentes, normalmente a
escala. Una cuerda para cada una de las instalaciones existentes se ata a un nudo
común y todas se hacen pasar por sus agujeros respectivos, a través de poleas que
se puedan considerar sin fricción. En el extremo libre de cada cuerda se cuelga un
peso proporcional al volumen que manejará la correspondiente instalación
multiplicado por su costo unitario de transporte. El sistema se deja en libertad
hasta que el nudo quede en reposo; el punto de equilibrio del nudo corresponde a la
localización óptima del nuevo centro de distribución y la longitud de las cuerdas
entre el nudo y las poleas representará la distancia entre las instalaciones existentes
y la nueva instalación. Como puede verse, se trata aquí de resolver un problema de
localización mediante el uso de un modelo analógico mecánico.

• Matemáticos, los cuales incorporan las propiedades y el comportamiento básico del


sistema bajo estudio mediante relaciones matemáticas reflejadas en parámetros,
variables de decisión, funciones objetivo, etc. El ejemplo típico son los modelos de
programación lineal que se exponen a partir del capítulo siguiente.

Otro tipo de clasificación define los modelos como descriptivos, o sea aquéllos que
sólo describen el sistema bajo estudio, o normativos u optimizables, los cuales se formulan
para mejorar u optimizar el sistema bajo estudio. De manera semejante, los modelos se
pueden clasificar en determinísticos o estocásticos (probabilísticos), de acuerdo con su
capacidad de involucrar o nó variables aleatorias en el análisis.

A partir de estas últimas clasificaciones, se pueden dar todas las combinaciones


posibles de modelos, a saber:

• Modelos determinísticos – descriptivos (como por ejemplo las ecuaciones que


reflejan la Ley de Ohm);
• Modelos determinísticos – optimizables (como por ejemplo los modelos de
programación lineal);
• Modelos estocásticos – descriptivos (como por ejemplo los modelos de colas y
simulación);
• Modelos estocásticos – optimizables (como por ejemplo algunos modelos de
programación nó-lineal e inventarios).

Existen otras clasificaciones más detalladas, pero con las dadas aquí es suficiente para
ilustrar los tipos de modelos objeto de esta publicación. En general, los modelos matemáticos
tratados en esta publicación, es decir los de programación lineal, modelos de redes y
10 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

programación no-lineal, pueden ser clasificados como modelos matemáticos determinístico-


optimizables.

2.1.2 Ventajas y desventajas del uso de modelos

Existen múltiples ventajas en el uso de modelos como herramientas poderosas para la


toma de decisiones. Las principales son:

• Consideración de aspectos fundamentales del sistema que serían muy difíciles o


imposibles de analizar sin la ayuda de los modelos;
• Definición precisa de los objetivos, estructura y restricciones del sistema;
• Definición de parámetros, costos e indicadores de eficiencia que recogen los
aspectos más relevantes para el análisis del sistema bajo estudio;
• Evaluación sistemática de alternativas;
• Rápida respuesta de análisis de sensibilidad, los cuales de otra forma serían
demasiado dificultosos o imposibles.

Por el contrario, existen también algunas desventajas que deben ser evaluadas antes de
emprender la tarea de formulación de un modelo para la solución de un problema. Ellas son:

• Requerimiento y recolección de conjuntos de datos muy extensos y, en general, con


altas exigencias en su grado de precisión;
• Requerimiento de conocimientos altamente especializados para su formulación,
solución y análisis de resultados;
• Necesidad de disponer de sistemas de computación y programas complejos y
costosos;
• Requerimiento de tiempos de solución muy largos, los cuales pueden en algunos
casos puede resultar prohibitivos.

A pesar de estas desventajas potenciales, cuando se emprende la tarea de modelar una


situación real y se identifican los aspectos básicos a ser involucrados en el modelo con la
información requerida necesaria, las ventajas potenciales superan ampliamente cualquier
dificultad que se encuentre.

2.1.3 Algunas conclusiones con respecto del uso de modelos

Uno de los aspectos básicos de la modelación matemática es el de considerar el


suficiente grado de abstracción de la realidad, de tal forma que el modelo tenga el suficiente
realismo, contra la posibilidad de que sea resuelto en un tiempo de computación aceptable. El
arte de modelar consiste precisamente en identificar las características fundamentales del
sistema a ser involucradas en el modelo y en diseñar modelos que permitan ser resueltos en
forma eficiente. Desde este punto de vista es tan importante y fundamental formular un
modelo, como encontrar sus soluciones en un tiempo computacional aceptable, para después
analizarlas e implementar las que se consideren mejores.
Introducción a la Modelación Matemática y Optimización 11

La formulación de modelos debe ser un proceso progresivo, donde inicialmente se


formule un modelo de poca elaboración y luego se refine gradualmente hasta obtener el
equilibrio mencionado anteriormente. Generalmente, es un error tratar de formular en el inicio
del proceso el modelo más complejo y elaborado.

Los modelos deben siempre considerarse como un soporte o ayuda para la toma de
decisiones y nunca como el reemplazo de las personas que toman las decisiones. Si se
formula un modelo pensando que sus resultados van a resolver todos los problemas de
decisión y van a ser implementados “a ojos cerrados,” se cae en un grave error que puede traer
consecuencias impredecibles. Existen en la realidad muchos factores que no pueden ser
involucrados en modelos matemáticos y que sólo los grupos de personas que toman las
decisiones pueden evaluar. Por lo tanto, desde este punto de vista, los modelos son una
poderosa herramienta para este proceso, pero no el fin mismo de la decisión.

2.2 EJEMPLO DE FORMULACIÓN DE MODELOS

A continuación se proponen algunos modelos ilustrativos que permiten precisar y


analizar todo lo expresado anteriormente. Estos modelos serán formulados y discutidos en
clase.

2.2.1 PLANEAMIENTO DE CULTIVOS (Programación lineal)

Uno de los experimentos sociales importantes en la región mediterránea es el sistema de comunas


(Kibutz), o más ampliamente conocido como comunidades agrícolas comunales, el cual ha sido desarrollado en
Israel. Es muy común para los grupos de comunas unirse y compartir servicios técnicos y también compartir su
producción. En el presente ejemplo consideramos un sistema de tres comunas. La planeación global para este
grupo se hace en la oficina técnica coordinadora. Esta oficina corrientemente planea la producción agrícola para
el año venidero. Los productos agrícolas de cada comuna están limitados tanto por la cantidad de tierra irrigable
disponible, como por la cantidad de agua asignada para irrigación. Las dimensiones de las comunas y su agua
asignada para el próximo año se muestran en la Tabla 2.1.

Tabla 2.1. Dimensiones y agua asignada de cada comuna

COMUNA TIERRA USABLE (Há) AGUA ASIGNADA (m3)


1 400 600
2 600 800
3 300 375

Los cultivos apropiados para la región en consideración son remolacha, algodón y sorgo. Estos cultivos
son los únicos que se considerarán para el período bajo análisis. Los cultivos difieren entre sí principalmente en
su retorno neto esperado por hectárea (Há) y en su consumo de agua por hectárea cultivada. Adicionalmente, la
oficina coordinadora ha implantado una máxima cuota para el total de hectáreas que se pueden destinar a cada
uno de estos cultivos. Toda esta información se muestra en la Tabla 2.2.

Tabla 2.2. Máxima cuota, consumo de agua y retorno esperado de cada cultivo

CULTIVO MÁXIMA CUOTA CONSUMO DE AGUA RETORNO ESPERADO


(Há) (m3/Há) ($/Há)
Remolacha 600 3 400
Algodón 500 2 300
Sorgo 325 1 100
12 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Las tres comunas han llegado a un acuerdo para que cada comuna siembre la misma proporción de su
tierra irrigable disponible. Sin embargo, cualquier combinación de cultivos puede sembrarse en cualquiera de las
comunas. Deben, entonces, planearse cuántas hectáreas destinar para cada tipo de cultivo en cada comuna.
Formule un modelo de programación lineal para este efecto, de manera que se maximice el retorno neto esperado
de todas las comunas.

2.2.2 EL PROBLEMA DEL TRANSPORTE (Programación lineal)

Una compañía multinacional posee n fábricas situadas en diferentes lugares, desde las cuales surte a sus
m principales distribuidores localizados también en diferentes lugares. Continuamente las fábricas deben cubrir
las demandas de sus distribuidores, teniendo en cuenta su capacidad de producción. Si ai es la capacidad de
producción de la planta i (i = 1, 2, ..., n), bj es la demanda del distribuidor j (j = 1, 2, ..., m), y cij es el costo
unitario de transporte desde la fábrica i hacia el distribuidor j (i = 1, 2, ..., n; j = 1, 2, ..., m), formule un modelo
matemático de programación lineal que permita encontrar los flujos entre cada fábrica y cada distribuidor, de tal
forma que se satisfaga la demanda al costo total mínimo de transporte.

2.2.3 EL PROBLEMA DEL SALVAVIDAS (Programación nó-lineal)

Un salvavidas se encuentra situado en un punto S sobre una playa plana y recta, situado a 30 m de la
orilla, como muestra la Figura 2.2. Dentro del agua, en un punto P, situado 80 m a la izquierda de S y 100 m
dentro del agua, se encuentra un bañista en peligro de ahogarse. El salvavidas puede correr a una velocidad lineal
constante de 9 m/seg sobre la tierra y nadar a una velocidad lineal constante de 2.5 m/seg. Formule un modelo de
programación matemática para determinar la ruta que debe seguir el salvavidas de tal forma que llegue lo más
pronto posible donde se encuentra la persona en peligro. Discuta detalladamente el mayor número posible de
supuestos que tuvo que considerar para obtener el modelo formulado.

agua

100 m

80 m 30 m

tierra
S
Figura 2.2. El problema del salvavidas

2.2.4 LOCALIZACIÓN DE UNA NUEVA BODEGA (Programación nó-lineal)

Una empresa posee dos plantas, P1 y P2, que van a alimentar a una nueva bodega, W, la cual a su vez
proveerá a tres centros de consumo, C1, C2 y C3. El producto A se produce en la planta P1 y el producto B se
produce en la planta P2. Las plantas enviarán sus productos respectivos hacia la bodega, para ser distribuidos
hacia los centros de consumo. El volumen total, el costo unitario de transporte y la localización de cada
instalación se muestran en la Tabla 2.3. El costo de transporte se considera proporcional al volumen transportado
y a la distancia recorrida, medida como la distancia euclidiana entre los dos puntos, o sea que la distancia entre
los puntos (x1, y1) y (x2, y2) viene dada por:
Introducción a la Modelación Matemática y Optimización 13

d = ( x 2 − x 1 ) 2 + ( y 2 − y1 ) 2

Tabla 2.3. Datos de volumen, costo de transporte y coordenadas de cada punto

PUNTO i PRODUCTO VOLUMEN COSTO DE COORD. COORD.


TOTAL TRANSPORTE xi yi
(Ton) [$/(Ton.Km)] (Km) (Km)
P1 A 2,000 0.050 3 8
P2 B 3,000 0.050 8 2
C1 A&B 2,500 0.075 2 5
C2 A&B 1,000 0.075 6 4
C3 A&B 1,500 0.075 8 8

Formule un modelo de programación matemática que permita determinar la localización óptima de la


nueva bodega W de tal forma que se minimicen los costos totales de transporte.

2.2.5 OFERTAS PARA OCUPACIÓN DE UN HOTEL (Modelo de redes)

Un hotel turístico muy demandado recibe una serie de ofertas para ocupación de uno de sus mejores
conjuntos de habitaciones entre Mayo 1 y Agosto 31. Las ofertas varían en cuanto al precio de las habitaciones,
ya que existen diferentes tipos de clientes, y en cuanto al día de llegada y al día de salida de los turistas. Por
ejemplo, una oferta puede ser por $800,000 entre Junio 15 y Junio 18, mientras que otra oferta puede ser por
$1,000,000 entre Junio 16 y Junio 20. Como el ejemplo muestra, no se permite superposición de ofertas, ya que
se supone que cada una de ellas ocuparía completamente las habitaciones disponibles. Por lo tanto, de las dos
ofertas mostradas en el ejemplo, sólo una puede escogerse. También, pueden existir períodos de tiempo donde no
exista ninguna oferta. Formule un modelo de redes que permita encontrar la mejor forma de seleccionar las
ofertas entre Mayo 1 y Agosto 31, de tal forma que se maximice el ingreso total del hotel para este período.

2.3 ALGORITMOS PARA LA SOLUCIÓN DE MODELOS

Una vez formulado un modelo matemático, éste debe resolverse para cumplir con los
pasos de evaluación de las alternativas y selección de la(s) alternativa(s) óptima(s). El proceso
que se utiliza para lograr este objetivo se denomina algoritmo. Un algoritmo es, por lo tanto,
un conjunto finito de pasos, especialmente diseñado para la solución de un problema.

Desde el punto de vista de cumplimiento de los objetivos de un algoritmo, se dice que


éste es eficiente si resuelve el problema en un tiempo razonable. Por otra parte, se dice que un
algoritmo es efectivo siempre y cuando produzca una solución de alta calidad, o sea una
solución del problema bajo estudio que esté lo suficientemente cerca de la solución óptima
como para que pueda ser utilizada en el proceso de diseño en ingeniería.

2.3.1 TIEMPO DE SOLUCIÓN DE UN ALGORITMO

El tiempo que un algoritmo emplea en resolver un problema es fundamental para


determinar su utilidad en la solución de problemas reales. Supóngase que n es un indicador
del tamaño del problema que se está resolviendo, como por ejemplo, el número de variables
14 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

y/ó restricciones involucrado en él, y que el tiempo que emplea un algoritmo en resolver dicho
problema es:

T ( n) = a k n k + a k −1n k −1 + ... + a 2 n 2 + a1 n + a0 (2.1)

donde ak > 0. Se dice entonces que el algoritmo resuelve el problema en tiempo polinomial y
que es “de orden nk”, lo cual se denota como O(nk). Si, por el contrario, el algoritmo es de
orden O(2n), por ejemplo, se dice que el algoritmo es nó-polinomial y que en este caso su
tiempo de solución es exponencial. La Tabla 2.4 presenta un ejemplo de los tiempos de
solución de un algoritmo, dependiendo de su orden. Nótese que incluso para problemas
“pequeños”, si el orden del algoritmo es exponencial, puede que dicho algoritmo jamás
resuelva el problema con los computadores que existen actualmente.

Tabla 2.4. Ejemplo de tiempos de solución de un algoritmo


(Fuente: Goetschalckx (1998), pág. 10)

ORDEN DEL Tamaño del Tamaño del Tamaño del Tamaño del
ALGORITMO problema problema problema problema
n = 10 n = 20 n = 40 n = 80
n 0.001 seg. 0.002 seg. 0.004 seg. 0.008 seg.

n3 0.001 seg. 0.008 seg. 0.064 seg. 0.512 seg,

2n 0.001 seg. 1.024 seg. 12.43 días 3.74 × 1010


años!!

2.3.2 CLASIFICACIÓN DE TIPOS DE PROBLEMAS

Existen problemas para los cuales se conocen algoritmos de solución polinomiales.


Independientemente del orden k del polinomio que refleja el tiempo de solución del algoritmo,
se dice que estos problemas son “fáciles” de resolver y se clasifican como problemas tipo P.
Existe otro tipo de problemas, por el contrario, para los cuales no se conoce ningún algoritmo
de solución de orden polinomial, ya que todos los algoritmos conocidos corren en tiempo
exponencial. Estos problemas se dice que son “difíciles” o “duros” de resolver y se clasifican
como problemas tipo NP. Se dice, entonces, que estos problemas son NP-completos.

La teoría desarrollada para la clasificación de problemas con respecto a su posibilidad


de solución es mucho más compleja, pero la idea principal es que existen problemas fáciles de
resolver con algoritmos conocidos polinomiales y otros difíciles de resolver, para los cuales no
se ha descubierto o inventado ningún algoritmo eficiente. Esto no significa que los algoritmos
Introducción a la Modelación Matemática y Optimización 15

eficientes no puedan existir, ya que las preguntas al respecto permanecen sin respuesta y son
motivo de intensa investigación actualmente. Se piensa que para un problema NP-completo
no existen algoritmos de solución polinomiales, pero esto no se ha podido demostrar o
rechazar. Para este tipo de problemas, por lo tanto, se han desarrollado procedimientos
heurísticos, los cuales no garantizan una solución óptima, pero tratan de encontrar una muy
buena solución del problema en tiempo razonable.

Es importante comentar, finalmente, que existen problemas que en general son NP-
completos, pero que para algunos de sus casos particulares dejan de serlo. Un ejemplo típico
es la programación lineal entera. En general, un problema de programación lineal entera es
NP-completo. Sin embargo, cierta clase de problemas de transporte y el problema de
asignación, a pesar de ser problemas de programación lineal entera, no son NP-completos, ya
que su estructura particular permite diseñar algoritmos eficientes para encontrar su solución
óptima. A medida que se vayan desarrollando los diversos temas de esta publicación, se
aclarará el tipo de problema tratado y las características de sus diversos algoritmos de
solución.

2.3.3 TIPOS DE ALGORITMOS

Existen diversos tipos de algoritmos para la solución de problemas, de acuerdo con su


grado de complejidad y relación con el modelo formulado. Una forma de resolver problemas
reales podría decirse que se trata de la experiencia y la intuición que la persona que toma las
decisiones posee. En este caso no existe un modelo formal formulado para la solución del
problema ni un algoritmo específico de solución. La calidad de la solución obtenida depende
en gran parte de los conocimientos y experiencia de la persona que toma las decisiones. Este
podría clasificarse como un método manual de solución de problemas.

Un segundo tipo consiste en la utilización de hojas electrónicas. En este sentido, se


diseñan hojas electrónicas para facilitar los cálculos correspondientes y se analizan posibles
soluciones del problema. Las alternativas de solución en este caso son generadas con
anticipación y lo que se hace es evaluarlas mediante la hoja electrónica. El resultado de este
proceso será tan bueno como las alternativas generadas y su grado de procesamiento.

Un tercer tipo de algoritmo corresponde a los modelos de simulación. En este caso, se


construye un conjunto de programas y rutinas que asemejan al sistema en estudio y se analizan
múltiples resultados, variando las entradas al modelo. Aquí, sólo una alternativa puede ser
evaluada a la vez, generando múltiples resultados con diversas réplicas o corridas del modelo.
A pesar de que estos modelos reflejan la realidad de una manera muy fiel, su construcción
puede ser compleja y no generan automáticamente soluciones óptimas.

Otros algoritmos son diseñados para la solución de problemas de optimización. En este


caso se puede disponer de algoritmos exactos, los cuales encuentran la(s) solución(es)
óptima(s) del problema, o de métodos heurísticos, los cuales encuentran buenas soluciones del
problema, pero no necesariamente óptimas. En cualquier caso, estos algoritmos consideran
prácticamente todas las alternativas de solución del problema y seleccionan la(s) mejor(es).
16 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Un método heurístico se diseña para aproximar la solución de problemas NP-


completos, como se dijo anteriormente. Generalmente, consiste en una serie de pasos lógicos
que pueden o nó estar apoyados en técnicas de optimización. La calidad de los resultados de
un procedimiento heurístico no siempre puede medirse y en muchas ocasiones es desconocida.
En otra palabras, existen heurísticos que generan soluciones del problema pero no se puede
determinar que tan lejos están de la solución óptima del mismo. En otros casos, sí se puede
determinar la calidad de la solución y se puede decir por ejemplo que, en el peor de los casos,
la solución encontrada está dentro de un cierto porcentaje de optimalidad. El grado de
precisión de la solución será o nó aceptable dependiendo de los objetivos planteados en la
formulación del modelo.

Finalmente, existen sistemas expertos que pueden utilizarse para resolver cierto tipo de
problemas. En general, estos sistemas resuelven problemas operacionales, pero no son
adecuados para resolver problemas tácticos o estratégicos de mayor nivel.

En esta publicación nos centraremos en algoritmos de optimización exactos y en


algunas técnicas heurísticas. Abordaremos inicialmente de los modelos de PL continua.

Ejercicios 2.1

1) Considere el problema planteado en el numeral 2.2.4. relacionado con la localización de una nueva bodega.
Trate de resolver este problema utilizando las siguientes técnicas:

a) Manualmente, disponiendo de una calculadora y de su buen sentido común.


b) Diseñe una hoja electrónica que le permita evaluar diversas alternativas de localización de la nueva bodega
W.
c) Diseñe un modelo de simulación el cual genere localizaciones aleatorias de la nueva bodega y calcule su
costo total de transporte asociado. Pruebe el modelo con un número grande de localizaciones aleatorias
generadas.
d) Resuelva el modelo de programación nó-lineal planteado en clase mediante un método iterativo que
aproxime la solución en pasos sucesivos, y compare la calidad dada por este método con la obtenida
mediante los métodos anteriores.
e) Aplique algoritmos de solución especializados, tales como los existentes en el software WinQSB1, para
encontrar la solución de este problema.

2) Una compañía petrolera está planeando construir un oleoducto para llevar petróleo crudo desde un pozo
hasta un punto donde se embarcará en tanques y será transportado a la refinería. La figura siguiente muestra
la disposición geográfica del pozo y del punto de embarque.

Punto de embarque

Río 25 Km

Pozo de petróleo
320 Km

1
WinQSB (“Quantitative Systems for Business para Windows”), versión 1.00, por Yih-Long Chang.
Introducción a la Modelación Matemática y Optimización 17

Los costos de construcción del oleoducto son los siguientes:

Por la ribera del río donde está ubicado el pozo de petróleo: $72/Km
Por la ribera del río donde está ubicado el punto de embarque: $90/Km
Atravesando el río (por cualquier parte): $150/Km

Formule un modelo matemático que le permita determinar cómo debe construirse el oleoducto de tal forma
que el costo total de construcción sea mínimo. Defina para ello las variables de decisión adecuadas y
construya la función objetivo y las restricciones con base en dichas variables.

3) Un barco de carga tiene tres bodegas: en la proa, en el centro y en la popa. Los limites de capacidad de cada
bodega son:

BODEGA CAPACIDAD CAPACIDAD


TONELADAS PIES CUBICOS
Proa 2000 100,000
Centro 3000 135,000
Popa 1500 80,000

Usted como propietario del barco puede aceptar el total o una parte de los artículos que se ofrecen para el
transporte. Las características de estos artículos son las siguientes:

ARTICULO CANTIDAD VOLUMEN UTILIDAD


EN TON. PIES CUB/TN $/TN
A 6000 60 6000
B 1000 50 8000
C 2000 25 5000

Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser proporcional a su
capacidad en toneladas. Formule un modelo matemático que le permita determinar la mejor forma de cargar
el barco para obtener la utilidad máxima.

4) Su compañía posee tres plantas, en las cuales elabora un componente pequeño para un producto industrial.
La compañía comercializa el producto a través de cinco distribuidores en el país. Los pronósticos de ventas
indican que los requerimientos mensuales por distribuidor son los siguientes:

Distribuidor 1 2 3 4 5
Demanda mensual 2700 2700 9000 4500 3600

La capacidad mensual de producción en cada planta y los costos unitarios de producción se ilustran en el
siguiente cuadro:

Planta 1 2 3
Capacidad 4500 9000 11250
Costo Unitario
de produccion $ 60 30 54

Los costos de envío a distribuidores desde las plantas se muestran en el cuadro siguiente, en $/unidad:
18 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Distribuidor 1 2 3 4 5
Planta 1 1.5 2.1 3.3 4.5 4.8
Planta 2 2.4 1.8 3.0 3.6 4.5
Planta 3 3.0 2.7 2.7 3.0 4.8

Formule un modelo matemático que le permita determinar dónde producir los componentes y la forma de
despacharlos hacia los distribuidores.

5) Para la elaboración de un producto químico se cuenta con 4 materias primas: A, B, C y D que contienen
cierto factor f tal como se indica en el cuadro siguiente:

MATERIA CONTENIDO COSTO POR


PRIMA FACTOR f (%) KILOGRAMO
A 51 $4.0
B 11 $2.0
C 14 $2.4
D 36 $3.0

Se trata de obtener una mezcla de una tonelada (1000 Kg), cuyo contenido del factor f sea por lo menos del
18% y con la condición que las materias primas B y C no constituyan más del 20% de la mezcla. Formule
un modelo matemático que le permita determinar cuánto de cada materia prima debe utilizar para la mezcla
con el mínimo costo posible.

6) Una industria de papel produce pulpa la cual puede vender al mercado local o utilizar para fabricar papel
blanco o cartón. Una tonelada de cartón requiere 0.7 ton de pulpa, mientras que una tonelada de papel
blanco consume 0.9 ton de pulpa (el cartón y el papel blanco requieren de otras materias primas que no se
consideran en este problema). La pulpa se produce a partir de bagazo de caña de azúcar, con un
rendimiento del 40%. Se dispone de 260,000 ton/año de bagazo.
Las instalaciones para producir pulpa tienen capacidad para 250 ton/día. La máquina de cartón trabaja a una
velocidad efectiva de 200 ton/día y la de papel blanco a 150 ton/día. La producción se hace durante 335
días al año, ya que el resto de tiempo se dedica a mantenimiento.
Cada tonelada de papel blanco producida arroja al río 10 unidades de contaminación; una tonelada de cartón
arroja 6 unidades y cada tonelada de pulpa arroja 20 unidades. Se permite un máximo total de 1,000,000
unidades de contaminación/año arrojada al río.

Las utilidades netas por tonelada de pulpa, cartón y papel blanco son $50, $60 y $80, respectivamente.

Formule un modelo de PL que permita estimar el mejor plan de producción anual. Asuma que todo lo que
se produce puede venderse.
Introducción a la Modelación Matemática y Optimización 19

3. FORMULACIÓN DE MODELOS DE
PROGRAMACIÓN LINEAL
3.1 ORÍGENES Y ANTECEDENTES HISTÓRICOS

La Programación Lineal (PL) es una de las técnicas de la investigación de Operaciones.


Muchos autores consideran que ha sido uno de los más importantes avances científicos del
presente siglo y, de hecho, su gran aplicación y la magnitud de todos los problemas que ha
resuelto, así lo confirman. Mediante la utilización de la PL se han logrado ahorros millonarios
en las organizaciones que la han aplicado.

Los orígenes de la PL se remontan hacia la década del 40, cuando el economista


Leontief desarrolla el método de análisis insumo-producto. En 1947, Stigler plantea el
conocido “problema de la dieta”, el cual trataba de buscar la combinación de alimentos más
barata, que permitiera a la persona tener los requerimientos mínimos de proteínas, vitaminas,
minerales, carbohidratos, etc. Y es en este mismo año cuando el Dr. George Dantzig concluye
su desarrollo del método simplex de solución de problemas de PL. Sin este método la PL
nunca hubiera tenido el desarrollo y la aplicación desde 1950 hasta nuestros días. Sin
embargo, el método simplex tampoco hubiera sido tan útil sin la valiosa ayuda de los
computadoras digitales, los cuales permitieron resolver problemas de gran magnitud rápida y
eficientemente (en un estudio realizado por la IBM se concluyó que aproximadamente el 25%
del tiempo de computador se dedica a cálculo de PL y sus afines).

El método simplex se ha venido aplicando aproximadamente desde 1950 y su


utilización actual es extensa, aunque todavía existen problemas de tal magnitud, los cuales son
muy difíciles de resolver incluso con las capacidades computacionales que existen
actualmente, debido precisamente a su tamaño y al tiempo de computador que se utilizaría en
ellos. Uno de estos problemas son los de las compañías aéreas, los de las refinerías de
petróleo y los de optimización de cadenas de suministro, los cuales normalmente tienen un
alto número de variables y restricciones. Varios procedimientos especiales han sido diseñados
para estos problemas, los cuales generalmente descomponen el problema original en una serie
de subproblemas más fáciles de resolver. Igualmente, actualmente existen los denominados
algoritmos de punto interior, los cuales compiten con el método simplex en algunos problemas
y vienen implementados en el software especializado que resuelve modelos de programación
lineal.

3.2 NATURALEZA DE LA PROGRAMACIÓN LINEAL

La PL es la técnica de la Investigación de Operaciones más aplicada y mejor conocida.


Básicamente, la PL trata de buscar la mejor forma de asignar recursos limitados a diferentes
actividades competidoras.
20 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Las organizaciones disponen de diversos recursos (humanos, económicos,


tecnológicos, etc.), los cuales son necesariamente limitados, debido a su naturaleza. Las
formas en que se pueden distribuir y utilizar estos recursos son múltiples y diversas. Pero no
todas ellas proporcionan beneficios a la organización. Sólo una o unas pocas brindarán el
máximo beneficio a la organización. Son precisamente estas soluciones óptimas las que
pueden encontrar las técnicas basadas en la PL.

Lo expuesto anteriormente brinda una idea muy general de lo que busca la


programación lineal. Esta idea debe enmarcarse en un contexto más definido. Primero, la
palabra programación se refiere a la planeación de recursos y no a algo relacionado con la
programación de computadores. Segundo, el término lineal hace referencia a la naturaleza de
las variables, sus relaciones y las funciones que utiliza la programación lineal. Ellas deben
ser, como su nombre lo indica, lineales. Más adelante se estudiarán los supuestos básico que
hacen que un problema se pueda clasificar como lineal.

En los problemas que resuelve la PL debe existir primeramente un objetivo buscado


por la organización. Este objetivo debe ser cuantificado por medio de una función objetivo
lineal, la cual debe definirlo claramente. Ejemplos típicos de funciones objetivos son los de
maximización de utilidades, minimización de costos, minimización de tiempos y
maximización de probabilidades de éxito. Para definir claramente el objetivo buscado, deben
identificarse con antelación las actividades que la organización puede desarrollar,
representadas en las variables de decisión del problema.

Una vez definidas las actividades y la función objetivo, se pasa a estudiar las
restricciones del sistema, las cuales son el reflejo de los recursos limitados de que se dispone.
El desarrollo de cada actividad consumirá parte de los recursos y la cuantificación total de la
contribución de todas las actividades conformará las restricciones del sistema. Estas
restricciones se expresan como funciones matemáticas lineales de igualdad o desigualdad.

Una vez obtenidos la función objetivo y el cuerpo de restricciones, se pasa a la


solución del modelo, si ésta existe, y a su análisis correspondiente. En PL es más importante
la obtención del modelo que la solución del mismo, excepto en el caso de que existan
condiciones especiales o en problemas de gran tamaño, donde la solución se vuelve
dificultosa. Esto se explica porque actualmente la solución de grandes problemas de PL puede
hacerse en forma muy eficiente utilizando el método simplex. Los problemas de PL son tipo
P, ya que se conocen algoritmos polinomiales para resolverlos. Curiosamente, se conocen
problemas para los cuales el algoritmo simplex corre en tiempo exponencial. Sin embargo, en
la práctica nunca se ha observado este comportamiento del método simplex y por ello sigue
siendo tal vez el método más eficiente de solución de problemas de programación lineal.2

Existen, por ejemplo, un gran número de procedimientos que resuelven subproblemas


de PL miles de veces en forma eficiente. Por ejemplo, como se analizará más adelante, la
solución de problemas de programación entera mediante las técnicas de ramificación y
acotamiento requiere de la solución de un gran número de subproblemas de programación
lineal continua.

2
Para mayores detalles sobre esta discusión, consultar Chvátal (1983), Capítulo 4, pág. 45–52.
Introducción a la Modelación Matemática y Optimización 21

La obtención del modelo se basa en la observación cuidadosa del sistema bajo estudio.
Este paso es fundamental para que los resultados eventuales del modelo tengan validez.

3.3 SUPOSICIONES DE LOS MODELOS DE PROGRAMACIÓN LINEAL

Las condiciones básicas que deben cumplirse para que tanto la función objetivo como
cada una de las restricciones sea de naturaleza lineal son la proporcionalidad y la aditividad.
Ellas se explican a continuación.

3.3.1 Proporcionalidad

La proporcionalidad expresa básicamente que si una unidad de la actividad i cuesta $a


y gasta b unidades del recurso j, entonces xi unidades de la misma actividad costarán $axi y
consumirán bxi unidades del recurso j. Esto debe ser válido para cualquier actividad i y para
cualquier recurso j, de tal forma que el modelo obtenido sea lineal. La proporcionalidad debe,
por lo tanto, existir en todas las restricciones y en la función objetivo.

Este no es el caso más común en la realidad. Sin embargo, dentro de ciertos rangos
normales de operación de los sistemas, existe comúnmente la proporcionalidad. Fuera de
estos rangos es probable que haya que utilizar otras técnicas, tales como la programación nó-
lineal.

3.3.2 Aditividad

El hecho de que exista la proporcionalidad para todas las actividades no garantiza que
todas las funciones sean lineales, ya que puede existir cierto grado de dependencia entre las
actividades, lo que ocasionaría la aparición de nó-linealidades. Lo que plantea la aditividad,
por lo tanto, es que las contribuciones de cada actividad a la función objetivo y a las
restricciones sean independientes de otras actividades.

A manera de ilustración, supóngase que una empresa produce los artículos A y B, los
cuales producen utilidades unitarias de $30/unidad y $20/unidad, respectivamente, e
independientemente de las cantidades que se produzcan. Así, la función objetivo se escribiría
como:

Maximizar U = 30XA + 20XB [$] (3.1)

Donde XA y XB son las cantidades a producir de A y B, respectivamente. Obsérvese,


primero, que el supuesto de proporcionalidad está implícito en la función objetivo (3.1).
Además, las contribuciones de cada actividad, XA y XB, son independientes entre sí.

Supóngase ahora que el hecho de producir una mayor cantidad del artículo B, hace que
los costos de producción del artículo A se incrementen. Así, por ejemplo, la utilidad unitaria
del artículo A se vería disminuida mediante cierto factor y podría expresarse como $(30 –
0.0001XB)/unidad. La función objetivo sería por lo tanto:
22 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Maximizar U = (30 – 0.0001XB)XA + 20XB [$] (3.2)

Claramente, al aparecer el producto cruzado XAXB, la función objetivo deja de ser


lineal, convirtiéndose en una función cuadrática de manejo dificultoso.

Cabe la pregunta de por qué la PL se utiliza tan ampliamente si estos supuestos casi
nunca se cumplen en la práctica?

Una respuesta simple es que afortunadamente las nó-linealidades de la práctica en la


mayoría de los casos pueden adaptarse, transformarse o asumirse como lineales dentro de
cierto rango de validez. A medida que se vayan desarrollando los modelos típicos se verá que
realmente la suposición de linealidad es razonable en la mayoría de los casos analizados.

3.3.3 Certeza y divisibilidad

Algunos autores hablan de otros dos supuestos, la certeza y la divisibilidad (Ver Hillier
y Lieberman (1997)). La divisibilidad se aplica fundamentalmente a problemas de números
enteros. Existen muchos casos prácticos en los cuales las variables de decisión o actividades
sólo tienen significado físico si sus valores son enteros. Por ejemplo, si una compañía de
aviación está analizando cuántos aviones comprar de cierto tipo, es obvio que una respuesta de
2.33 aviones no es satisfactoria y deberá darse una respuesta entera en su lugar, la cual no
necesariamente corresponde a alguno de los enteros vecinos. Para problemas enteros se han
desarrollado técnicas de solución especiales, las cuales se siguen investigando actualmente.
Una introducción a este tópico se presentará posteriormente.

La certeza, más que un supuesto, es una característica propia de los modelos de PL. Se
dice entonces que todos los valores de los parámetros que alimentan el modelo tienen valores
determinísticos, o sea que no se consideran como variables aleatorias. Una demanda de un
producto, por ejemplo, se obtiene como un valor promedio estimado, pero su distribución
probabilística propia no se considera en el modelo. En la mayoría de los casos prácticos,
ningún parámetro o variable puede considerarse determinístico. En la mayoría de los casos,
los parámetros y variables tienen un rango de validez entre los cuales pueden oscilar sus
valores y, por lo tanto, se constituyen en variables aleatorias cuya distribución probabilística
puede o nó ser conocida. Actualmente están en investigación y desarrollo técnicas de
programación lineal estocástica y programación lineal con conjuntos difusos, donde se
consideran algunos parámetros de los modelos como variables aleatorias3.

Dado que el desarrollo de la programación lineal estocástica es muy incipiente, el problema de


la incertidumbre de los parámetros de los modelos de PL aún se resuelve de una forma
relativamente sencilla, haciendo uso de los análisis de sensibilidad. Normalmente se obtiene
la solución óptima utilizando los mejores estimados de los parámetros y, posteriormente, se
analizan los posibles efectos de su variación sobre la solución óptima original. Si estos efectos
no son significativos, no se justifica invertir mayor esfuerzo, tiempo y dinero en su estimación
más precisa. Si por el contrario, se observa que el efecto de cambios pequeños en los valores
de ciertos parámetros es significativo, debe prestársele especial atención a su estimación más

3
Ver, por ejemplo, Taha (1998), pág. 807.
Introducción a la Modelación Matemática y Optimización 23

precisa y a su posibilidad de cambio real en el sistema bajo estudio. Igualmente, existen otras
tendencias actuales tales como la combinación de modelos matemáticos con modelos de
simulación4, los cuales representan de una manera más fiel los sistemas y sus variabilidades, y
otros como el análisis de diversos escenarios aleatorios con la ayuda de modelos de
optimización5.

A continuación se presentan diversos ejemplos de formulación de modelos de


programación lineal. Cada uno de ellos analiza aspectos diferentes e introduce distintos
factores útiles para la formulación real de modelos aplicables en la práctica.

3.4 FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

A continuación se estudian y analizan varios modelos típicos de Programación Lineal,


los cuales aclararán todas las ideas expuestas anteriormente.

3.4.1 MODELO Nº 1: PROGRAMA DE PRODUCCIÓN

Una compañía productora de elementos eléctricos tiene durante este mes un sobrante
en su capacidad total de producción, el cual quiere utilizar para la manufactura de dos artículos
de rápida venta, los transformadores de 40 VA y los transformadores de 75 VA. Por su
experiencia, se han reunido los siguientes datos:

UTILIDAD HORAS- HORAS- HORAS-


NETA HOMBRE MÁQUINA 1 MÁQUINA 2
TRANSFORMADOR
UNITARIA POR POR POR
[$] UNIDAD UNIDAD UNIDAD
40 VA 400 1 1.0 1.0
75 VA 700 7/3 1.4 1.0

El sobrante en la capacidad de producción se ha estimado en 1400 hr.hombre, 980 hr.


en la máquina 1 y 900 hr. en la máquina 2, para este mes. ¿Cuál es la mejor forma de planear
la producción?

a. Variables de decisión

Las actividades en las que está interesada esta empresa en el momento son:
Producir transformadores de 40 VA y/ó de 75 VA. Por lo tanto, las variables de
decisión son:

4
Ver, por ejemplo, Hicks (1999).
5
Ver, por ejemplo, Escudero et al. (1999).
24 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

X1 = Número de transformadores de 40 VA que va a producir en el mes.


X2 = Número de transformadores de 75 VA que va a producir en el mes.

b. Función Objetivo

El objetivo de la empresa es maximizar sus utilidades aprovechando la


capacidad sobrante de producción; por lo tanto la función objetivo es:

U = 400 X 1 + 700 X 2 [$ ]
Obsérvese que es muy importante definir las unidades de la función objetivo.
En este caso la función “U” debe ser MAXIMIZADA.

c. Restricciones

Las restricciones surgen por la limitación de los recursos. En este caso sólo se
dispone de cierto número de hr. hombre y de hr. Máquina para distribuir entre las dos
actividades definidas. Cada actividad “gasta” cierta fracción de esos recursos. Con base
en lo anterior, las restricciones son:

( )
X 1 + 7 X 2 ≤ 1400 [hr.hombre disponibles]
3
X 1 + 1.4 X 2 ≤ 980 [hr.máquina 1 disponibles]
X 1 + X 2 ≤ 900 [hr.máquina 2 disponibles]

Obsérvese que en las restricciones anteriores van implícitas las suposiciones


de proporcionalidad y aditividad. Estas restricciones surgen del hecho de tener un
número límite disponible de hr. hombre, hr. máquina 1 y hr. máquina 2. Lo anterior
explica el que las restricciones sean de desigualdad (≤), o sea que no necesariamente
todos los recursos deben ser utilizados: Pueden existir sobrantes, como se verá más
adelante. Note también que todas tienen incluidas unidades. Aparte de estas
restricciones están las obvias, las cuales son de 2 tipos: De no-negatividad y de
enteros. Las de no-negatividad se explican por el simple significado físico: no se puede
producir un número negativo de artículos y la de enteros, en este caso, tiene sentido ya
que se trata de artículos “numerables”.

Estas restricciones son:

X1 ≥ 0
Introducción a la Modelación Matemática y Optimización 25

X2 ≥ 0
X 1 y X 2 enteros

d. Modelo de Programación Lineal

A continuación se condensa el modelo, fusionando la función objetivo con las


respectivas restricciones:

MAX U = 400 X 1 + 700 X 2

FUNCIÓN OBJETIVO

Sujeto a:

( )
X 1 + 7 X 2 ≤ 1400
3
X 1 + 1.4 X 2 ≤ 980
X 1 + X 2 ≤ 900
RESTRICCIONES
( X 1.X 2 ) ≥ 0 RESTRICCIONES

( X 1. X 2 ) enteros
OBVIAS

El anterior es un modelo típico de Programación Lineal. En un modelo cualquiera las


restricciones pueden ser de igualdad o de desigualdad ( ≥ , =, ≤ ).

Observe que el problema real de la fábrica se ha abstraído en el modelo anterior y su


solución brindará los valores de X1 y X2 que hagan máxima a “U”, cumpliendo con todas las
restricciones. Al tener estos valores, se habrá resuelto el problema de planeación de la
producción, o sea que éste se reduce simplemente a encontrar la solución óptima del modelo.
Más importante que esta solución es el hecho de haber llegado a él, con todo el trabajo previo
y las consideraciones que ello implica. A la solución de modelos de este tipo se referirá la
sección siguiente.
26 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

3.4.2 MODELO Nº 2: UN MINI-PROBLEMA DE DIETA

Debido a la difícil situación económica por la que atraviesa el mundo, suponga que
usted decidió alimentarse solo con huevos y arroz. Asuma que el cuerpo humano como
mínimo debe disponer diariamente de 2700 Kcalorías, 56 gr de proteínas y 1.4 mg de vitamina
B1. Usted sabe que el contenido que brindan los alimentos seleccionados y su costo
aproximado son:

Kcalorías por PROTEÍNAS VIT. B1 COSTO


ALIMENTO
porción (gr/porción) (mg/porción) ($/porción)
Huevo 80 6.5 0.06 300
Arroz 110 2.0 0.11 140
Nota: Una porción se refiere a una cantidad estándar normal para el consumo humano. Por ejemplo, una
porción de huevo = 1 huevo y una porción de arroz = 100 gr de arroz.

Su problema es entonces determinar qué cantidad de cada alimento a consumir


diariamente para cumplir con sus necesidades alimenticias al mínimo costo posible.

a. Variables de decisión

Sean:

X1 = Porciones de huevo a comprar diariamente.


X2 = Porciones de arroz a comprar diariamente

b. Función Objetivo: Minimizar costos diarios:

Minimizar C = 300 X 1 + 140 X 2 ($/día)

c. Restricciones:

80 X 1 + 110 X 2 ≥ 2700 (Kcal/día)


6.5 X 1 + 2.0 X 2 ≥ 56 (gr de proteína/día)
0.06 X 1 + 0.11 X 2 ≥ 1.4 (mg de Vit. B1/día)
(X 1 ,X 2 ) ≥ 0

Note que en este caso las restricciones son de ≥, pues se trata de requerimientos
mínimos. Además no aparece inicialmente la restricción por enteros (variables
continuas).

d. Modelo de Programación Lineal

El modelo de PL consiste entonces en la función objetivo anterior sujeto a las


tres restricciones enunciadas anteriormente. La solución óptima de este
Introducción a la Modelación Matemática y Optimización 27

problema es la siguiente: X1 = 1.37 porciones de huevo y X2 = 23.55 porciones


de arroz. O sea que le tocaría consumir un huevo grande diario y unas 4 libras
diarias de arroz, con un costo mínimo total de $3,708 $/día. Si al modelo se le
agregan las restricciones de porciones enteras, entonces la solución óptima sería
X1 = 1 huevo y X2 = 25 porciones de arroz, con un costo mínimo de $3,800
diarios. Finalmente, si usted quiere al menos comerse 3 huevos diarios,
agregando la restricción X 1 ≥ 3 (Huevos/día) , la nueva solución óptima sería:
X1 = 3 huevos y X2 = 23 porciones de arroz, con un costo mínimo de $4,120
diarios. Note que en este último caso, se ha refinado el modelo para tener en
cuenta las posibles restricciones de gusto y preferencias en la dieta y observe
que el costo mínimo siempre aumenta cuando se introducen más restricciones
en el modelo.

3.4.3 MODELO Nº 3: UN PROBLEMA DE CORTE DE PAPEL (CUTTING STOCK)

Una industria productora de papel recibe un pedido de la siguiente forma:

600 rollos de 35 pulg. de ancho


300 rollos de 30 pulg. de ancho
200 rollos de 40 pulg. de ancho
100 rollos de 50 pulg. de ancho

La industria tiene en sus bodegas rollos semejantes, pero de 114 pulg. de ancho, y en
cantidad suficiente y decide utilizarlos para el pedido, cortándolos en los diferentes anchos
solicitados. ¿Cuál es la mejor forma de cortar los rollos de 114 pulg. de ancho para satisfacer
el pedido y minimizar el desperdicio de papel?

a. Definición de las Variables de decisión

En este caso no es tan inmediata la definición de las variables de decisión. Se


hace necesario encontrar todos los posibles patrones de corte lógicos que se pueden
hacer para satisfacer el pedido; ellos son:

ANCHO DEL PATRÓN DE CORTE Y ROLLOS OBTENIDOS


ROLLO (pulg.)
1 2 3 4 5 6 7 8 9 10 11 12
30 3 0 1 0 2 2 2 1 0 1 0 0
35 0 3 0 0 1 0 0 2 2 1 1 0
40 0 0 2 0 0 1 0 0 1 1 0 1
50 0 0 0 2 0 0 1 0 0 0 1 1
DESPERDICIO
(pulg.) 24 9 4 14 19 14 4 14 4 9 29 24
28 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Note que se consideran desperdicio de los rollos resultantes de menos de 30


pulg. de ancho. El desperdicio se considera proporcional al ancho perdido, pues se
supone que todos los rollos de 114 pulg. de ancho son del mismo largo (en realidad el
desperdicio se mediría en pul2 o Kg de papel). Así, las variables de decisión serían:

Xi = Número de rollos de 114 pulg. de ancho a cortar según el patrón i (i = 1, 2, .., 12).

b. Función Objetivo

En este caso sería minimizar el desperdicio total, así:

MIN D = 24 X 1 + 9 X 2 + 4 X 3 + 14 X 4 + 19 X 5 + 14 X 6
+ 4 X 7 + 14 X 8 + 4 X 9 + 9 X 10 + 29 X 11 + 24 X 12 [pulg. ]
c. Restricciones

Las restricciones en este caso surgen simplemente de la satisfacción del pedido, así

3 X 1 + X 3 + 2 X 5 + 2 X 6 + 2 X 7 + X 8 + X 10 = 300 [pedido r. 30"]

3 X 2 + X 5 + 2 X 8 + 2 X 9 + X 10 + X 11 = 600 [pedido r. 35"]

2 X 3 + X 6 + X 9 + X 10 + X 12 = 200 [pedido r. 40"]

2 X 4 + X 7 + X 11 + X 12 = 100 [pedido r. 50"]

X i ≥ 0; i = 1,2,3,...,12

X i enteros; i = 1,2,3,...,12
Note que lo que interesa es simplemente satisfacer el pedido y por ello las
restricciones son de igualdad. Sin embargo, la solución del modelo varía notablemente
con restricciones de ≥ (ver pág. 26- A). El modelo matemático será la reunión de la
función objetivo y las respectivas restricciones.
Introducción a la Modelación Matemática y Optimización 29

Solución del modelo Nº 3: Corte de papel

1. Con restricciones de igualdad:

Se generan infinitas soluciones. Seis de ellas son:

X 2 = 200 X 1 = 331 3 X 2 = 50 X 2 = 100


X 7 = 100 X 7 = 100
X 3 = 100 X 2 = 66 2 3 X 5 = 50 X 6 = 50
X 8 = 100 X 8 = 100
X 7 = 100 X 7 = 100 X 7 = 100 X 7 = 100
X 9 = 200 X 9 = 200
X9 = 0 X 9 = 200 X 9 = 200 X 9 = 150

En todos los casos: Dmínimo = 2600 pul

2. Con restricciones de ≥

X 3 = 100
X 4 = 50
X 7 = 150
X 9 = 300

Dmín = 1800 pul. Aquí sobran rollos, pero se cumple con el pedido. Comente sobre
las implicaciones de estas dos soluciones y su relación con casos reales.

3.4.4 MODELO Nº 4: CARGA DE UN AVIÓN

Un avión de carga tiene tres bodegas o compartimentos, adelante, al centro y atrás.


Estos compartimentos tienen límites de volumen y peso, así:

CAPACIDAD VOLUM EN
M ÁXIM A POR M ÁXIM O EN
COM PARTIM IENTO
PESO EN M ETROS
TON. CÚBICOS
Adelante 16 200
Central 20 250
Atrás 14 150
30 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

El propietario del avión tiene posibilidad de llevar parte de la carga o toda la que se le
ofrece (si tiene capacidad). Esta carga y sus características son las siguientes:

CANTIDAD VOLUMEN EN UTILIDAD


CLASE DE OFRECIDA PARA METROS OBTENIDA POR
TIPO
CARGA LLEVAR (EN CUBICOS POR SU TRANSPORTE
TON.) TON. EN $/TON.

1 Herram. 20 1,0 250.000


2 Libros 15 2,0 280.000
3 Flores 8 10,0 500.000
4 Artesanías 10 6,0 360.000

Para preservar el equilibrio del avión, el peso transportado en cada compartimiento


debe guardar la misma proporción con respecto a su capacidad. Formule un modelo
matemático para determinar cuál tipo de carga, qué cantidad y qué compartimentos debe el
propietario del avión escoger para maximizar su utilidad y no correr peligro durante el viaje.

a. Variables de decisión

En este tipo de problema se empieza a ver la necesidad de definir las variables


con dos subíndices, pues la decisión debe hacerse en dos etapas: qué tipo de mercancía
y a dónde llevarla. Así:

Xij = Toneladas de la carga tipo “i “ a ser transportada en el compartimiento “j”.

i=1 Herramientas j=1 Compartimiento delantero


i=2 Libros j=2 Compartimiento central
i=3 Flores j=3 Compartimiento trasero
i=4 Artesanías

O sea que existirán 4 × 3 = 12 variables de decisión, a saber:


X11, X12, X13, X21, X22, X23, X31, X32, X33, X41, X42 y X43.

Si se considera más fácil, las variables podrían renumerarse, por ejemplo, Y1,
Y2,....., Y12 ó incluso X1, X2,....., X10, X11, X12. Sin embargo, la utilización de los
subíndices siempre deja mayor claridad en el significado físico de las variables.

b. Función Objetivo

Maximizar utilidad. De acuerdo a la definición de la función sería de la


siguiente forma:

MAX U = 250000( X 11 + X 12 + X 13 ) + 280000( X 21 + X 22+ X 23 )


+ 500000( X 31 + X 32 + X 33 ) + 360000( X 41 + X 42 + X 43 )[$]
Introducción a la Modelación Matemática y Optimización 31

Los 4 términos anteriores corresponden a las utilidades respectivas por el


transporte de herramientas, libros, flores y artesanías. Obsérvese que comprobar
siempre las unidades en que se expresan las funciones, es necesario.

c. Restricciones

En este caso existen cuatro grupos diferentes de restricciones, así: Por la


capacidad en peso de cada compartimiento del avión, por la capacidad volumétrica de
los mismos, por la cantidad de tipo de carga ofrecida para su transporte y por la
condición de equilibrio del avión. Estos grupos de restricciones son:

Por capacidad en peso en cada compartimiento:

X 11 + X 21 + 2 X 31 + 2 X 41 ≤ 16 [Ton. compartime nto de adelante ]


X 12 + X 22 + 2 X 32 + 2 X 42 ≤ 20 [Ton. compartime nto central ]
X 13 + X 23 + 2 X 33 + 2 X 43 ≤ 14 [Ton. compartime nto de atrás ]

Por capacidad volumétrica de cada compartimiento:

[
1.0 X 11 + 2.0 X 21 + 10 .0 X 31 + 6.0 X 41 ≤ 200 m 3 compart. delantero ]
1.0 X 12 + 2.0 X 22 + 10 .0 X 32 + 6.0 X 42 ≤ 250 [m 3
compart. central ]
1.0 X 13 + 2.0 X 23 + 10 .0 X 33 + 6.0 X 43 ≤ 150 [m 3
compart. trasero ]

Por cantidad ofrecida de cada tipo de carga:

X 11 + X 12 + 2 X 13 ≤ 20 [Ton. de herramient as ]
X 21 + X 22 + 2 X 23 ≤ 15 [Ton. de libros ]
X 31 + X 32 + 2 X 33 ≤ 8 [Ton. de flores ]
X 41 + X 42 + 2 X 43 ≤ 10 [Ton. de artesanías ]
Por el equilibrio del avión:

X 11 + X 21 + X 31 + X 41 X 12 + X 22 + X 32 + X 42 X 13 + X 23 + X 33 + X 43
= =
16 20 14

Restricciones obvias:
32 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

X ij ≥ 0; i = 1,2,3,4; j = 1,2,3
d. Modelo de Programación Lineal

Se obtiene fusionando la función objetivo con las restricciones anteriores.

Solución del modelo Nº 4: Carga de un avión

Utilidad máxima: 1.605 x 107 [$]. El avión debería cargarse de la siguiente forma (en
toneladas):

X11 = 5
X12 = 12
X21 = 6.2
X23 = 8.8
X32 = 8
X41 = 4.8
X43 = 5.2

Holguras:

Sobran 153.8 m3 en la bodega delantera.


Sobran 158 m3 en la bodega central.
Sobran 101.2 m3 en la bodega trasera.
Sobran 3 toneladas de herramientas, que no se transportan.
Todas las bodegas van a su capacidad máxima en peso.

3.4.5 MODELO Nº 5: PROGRAMA DE PRODUCCIÓN EN EL TIEMPO

Un fabricante debe cumplir un contrato a cuatro meses durante los cuales varían los
costos de producción. El costo de almacenamiento de unidades producidas en un mes
determinado y nó vendidas en ese mes es de $10 por unidad y por mes. Se dispone de la
siguiente información:

CONTRATO CAPACIDAD DE COSTO UNITARIO


MES DE VENTAS PRODUCCIÓN EN DE
EN UNIDADES UNIDADES PRODUCCCIÓN
1 20 40 $ 140
2 30 50 $ 160
3 50 30 $ 150
4 40 50 $ 170
Introducción a la Modelación Matemática y Optimización 33

Formule un modelo matemático para determinar el programa óptimo de producción


que cumple con el contrato a costo total mínimo.

Este modelo ilustra el hecho de que pueden existir formas diferentes de definir las
actividades. Algunas de estas formas pueden ser mejores y más manejables que las otras y la
eficiencia del modelo obtenido depende en gran parte del “arte” de definirlas correctamente.

3.4.5.1 Primera forma de formulación:

a. Variables de decisión

Sean Xi = Número de unidades producidas en el mes i; i =1, 2, 3, 4.

b. Función Objetivo

La función objetivo tiene dos componentes: Los costos de producción y los costos de
almacenamiento.

Costos de producción CP:

CP = 140 X 1 + 160 X 2 + 150 X 3 + 170 X 4 [$]

Costos de almacenamiento CA:

Para encontrar la expresión para estos costos, es necesario ilustrar el “balance de las
unidades” a través del tiempo, así:

MES

1 2 3 4

DESCRIPCIÓN
Inventario inicial 0 X1-20 X1+X2-50 X1+X2+X3-100
Producción X1 X2 X3 X4
Ventas 20 30 50 40
Inventario Final X1-20 X1+X2-50 X1+X2+X3-100 X1+X2+X3+X4-140

Así, utilizando la convención de “fin de mes”, los costos de almacenamiento serían:

CA = 10 ( X 1 − 20 ) + 10 ( X 1 + X 2 − 50 ) + 10 ( X 1 + X 2 + X 3 − 100 )
+ 10 ( X 1 + X 2 + X 3 + X 4 − 140 )[$ ]
34 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

O sea que la función objetivo simplificada es:

MIN C = CP + CA = 180 X 1 + 190 X 2 + 170 X 3 + 180 X 4 − 3100 [$]


c. Restricciones:

Por capacidad de producción:

X 1 ≤ 40 [Unidades mes 1]
X 2 ≤ 50 [Unidades mes 2]
X 3 ≤ 30 [Unidades mes 3]
X 4 ≤ 50 [Unidades mes 4]

Por contrato de ventas:

X 1 ≥ 20 [Unidades contrato mes 1]


X 1 + X 2 ≥ 50 [Unidades contrato mes 1 y 2 ]
X 1 + X 2 + X 3 ≥ 100 [Unidades contrato mes 1, 2 y 3 ]
X 1 + X 2 + X 3 + X 4 ≥ 140 [Unidades contrato mes 1, 2, 3 y 4 ]

Obvias:

(X 1 , X 2 , X 3 , X 4 ) ≥ 0
d. Modelo matemático:

MIN C = 180 X 1 + 190 X 2 + 170 X 3 + 180 X 4 − 3100

Sujeto a:

X1 ≤ 40
X2 ≤ 50
X3 ≤ 30
X4 ≤ 50

X1 ≥ 20
X1 + X2 ≥ 50
X1 + X2 + X3 ≥ 100
X1 + X2 + X3 + X4 ≥ 140

(X 1 , X 2 , X 3 , X 4 ) ≥ 0
Introducción a la Modelación Matemática y Optimización 35

3.4.5.2 Segunda forma de formulación:

a. Definición de las Variables de decisión

Sean Xij = Número de unidades producidas en el mes i y vendidas en el mes j;


i =1, 2, 3, 4; j =1, 2, 3, 4.

Nótese que la condición j ≥ i indica el significado lógico de que una unidad sólo puede
ser vendida después de haber sido producida; así, las variables de decisión son:

X11, X12, X13, X14, X22, X23, X24, X33, X34 y X44,

b. Función Objetivo

En este caso no hay necesidad de construir el flujo de las unidades para


encontrar la función objetivo, pues ya lo tienen intrínseco. Así:

Costos de producción CP:

CP = 140( X 11 + X 12 + X 13 + X 14 ) + 160( X 22 + X 23 + X 24 ) + 150( X 33 + X 34 ) + 170( X 44 ) [$]

Costos de almacenamiento CA:

CA = 10 ( X 11 + X 23 + X 34 ) + 20 ( X 13 + X 24 ) + 30 ( X 14 ) [$ ]

En la expresión anterior, el primero término representa el costo de las unidades


que han estado almacenadas durante un mes, el segundo término las que han estado
almacenadas durante dos meses, y el último durante tres meses. Así la función
objetivo será:

MIN C = CP + CA = 140 X 11 + 150 X 12 + 160 X 13 + 170 X 14


+ 160 X 22 + 170 X 23 + 180 X 24 + 150 X 33 + 160 X 34 + 170 X 44 [$]

c. Restricciones:

Por capacidad de producción:

X 11 + X 12 + X 13 + X 14 ≤ 40 [Unid. producción mes 1]


X 22 + X 23 + X 24 ≤ 50 [Unid. producción mes 2]
X 33 + X 34 ≤ 30 [Unid. producción mes 3]
X 44 ≤ 50 [Unid. produción mes 4 ]
36 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Por contrato de ventas:

X 11 ≥ 20 [Unid. contrato mes 1]


X 12 + X 22 ≥ 30 [Unid. contrato mes 2 ]
X 13 + X 23 + X 33 ≥ 50 [Unid. contrato mes 3 ]
X 14 + X 24 + X 34 + X 44 ≥ 40 [Unidades contrato mes 4 ]

Obvias:
X ij ≥ 0
i =1, 2, 3, 4; j =1, 2, 3, 4; j≥i

d. Modelo matemático:

MIN C = 140 X 11 + 150 X 12 + 160 X 13 + 170 X 14 + 160 X 22 + 170 X 23 + 180 X 24


+ 150 X 33 + 160 X 34 + 170 X 44

Sujeto a:
X 11 + X 12 + X 13 + X 14 ≤ 40
X 22 + X 23 + X 24 ≤ 50
X 33 + X 34 ≤ 30
X 44 ≤ 50

X 11 ≥ 20
X 12 + X 22 ≥ 30
X 13 + X 23 + X 33 ≥ 50
X 14 + X 24 + X 34 + X 44 ≥ 40

X ij ≥ 0
i =1, 2, 3, 4; j =1, 2, 3, 4; j≥i

Solución del modelo Nº 5: Programa de producción en el tiempo

Primera forma de formulación:

Costo mínimo = $22.100

X1 = 40; X2 = 30; X3 = 30; X4 = 40


Introducción a la Modelación Matemática y Optimización 37

Segunda forma de formulación:

Costo mínimo = $22.100 (Como es de esperarse).

Se producen infinitas soluciones. Las 2 básicas son:

X11 = 20 X11 = 20
X13 = 20 X12 = 20
X22 = 30 X22 = 10
X33 = 30 X23 = 20
X44 = 40 X33 = 30
X44 = 40

Obsérvese la completa correspondencia entre las dos soluciones. Nótese que este
modelo aunque tenga igual número de restricciones que el de la primera forma de solución,
tiene 10 variables, mientras que el primero tiene 4. Esto podría ser una desventaja de manejo
del modelo. Sin embargo, este último permite no sólo tener las unidades que se deben producir
en un mes determinado (tal como el primer modelo), sino también cuando deben venderse. O
sea que, indudablemente el segundo modelo es superior al primero.

3.4.6 MODELO Nº 6: PROBLEMA DEL TRASPORTE

Una compañía multinacional posee “n” fábricas en diferentes partes del mundo, desde
las cuales surte a sus principales distribuidores, “m” en total, localizados en diferentes países
(en algunos posee fábricas y distribuidores simultáneamente). El costo de transporte desde las
fábricas hacia los distribuidores es diferente para cada uno de ellos. Continuamente las
fábricas deben cubrir las demandas de sus distribuidores, teniendo en cuenta su capacidad de
producción.

Si: a1, a2, a3, ..., an son las capacidades de producción de las plantas 1, 2, ..., n,
respectivamente; b1, b2, b3, ..., bm son las demandas de los distribuidores 1, 2, ..., m,
respectivamente, y Cij (i =1, 2, 3,...,n; j =1, 2, 3,..., m) son los costos unitarios de transporte
desde la fábrica i hacia el distribuidor j, formúlese un modelo de Programación Lineal para
satisfacer la demanda de todos los distribuidores sin violar la capacidad de producción de las
plantas, con el costo total mínimo de transporte.

Este modelo representa una de las aplicaciones más importantes de la Programación


Lineal. Su naturaleza es de tal forma que se han desarrollado métodos de solución especiales
para este tipo de modelos (algoritmo simplex de transporte).

a. Variables de decisión

Sean Xij = Cantidad (ó número) de unidades a despachar desde la planta i hacia el


distribuidor j; i =1, 2, 3, ...,n; j =1, 2, 3, ..., m.
38 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

b. Función Objetivo

n m
MINIMIZAR C= ∑ ∑ C ij X ij [$ ]
i =1 j =1

c. Restricciones

Por capacidad de las plantas:

∑ Xij ≤ a
j =1
i, para i = 1, 2, 3, ..., n

Esta expresión representa “n” restricciones, una para cada planta.

Por demanda de los distribuidores:

∑ Xij = b
i =1
j, para j = 1, 2, 3, ..., m

Esta expresión representa “m” restricciones, una para cada distribuidor.

Obvias:

Xij ≥ 0 ; i =1, 2, 3, ...,n; j =1, 2, 3, ..., m

3.4.7. MODELO Nº 7: PROGRAMACIÓN DE METAS

Cierta compañía planea introducir al mercado tres nuevos productos, debido a la


próxima obsolescencia de los que produce actualmente. El interés de la gerencia es determinar
las tasas de producción de cada uno de los productos, teniendo en cuenta tres objetivos
fundamentales:

a. Lograr un Valor Presente Neto mínimo de mil millones de pesos (Utilidad a largo
plazo).

b. Mantener el recurso laboral actual de 100 empleados (Nivel de empleo).


Introducción a la Modelación Matemática y Optimización 39

c. Sostener la inversión de capital en el nuevo equipo de 400 millones de pesos (Inversión


inicial).

Como el gerente utiliza a menudo el Enfoque de Sistemas en sus decisiones, establece


un “puntaje de penalización” para cada objetivo en caso de no cumplirse éste a cabalidad, así:

OBJETIVO PUNTAJE DE PENALIZACIÓN

6 puntos por cada diez milloes de pesos menos


(a)
en el VPN
3 puntos por cada 100 empleados de más,
(b)
4 puntos por cada 100 empleados de menos
4 puntos por cada diez millones de pesos en
(c)
que se sobrepase la inversión inicial

La contribución de cada producto la utilidad a largo plazo, al nivel de empleo y a la


inversión de capital es proporcional a su tasa de producción y las contribuciones unitarias de
cada producto son:

CONTRIBUCIÓN UNITARIA
UNIDAD DE
PRODUCTO PRODUCTO PRODUCTO
OBJETIVO MEDIDA
1 2 3

Decenas de
(a) 15 8 12
millones de $
Cientos de
(b) 3 2 1
empleados
Decenas de
(c) 4 5 7
millones de $

¿Cuáles deben ser las tasas de producción de cada producto para que los objetivos se
cumplan de la mejor forma posible?

a. Identificación de las metas:

Si se definen las actividades como Xi = Tasa de producción del producto i (i=1,2, 3),
las metas a cumplir serían las siguientes (en su orden: Objetivos (a), (b) y (c)):
40 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

15 X 1 + 8 X 2 + 12 X 3 ≥ 100 (Decenas de millones de pesos)


3 X 1 + 2 X 2 + X 3 = 10 (Cientos de empleados)
4 X 1 + 5 X 2 + 7 X 3 ≤ 40 (Decenas de millones de pesos)

b. Definición de variables auxiliares:

Dado que es necesario involucrar en el modelo los puntajes de penalización por el


incumplimiento de las metas, se definen las siguientes variables auxiliares.

Y1 = 15 X 1 + 8 X 2 + 12 X 3 − 100
Y2 = 3 X 1 + 2 X 2 + X 3 − 10
Y3 = 4 X 1 + 5 X 2 + 7 X 3 − 40

Obsérvese que las variables Yi (i =1, 2, 3,) pueden ser positivas o negativas. Por
ejemplo, si Y1> 0, indica que la utilidad ha sobrepasado los 1000 millones de pesos, pero si
Y1< 0, entonces la utilidad ha sido inferior a esa cifra y el objetivo no se habría cumplido.

Dado que manejar variables libres (las que pueden tomar valores positivos) no es
conveniente y debido a la naturaleza del problema, se reemplaza cada variable Yi (i = 1, 2, 3)
por la diferencia de dos variables positivas, así:

+ −
Y1= Y1 − Y1 ; Y1 , Y1 ≥ 0 ( + −
)
+
Y2 = Y2 − Y2 ; Y2 , Y2

( + −
)≥ 0
; (Y )
+ − + −
Y3 = Y3 − Y3 3 , Y3 ≥ 0
c. El modelo de Programación Lineal:

La función en este caso debe definirse como la minimización de los puntajes de


penalización impuestos por el Gerente, ya que entre más pequeña sea la suma, más próximo se
estará al cumplimiento de todos los objetivos. Por ejemplo, para el objetivo (a), si la variable

Y 1 es igual a 1, contribuirá con 6 puntos de penalización a la función objetivo, pues esto
indicaría una disminución de 10 millones de pesos en la utilidad de la compañía; de acuerdo a
lo anterior, el modelo sería el siguiente:
Introducción a la Modelación Matemática y Optimización 41

MINIMIZAR P = 6 Y1− + 3 Y2+ + 4 Y2− + 4 Y3+

Sujeto a:

(
15 X 1 + 8 X 2 + 12 X 3 − Y1+ − Y1− = 100 )
(
3 X 1 + 2 X 2 + X 3 − Y2+ − Y2− = 10)
(
4 X 1 + 5 X 2 + 7 X 3 − Y3+ − Y3− = 40 )
+ -
Xk ≥ 0; Y k ≥ 0; Y k ≥ 0; para k =1, 2, 3.

Obsérvese que hay variables que aparecen en las restricciones mas no en la función
objetivo, y más aún, las variables de decisión no aparecen directamente en la función objetivo.
Esto puede parecer sorprendente, pero en realidad las variables de decisión están
estrechamente relacionadas con las variables auxiliares de la función objetivo (recordar la
definición de estas últimas). La solución óptima de este modelo, aplicando el método simplex,
es:

X1 = 220/57 = 3.8596
X2 = 0.0000
X3 = 200/57 = 3.5088
+
Y 1 = 0.0000
-
Y1 = 0.0000
+
Y 2 = 290/57 = 5.0877
-
Y2 = 0.0000
+
Y 3 = 0.0000
-
Y3 = 0.0000
P* = 290/19 = 15.2632

O sea que el producto 2, de acuerdo con la solución óptima, no debería producirse. Las
metas de utilidad a largo plazo y de inversión inicial se cumplen a cabalidad, produciéndose
100 decenas de millones de utilidad es invirtiéndose inicialmente 40 decenas de millones de
pesos. La meta de nivel de empleo no puede ser cumplida y, dado que
+ −
Y 2 = Y 2 − Y 2 , Y 2 = 5 . 087 − 0 . 0000 = 5 . 0877 , el nivel de empleados debe ser
aumentado en 5.0877 cientos, para poder cumplir con las otras dos metas. Obsérvese que el
puntaje óptimo P* = 15.2632 se obtiene de penalizar con 3 puntos por cada 10 empleados de
más en la función objetivo.

Cuando la solución anterior pase a ser analizada, probablemente presentará serias


objeciones. Por ejemplo, el hecho de que el producto 2 no aparezca en la solución óptima (O
42 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

sea que se descontinuaría) puede implica una reacción contraria de mercadeo. Además,
aumentar el número de empleados en 509, puede no ser factible. Por lo tanto, la solución se
puede tomar como una base y se deben aplicar análisis de sensibilidad para tener más
elementos de juicio para tomar las elecciones adecuadas.

3.4.8 MODELO Nº 8: UN PROBLEMA “PROBABILÍSTICO”

En cierto período de guerra, el comando aéreo recibió la orden de destruir la


producción de tanques del enemigo, quien tiene cuatro plantas claves localizadas en ciudades
separadas. La destrucción de cualquiera de las plantas parará efectivamente la producción de
tanques. Existe una aguda escasez de combustibles para llevar a cabo la misión, con un
limitante de 51,000 galones. Cualquier bombardero enviado a una ciudad en particular debe
tener combustible para ir y volver y una reserva de 150 galones. El número de bombarderos
disponibles en el comando y su descripción se dan a continuación.

KILÓMETROS NÚMEROS
TIPO DE BOMBARDERO
POR GALÓN DISPONIBLE

Pesado 3,0 48
Mediano 4,5 35

La información acerca de la localización de las plantas y su vulnerabilidad de ataque


por estos dos tipos de aviones es la siguiente:

PROBABILIDAD DE SER
DISTANCIA DESTRUÍDA POR:
PLANTA DESDE LA
BASE EN Km. BOMB. BOMB.
PESADO MEDIANO
1 675 0,10 0,08
2 720 0,20 0,16
3 810 0,15 0,12
4 900 0,25 0,20

Formule un modelo de programación lineal para determinar cuántos bombarderos de cada


tipo deben ser enviados a cada planta, con el objetivo de maximizar la probabilidad de éxito de
la misión. Se asume que no se causa ningún daño en la planta si un bombardero falla al
destruirla.
Introducción a la Modelación Matemática y Optimización 43

a. Variables de decisión:

Sean Xij = Número de bombarderos tipo “i” a ser enviados a la planta “j”;

i = 1: Bombardero tipo pesado,


i = 2: Bombardero tipo mediano,
j = 1, 2, 3, 4: Plantas 1, 2, 3 y 4, respectivamente.

b. Función objetivo:

En este caso hay dos formas de plantear la función objetivo: Maximizar la probabilidad
de éxito ó Minimizar la probabilidad de fracaso.

Dado que un solo bombardero puede destruir la planta, la probabilidad de éxito sería
difícil de expresar, pues sería la suma de las probabilidades de todas las posibles
combinaciones. Es más sencillo minimizar la probabilidad de fracaso, pues el fracaso total de
la misión significa que todos los bombarderos fallen en todas las plantas y recuérdese que con
sólo destruir una planta se para la producción de tanques del enemigo. La probabilidad de
fracaso sería la intersección (producto) de todas las probabilidades de fracaso de cada
bombardero a cada planta (se considera independiente la acción de cualquier bombardero con
respecto a la de cualquier otro). Así, la expresión para la función objetivo sería:

MIN P (Fracaso) = (0.90) (0.92) (0.80)


X 11 X 21 X 12

(0.84) (0.85) (0.88) (0.75) (0.80)


X 22 X 13 X 23 X 14 X 24

Como puede observarse, así definida la función objetivo no sería lineal. Pero se puede
“linearizar” fácilmente por medio de la función log P. Dada la naturaleza de la función
logarítmica (Función biyectiva), es equivalente minimizar P que minimizar log P; así, la
función objetivo se convierte en:

MIN Z = log P = X log (0.90) + X log (0.92)


11 21

+ X log (0.80) + X log (0.84) + X log (0.85)


12 22 13

+ X log (0.88) + X log (0.75) + X log (0.80)


23 14 24

La base del logaritmo sacado es indiferente, pues cualquier base logarítmica se puede
cambiar a otra multiplicando por una constante. Así, la función objetivo obtenida es lineal.
44 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

c. Restricciones:

Por disponibilidad de aviones:

X 11 + X 12 + X 13 + X 14 ≤ 48 (Aviones pesados disponibles)


X 21 + X 22 + X 23 + X 24 ≤ 35 (Aviones medianos disponibles)

Por disponibilidad de combustible:

Un avión cualquiera debe tener combustible para ir a la planta, volver y tener una
reserva de 150 galones; por ejemplo, los aviones tipo pesado que se envíen a la planta 1
utilizarán la siguiente cantidad de combustible:

 (2 x675) 
 3.0 + 150  X (Galones de combustible )
11

Así, esta restricción puede describirse como:

 (2 x675)   (2 x720 )   (2 x810 ) 


 3.0 + 150  X +  3.0 +
11
150  X +  3.0 + 150  X
12 13

 (2 x900 )   (2 x675)   (2 x720 ) 


+ + 150 X +  + 150 X  + 150 X
 3.0   4.5   4.5 
14 21 22

 (2 x810 )   (2 x900 ) 
+ + 150 X +  + 150 X ≤ 51000(Galones)
 4.5   4.5 
23 24

Simplificando, se obtiene:

600 X + 630 X + 690 X + 750 X + 450 X + 470 X


11 12 13 14 21 22

+ 510 X + 550 X ≤ 51000(Galones)


23 24
Introducción a la Modelación Matemática y Optimización 45

Restricciones Obvias:

Xij ≥ 0 ; i =1, 2; j =1, 2, 3, 4


Xij enteros; i =1, 2; j =1, 2, 3, 4

d. Modelo de Programación Lineal:

MIN Z = X log (0.90) + X log (0.92) + X log (0.80)


11 21 12

+ X log (0.84) + X log (0.85) + X log (0.88)


22 13 23

+ X log (0.75) + X log (0.80)


14 24

Sujeto a:
X 11 + X 12 + X 13 + X 14 ≤ 48
X 21 + X 22 + X 23 + X 24 ≤ 35
600 X + 630 X + 690 X + 750 X + 450 X
11 12 13 14 21

+ 470 X + 510 X + 550 X ≤ 51000


22 23 24

Xij ≥ 0 y enteros; i =1, 2; j =1, 2, 3, 4

La solución óptima de este modelo de PL entera es: X14 = 43 y X24 = 34 con Zmáx = 19.9572, ó,
equivalentemente, una probabilidad de falla de P = e −19.9572 = 2.15 × 10−9 . O sea que si se
envían 43 aviones pesados y 34 aviones medianos, todos a la planta 4 del enemigo, la
probabilidad de falla de la misión es casi cero.

El paso siguiente, una vez el modelo ha sido formulado, es encontrar su solución, interpretarla,
analizarla y tomar la decisión correspondiente, de acuerdo con el procedimiento descrito en la
Figura 2.1 anterior (El proceso de diseño en ingeniería). La sección siguiente se dedica
entonces a la solución de los modelos de programación lineal.
46 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Ejercicios 3.1. FORMULACIÓN DE MODELOS DE


PROGRAMACIÓN LINEAL
Se presentan a continuación una serie de ejercicios de programación lineal, recopilados y/ó adaptados de diversas
fuentes con fines didácticos. Varios de los ejercicios han sido diseñados por el autor. La bibliografía general se
presenta al final de esta publicación.

1. Un sastre dispone de los siguientes materiales: 16 metros cuadrados de algodón, 11 metros cuadrados de
seda y 15 metros cuadrados de lana. Un vestido para mujer requiere 2 m2 de algodón, 1 m2 de seda y 1 m2 de
lana. Un vestido para hombre requiere 1 m2 de algodón, 2 m2 de seda y 3 m2 de lana. Si un vestido para
mujer deja una utilidad de $900 y uno para hombre de $1500, ¿cuántos vestidos para hombre y cuantos para
mujer debe confeccionar el sastre a fin de obtener la máxima utilidad? (Prado, Hernando, Notas de Clase, 1978.)

2. Un ingeniero agrícola requiere por lo menos 10, 12 y 12 unidades de los fertilizantes químicos A, B y C,
respectivamente, en la composición de un abono especial. Un producto líquido contiene 5, 2 y 1 unidades de
A, B y C, respectivamente, por galón. Un producto sólido contiene 1, 2 y 4 unidades de A, B y C,
respectivamente, por kilogramo. Si el producto líquido tiene un precio de $300 por galón y el producto sólido
se compra a $200 el kilogramo, ¿qué cantidad de cada uno de los productos debe comprarse para minimizar
el costo y satisfacer los requisitos de composición exigidos? (Prado, Hernando, Notas de Clase, 1978.)

3. Una compañía de alquiler de camiones dispone de dos tipos de vehículos el tipo A que posee 20 pies cúbicos
de espacio refrigerado y 40 pies cúbicos de espacio no refrigerado. El tipo B que posee 30 pies cúbicos de
espacio refrigerado y la misma cantidad de espacio no refrigerado. Una fábrica de alimentos debe transportar
900 pies cúbicos de producto refrigerado y 1200 píes cúbicos de producto no refrigerado. ¿Cuántos camiones
de cada tipo se deben alquilar, si el camión A se alquila a $30 por milla y el camión B a $40 por milla, de tal
forma que se minimice el costo total del transporte por milla recorrida? (Prado, Hernando, Notas de Clase, 1978.)

4. Una factoría posee dos minas. La mina A produce diariamente 1 tonelada de material de alta calidad, 3
toneladas de calidad intermedia y 5 toneladas de baja calidad; la mina B produce diariamente 2 toneladas de
cada una de las tres calidades. La compañía necesita, para su posterior procesamiento, al menos 100
toneladas de material de alta calidad, 150 de mediana calidad y 180 toneladas de baja calidad. ¿Cuántos días
debe operarse sobre cada mina para satisfacer las necesidades de la compañía si el costo diario de
explotación es de $200.000 en cualquier mina? (Prado, Hernando, Notas de Clase, 1978.)

5. Se dispone de n alimentos. Cada unidad del alimento j contiene Aij del nutriente i en sus unidades
características y tiene un costo de Pj pesos por unidad. Formule un modelo de PL cuya solución proporcione
los niveles Bi mínimos requeridos diariamente del nutriente i de tal manera que el costo sea mínimo
(problema de la dieta). Trate de obtener una dieta real típica en la ciudad de Cali, a costo mínimo,
investigando los requerimientos mínimos de energía, proteínas, vitaminas, minerales y otros nutrientes
(basado en una dieta de 2000 Kcal). Incluya alimentos de los cuatro grupos principales, a saber: Lácteos,
carnes, vegetales y frutas y harinas y cereales. Investigue igualmente los precios actuales de estos alimentos
y determine el valor promedio diario de una dieta balanceada. Resuelva el problema, primero, sin
restricciones de raciones mínimas de los alimentos y luego considerando cantidades mínimas y máximas de
dichos alimentos.

6. Tres inversionistas, I1, I2 e I3, disponen de un presupuesto de $4, $8 y $3 millones, respectivamente, para
traer mercancía. Hay tres alternativas de inversión: comprar televisores, equipos de sonido u hornos
microondas, cuyos precios unitarios correspondientes son $380.000, $195.000 y $47.000. Estos equipos se
venden cada uno fácilmente a $460.000, $260.000 y $70.000, respectivamente. Cada televisor pesa
aproximadamente 40 Kg, cada equipo de sonido 28 Kg y cada horno microondas 10 Kg. Asuma que las
líneas aéreas sólo permiten el transporte de 50 Kg por persona sin pagar exceso de equipaje y que este exceso
se cobra a razón de $2.000 por cada Kg adicional. La aduana cobra un arancel del 15% sobre el precio de
compra de estos productos siempre y cuando el valor del equipaje por persona exceda a $3 millones.
Formule un modelo de PL que le permita determinar como deben invertir su dinero los inversionistas para
Introducción a la Modelación Matemática y Optimización 47

maximizar su ganancia neta total. ¿Habría algún beneficio adicional si los inversionistas juntaran su
presupuesto y repartieran la utilidad neta total en forma proporcional a su inversión?

7. Una compañía productora de papel debe determinar el mejor esquema de patrones de corte de rollos de 60
pulgadas de ancho para satisfacer la demanda semanal por rollos más pequeños. El pedido semanal es el
siguiente 30 rollos de 28”, 60 rollos de 20” y 48 rollos de 15”. Cualquier sobrante de rollo de ancho menor
de 15” se considera como desperdicio. ¿De qué forma deben cortarse los rollos de 60” para satisfacer la
demanda y obtener el menor desperdicio posible?. Suponga que se dispone de un número suficiente de rollos
de 60”.

8. Formule el problema anterior si además del gran número de rollos de 60” de ancho, se dispone también de 50
rollos de 80” de ancho.

9. Se hace un pedido a una papelería de 800 rollos de papel corrugado de 30” de ancho, 500 rollos de 45” de
ancho y 1000 rollos de 56’ de ancho. Si la papelería recibe de su proveedor rollos de 108” de ancho
únicamente y en cantidad suficiente, ¿cómo deben cortarse estos para cumplir con el pedido en forma exacta
y para minimizar el papel desperdiciado? (Prado, Hernando, Notas de Clase, 1978.)

10. Formule el problema anterior si se le permite cortar rollos en exceso de cualquier ancho (adicionales a los del
pedido), los cuales generan un costo de inventario despreciable y podrían ser consumidos en un futuro.
Compare los resultados en cuanto al desperdicio mínimo se refiere. Desprecie los costos de inventario que
se pueden generar.

11. Usted recibe una orden de producción en su taller que requiere del corte de láminas de acero de cierto
calibre. Se dispone de 250 láminas rectangulares de 120 × 240 cm y de 70 láminas rectangulares de 100 ×
150 cm que habían sobrado de una orden anterior. La orden consiste en 75 láminas rectangulares de 50 × 80
cm y 120 láminas cuadradas de 100 × 100 cm. Formule un modelo de PL que le ayude a decidir la mejor
forma de cortar las láminas disponibles para cumplir con la orden. Asuma como desperdicio cualquier retal
de lámina del cual no pueda obtenerse ninguna de las láminas requeridas en la orden. Asuma igualmente que
sólo pueden realizarse cortes paralelos a las caras de las láminas.

12. Una industria produce dos artículos distintos A y B. La elaboración de una unidad del articulo A cuesta $20
por concepto de mano de obra y de una unidad del articulo B, $10. Cada unidad de A utiliza $10 de materia
prima y cada unidad de B $30. El desgaste del equipo se considera proporcional a la producción. Por cada
unidad producida de A, el equipo se desgasta $5 y por cada unidad producida de B, el equipo se desgasta $1.
Se cuenta con un presupuesto de $100.000 para salarios, de $180.000 para materia prima y no conviene que
el desgaste de los equipos exceda de $40.000. Determinar la cantidad que debe producirse de cada artículo
para obtener la máxima utilidad si el beneficio por cada artículo A es de $8 y por cada artículo B es de $5.

13. Un ebanista dispone de dos tipos diferentes de madera, tiene 1500 pies de tabla tipo A y 1000 pies de tabla
tipo B. También dispone de 800 horas hombre para efectuar el trabajo. La demanda estimada es la siguiente:
cuando menos 40 mesas, 130 sillas exactamente, 30 escritorios exactamente y no más de 10 estantes. Las
cantidades de madera A y B y las horas hombre que se requieren para la elaboración de cada uno de los
artículos anteriores vienen dadas en la tabla siguiente:

ART ICULO M ADERA M ADERA HORAS UT ILIDAD


T IPO A T IPO B HOM BRE $/unidad
Mesa 5 2 3 12
Silla 1 3 2 5
Escritorio 9 4 5 15
Estante 12 1 10 10
48 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Determine cuantas unidades de cada uno de los artículos debe producir el ebanista con el fin de cumplir su
demanda y de obtener la máxima utilidad. (Prado, Hernando, Notas de Clase, 1978.)

14. Un fabricante de aparatos de televisión tiene facilidades para ensamblar dos tipos de televisor: el tipo A a
color y el tipo B a blanco y negro. El televisor de tipo A se vende a $49.500 la unidad y ocasiona un costo de
producción de $26.800. El de tipo 5 se vende en $23.400 y ocasiona un costo de producción de $11.190. La
planta tiene capacidad diaria para fabricar hasta 50 pantallas para televisión en colores. No se pueden
comprar pantallas a otros proveedores. Cada TV A requiere 18 horas hombre para el ensamblaje del chasis y
el tipo B requiere 8 hr.hombre. La planta emplea 225 hombres con un turno diario de 8 horas en el
departamento de ensamblaje. Cada aparato tipo A requiere 1.6 horas hombre para su armado completo,
mientras que el tipo B requiere 1 hora hombre. La planta emplea 30 hombres con turnos de 8 horas diarias
para esta labor. Cada TV de color requiere 2 horas hombre para inspección final mientras que cada TV en
blanco y negro requiere 0.5 horas hombre. La planta emplea 20 inspectores de tiempo completo y uno de
medio tiempo. ¿Cuántos televisores de cada tipo deben producirse para maximizar la utilidad neta total?
(Prado, Hernando, Notas de Clase, 1978.)

15. Para la elaboración de un producto químico se cuenta con 4 materias primas: A, B, C y D que contienen
cierto factor f tal como se indica en el cuadro siguiente:

M AT ERIA FACT OR COST O


PRIM A f (%) ($/Kg)
A 51 4.00
B 11 2.00
C 14 2.40
D 36 3.00

Se trata de obtener una mezcla de una tonelada, cuyo contenido del factor f sea por lo menos del 18% y con la
condición que las materias primas B y C no constituyan más del 20% de la mezcla, con el mínimo costo
posible.

16. Un barco tiene tres bodegas: en la proa, en el centro y en la popa. Los limites de capacidad de cada bodega
son:
BODEGA CAP ACIDAD CAP ACIDAD
TONELADAS P IES CUBICOS
P roa 2000 100,000
Centro 3000 135,000
P opa 1500 80,000

Los dueños del barco pueden aceptar el total o una parte de los artículos que se ofrecen para el transporte. Las
características de estos artículos son las siguientes:

ARTICULO CANTIDAD VOLUMEN UTILIDAD


EN TON. PIES CUB/TN $/TN
A 6000 60 6000
B 1000 50 8000
C 2000 25 5000

Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser proporcional a su
capacidad en toneladas. Determine la distribución de carga para obtener la máxima utilidad por el transporte.
Formule este mismo problema desde el punto de vista del propietario de la carga y compare resultados.

17. Se está diseñando una nave espacial que lleve y traiga astronautas a Marte. Esta nave tendrá tres
compartimientos, cada uno con su propio sistema que permite vivir en él. El elemento clave de cada uno de
estos sistemas es una pequeña unidad oxidante que provoca un proceso químico para producir oxígeno.
Introducción a la Modelación Matemática y Optimización 49

Estas unidades no se pueden probar con anticipación y solo algunas de ellas tienen éxito en el proceso
químico. Por esto, es importante tener unidades de repuesto para cada sistema. Como los requerimientos
son diferentes para cada compartimiento, las características de las unidades para cada uno varían. Se debe
tomar una decisión sobre el número de unidades que se deben incluir en cada compartimiento, tomando en
cuenta limitaciones de diseño y la cantidad total de espacio, peso y costo que puede asignarse a estas
unidades para toda la nave. La siguiente tabla resume estas limitaciones, al igual que las características
individuales para cada compartimiento:

Compartimiento Espacio Peso Costo Probabilidad


(pul3) (Libras) ($) de falla
1 40 15 40.000 0.30
2 50 20 45.000 0.40
3 30 10 35.000 0.20
LIMITACIÓN 500 pul3 200 libras $500.000

Si todas las unidades fracasan en uno ó dos de los compartimientos, los astronautas podrán ocupar el ó los
restantes y continuar su viaje espacial, pero con algunas pérdidas en la cantidad de información científica
que puedan obtener. No obstante, si todas las unidades fracasan, todavía tienen la manera de regresar en la
nave a salvo, pero el viaje completo sería un fracaso total a un gran costo. El objetivo es entonces
minimizar la probabilidad de que todas las unidades fallen, sujeto a las limitaciones anteriores y a la
restricción adicional de que cada compartimiento deberá tener una probabilidad no mayor que 0.05 de que
todas sus unidades fallen. Formule un modelo de PL para este problema. (Hillier y Lieberman, segunda edición,
1989, pág. 273)

18. Cierto hacendado dispone de los siguientes recursos para emplearlos en la próxima cosecha:
$150.000 de capital disponible.
1350 horas de tractor (horas máquina)
65 hectáreas de tierra cultivable.

Esta tierra es propia para sembrar maíz, millo o fríjol. Se supone que tiene a su disposición hombres
suficientes. Los costos de producción son los siguientes: tractor e implementos $50/hora, mano de obra
$5/hora, alquiler del terreno por la cosecha $200/hectárea. El hacendado ha acordado retornar el 150% del
dinero no invertido exclusivamente en los cultivos a la Caja Agraria, donde efectuó el préstamo. Los datos de
los cultivos posibles son los siguientes y vienen dados por hectárea:

CULTIVO MANO HORAS OTROS VALOR


DE OBRA TRACTOR COSTOS COSECHA
Maíz 10 20 $150 $3.000
Millo 25 25 $200 $3.800
Frijol 35 15 $800 $4.900

Determine la proporción de cultivos que genere la máxima utilidad.

19. Una refinería de petróleo tiene un oleoducto que la alimenta, el cual tiene una capacidad de 50000 barriles de
petróleo diarios. La refinería debe suministrar por lo menos 27000 barriles por día a las bombas vendedoras
de la Compañía (barriles de gasolina). La refinería utiliza dos procesos de refinación con los siguientes
rendimientos por barril de petróleo procesado:
50 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

PR O D U C T O S PR O C ESO 1 PR O C ESO II
PR O C ESAD O S
Gas olina 0.4 0.6
Otros produc tos 0.6 0.3
Cos to P roc es o por
barril de petróleo 0.6 0.8
proc es ado

La refinería vende gasolina a $6 cada barril y otros productos a $4 cada barril. Sí la demanda lo exige, se
puede comprar gasolina a otros productores a $5.20 cada barril. El precio de compra del petróleo crudo es de
$3 por barril. Formule un modelo de PL que le permita determinar lo que debe hacer la refinería. ¿Qué
sucede al tratar de resolverlo? Encuentre la razón del problema y proponga soluciones para que el problema
tenga solución dentro del contexto real que se plantea. (Prado, Hernando, Notas de Clase, 1978.)

20. Una fábrica de automóviles y camiones consta de los departamentos que a continuación se enuncian:

Departamento A: Estampado de planchas metálicas.


Departamento B: Armado de motores.
Departamento C: Montaje de automóviles.
Departamento D: Montaje de camiones.

El Departamento A puede estampar por mes las planchas necesarias para 25000 automóviles ó 35000
camiones ó las correspondientes combinaciones de automóviles y camiones. El Departamento B puede armar
por mes 33333 motores de automóvil ó 16667 motores de camión ó una combinación de ambos. El
Departamento O puede montar y terminar 22500 automóviles/mes. El Departamento D puede montar y
terminar 25000 camiones/mes. Cada automóvil deja una utilidad neta de $40 u.p. y cada camión de $55 u.p.
Planifique la producción para obtener la máxima utilidad.

21. La firma “PAVIMENTOS S.A.” está licitando por un contrato para la construcción de la calzada de una
carretera. Las especificaciones dadas indican que debe tener un mínimo de 12 cm. de espesor y un máximo
de 48 cm. Debe, a su vez, construirse de concreto, asfalto, gravilla o cualquier combinación de los tres,
siempre y cuando la resistencia total sea al menos equivalente a la que tendría una calzada de 9 cm. de
concreto. La firma ha establecido que 3 cm. de asfalto son tan fuertes como 1 cm. de concreto y que 6 cm. de
gravilla son tan resistentes como 1 cm. de concreto. Su costo estimado para un metro cuadrado y un
centímetro de espesor para el concreto es de $2000, para el asfalto es $700 y para la gravilla es de $300.
Formule el problema de Programación Lineal que le permita a la firma saber cual es la mejor combinación
para la calzada y conocer su costo.

22. Una compañía de aviación tiene el proyecto de comprar aviones de vuelos cortos, medianos y largos. Los
aviones de vuelos cortos tienen un precio de US$3.500.000 cada uno; los de vuelos medianos US$5.000.000
cada uno; y los de vuelos largos US$6.700.000 cada uno. Se tiene un presupuesto máximo de
US$150.000.000 para el proyecto. Los aviones serán utilizados al máximo de su capacidad, produciendo una
ganancia neta anual así: aviones de vuelos cortos US$230.000; aviones de vuelos medianos US$300.000 y
aviones de vuelos largos US$400.000. El número máximo de pilotos disponibles es de 30. Sí solamente se
compraran aviones de vuelos cortos los hangares serian suficientes para 40 de ellos; sin embargo, la
capacidad ocupada por los aviones medianos es 4/3 de la de los vuelos cortos y la capacidad ocupada por los
aviones de vuelos largos es de 5/3 la de los de vuelos cortos. Se desea conocer cuántos aviones de cada tipo
se deben comprar para obtener una ganancia anual máxima.

23. Una compañía de aviación que opera con base en una terminal central, tiene 8 aviones tipo 1, 15 aviones tipo
2 y 12 aviones tipo 3, disponibles para vuelos diarios. La capacidad en toneladas es de: 45 para los de tipo 1,
7 para los de tipo 2 y 4 para los de tipo 3. La compañía despacha sus aviones a las ciudades A y B. Las
demandas en toneladas en cada ciudad son: 200 para la ciudad A y 180 para la ciudad B. El exceso de
Introducción a la Modelación Matemática y Optimización 51

toneladas suministrado a una ciudad no tiene costo adicional. Cada avión puede hacer solamente un vuelo al
día. El costo del envío de un avión hacia cada ciudad está dado por la siguiente tabla:

CIUDAD TIPO 1 TIPO 2 TIPO 3


A 23 5 1.4
B 58 10 3.8

Formule un modelo de Programación Lineal que permita programar los aviones óptimamente.

24. Una compañía de aviación debe decidir a cuantas nuevas azafatas emplear y entrenar durante los 6 meses
siguientes. Las necesidades expresadas como el número de azafatas · hora · vuelo son 8000 en enero, 9000 en
febrero, 8000 en marzo, 10000 en abril, 9000 en mayo y 12000 en junio. Para que una azafata pueda ser
puesta en vuelo regular toma un mes su entrenamiento. Una azafata aprendiz requiere 100 horas de
supervisión por una azafata experimentada durante el mes de entrenamiento; por lo tanto, durante dicho mes
se disponen de 100 horas menos de azafatas para el servicio regular de vuelos. Cada azafata experimentada
puede trabajar hasta 150 horas en el mes y la compañía dispone de 60 azafatas a comienzos de enero. Si el
máximo tiempo disponible de azafatas experimentadas excede a la necesidad de un mes de vuelos y de
requisitos de entrenamiento, las azafatas regulares trabajan menos de 150 horas, pero ninguna es despedida.
Cada mes aproximadamente, el 10% de las azafatas experimentadas se retiran de la compañía, para casarse.
Una azafata experimentada cuesta a la compañía $800 mensuales y una aprendiz $400. Formule un modelo
de Programación Lineal para la situación de empleo y entrenamiento.

25. El departamento de policía de la ciudad de Cali estima los siguientes requerimientos mínimos diarios de
policías:

HORAS DEL PERÍODO NÚMERO MÍNIMO DE


DÍA POLICÍAS REQUERIDO
2-6 1 20
6 - 10 2 50
10 - 14 3 80
14 - 18 4 100
18 - 22 5 40
22 - 2 6 30

Note usted que el período 1 sigue inmediatamente al periodo 6. Cada policía trabaja 8 horas consecutivas. El
departamento de policía busca un programa de trabajo diario que emplee el menor número de policías en el
departamento, teniendo presente cada uno de los requerimientos anotados. (Prado, Hernando, Notas de Clase, 1978.)

26. Una cervecería posee tres plantas localizadas en tres ciudades diferentes, con las cuales surte el consumo del
país dividido en cuatro zonas: zona norte, zona central, zona suroriental y zona del pacífico, a las cuales se
denominarán respectivamente A, B, C y D. Mensualmente la planta I produce 1.300.000 litros, la planta II
700.000 litros y la planta III 300.000 litros. La demanda mensual en las diferentes zonas de consumo es
como sigue: zona A 600.000 litros, zona B 400.000 litros, zona C 400.000 litros y zona D 500.000 litros. Los
costos combinados de producción y el transporte de las diferentes plantas a los centros de consumo, se
muestran en la tabla siguiente:

PLANTA ZONA A ZONA B ZONA C ZONA D


I 500 800 600 700
II 800 500 600 800
III 700 600 800 600

Encuentre el arreglo de distribución más económico.


52 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

27. Un individuo cuyo negocio es mezclar whisky importa tres grados A, B y C. Los combina de acuerdo con
recetas que especifican los porcentajes máximo y mínimo de los grados A y C en la mezcla. Estos
porcentajes se dan en la tabla siguiente:

NOM BRE DE CONDICIONES INGREDIENT ES PRECIO


M EZCLA WHISKY BÁSICO A y C BOT ELLA
BLUE DOT No menos del 60% del whisky A US $6.80
No más del 20% del whisky C
HIGHLAND No más del 60% del whisky C US $5.70
No menos del 15% del whisky A
OLD FRENZY No más del 50% del whisky C US $4.50

La provisión de los tres whiskies básicos, junto con sus costos, se presenta en la tabla que sigue:

WHISKY MAXIMA CANTIDAD DISPONIBLE COSTO


BASICO (BOTELLAS POR DIA) BOTELLA
A 2000 US $7.0
B 8500 US $5.0
C 1200 US $4.0

Proyecte una política de producción que maximice las ganancias. (Prado, Hernando, Notas de Clase, 1978.)

28. Una empresa siderúrgica produce tres aleaciones diferentes. El diagrama de proceso como sigue:

Aleación 1

CAJA DE
RECOCIDO
Aleación 2

RECOCIDO MOLINOS
Aleación 3 CONTINUO CONTINUO

Se deben determinar las cantidades de cada aleación que deben producirse dentro de las limitaciones del
volumen de ventas y las capacidades de las máquinas con el fin de maximizar las ganancias. Los datos sobre
las capacidades y utilidades se presentan en las tablas siguientes:
Introducción a la Modelación Matemática y Optimización 53

VELOCIDAD POT ENCIAL GANANCIA


ALEACIÓN OPERACIÓN DE LA DE VENT AS POR
M ÁQUINA (T ON/M ES) T ONELADA
1 Caja de recocido 28 hr / 10 ton 1250 $2,500
Molinos cont.(1) 50 pies/min
Recocido cont. 20 pies/min
Molinos cont.(2) 25 pies/min

2 Caja de recocido 35 hr / 10 ton 250 $3,500


Recocido cont. 20 pies/min
Molinos cont. 25 pies/min

3 Recocido cont. 16 pies/min 1500 $4,000


Molinos cont. 20 pies/min

T IPO DE NÚM ERO DE T URNOS % T IEM PO


M ÁQUINA M ÁQUINAS ( 8 HR/SEM ) OCIOSO
Caja recocido 4 21 5
Recocido Cont. 1 20 10
Molinos Cont. 1 12 0

Los rollos de cada aleación son de 400 pies de longitud y pesan 4 toneladas. Formule un modelo de programación
lineal del cual pueda obtenerse una política de producción para la siderúrgica (Asuma que 1 mes = 4 semanas).

29. Una planta de productos químicos fabrica dos productos A y B, los cuales tienen que pasar por cuatro
centros de proceso: 1, 2, 3 y 4, según se muestra con las líneas continuas en la figura:

A
CENTRO 2

CENTRO 1 CENTRO 4

B
CENTRO 3

Cada centro puede manejar solamente el paso de un producto a la vez. Sí hay capacidad disponible en el
centro 3, es posible enviar el producto A a través de 3, en lugar de hacerlo dos veces a través del centro 2,
pero esto es más costoso. Con la información de la tabla, ¿cómo deberá programarse la producción para hacer
máximas las ganancias?. Se entiende por Programa de Producción la especificación de las siguientes
cantidades:

(1) La cantidad de materia prima utilizada para A diariamente, por el curso regular.
(2) La cantidad diaria de materia prima usada para A diariamente, por el curso opcional y
(3) La cantidad diaria de materia prima usada para B.

Nota: Suponga que se dispone de suficiente capacidad de almacenamiento sin costo adicional. Se tiene
también la siguiente información:
54 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

ENT RADA % COST O OPER.


PRODUCT O CENT RO GL/HR RECUP. $/HR
1 300 90 150
2 (1er. paso) 450 95 200
A 4 250 85 180
2 (2o. Paso) 400 80 220
3 350 75 250

1 500 90 300
B 3 480 85 250
4 400 80 240

M AT . PRIM A PRECIO VENT AS


PRODUCT O COST O POR VENT A DIARIAS
GALÓN GALÓN MÁX. (Ga l.)
A $5 $20 1,700
B $6 $18 1,500

Los centros 1 y 4 trabajan hasta 16 horas al día; los centros 2 y 3 trabajan hasta 12 horas al día. Una
restricción final la proporcionan las facilidades de envío que limitan la producción diaria de A y B a un total
de 2500 galones. Formule el modelo de programación lineal correspondiente.

30. Una refinería produce dos tipos de gasolina, la regular y la extra, y otros productos derivados del petróleo,
cuyos precios de venta por galón son $2.500 para la gasolina regular, $3.200 para la gasolina extra y se
puede considerar un promedio de $1.100 para otros productos. Ambos tipos de gasolina y los otros
productos se fabrican a partir de dos clases de petróleo crudo, el nacional y el importado. Las tablas
siguientes muestran las especificaciones principales que debe cumplir cada tipo de gasolina y las
características de cada tipo de petróleo crudo.

PRODUCTO PRESIÓN DE OCTANAJE DEMANDA DEMANDA


VAPOR MÁXIMA MÍNIMO MÍNIMA MÁXIMA
(Galones/semana) (Galones/semana)
Gasolina regular 23 88 2.100.000 4.200.000
Gasolina extra 23 93 750.000 1.500.000
Otros productos --o-- --o-- 1.000.000 2.000.000

TIPO DE PRESIÓN DE OCTANAJE DISPONIBILIDAD COSTO


PETRÓLEO VAPOR (Galones/semana) ($/galón)
CRUDO
Nacional 25 87 4.000.000 1.030
Importado 15 98 2.000.000 2.170

La refinería puede emplear tres procesos de refinación con las siguientes características de eficiencia y costo:

PRODUCTO RENDIMIENTO DEL PROCESO


PROCESADO (Gal. de producto/Gal. de petróleo crudo*)

Proceso I Proceso II Proceso III


Gasolina regular 0.60 --o-- 0.40

Gasolina extra --o-- 0.45 0.25


Introducción a la Modelación Matemática y Optimización 55

Otros productos 0.40 0.55 0.35

Costo del proceso


por galón de petróleo 250 340 300
crudo procesado
($/galón)*
*
Independiente del tipo de petróleo crudo procesado.

Asumiendo que en cada proceso los componentes de una mezcla de petróleos crudos contribuyen al octanaje
general y a la presión de vapor proporcionalmente a su cantidad en galones, formule un modelo de PL que le
permita determinar la mejor programación de producción de la refinería.

31. Una compañía manufactura secadoras y lavadoras automáticas de ropa para consumo nacional. La gerencia
de producción ha calculado que por cada secadora requiere 1.5 horas de mano de obra y por cada lavadora 2
horas. La fuerza laboral de la empresa en el último cuatrimestre de este año se estima en 5000 horas. La
gerencia no desea modificar la fuerza laboral en más de un 10% por periodo. Las metas de venta en los
próximos cuatro periodos del próximo año se ha fijado así:

1 Cuarto 2 Cuarto 3 Cuarto 4 Cuarto


Secadora 200 1300 3000 1000
Lavadora 1200 1500 1000 1400

Los costos asociados con cada esquema de producción deberán incluir costos de producción (excluyendo
mano de obra), costo de almacenamiento y costo de mano de obra. La sección de costos de la compañía ha
desarrollado la siguiente tabla que describe los costos unitarios para cada periodo:

ITEM COSTOS UNITARIOS EN CADA CUATRIMESTRE


1 2 3 4
Costo de producción lavadora
sin mano de obra 3750 3900 3750 3780
Costo de producción secadora
sin mano de obra 2750 3000 2850 2850
Costo unitario de llevar una
secadora en inventario 150 135 135 120
Costo unitario de llevar una
lavadora en inventario 129 114 114 99
Mano de obra/hora 50 50 58 58

Establezca esquemas de producción que minimicen los costos anuales para satisfacer las demandas estimadas
para ambos productos.

32. Un inversionista puede elegir entre las actividades A ó B ó ambas, disponibles al principio de cada uno de
los próximos 5 años. Cualquier cantidad invertida y recuperada en el futuro puede ser reinvertida en
cualquier alternativa disponible. Cada peso que invierte en A al comienzo de cada año le produce $1.40 dos
años más tarde. Cada peso invertido en B al comienzo de un año le produce 1.70 tres años después. Además,
las actividades C y D están disponibles una sola vez en el futuro, C al comienzo del segundo año y D al
comienzo del quinto año. Cada peso invertido en C genera $1.60 en 2 años. Cada peso invertido en D le
produce $1.30 un año después. El inversionista dispone hoy de $100.000. Formule un modelo de
programación lineal que le permita determinar la mejor forma de inversión a lo largo de los cinco años para
maximizar el capital dispone al final del quinto año (comienzo del sexto año). (Adaptado de Hillier y Lieberman,
1989, pág. 50.)
56 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

33. La gerencia de una compañía aérea debe decidir con respecto a la asignación de aviones a rutas aéreas. El
cuadro siguiente indica la capacidad máxima en número de pasajeros, el número de aviones de cada tipo
actualmente disponible en la empresa, el máximo número de vuelos que realiza cada tipo de avión por ruta
específica y el número esperado de pasajeros en cada ruta.

TIPO DE CAPACIDAD NÚMERO DE NÚMERO DE VIAJES DIARIOS


AVIÓN NÚMERO DE AVIONES EN CADA RUTA
PASAJEROS DISPONIBLE 1 2 3 4
1 50 5 3 2 2 1
2 30 8 4 3 3 2
3 20 10 5 5 4 2
Número esperado de pasajeros
1000 2000 900 1200
por ruta diariamente

Los costos de operación por vuelos en las cuatro rutas y el costo de oportunidad (pérdida – ganancia)
originado al no servir a un pasajero se muestran así:

T IPO DE COST OS DE OPERACIÓN POR VIAJE Y RUT A


AVIÓN 1 2 3 4
1 1000 1100 1200 1500
2 800 900 1000 1000
3 600 800 800 900
Pérdida por pasajero
no transportado 40 50 45 70

Formule un modelo de programación lineal para asignar los aviones a las rutas a costo mínimo. (Adaptado de
Taha, 1981, pág. 37–38; Taha, 1998, pág. 60.)

34. Usted ha sido contratado como asesor del departamento de planificación nacional grupo de desarrollo
energético. El grupo está considerando la construcción de una planta nuclear y de una planta desalinizadora
de agua para un complejo agroindustrial. La planta nuclear, un reactor adaptado a una planta de vapor, es la
única fuente de electricidad. La inversión en la planta es del orden de $9.000 millones de pesos por cada
1000 megavatios de capacidad y los costos de operación anuales para esta capacidad son de $1350 millones.
El agua para las plantas industriales y la agricultura será provista por una planta desalinizadora, con costo de
inversión de $1500 millones por cada 1000 millones de metros cúbicos de agua al año y costo de operación
anual de $450 millones. Se estima que para esta producción de agua se necesitan 300 megavatios de potencia
por año. En la región hay 120.000 hectáreas aptas para la agricultura. Existen fundamentalmente dos cultivos
que pueden ser desarrollados a escala industrial: Cultivo A y cultivo B. Los fertilizantes se obtendrán
básicamente de lo producido por la industria de la región. La siguiente tabla muestra la inversión, costo de
operación, agua, fertilizantes y un estimado de los ingresos generados por una extensión determinada
dedicada a cada uno de los cultivos.

SECT OR AGRICOLA CULT IVO A CULT IVO B


T ierra (Ha) 400 400
Inversión (millones $) 6000 9000
Operación anual
(millones $)* 1500 1350
Fertilizantes
(miles ton/año) 2.0 1.5
3
Agua (millones m /año) 10 8
Ventas totales (millones) 7500 8600
* No incluye agua ni fertilizantes
Introducción a la Modelación Matemática y Optimización 57

Para el sector industrial se están considerando básicamente dos procesos para la producción de fertilizantes y
aluminio. El proceso C y el proceso D. El precio promedio en el mercado de tonelada de fertilizante es de
$1800 y de ton. de aluminio $24000. Puede suponerse que existe suficiente demanda para absorber
excedentes de producción. La tabla siguiente ilustra los recursos y producciones asociados con cada proceso.

SECT OR INDUST RIAL PROCESO C PROCESO D


Inversión (millones $) 2400 4800
Costo anual de
operación (millones $)* 450 360
Consumo de agua
3
(millones m /año) 5 6
Consumo de electricidad
(megavatios/año) 1000 1000
Producción de fertilizantes
(millones ton/día) 1.5 0.8
Producción de aluminio
(millones ton/día) 0.5 1
* No incluye agua ni electricidad

Suponga que para este tipo de proyecto se dispone de financiación por prestamos internacionales de hasta
$30.000 millones de pesos a ser pagaderos en 10 años a una tasa anual de 15%. Analice el problema y si es
posible plantee un modelo que permita la evaluación de posibles alternativas.

35. Suponga que en cierta población se pretende hacer inversiones cuantiosas en el cultivo de aguacate, lima
reina, mango y zapote prieto. Se persiguen dos objetivos: reducir el desempleo rural y aumentar las
exportaciones que vendrán a equilibrar la balanza de pagos de la nación. Se sabe que la producción promedio
de cada árbol está dada por la siguiente tabla:

T IPO DE ÁRBOL * PRODUCCIÓN PROM EDIO ANUAL


(EN UNIDADES) (EN KG.)
Aguacate 350 150
Lim a reina 230 200
Mango 150 50
Zapote prieto 400 150
* Los cultivos s e producen una vez por año

El precio promedio en el mercado mundial fue de $10 por Kg de aguacate, $4 por Kg de lima reina, $15 por
Kg de mango y $7 por Kg de zapote prieto. Existe una extensión de 250.000 m2 de tierra de propiedad
municipal propicia para el cultivo de esos productos. Suponga que técnicos de la Secretaría de Agricultura
han determinado que las siguientes extensiones mínimas son necesarias para el cultivo de esos productos.

T IPO DE ÁRBOL Extensión M ínima de


2
Cultivo por árbol (m )
Aguacate 4
Lim a reina 5
Mango 3
Zapote prieto 6

Afortunadamente no existe inconveniente de agua, pues hay varios manantiales dentro de la propiedad, que
aseguran la existencia de ese preciado líquido por los próximos 20 años. El costo por sembrar un árbol de
58 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

aguacate es de $2, $0.5 por árbol de lima reina, $1 por árbol de mango y $1.5 por árbol de zapote prieto;
estos costos ya incluyen la compra del árbol, su cuidado y mantenimiento. Cada árbol empieza a ser
productivo aproximadamente a los 3 años de ser plantado. Cada árbol de aguacate requiere los cuidados
equivalentes a 36 horas hombre/año, 72 por árbol de lima reina, 50 por árbol de mango y 10 por árbol de
zapote prieto. Se pretende hacer una inversión de $20 millones pensando exportar toda su producción a
partir del tercer año. El desempleo en la población se ha calculado en 500 personas y el gobierno municipal
ha delineado que este proyecto emplee al menos 200 personas en forma continua. Bajo estas circunstancias,
¿cuántos árboles de aguacate, lima reina, mango y zapote prieto deberán sembrarse con objeto de maximizar
el valor de la futura exportación anual?

36. La Fábrica Nacional de Cerveza tiene plantas ubicadas en Bogotá, Cali, Barranquilla, Medellín y Palmira.
La Fábrica Nacional de Latas, una subsidiaria, tiene plantas ubicadas en Pereira, Bucaramanga y Cartagena.
La demanda mensual de latas de cerveza se pronostica así:

Planta de cerveza Demanda mensual en latas


Bogotá 2,000,000
Cali 500,000
Barranquilla 400,000
M edellín 100,000
Palmira 100,000

Las latas de cerveza abiertas, se retornan a la Fundidora Nacional de Aluminio, en donde se reconvierten en
aluminio y de ahí se mandan a la fábrica de latas. La producción máxima mensual de latas es:

Planta de Latas Capacidad mensual en latas


Pereira 1,000,000
Bucaramanga 1,500,000
Cartagena 750,000

Los fletes son una función de las distancias que existen entre las plantas productoras de cerveza y las plantas
productoras de latas. Estos fletes son:

Pereira Bucaramanga Cartagena


Bogotá 5 20 15
Cali 20 15 2
Barranquilla 25 2 10
M edellín 75 50 40
Palmira 45 80 60
(Pes os por trans porte de 1000 latas )

Bajo estas condiciones, ¿Qué programa de distribución mensual de latas se debería establecer a fin de
satisfacer la demanda mensual en las fábricas de cerveza, sin exceder la producción mensual?

37. Se supone que la Secretaria de Educación Pública se ha trazado un plan a 4 años, para entrenar maestros
urbanos y rurales de enseñanza primaria. El entrenamiento de ambas clases de maestros tarda 1 año y los
costos de entrenamiento están dados por:
Introducción a la Modelación Matemática y Optimización 59

AÑOS Por mae stro rural Por mae stro urbano


1 (2003) $10.0 12.5
2 (2004) $10.1 13.0
3 (2005) $10.2 13.5
4 (2006) $10.3 14.0

La demanda pronosticada de maestros de ambas clases es:

AÑOS M aestro rural M aestro urbano


1 (2003) 120 170
2 (2004) 150 180
3 (2005) 150 190
4 (2006) 170 195

Al finalizar el año de trabajo se les ofrece la opción a los maestros de continuar en su mismo trabajo o de
cambiar de urbano a rural o viceversa. De no cambiar, su salario permanecerá regido por la tabla anterior.
Los maestros que cambien de rural a urbano recibirán un salario correspondiente a la tabla vigente para
maestros urbanos en ese año. En cambio, maestros urbanos que cambien a rurales recibirán el salario de
maestro urbano correspondiente a ese año.
Debido a la capacidad de las instalaciones, el gobierno municipal puede únicamente entrenar y graduar a no
más de 300 maestros en total (rurales y urbanos), por un año. Sí por la oferta limitada en cierto año, es
necesario cubrir la demanda, esta se hará con maestros jubilados a un costo de $15.000 por año de maestro,
independientemente a que funcionen como rural o urbano.
Bajo tales circunstancias, ¿Cuántos maestros de cada tipo deberían prepararse por año, cuantos deberían
cambiar de calidad por año y cuantos maestros Jubilados deberían contratarse por año, tal que el costo total
se minimice y se atenga a la demanda pronosticada?

38. Una siderúrgica debe decidir cuántas libras de acero puro y cuántas de chatarra utilizar en la preparación de
una aleación para un cliente. El costo por libra de acero puro es de $3 y de chatarra $6 (por las impurezas), la
demanda del cliente es de por lo menos 5 libras y aceptaría más si se le ofrece. La disponibilidad de acero
puro es 4 libras y la de chatarra de 7 libras. La relación entre chatarra y el acero no puede exceder de 7/8. La
fábrica tiene 18 horas disponibles para el proceso; una libra de acero puro requiere 3 horas mientras que la
chatarra solo requiere 2 horas. Formule un modelo de programación lineal que determine la carga óptima del
horno.

39. Una empresa fabrica dos modelos de productos: Z-1200 y Z-1500. Los requerimientos de producción y las
disponibilidades están mostradas a continuación:

DEPARTAMENTO REQUERIMIENTO DE MANO DE OBRA CAPACIDAD


MODELO Z-1200 MODELO Z-1500
1 2 0 300
2 0 3 540
3 2 2 440
4 1 1/5 1 1/2 300

Los beneficios unitarios logrados a la venta de los modelos Z1200 y Z-1500 son de $50 y $40,
respectivamente. Encuentre el número óptimo de cada producto a producir. Si la corporación está
produciendo actualmente 30 unidades del modelo Z-1200 y 12O unidades del modelo Z-1500, ¿cuánto
beneficio está perdiendo o está dejando de ganar? (Adaptado de Thierauf y Grosse, 1972, pág. 273–274.)

40. El dueño de una editorial está imprimiendo un nuevo libro y tiene las alternativas de empastarlo con cartón
fino y/o cartulina corriente. La venta de un libro con pasta de cartón fino le genera un beneficio de $30,
mientras que la de un libro con cartulina es de $7.50. El tiempo requerido para empastar un libro con cartón
60 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

fino es de 3 minutos y con cartulina ordinaria 2 minutos. El tiempo total disponible para empastado es de 800
minutos. Se estima que las ventas serán de no más de 6000 copias para el libro empastado con cartón fino y
no más de 10000 copias para el empastado con cartulina corriente. Formule un modelo de programación
lineal para este enunciado.

41. El departamento de servicios de un almacén proporciona servicios de reparación para la mercancía vendida.
Durante una semana 5 televisores, 12 radios y 18 licuadoras fueron devueltos para reparación. Dos técnicos
son contratados temporalmente para ayudar en dicho departamento. En una jornada de 8 horas el técnico 1
puede reparar 1 televisor, 3 radios o 3 licuadoras, mientras que el técnico 2 puede reparar 1 televisor, 2
radios o 2 licuadoras en el mismo tiempo. Sí el técnico 1 gana $250 diarios y el técnico 2 $150 diarios, por
cuantas horas deberán ser contratados de manera que los costos de reparación sean mínimos?

42. Una compañía de paqueteo y envíos desea contratar operadores extra para las festividades navideñas, pero
debido a las limitaciones de espacio el número de empleados no puede exceder de 10. De experiencias
anteriores se sabe que un operador hombre maneja 3000 cartas diarias ó 1000 paquetes diarios, mientras que
una mujer puede manejar 4000 cartas ó 500 paquetes. Sabiendo que al menos llegarán 36000 cartas diarias y
10000 paquetes por día y que un hombre y una mujer ganan diariamente $250 y $220 respectivamente,
¿cuántos hombres y mujeres deberán ser empleados?. ¿Cómo se afecta la respuesta si el gobierno ordena el
pago de $250 diarios a cada mujer? Suponga que el número de operadores en condiciones normales es de 2
hombres y 2 mujeres quienes reciben salarios de $200 y $180 semanal. ¿Qué problemas encuentra usted en
la formulación de este problema? ¿Cómo resolverlos para obtener un modelo satisfactorio?

43. Una compañía manufactura el producto Z, que se elabora ensamblando cuatro componentes: un componente
AS1 y tres componentes BC1. Los componentes AS1 y BC1 se producen a partir de dos tipos de materias
primas MT1 y MT2, y su manufactura se puede realizar en tres equipos diferentes E1, E2 y E3. La producción
y el consumo de materia prima por corrida de cada equipo son diferentes y se ilustran en el cuadro siguiente:

TIPO CONSUMO POR CORRIDA PRODUCCION POR CORRIDA


DE Materia Prima Componente
EQUIPO MT1(U) MT2(U) AS1 AS2
E1 8 6 7 5
E2 5 9 6 9
E3 3 8 8 4

Actualmente se dispone de 100 unidades MT1 y 200 unidades de MT2. Se desea conocer en que forma se
puede utilizar la información disponible para decidir el esquema de producción de AS1 y BC1 para tener el
máximo número de productos Z terminados.

44. Una compañía posee tres plantas, en las cuales elabora un componente pequeño para un producto industrial.
La compañía comercializa el producto a través de cinco distribuidores en el país y el precio al distribuidor es
de $75 la unidad incluyendo el costo de distribución. Los pronósticos de ventas indican que los
requerimientos mensuales por distribuidor son los siguientes:

Distribuidor 1 2 3 4 5
Demanda mensual 2700 2700 9000 4500 3600

La capacidad mensual de producción en cada planta y los costos unitarios de producción ce Ilustran en el
siguiente cuadro:
Introducción a la Modelación Matemática y Optimización 61

Planta 1 2 3
Capacidad 4500 9000 11250
Costo Unitario
de producción $ 60 30 54

Los costos unitarios de envío a distribuidores de plantas se muestran en el cuadro siguiente en $:

Distribuidor 1 2 3 4 5
Planta 1 1.5 2.1 3.3 4.5 4.8
Planta 2 2.4 1.8 3.0 3.6 4.5
Planta 3 3.0 2.7 2.7 3.0 4.8

¿Cómo se puede organizar la producción y el despacho a los distribuidores para minimizar los costos
mensuales totales?

45. Una empresa papelera posee un centro de recolección de desperdicios los cuales somete a diferentes
tratamientos de tal manera que pueda producir materia prima para la venta. De acuerdo a la mezcla de los
materiales utilizados es posible producir tres tipos de calidades diferentes del producto. Para la mezcla existe
cierta flexibilidad y se han especificado estándares de calidad que indican los niveles máximo y mínimo en
porcentaje (por peso) de los materiales que se permiten en cada tipo de producto. Las especificaciones se dan
en la tabla siguiente junto con el costo de amalgamado por libra y el precio de venta por libra.

COSTO DE AMALGADO PRECIO DE VENTA


TIPO ESPECIFICACIONES
($) POR LIBRA ($) POR LIBRA
No más del 30% del
material 1
No menos del 40% del
A 3.0 8.5
material 2
No menos del 50% del
material 3
No más del 50% del
material 1
B 2.5 7.0
No menos del 10% del
material 2
No más del 70% del
C 2.0 5.5
material 1

El centro de recolección de la compañía obtiene los materiales de desperdicio de diferentes fuentes por lo
cual es capaz de operar a una producción estable. Las cantidades disponibles cada semana así como el costo
de tratamiento se muestra en la siguiente tabla:

MATERIAL LIBRAS DISPONIBLES COSTO DEL


POR SEMANA TRATAMIENTO ($/LB)
1 3,000 3
2 2,000 6
3 4,000 4
4 1,000 5

La compañía tiene que determinar cuanto debe producir de cada tipo de producto y la mezcla exacta de
materiales que debe utilizar para cada tipo de tal manera que se maximice el beneficio total por semana
(ventas totales menos costos totales de amalgamamiento y tratamiento).
62 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

46. Considere un fabricante a gran escala de cierto producto de consumo popular. La administración ha decidido
invertir hasta $22’000.000 en publicidad para su producto. Algunos estudios de investigación de mercados
realizados por la compañía han mostrado que el tipo de consumidor más importante de dicho producto son
personas que están entre 20 y 45 años de edad, que tienen ingresos de $600.000/mes o más y que han
cursado dos o más años de educación universitaria. A partir de estos datos, el grupo de investigación de
mercados ha decidido que las características de los clientes tienen una importancia relativa de acuerdo con la
siguiente ponderación:

CARACT ERÍST ICA DEL CLIENT E PONDERACIÓN


Edad (20 - 45) 0.40
Ingresos ($600.000/m es o m ás) 0.35
Educación (2 años de universidad) 0.25

Los administradores del departamento de mercadotecnia de la compañía han decidido utilizar los servicios de
una agencia de publicidad para que les ayude a desarrollar un plan de publicidad que les permita alcanzar al
cliente potencial en forma más efectiva. Después de estudiar los datos de las características de los clientes, la
agencia de publicidad ha sugerido que la compañía considere Publicar sus anuncios en tres revistas de
Consumo popular. La tabla siguiente muestra las características de los consumidores de las tres revistas:

CARACTERÍSTICA DEL CLIENTE Porcentaje de Consumidores


Revistas A B C
Edad (20 - 45) 40 70 60
Ingresos ($600.000/mes o más) 60 50 40
Educación (2 años de universidad) 30 20 60
Público lector × 1000 780 940 1250

La agencia de publicidad ha indicado a la compañía que una meta apropiada seria maximizar el número de
exposiciones efectivas, dado el presupuesto que se tiene. El objetivo no debe ser maximizar el número de
exposiciones para todos los lectores de la Publicidad, sino más bien, maximizar el número de clientes
potenciales que se exponen a la publicidad. El costo por anuncio para cada revista es $350.00Q, $510.000 y
$560.000, respectivamente. De análisis y estudios conjuntos de la compañía y la agencia de publicidad, se ha
decidido que el número máximo de anuncios que debe colocarse en cada revista es 36, 40 y 45
respectivamente Además, se ha decidido que deben colocarse cuando menos 9 anuncios en la revista A y
cuando menos 5 en la revista C.
Formule un modelo de programación lineal que permita determinar la cantidad de dinero que debe invertirse
en publicidad en cada revista para maximizar la exposición efectiva.

47. El ministerio de Obras Públicas tiene tres proyectos diferentes de construcción de caminos, aprobados
últimamente. Ahora, se presenta el problema de determinar que contratistas llevarán a cabo los proyectos. Se
buscaron cotizaciones para los proyectos entre los contratistas locales y tres de ellos presentaron
cotizaciones. Las cotizaciones presentadas por los respectivos contratistas se muestran en la tabla siguiente,
en unidades de peso:

PROYECT O
CONT RAT IST A
Pl P2 P3
C1 28 32 36
C2 36 28 30
C3 38 34 40

Formule un modelo de programación lineal que permita determinar como asignar los proyectos para
minimizar los costos totales de todos ellos. Se asume que a cada contratista se le asignará un solo proyecto.
Introducción a la Modelación Matemática y Optimización 63

48. Cierta empresa es un contratista grande que realiza trabajos en techos. Puesto que el precio de las tejas varía
con las estaciones del año, la compañía trata de acumular existencias cuando los precios están bajos y
almacenarlas para su uso posterior. La compañía cobra el precio corriente en el mercado por las tejas que
ínstala, sin importar cuando las haya adquirido. La tabla mostrada abajo refleja lo que la compañía ha
proyectado como costo, precio de venta y demanda para las tejas durante las próximas cuatro temporadas.
Cuando las tejas se compran, se incurre en un costo de manejo de 6 u.p. por cada 1000 piezas, así como
también en un costo de almacenamiento de 12 u.p. por cada 1000 piezas por cada temporada en la que se
almacenan (suponga que se incurre en el costo de almacenamiento solo para las tejas que se almacenan para
períodos su venta en períodos posteriores).
Lo máximo que se puede guardar en el almacén son 220.000 piezas; Esto incluye el material que se compra
para utilizarlo en el mismo periodo. La compañía ha fijado una política que señala que no se conservan
materiales más de cuatro temporadas. Plantee un modelo de programación lineal para que la compañía pueda
maximizar sus ganancias netas para las cuatro temporadas.

Costo de Precio de Ventas


TEMPORADA compra venta Proyectadas
(u.p. / pieza) (u.p. / pieza) (miles)
Verano 21 22.00 100
Otoño 22 23.25 140
Invierno 26 28.50 200
Primavera 24 25.50 160

49. Una compañía compra y vende maíz en efectivo. Posee una bodega con capacidad de 1.000 toneladas. El
inventario inicial a Enero 01 es de 200 toneladas y $7 millones en caja. El precio estimado del maíz por
tonelada para el primer trimestre es el siguiente:

MES PRECIO DE COMPRA PRECIO DE VENTA


($/ton) ($/ton)
Enero 8.550 9.300
Febrero 9.150 9.750
Marzo 8.700 8.850

El maíz es entregado en el mes de compra y no puede ser vendido sino hasta el mes siguiente o los meses que
siguen. La compra y venta se hace estrictamente al contado contra-entrega. La compañía desea tener un
inventario final de 400 toneladas al terminar el trimestre. Formule un modelo de PL que le permita
determinar las políticas de compra y venta en cada mes que maximicen la ganancia neta total en el trimestre.
Ignore los posibles costos de inventario. (Adaptado de Moskowitz y Wright, 1982, pág. 289–290.)

50. Una empresa pública debe llevar a cabo cinco proyectos, pero solo han cotizado tres contratistas para realizar
los cinco proyectos. Las cotizaciones se muestran en la tabla siguiente:

PROYECTO
CONTRATISTA
Pl P2 P3 P4 P5
C1 65 37 42 29 29
C2 59 39 50 29 31
C3 62 46 33 24 31

Formule un modelo de Programación lineal para cada uno de los casos planteados a continuación,
suponiendo que siempre se busca minimizar el costo total de realización de los proyectos respectivos.
a) Cada contratista puede llevar a cabo máximo dos proyectos y todos los proyectos deben ser ejecutados.
b) Cada contratista solo puede ejecutar un solo proyecto y, por lo tanto, solo podrán llevarse a cabo tres de
los cinco proyectos.
c) No hay límite en el número de proyectos que cada contratista puede llevar a cabo y deben ejecutarse
64 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

todos los proyectos.

51. Una gran empresa constructora posee 2000 hectáreas de tierra de primera clase, pero no urbanizada. En el
pasado no existía mucha regulación a nuevas urbanizaciones en el sitio donde se encuentra la tierra, pero hoy
en día las cosas han cambiado. Debido a la falta de desagües por alcantarillado, se utilizan muchos tanques
sépticos, la mayoría instalados en forma inadecuada. Como las tierras rodean un lago, con el paso de los
años, la filtración de los tanques sépticos ha provocado un severo problema de contaminación de agua.
Para controlar la degradación más profunda en la calidad del agua, los funcionarios del municipio
presentaron y aprobaron algunos reglamentos estrictos aplicables a todas las urbanizaciones del futuro:
a) Solo se pueden construir casas para una, dos y tres familias, donde las unifamiliares constituyen cuando
menos el 50% del total.
b) Para limitar el número de tanques Sépticos, se requieren tamaños de lote mínimos de 5, 7.5 y 10
hectáreas para casas de una, dos y tres familias.
c) Se deben establecer áreas de recreo de 2.5 hectáreas cada una, a razón de un área para cada 200 familias.
d) Para preservar la ecología del lago, no se puede extraer agua del subsuelo para uso en la casa o el jardín.
El presidente de la empresa estudia la posibilidad de urbanizar las 2000 hectáreas. La nueva urbanización
incluirá casas para una, dos y tres familias. El estima que el 15% del terreno se utilizará en la apertura de
calles y vías de acceso para servicios. También calcula que los siguientes serán sus ingresos derivados de la
venta de las diversas unidades habitacionales:

UNIDADES HABITACIONALES INGRESO NETO


POR UNIDAD (u.p.)
Sencilla 10
Doble 15
Triple 20

El costo de conexión del servicio de agua al área es proporcional al número de unidades que se construyan.
Sin embargo, la comunidad estipula que se deberá colectar un mínimo de 100 u.p. para que el proyecto sea
económicamente factible. Además, la expansión del sistema de agua más allá de su capacidad actual está
limitada a 200.000 galones por día durante períodos pico. Los datos que siguen resumen el costo de conexión
del servicio de agua y también del consumo de agua, suponiendo una familia de tamaño medio:

UNIDAD COSTO DEL SERVICIO CONSUMO DE AGUA


HABITACIONAL DE AGUA × UNIDAD (u.p.) × UNIDAD (gal / día)
Sencilla 1.0 400
Doble 1.2 600
Triple 1.4 840
Recreo 0.8 450

Formule un modelo de programación lineal que permita determinar el número de unidades que se construirán
de cada tipo junto con el número de áreas de recreo que satisfagan los decretos del municipio, de tal manera
que la compañía obtenga la máxima utilidad posible.

52. Una compañía tiene las siguientes propuestas de inversión:

ALT ERNAT IVA VALOR PRESENT E NET O INVERSIÓN INICIAL


1 100 80
2 250 110
3 120 90
4 170 40
5 200 150
6 300 200
Introducción a la Modelación Matemática y Optimización 65

Las alternativas 2 y 5 son mutuamente excluyentes. Solo puede realizarse la propuesta 4 si la 1 se ha llevado
a cabo. El resto de alternativas son independientes.
El presupuesto para la inversión inicial es de 500. Formule un modelo de programación lineal que sirva para
encontrar el plan de inversión que maximiza el Valor Presente Neto total de la compañía.

53. Usted dispone de cinco proyectos en los cuales puede invertir. Los proyectos se realizarán totalmente o no
se realizarán, pero no se podrán emprender parcialmente. Los datos de flujo de dinero se muestran en la
tabla siguiente, donde un valor negativo representa una salida de dinero o inversión en el proyecto, y un
valor positivo representa un retorno o una entrada de dinero producto del proyecto:

AÑO Proyectos:
1 2 3 4 5

0 − $1.000 − $2.500 − $3.000 − $3.300 − $4.000


1 − $500 − $1.000 − $2.000 $800 $1.000
2 $800 $1.500 $1.000 $1.500 $2.000
3 $1.700 $1.800 $4.000 $1.500 $5.000
4 $1.700 $2.000 $2.000 $1.000 $0
5 $0 $1.500 $5.000 $500 $0

En el año cero se tiene un presupuesto externo (ajeno a cualquier rendimiento de los proyectos) de $10.000
para inversión y en el año 1 el presupuesto externo es de $1.500 (adicional a cualquier rendimiento de un
proyecto emprendido). Los proyectos 3 y 5 son mutuamente excluyentes. Si su tasa mínima de retorno es
del 22% anual efectivo, formule un modelo de PL que le permita determinar cuáles proyectos debe realizar
con el objeto de maximizar su valor presente neto total.

54. La puerta de un vehículo consta de tres partes de metal cuya pintura se puede hacer mediante tres diferentes
procesos piscina de pintura, pistola o cuarto de baño de pintura. Se dispone de la siguiente información:

NUMERO Producción máxima por hora si se


PROCESO DE dedica a pintar exclusivamente
LINEAS Parte 1 Parte 2 Parte 3
Piscina 2 40 10 30
Pistola 4 50 30 40
Baño 3 45 15 20

Formule un modelo de programación lineal que permita hallar el máximo número de puertas por hora que
puede producirse bajo estas condiciones.

55. Una firma está planeando la construcción de nuevos edificios en cuatro lugares de una ciudad (1, 2, 3 y 4).
En cada uno de los lugares puede haber tres posibilidades para el diseño de los edificios (A, B y C).
También existe la opción de no construir ningún edificio en cualquiera de los lugares 1, 2, 3 y 4. La tabla
siguiente muestra cada una de las opciones, su inversión y su ingreso anual:

Opción A1 B1 C1 A2 B2 C2 A3 C3 A4 B4 C4
Inversión 12 20 24 30 69 45 10 28 42 50 55
Ingreso Anual 2 4 6 5 7 11 5 12 16 19 22

El presupuesto de inversión es de 80 y el propósito es maximizar el ingreso anual. Se tienen además las


siguientes condiciones:
66 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

a) No se puede construir más de un edificio en cada sitio.


b) Debe construirse un edificio en la localidad 4.
c) El diseño A podrá considerarse para los lugares 1, 2 y 3 sólo si se construyera en el lugar 4.
d) Debido a consideraciones de construcción, los diseños B1, B2 y C4 no pueden construirse todos
simultáneamente.

Formule un modelo de programación entera que permita determinar el plan óptimo de inversiones.

56. Una cadena de tiendas pequeñas está planeando entrar a un nuevo mercado y debe determinar donde
localizar nuevas tiendas en cierta zona. La figura muestra un mapa de las principales calles en la zona de
interés.

A B C D E

1 1 2

3 4
2

5 6
3

7 8 9
4

10
5
1 milla 1 milla

Las calles adyacentes están separadas 1 milla. Las localizaciones, marcadas de 1 a 10, son los lugares
potenciales donde se pueden ubicar nuevas tiendas. La distancia entre un punto y otro se mide con base en la
red de calles. Por ejemplo, la distancia entre el punto 4 y el punto 6 es de 3 millas; entre el punto 1 y el punto
8 es de 4 millas. El costo de construcción de una tienda depende del lugar donde se haga, de acuerdo a la
tabla siguiente:

Localización 1 2 3 4 5 6 7 8 9 10
Costo 100 80 90 50 80 90 100 70 90 80

Se tienen las siguientes condiciones para la construcción de las nuevas tiendas:

a) No se pueden abrir dos tiendas sobre la misma calle. Por ejemplo, no se pueden abrir las tiendas 5 y 6
simultáneamente, ni por ejemplo las tiendas 4 y 8 simultáneamente.
b) Las tiendas deben estar localizadas de tal forma que estén separadas entre sí por 3 millas o más. Por
ejemplo, las tiendas 4 y 5 no podrían abrirse simultáneamente por este motivo.
c) Todo punto en el que se intersecten dos calles (o sea A1, B1, ... hasta E5.) no debe estar alejado más de 3
millas de alguna de las nuevas tiendas (3 millas es aceptable, pero más no).

Formule un modelo de programación binaria que permita determinar la localización óptima de las nuevas
tiendas, minimizando el costo total de construcción y cumpliendo con todas las condiciones especificadas.

57. Una compañía manufactura tres productos, A, B y C. Cada unidad de A requiere 1 hora de servicio de
ingeniería, 8 horas de mano de obra directa y 4 libras de material. Para producir una unidad de producto B se
necesitan 3 horas de ingeniería, 3 horas de mano de obra directa y 3 libras de material. Cada unidad de
producto C requiere de 2 horas de ingeniería, 4 horas de mano de obra directa y 2 libras de material. Se
Introducción a la Modelación Matemática y Optimización 67

dispone de 80 horas de ingeniería, 800 horas de mano de obra directa y 300 libras de material cada mes. Las
utilidades unitarias de cada producto se han determinado como muestra la tabla siguiente:

PRODUCTO A PRODUCTO B PRODUCTO C


Ventas Utilidad Ventas Utilidad Ventas Utilidad
(unidades) ($/unidad) (unidades) ($/unidad) (unidades) ($/unidad)

0–40 10 0–50 6 0–100 5


40–100 9 50–100 4 Más de 100 4
100–50 8 Más de 100 3
Más de 50 6

Formule un modelo de PL para determinar el programa de producción óptimo. (Moskowitz y Wright, 1982, pág.
290–291.)

58. Una fábrica necesita cumplir un contrato de suministro de 1200 puertas dentro de un plazo de cinco semanas,
así:

Al final de la semana 1 2 3 4 5
Núm. de puertas a entregar 100 200 300 400 200

Las condiciones son las siguientes:


a) Al final de la quinta semana deben haber sido entregadas todas las puertas.
b) Existe una multa de 30 unidades de peso (u.p.) por semana de atraso y por unidad no entregada.
c) Se puede almacenar a un costo de 10 u.p. por puerta y por semana.
d) Inicialmente hay 20 operarios y 10 puertas. Cada operario puede hacer 8 puertas por semana.
e) Los operarios nuevos puedan ser entrenados por un operario ya experto. Convertirse de novato a experto
demora una semana.
f) Cada operario experto puede entrenar a 5 operarios nuevos, pero no produce puertas.
g) El salario, trabaje o no, sea novato o experto, es de 100 u.p. por semana.
h) Se puede despedir operarios a un costo de 100 u.p. por operar lo despedido.

Formule un modelo de programación lineal que permita planear la producción a costo mínimo.

59. Un ingenio produce azúcar morena, azúcar refinada, azúcar pulverizada y mieles con el jarabe de la caña de
azúcar. La compañía puede procesar hasta 4000 toneladas de jarabe a la semana y tiene un contrato para
entregar un mínimo de 25 toneladas semanales de cada tipo de azúcar y mieles. El proceso de producción se
inicia fabricando azúcar morena y mieles con el jarabe. Una tonelada de jarabe produce 0.3 toneladas de
azúcar morena y 0.1 toneladas de mieles. Las mieles así obtenidas están listas para la venta. Después, el
azúcar refinada se elabora procesando el azúcar morena. Se requiere 1 tonelada de azúcar morena para
producir 0.8 toneladas de azúcar refinada. Finalmente, el azúcar pulverizada se fabrica a partir del azúcar
refinada por medio de un proceso de molido especial, que tiene un 95% de eficiencia de conversión (1
tonelada de azúcar refinada produce 0.95 toneladas de azúcar pulverizada). El proceso de producción tiene
una limitante que sólo permite procesar 1100 ton/semana de azúcar morena solamente o 900 ton/semana de
azúcar refinada solamente o cualquier combinación adecuada de ambas. (El azúcar pulverizada y las mieles
no tienen esta limitante).
Las utilidades netas de azúcar morena, azúcar refinada, azúcar pulverizada y mieles son de 150, 200, 230 y
35 $/tonelada, respectivamente. Formule un modelo de programación lineal que le permita determinar el
programa de producción semanal de cada tipo de azúcar y de las mieles, para obtener la máxima utilidad
neta. (Taha, 1998, pág. 55)
68 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

60. La tabla siguiente muestra la demanda requerida de cierto producto por los próximos doce meses.

MES 1 2 3 4 5 6 7 8 9 10 11 12 TOTAL
Demanda 10 62 12 130 154 129 88 52 124 160 238 41 1200

Se ha estimado un costo fijo de alistamiento A de $54/pedido, un costo de llevar el inventario r de 0.02


$/($⋅mes), y el costo unitario de cada producto v es de $20/unidad. La empresa ha decidido utilizar un
criterio para la programación de sus órdenes, estableciendo la producción de tres meses de requerimientos
cada vez que se produzca. Así, por ejemplo, y asumiendo que el inventario inicial es cero, al comienzo del
mes 1 debe estar disponible una orden por 10 + 62 + 12 unidades = 84 unidades, correspondientes a las
necesidades de los meses 1, 2 y 3. Calcule los costos de inventario asociados con esta política de pedidos.
Asuma que los costos de mantenimiento del inventario se cargan al inventario final en cada mes. Formule un
modelo de PL entera-mixta para ayudarle a la empresa a determinar la forma óptima de producir estos
requerimientos y compare los resultados.

61. A su empresa ha llegado un pedido de 3500 unidades de cierto producto, el cual puede usted manufacturar en
cualquiera de cuatro máquinas, con las siguientes características:

MÁQUINA COSTO FIJO DE COSTO DE CAPACIDAD


ALISTAMIENTO PRODUCCIÓN ACTUAL
($) ($/unidad) (unidades)
1 150 15 1500
2 450 3 2900
3 300 7.5 1800
4 520 2 1100

Formule un modelo de PL entera-mixta para determinar en cuáles máquinas debe usted producir el pedido y
la cantidad a producir en cada máquina, con el objeto de minimizar la suma de los costos fijos de
alistamiento y los costos variables de producción.

62. Una planta manufacturera debe cumplir con la siguiente demanda en unidades en los próximos 12 meses:

MES DEMANDA MES DEMANDA MES DEMANDA


Enero 5300 Mayo 4100 Septiembre 7300
Febrero 5100 Junio 4800 Octubre 7800
Marzo 4400 Julio 6000 Noviembre 7600
Abril 2800 Agosto 7100 Diciembre 6400

Para ajustarse a estas fluctuaciones de demanda, la empresa puede usar cualquier combinación de las
siguientes alternativas:

a) Cambiar la fuerza laboral contratando o despidiendo empleados temporales.


b) Cubrir picos de demanda mediante el trabajo en horas extras.
c) Producir un poco más en forma anticipada y almacenar para demandas futuras.

Los cambios en la fuerza laboral, bien sea en su aumento o disminución, no pueden ser mayores que 40
trabajadores por mes, debido al convenio realizado con la empresa de empleos temporales. Adicionalmente,
estos cambios cuestan $300 por cada empleado contratado y $420 por cada empleado que se despida, así sea
en forma temporal.
El trabajo en horas extras es también limitado. Cada trabajador puede producir hasta 20 unidades/mes en
tiempo normal de trabajo, pero no puede producir más de 6 unidades/mes en tiempo extra. Además, los
costos por unidad producida en hora extra exceden en $20/unidad al costo de producción en tiempo normal.
Finalmente, el almacenamiento cuesta $8 por cada unidad almacenada cada mes. Actualmente, la empresa
Introducción a la Modelación Matemática y Optimización 69

cuenta con 290 trabajadores y no tiene inventario alguno en sus bodegas. Se asume que al final de
Diciembre, el inventario en las bodegas será igual a cero.
Formule un modelo de PL que le ayude a realizar la planeación agregada de producción de la empresa.
(Adaptado de Chvátal, 1983, pág. 188–194.)

63. Una corporación ha decidido producir tres productos nuevos. En este momento cinco de sus plantas tienen
exceso de capacidad de producción. El costo unitario de fabricación del primer producto será de 31, 29, 32,
28 y 29 $/unidad en las plantas 1, 2, 3, 4 y 5, respectivamente. El costo de fabricación del segundo producto
será de 45, 41, 46, 42 y 43 $/unidad en las plantas respectivas 1, 2, 3, 4 y 5. El costo unitario de fabricación
del tercer producto será de 38, 35 y 40 $/unidad en las plantas 1, 2 y 3, respectivamente, mientras que las
plantas 4 y 5 no pueden fabricar este producto. Los pronósticos de ventas indican que la producción diaria
de cada uno de los tres productos debe ser de 6000, 10000 y 8000 unidades. Las plantas 1, 2, 3, 4 y 5 tienen
capacidades para producir 4000, 6000, 4000, 10000 y 3500 unidades diarias, independientemente del
producto o combinación de productos que se quiera. Supóngase que cualquier planta que tiene capacidad y
puede fabricarlos, podrá producir cualquier combinación de productos en cualquier cantidad. Formule este
problema como un modelo de transporte para determinar cómo asignar los nuevos productos a las plantas
con el fin de minimizar el costo total de fabricación. (Adaptado de Hillier y Lieberman, segunda edición, 1989, pág. 227.)

64. Supóngase que Inglaterra, Francia y España producen todo el trigo, cebada y avena del mundo. La demanda
mundial de trigo requiere que se dediquen 125 millones de acres a la producción de este cereal. De igual
manera, se necesitan 60 millones de acres para cebada y 70 millones de acres para avena. La cantidad total
de tierra disponible en los tres países es de 70 millones de acres en Inglaterra, 110 millones de acres en
Francia y 80 millones de acres en España. El número de horas de mano de obra necesarias en Inglaterra,
Francia y España para producir un acre de trigo es 18, 13 y 16 horas, respectivamente. La producción de un
acre de cebada requiere 15 horas de mano de obra en Inglaterra, 12 en Francia y 12 en España. El número de
horas de mano de obra necesarias para producir un acre de avena es de 12 en Inglaterra, 10 en Francia y 16
en España. El costo de mano de obra por hora en los tres países es $3.00, $2.40 y $3.30 para la producción
de trigo, $2.70, $3.00 y $2.80 para la producción de cebada y $2.30, $2.50 y $2.10 para la producción de
avena. El problema es asignar el uso de la tierra en cada país de manera que se cumpla con los
requerimientos de alimentación en el mundo y se minimice el costo total de mano de obra. Formule este
problema como un problema de transporte construyendo la tabla de costos y requerimientos apropiada.
(Adaptado de Hillier y Lieberman, segunda edición, 1989, pág. 228.)

65. Una empresa constructora de viviendas prefabricadas estima que la demanda de su producto va a aumentar
en el futuro próximo. La capacidad normal de producción es de 1500 viviendas/mes, pero en caso de
necesidad se puede aumentar, mediante trabajo extra, en un 40% con costos adicionales de 1000 u.p./unidad.
También es posible almacenar los excesos de producción en los tiempos de baja demanda para compensar el
déficit en los meses de alta demanda. Los costos de almacenamiento son de 200 u.p./unidad cada mes. La
demanda estimada para los próximos 6 meses es de 1200, 1000, 2100, 2600, 2300 y 1800, respectivamente.
Formule un modelo de programación lineal para planificar la producción durante los próximos 6 meses a
costo total mínimo.

66. Considere la tabla de la página siguiente, la cual muestra la información básica para construir un problema
real de dieta humana, y resuelva el caso que se presenta a continuación.
70 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

INFORMACIÓN PARA CONSTRUIR UN PROBLEMA REAL DE LA DIETA6


TABLA DE VALORES NUTRITIVOS APROXIMADOS POR PORCIÓN*

ALIMENTO Energía Proteínas Calcio Hierro Vit. A Vit. B1 Vit. B2 Niacina Vit. C
(Kcal) (gr) (mg) (mg) (U.I.) (mg) (mg) (mg) (mg)
Queso Cheddar 120 7.5 225 0.3 390 0.01 0.14 0.0 0
Queso Mozzarela 50 9.5 50 0.2 5 0.02 0.15 0.0 0
Leche 160 8.5 285 0.0 370 0.07 0.41 0.2 2
Yogurt 125 8.5 295 0.0 170 0.10 0.44 0.2 2

Pollo 205 32.5 12 1.7 90 0.05 0.22 14.7 0


Huevos 80 6.5 27 1.2 590 0.06 0.15 0.1 0
Pescado 200 30.0 23 1.4 0 0.07 0.08 2.5 2
Jamón 290 21.0 9 2.6 0 0.47 0.18 3.6 0
Hamburguesa 245 20.5 9 2.7 30 0.08 0.18 4.6 0
Hígado 170 20.0 8 6.6 40000 0.20 3.14 12.4 20
Cerdo 160 8.0 70 2.3 170 0.10 0.04 0.8 3
Carne frita 260 28.5 12 3.5 30 0.08 0.22 5.6 0
Atún enlatado 195 29.0 8 1.9 80 0.05 0.12 11.9 0

Manzanas 90 0.3 11 0.5 140 0.05 0.03 0.2 6


Brócoli 25 3.0 88 0.8 2500 0.09 0.20 0.8 90
Zanahorias 20 0.6 19 0.4 5500 0.03 0.03 0.3 4
Naranjas 75 1.5 62 0.6 300 0.15 0.06 0.6 75
Jugo de naranja 80 1.0 20 0.4 370 0.17 0.06 0.7 93
Papas 95 2.5 9 0.7 0 0.10 0.04 1.7 20
Espinaca 20 3.0 84 2.0 7290 0.06 0.13 0.5 25
Tomates 35 1.5 20 0.8 1350 0.09 0.06 1.1 35

Pan 55 2.0 17 0.5 0 0.04 0.02 0.3 0


Cereal (hojuelas) 95 2.0 4 0.4 0 0.11 0.02 0.5 0
Avena 65 2.0 11 0.7 0 0.10 0.02 0.1 0
Pasta 155 5.0 11 0.6 0 0.01 0.01 0.4 0
Arroz 110 2.0 10 0.9 0 0.11 0.00 1.0 0

Mantequilla 100 0.0 3 0.0 460 0.00 0.00 0.0 0


Azúcar 385 0.0 0 0.1 0 0.00 0.00 0.0 0
Manteq. de maní 90 4.0 10 0.3 0 0.02 0.02 2.4 0
*
Una porción se refiere a la cantidad que se consume normalmente en una comida del día. Por ejemplo, una porción de
papas puede representar 100 gr, o sea una papa mediana; una porción de huevos es un huevo de tamaño normal; una
porción de leche es una taza de leche; y así sucesivamente. Todas las cifras de la tabla anterior se refieren a porciones
normales de cada alimento.

Vamos a asumir que se trata de una dieta promedio con los siguientes requerimientos mínimos diarios:

TABLA DE REQUERIMIENTOS MÍNIMOS DIARIOS

Energía Proteínas Calcio Hierro Vit. A Vit. B1 Vit. B2 Niacina Vit. C


(Kcal) (gr) (mg) (mg) (U.I.) (mg) (mg) (mg) (mg)
2700 56 800 10 5000 1.4 1.6 18 45

6
Desarrollado con base en la información mostrada en Chvátal, Vasek, Linear Programming, W. H. Freeman and Company,
New York, 1983, pág. 3–5, 182–187.
Introducción a la Modelación Matemática y Optimización 71

Igualmente, definimos los tamaños de las porciones de cada alimento de acuerdo con la tabla siguiente:

TABLA DE TAMAÑO DE CADA PORCIÓN DE ALIMENTO

ALIMENTO Tamaño de cada porción

Queso Cheddar 1 onza (30 gr)


Queso Mozzarela 1 onza (30 gr)
Leche 1 taza
Yogurt 1 taza

Pollo 100 gr (½ pechuga)


Huevos 1 huevo
Pescado 100 gr
Jamón 2 tajadas
Hamburguesa 85 gr (1 mediana)
Hígado 75 gr
Cerdo 100 gr
Carne frita 100 gr
Atún enlatado 100 gr (seco)

Manzanas 1 mediana
Brócoli ½ taza
Zanahorias 1 mediana
Naranjas 1 mediana
Jugo de naranja 1 taza
Papas 1 mediana
Espinaca ½ taza
Tomates 1 mediano

Pan 2 tajadas
Cereal (hojuelas) 100 gr
Avena 120 gr
Pasta 140 gr
Arroz 100 gr

Mantequilla 1 cucharada
Azúcar ½ taza
Manteq. de maní 1 cucharada

En este problema, entonces, usted debe:

a) Adicionar a la lista de alimentos presentada cinco (5) nuevos alimentos a los cuales pueda conseguirle la
información nutricional y su correspondiente costo, por porción. (Se supone que cada grupo de trabajo
del curso encuentre información diferente)

b) Investigar los costos de los alimentos mostrados en la tabla anterior en nuestro medio, por porción
(Valores aproximados). Recuerde que para formular un problema real, este costo debe calcularse por
porción de cada alimento. Por ejemplo, si una libra (500 gr) de carne para freír cuesta aproximadamente
$8000, entonces el costo de cada porción de 100 gr sería de 8000/5 = $1600.
72 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

c) Formular un modelo de programación lineal que le permita encontrar una dieta diaria de costo total
mínimo, que satisfaga todos los requerimientos mínimos diarios mostrados anteriormente. Este modelo
puede hacerlo en forma simbólica y compacta, definiendo nombres para los datos anteriores. En otras
palabras, para formular el modelo no se necesita escribir explícitamente cada término de la función
objetivo ni cada restricción, sino su representación compacta en forma de sumatorias.

d) Resolver el modelo mediante el WinQSB, analizar su solución y concluir respecto de las características
de la dieta de costo mínimo en nuestro medio.

e) Analizar los problemas de sabor y gusto de las personas para replantear el modelo formulado de tal
forma que raciones de alimentos seleccionados siempre aparezcan en la dieta. Resolverlo nuevamente y
analizar la solución.
Introducción a la Modelación Matemática y Optimización 73

3.5 SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

Hasta el momento se ha llegado a la obtención del modelo de Programación Lineal. De hecho,


lo más importante es definir claramente el problema y conceptualizar el modelo
correctamente. Sin embargo, una vez concluidos estos dos pasos fundamentales, lógicamente
es necesario encontrar la solución (o soluciones) del modelo.

En la mayoría de los casos, el método que más se aplica es el simplex. Sin embargo, para
lograr la comprensión del método simplex es necesario estudiar inicialmente dos formas de
solución: El método gráfico y el método de enumeración de soluciones básicas. Existen otros
métodos denominados algoritmos de punto interior que no se estudian aquí.

3.5.1 MÉTODO GRÁFICO DE SOLUCIÓN

Este método se ilustrará encontrando la solución del modelo Nº 1 anterior. Este modelo
servirá de base para el estudio y la comparación de todos los métodos.

Lo primero que hay que observar es que el modelo al cual se llegó, tiene sólo dos
variables de decisión, (X1 y X2). Esto hace pensar que es posible representar las restricciones
en un eje de coordenadas (X1, X2). El modelo encontrado anteriormente es el siguiente:

MAX U = 400 X 1 + 700 X 2

( )
Sujeto a:

X + 7 X ≤ 1400 ( R1)
3 1 2

X + 1.4 X ≤ 980 ( R 2)
1 2

X + X ≤ 900 ( R3)
1 2

X ≥ 0 (R 4) 1

X ≥ 0 (R 5 ) 2

X y X enteros
1 2

Existen infinitos valores de X1 y X2 los cuales satisfacen todas las restricciones simultáneamente
(ignorando la restricción por enteros, la cual se presenta en algunas ocasiones). Por ejemplo, (0, 0) y (50, 100)
son dos parejas de valores (X1, X2), que satisfacen todas las restricciones. Además, cualquier valor de X1 entre 0
y 50 y de X2 entre 0 y 100, también satisface a todas las restricciones simultáneamente (esta última observación
74 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

es válida para valores reales de X1 y X2, obviamente sin tener en cuenta la restricción por enteros). Así, puede
verse claramente que las restricciones “encierran” un conjunto de infinitas parejas (X1, X2), las cuales las
satisfacen simultáneamente. Este conjunto de parejas son las soluciones factibles y forman la denominada región
factible (Figura 3.1)

FIGURA 3.1. Solución gráfica del Modelo Nº 1

Como se observa en la figura 3.1, la región factible se construye en el plano X1 X2, trazando las rectas
R1, R2, R3, R4, R5, las cuales se obtienen de las restricciones, tomando el signo “igual”, así:

R1 : X + 7 X = 1400
3 1
( ) 2

R2 : X + 1.4 X = 980
1 2

R3 : X + X = 900
1 2

R4 : X = 0 (eje X )
1 2

R5 : X = 0 (eje X )
2 1
Introducción a la Modelación Matemática y Optimización 75

Posteriormente, se encuentra el semiplano definido por cada desigualdad. Para esto se prueba,
generalmente si el origen (0.0) cumple con la desigualdad y, de ser así, él esta dentro del semiplano buscado. En
la figura 3.1 se ha marcado con flechas el semiplano que cumple con el signo ≤ para las restricciones R1, R2 y R3
y de ≥ para las restricciones de no–negatividad R4 y R5, las cuales limitan la región al primer cuadrante. La
intersección de todos los semiplanos definidos por las desigualdades constituye la región factible.

Los infinitos puntos en los límites y dentro de la región factible son las soluciones factibles del modelo.
Por lo general, sólo una de estas infinitas soluciones es la solución óptima, o sea aquella que produce el valor
óptimo de la función objetivo (máximo o mínimo).

Por ejemplo, se observa claramente que X1 = 400 y X2 = 200 es una solución factible, pues está dentro
de la región factible. Esta solución produciría un valor de la función objetivo U = $300.000. Otra solución
factible es X1 = 500 y X2 = 300, la cual produciría U = $410.000. O sea que esta última es mejor que la primera,
pues produce un mayor valor de la función objetivo “U”, ya que ésta se esta maximizando.

Se puede demostrar que la región factible definida por restricciones lineales es una región convexa. En
una región convexa, si se escogen cualquier par de puntos dentro o en los límites de la región y se unen por una
línea recta, entonces toda la línea recta queda comprendida dentro de la región. La propiedad de convexidad es
un aspecto fundamental para la caracterización de los problemas de optimización. En general, puede afirmarse
que un problema convexo (programación convexa) es más fácil de resolverse que otro que no lo es.

Los vértices de la región factible son los intersectos de los segmentos de reata límites de la región. En
este caso los vértices son:

V1 (0,0)
V2 (0,600)
V3 (350,450)
V4 (700,200)
V5 (900,0)

Para encontrar la solución óptima se procede de la siguiente manera: Se traza la recta de la función
objetivo para un valor arbitrario. Por ejemplo, sea:

U = 400X + 700X = 280.000


1 1 2

Todos los puntos de esta recta que queden dentro de la región factible son soluciones factibles que
producen obviamente un valor de U = 280.000 (por ejemplo X1 = 350; X2 = 200).

Se traza otra recta con un valor diferente, por ejemplo:

U = 400 X + 700 X = 420.000


2 1 2

Esta recta es obviamente paralela a la primera, pues tiene la misma pendiente igual a −4/7 y, de nuevo,
todos los puntos de ella que están dentro de la región factible son soluciones factibles que producen un valor de U
= 420.000.

O sea que la función objetivo “U” aumenta de valor a lo largo de una familia de rectas paralelas con
pendiente –4/7. Es aquí donde se puede concluir la forma de encontrar la solución óptima: Si se conoce la
dirección de crecimiento de la función objetivo, se puede seguir esta dirección por rectas paralelas hasta
encontrar el último punto que se “toca” al “abandonar” la región factible; ESTA SERÁ LA SOLUCIÓN
ÓPTIMA DEL MODELO DE PROGRAMACIÓN LINEAL.
76 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

En el modelo Nº 1, el último punto que se toca al abandonar la región factible es el vértice V3 (X1 = 350;
X2 = 450), el cual produce un valor de U = 455.000. Si se aumenta sólo un poco más el valor de “U”, la nueva
recta estará por completo fuera de la región factible. O sea que el máximo valor que puede lograrse es U =
455.000, con X1 = 350 y X2 = 450.

Por lo tanto, la solución óptima de este modelo es:

X1 = 350
X2 = 450
U* = 455.000 (U* = U óptima)

Análisis de la solución:

La solución óptima plantea que deben producirse 350 transformadores de 40 VA y 450 de 75 VA para
obtener una utilidad máxima posible por este concepto de $455.000. Obsérvese que se supone que todos los
transformadores que se producen, se van a vender. En caso de que exista alguna restricción de demanda, ésta
deberá ser incluida en el modelo y éste por supuesto podrá tener soluciones óptimas diferentes. Los recursos
limitados del sistema son las horas.hombre, las horas.máquina1 y las horas.máquina2. Si se producen las
cantidades dadas en la solución óptima, se están utilizando los siguientes recursos:

1
3
( )
X + 7 X ≤ 1400 (horas − hombre)
2

( )
350 + 7 450 = 1400 (horas − hombre)
3
X + 1.4 X ≤ 980 ( horas − máquina 1)
1 2

350 + 1.4( 450 ) = 980 ( horas − máquina 1)


X + X ≤ 900 (horas − máquina 2)
1 2

350 + 450 = 800 < 900 (horas − máquina 2)


O sea que se utilizan completamente las horas-hombre y las horas-máquina 1 disponibles, pero sólo se
utilizan 800 de las 900 horas-máquina 2 disponibles. Por lo tanto “sobran” 100 horas-máquina 2, las cuales no
contribuyen en nada a la función objetivo. Como se verá más adelante, si se dispusiera de un mayor número de
horas-hombre y/ó horas-máquina 1, probablemente podría incrementarse la utilidad máxima, pero el hecho de
tener mayor disponibilidad de horas-máquina 2 no contribuiría en nada a la función objetivo, ya que se trata de un
recurso sobrante, el cual se dice que tiene un costo de oportunidad igual a cero.

Como ya se ha podido concluir, el método gráfico es útil cuando se tienen modelos de sólo dos variables
de decisión o cuando se tiene un número par de variables y las restricciones involucran parejas de ellas; por
ejemplo, el siguiente modelo puede ser resuelto utilizando el método gráfico:

MAX Z = 3X + 2 X + 4 X + X + 7
1 2 3 4

Sujeto a:
Introducción a la Modelación Matemática y Optimización 77

X +X 1 2
≤8
3X + 2 X 1 2
≤ 15
X + 2X ≤ 9
3 4

3 X + X ≤ 12 3 4

(X , X , X , X ) ≥ 0
1 2 3 4

En este modelo se divide la función objetivo en dos funciones, así:

Z = Z + Z = (3X + 2 X ) + (4 X + X + 7)
1 2 1 2 3 4

Y se utiliza el método gráfico independientemente para cada Zi, con sus respectivas restricciones.

En el caso de tres variables de decisión, aún puede ser utilizado el método gráfico en algunas ocasiones
donde resulte fácil apreciar la región factible y los “planos objetivos”. En este caso la región factible es un
poliedro convexo, formado por el corte de los diferente planos que constituyen las restricciones; el crecimiento de
la función objetivo se puede observar mediante el desplazamiento de planos paralelos. De nuevo, el último punto
del poliedro que toque el plano al abandonar la región factible será la solución óptima.

Considérese el modelo siguiente:

MAX Z = 5 X + 10X + 2 X 1 2 3

Sujeto a:
X +X +X ≤ 5
1 2 3

4X + 4X + X ≤ 8
1 2 3

(X , X , X ) ≥ 0
1 2 3

En la figura 3.2 se puede apreciar la región factible y los “planos objetivos”. La solución óptima es:

X1 = 0; X2 =2; X3 =0; Z* = 20 (Vértice V3)

Sin embargo, el método gráfico resulta inadecuado en la mayoría de los casos de tres variables de
decisión, pues se necesita gran habilidad en el dibujo y una gran imaginación espacial.
78 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

FIGURA 3.2. Solución de un modelo de PL de 3 variables mediante el método gráfico

De los dos ejemplos resueltos por el método gráfico, puede sacarse una conclusión muy importante, la
cual es válida para cualquier modelo de Programación Lineal: La solución óptima se encuentra en uno de los
vértices de la región factible. Esta afirmación, que puede ser planteada como un teorema, es de fundamental
importancia, pues de infinitas soluciones posibles (definidas por la región factible), sólo basta con mirar aquellas
definidas por los vértices de la región factible.

Obsérvese que en el caso anterior, la recta de la función objetivo “abandona” a la región factible en un
solo vértice, constituyéndose así en una SOLUCIÓN ÓPTIMA ÚNICA. Existen otros tres casos importantes, en
los cuales no hay solución óptima única:

a. Cuando existen infinitas soluciones óptimas:

Este caso ocurre cuando la recta de la función objetivo es paralela a uno de los lados de la región
factibles. Obviamente, aquí la recta de la función objetivo toca infinitos puntos al abandonar la región factible.
Estos infinitos puntos están en el segmento de la recta que une dos vértices determinados (sin embargo, también
en este caso la solución óptima esta en los vértices de la región factible). Todos ellos son solución óptima y
producen el mismo valor de la función objetivo.

Por ejemplo, en el modelo Nº 1, si la función objetivo hubiera sido:


Introducción a la Modelación Matemática y Optimización 79

MAX U = 400 X + 560 X 1 2

El modelo hubiera tenido infinitas soluciones.

Ejercicio: Resuelva el modelo Nº 1 por el método gráfico, cambiando la función objetivo por la anterior.
Encuentre la “solución general”. Plantee otra función objetivo que produzca infinitas soluciones.

b. Cuando no existe “solución acotada”:

En este caso una ó varias variables pueden crecer (ó decrecer) sin restricción, produciendo valores cada
vez mayores (ó menores) en la función objetivo. Es el caso en el que la región factible es “abierta”,
probablemente debido a que faltó incluir alguna restricción en el modelo.

Por ejemplo, en el modelo:

MAX Z = 3 X + 2 X 1 2
Sujeto a:
X + 2X ≥ 8
1 2

X ≤5 2

(X , X ) ≥ 0
1 2

La variable X1 puede crecer indefinidamente, aportando cada vez más a la función objetivo, sin violar
las restricciones. O sea que en este caso, en realidad, no existe solución acotada.

Ejercicio: Dibuje la región factible del modelo anterior y compruebe que es “abierta”. Incluya una restricción
adicional que permita tener solución óptima única.

c. Cuando no existe ninguna solución factible alguna:

En este caso no existe en realidad una región factible, pues la “intersección de las restricciones” es el
conjunto vacío. Esta situación se presenta cuando hay inconsistencia en las restricciones y el modelo debe ser
replanteado. Por ejemplo el modelo:

MAX Z = 3X + 2 X + 3X 1 2 3

Sujeto a:
X +X + X ≤4
1 2 3

2 X + X + 3 X ≥ 15
1 2 3

(X , X , X ) ≥ 0,
1 2 3
no tiene solución factible alguna.

Ejercicio: Trate de dibujar la región factible del modelo y compruebe que ésta no existe y que por lo
tanto el modelo no tiene solución óptima.

Los tres casos anteriores pueden presentarse en cualquier modelo de Programación Lineal, pero se han
ilustrado para 2 ó 3 variables de decisión, para que puedan observarse gráficamente.
80 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

3.5.2 MÉTODO DE ENUMERACIÓN DE SOLUCIONES BÁSICAS


Ya se ha afirmado que la solución óptima (en general) de un modelo de Programación Lineal está en uno
de los vértices de la región factible. Esto se puede ver geométricamente de una forma clara. Pero, es más
adecuado establecer la transición de la Geometría al Álgebra, para tratar de manejar problemas de un mayor
número de variables. Para esto, inicialmente se estudian modelos de Programación Lineal en su forma estándar.

3.5.2.1 Forma estándar de los modelos de Programación Lineal

Un modelo de Programación Lineal se puede transformar a la forma estándar, la cual tiene las siguientes
características:

a. La función objetivo debe ser de maximización (aunque no siempre es necesaria esta condición)
b. El sistema de restricciones debe estar conformado por un conjunto de igualdades restrictivas, donde los
términos independientes bi deben ser mayores ó iguales a cero.
c. Todas las variables deben tener la condición de nó-negatividad
(Xj ≥ 0, para todo j)

En general, el modelo estándar es de la forma siguiente:

Función Objetivo:

MAX Z = C X + C X + C X + ... + C X 1 1 2 2 3 3 n n

Sujeto a:

A X + A X + ... + A X = b
11 1 22 2 1n n 1

A X + A X + ... + A X = b
21 1 22 2 2n n 2
Igualdades
Restrictivas . . . . . .. . .
. . .
. . . . . .

A X + A X + ... + A X = b
m1 1 m2 2 mn n m

En el modelo anterior los bi deben ser mayores ó iguales a cero. Por lo general, se cumple que m < n y,
por lo tanto, el sistema de igualdades tiene infinitas soluciones (las infinitas soluciones de la región factible).

Para llevar cualquier modelo de Programación Lineal a la forma estándar puede hacerse uso (de ser
necesario) de las siguientes transformaciones:

a. Si la función objetivo es de minimización, o sea MIN Z, puede definirse Z´= −Z y cambiar la


función objetivo a MAX (−Z), o sea MAX Z´.

b. Si se trata de una desigualdad de ≤, se puede sumar una variable no negativa denominada “variable
de holgura”, para establecer la igualdad; o sea, si la restricción es:

A X + A X + ... + A X ≤ b ; b ≥ 0
i1 1 i2 2 in n i i
Introducción a la Modelación Matemática y Optimización 81

Se transforma a:

A X + A X + ... + A X + S = b ; b ≥ 0
i1 1 i2 2 in n i i i

La variable Si es la variable de holgura. Ella se le puede llamar Si ó, simplemente, se le denomina Xk, con el
subíndice k diferente a los de las demás variables; por ejemplo:

X + 3 X − 4 X + 8 X ≤ 7( restricción i)
1 2 3 4

Se puede transformar a:

X + 3X − 4 X + 8X + S = 7
1 2 3 4 i

Ó: X + 3 X − 4 X + 8 X + X = 7 (Si no se ha utilizado la variable X


1 2 3 4 5 5 en alguna
restricción anterior.)

Si se trata de una restricción de ≥, entonces se le resta una variable no negativa, denominada variable de exceso,
así:

A X + A X + ... + A X ≥ b ; b ≥ 0
i1 1 i2 2 in n i i
Se transforma en:

A X + A X + ... + A X − S = b ; b ≥ 0
i1 1 i2 2 in n i i i

O si se utiliza la segunda forma, se transformaría en:

A X + A X + ... + A X − X = b ; b ≥ 0
i1 1 i2 2 in n n +i i i

Las variables de holgura, obviamente, deben cumplir con las restricciones de nó-negatividad.
c. Si alguno de los bi es menor que cero, entonces se multiplica por (-1) a ambos lados de la
desigualdad (o igualdad) y posteriormente se le suma (ó se le resta) la variable de holgura (ó de exceso),
dependiendo del signo resultante de la desigualdad. Si se trata desde un comienzo de una igualdad,
lógicamente no es necesario adicionar variable de holgura ó exceso.

d. Si existe alguna variable que no tiene restricción de nó-negatividad (variable libre), entonces se le
reemplaza por la diferencia de dos variables positivas, en forma semejante a lo visto anteriormente en el
modelo de programación de metas, así:

Xj es variable libre (Xj puede ser mayor, igual ó menor que cero)
Entonces donde aparece Xj, cambiarla por:
82 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

(Xj+ − Xj-), donde: Xj+ ≥ 0; Xj- ≥ 0.

Ejemplo: Convertir a la forma estándar el siguiente modelo de Programación Lineal:

MIN Z = 3X + 4 X − 3X + 8 X 1 2 3 4

Sujeto a:
X + X +3X ≤ 7(R1)
1 2 3

2 X + 8 X − 3 X = −8( R 2)
2 3 4

3 X + 4 X + 7 X ≥ − 7( R3)
1 2 4

X + X + X ≥ 5(R4)
1 2 3

X + 2 X = 10 (R5)
3 4

( X , X , X ) ≥ 0; X libre
1 2 3 4

Las transformaciones a realizar son:

a. En la restricción R1 debe sumarse una variable de holgura.

b. En la restricción R2 debe multiplicarse a ambos lados de la igualdad por (-1), pero no deben
adicionarse variables de holgura ó exceso.

c. En la restricción R3 debe multiplicarse primero por (-1) a ambos lados de la desigualdad, y luego
adicionar la variable de holgura correspondiente.

d. En la restricción R4 debe restarse una variable de exceso.

e. La restricción R5 no necesita ninguna transformación.

+ +
f. Donde aparezca la variable X4, debe cambiarse por (X4 − X4−), X4 y X4− mayores ó iguales que
cero.

g. La función objetivo se cambia a maximización.

De acuerdo con estas transformaciones, el modelo en forma estándar es el siguiente:

MAX Z´ = −Z = −3X − 4 X + 3X − 8( X − X ) 1 2 3
+
4

4

Sujeto a:
X + X +3X + X = 7
1 2 3 5

− 2 X − 8 X + 3( X − X ) = 8
2 3
+
4

4
Introducción a la Modelación Matemática y Optimización 83

− 3 X − 4 X − 7( X − X ) + X = 7
1 2
+
4

4 6

X + X + X − X =5 1 2 3 7

X + 2( X − X ) = 10 3
+
4

4

X ,X ,X
5
son las variables de holgura
6 7

X1, X2, X3, X4+, X4−, X5, X6, X7 ≥ 0


3.5.2.2 Algunas definiciones sobre el modelo estándar
Prácticamente, en todos los modelos estándar de Programación Lineal existen un mayor número de
variables que de restricciones. Como el sistema de restricciones es un sistema lineal de ecuaciones n x m, donde
n > m, lo más probable es que tenga infinitas soluciones. Cuando un sistema de ecuaciones lineales tiene
infinitas soluciones, existen variables a las cuales se les puede asignar un valor arbitrario, para luego resolver el
sistema remanente y así encontrar una solución del sistema. A las variables que se les asigna un valor arbitrario,
se les puede llamar variables que “sobran” en el sistema y su número es igual a n − m. El sistema remanente es
cuadrado m × m y se resuelve para así obtener una solución particular del sistema (es posible que el sistema
remanente m × m no tenga solución).

Con base en lo anterior, se pueden hacer las siguiente definiciones sobre cualquier modelo de
programación lineal en forma estándar:

Solución Factible:

Una solución factible es cualquier solución del sistema n × m que satisfaga las condiciones de nó-
negatividad (o sea aquella solución en la cual todas las variables son positivas ó cero).

Solución Básica:

Es aquella solución en la cual se les da el valor arbitrario de cero a las n − m variables que “sobran” en el
sistema n × m. A las m variables que no se les da el valor arbitrario de cero se les denomina variables básicas y se
dice que constituyen una base del sistema de ecuaciones.

Solución Básica Factible:

Es una solución básica que cumple con las condiciones de nó-negatividad (en este caso las variables
básicas son positivas. (Si existe por lo menos una variable básica igual a cero, se dice que la solución es
degenerada)

Solución Óptima:

Es la solución factible que proporciona el valor óptimo (máximo ó mínimo) de la función objetivo.

Con base en las definiciones anteriores, se pueden enunciar los tres principales teoremas de optimalidad
(sin demostración), a saber:

a. Las soluciones factibles conforman un conjunto convexo, cuyos vértices son las soluciones básicas
factibles.

b. Si el sistema tiene una solución factible, entonces existe por lo menos una solución básica factible.
84 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

c. Si la función objetivo tiene un óptimo (máximo ó mínimo) finito, entonces existe por lo menos una
solución óptima la cual es una solución básica factible.

3.5.2.3 El método de solución de enumeración de soluciones básicas

De los tres teoremas anteriores se saca una conclusión fundamental en la teoría de la Programación
Lineal:

Si un modelo de Programación Lineal tiene solución óptima, esta se puede encontrar en una
solución básica factible.

O sea, que de las infinitas soluciones factibles, “sólo” basta con inspeccionar las básicas factibles y una
de éstas será una solución óptima del problema de PL. Igualmente, de la afirmación anterior queda claro por qué
se decía en el desarrollo del método gráfico que la solución óptima estaba en uno de los vértices de la región
factible.

Dado que el método de enumeración de soluciones básicas debe inspeccionar todas las soluciones
básicas, identificar la factible y escoger la mejor, debe primero determinarse el número posible de soluciones
básicas. Como en el sistema de “m” igualdades con “n” variables, “sobran” (n – m) variables a las cuales se les
asigna el valor de cero, el número posible de soluciones básicas resulta ser igual a todas las posibles formas de
escoger las (n – m) variables de las n totales, o sea:

n  n  n!
Número de soluciones básicas =  = =
 n − m   m  m!(n − m )!
n 
Por lo tanto, es necesario resolver   sistemas de ecuaciones lineales m × n para encontrar la solución óptima.
m
Aquí ya pueden observarse las limitaciones de este método, pues supóngase que se tiene un modelo de 30
variables con 15 restricciones (el cual es un modelo modesto y relativamente pequeño), entonces tendrían que ser
resueltos  30 = 155,117,520 sistemas de ecuaciones lineales de 15 × 15 para determinar la solución óptima. Por

lo tanto, la15importancia

de estudiar este método radica simplemente en la formación de los fundamentos para la
comprensión del método simplex.

Para ilustrar el método se resolverá a continuación el modelo Nº 1 formulado anteriormente (el de los
transformadores):

MAX U = 400 X 1 + 700 X 2

( 3 )X
Sujeto a:

X1 + 7 2 ≤ 1400
X 1 + 1.4 X 2 ≤ 980
X 1 + X 2 ≤ 900
( X .X )
1 2
≥0
Introducción a la Modelación Matemática y Optimización 85

Inicialmente debe escribirse el modelo en su forma estándar, así:

MAX U = 400 X 1 + 700 X 2

( 3 )X
Sujeto a:

X + 7 1 2
+ X = 1400 3

X + 1.4 X + X = 980
1 2 4

X + X + X = 900
1 2 5

(X , X , X , X , X ) ≥ 0
1 2 3 4 5

Obsérvese que como las restricciones son todas ≤, sólo fue necesario sumar a cada restricción su correspondiente
variable de holgura.

En el modelo estándar anterior se identifican n = 5 variables y m = 3 restricciones, y, por lo tanto, el número de


soluciones básicas es igual a 10. Para encontrar cada solución básica hay que asignarle el valor de cero a (n – m)
= 5 – 3 = 2 variables cada vez. Todas las soluciones básicas se muestran en la tabla siguiente.

Solución
X1 X2 X3 X4 X5 Factible? Valor de U
Básica
1 0 0 1400 980 900 x 0
2 0 600 0 140 300 x 420.000
3 0 700 233 1/3 0 200
4 0 900 -700 -280 0
5 1400 0 0 -420 -500
6 980 0 420 0 -80
7 900 0 500 80 0 x 360.000
/Solución
óptima 8 350 450 0 0 100 x 455.000
9 525 375 0 -70 0
10 700 200 233 1/3 0 0 x 420.000

La forma de asignar el valor de cero a dos variables en cada solución debe ser lógica y ordenada, con el objeto de
no repetir ó dejar de tener en cuenta algunas de las soluciones básicas.

Obsérvese que las soluciones básicas No. 3, 4, 5, 6, y 9 no son factibles, pues por lo menos una de las variables
no cumple con las restricciones de nó-negatividad. Además, es importante notar que las soluciones 1, 2, 7, 8 y 10
son factibles y corresponden precisamente a los vértices V1, V2, V5, V3 y V4, respectivamente, de la región
factible mostrada en la figura 3.1 anterior. La solución óptima es la No. 8, pues es la que produce el valor
máximo de la función objetivo U. La solución óptima completa viene dada por:

X1 = 350
X2 = 450
X3 = 0
X4 = 0
X5 = 100

U* = 455.000
86 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

El valor óptimo de la variable de holgura X5 = 100 indica que, en su correspondiente restricción, la número 3, no
se cumple la igualdad sino la desigualdad, o sea que hay un sobrante de 100 unidades del recurso 3 (o sea que
quedan disponibles 100 hr-máquina 2). Como las variables de holgura X3 = X4 = 0 se concluye que las
restricciones 1 y 2 se cumplen con la igualdad, o sea que los recursos 1 (hr-hombre) y 2 (hr-máquina 1) se han
utilizado completamente. Estas conclusiones, por supuesto, son las mismas encontradas anteriormente en el
método gráfico.

El método de enumeración de soluciones básicas identifica la existencia de infinitas soluciones si se obtienen dos
ó más soluciones básicas factibles diferente que producen el máximo valor de la función objetivo. Identifica
también el caso de ninguna solución factible, si no se obtiene ninguna solución básica factible, pero no identifica
el caso de solución no acotada, tal como se ilustra en el modelo siguiente:

MAX Z = 3X + X + 2 X 1 2 3

Sujeto a:
X + X ≤ 101 2

2 X + 3 X + X ≥ 18
1 2 3

(X , X , X ) ≥ 0
1 2 3

Obsérvese que la variables X3 puede crecer indefinidamente, cumpliendo con la restricción Nº


2 y, por lo tanto, Z no está acotada. La forma estándar de este modelo es:

MAX Z = 3X + X + 2 X 1 2 3

Sujeto a:
X + X + X = 10
1 2 4

2 X + 3 X + X − X = 18
1 2 3 5

(X , X , X , X , X ) = 0
1 2 3 4 5

El número de soluciones básicas es igual a 10. El número de variables que “sobran” es igual a
3. Si se intentara resolver este problema mediante este método, se obtendría la tabla siguiente.
Introducción a la Modelación Matemática y Optimización 87

Solución Valor
X1 X2 X3 X4 X5 Factible?
Básica de U
1 0 0 0 10 -18
2 0 0 2 0 ? Sist. Inconsistente
3 0 0 18 10 0 x 36
4 0 10 0 0 12 x 10
5 0 6 0 4 0 x 6
6 0 10 -12 0 0
7 10 0 0 0 2 x 30
8 9 0 0 1 0 x 27
9 10 0 -2 0 0
10 12 -2 0 0 0

La tabla anterior sugiere que la solución óptima del modelo es la solución básica No. 3, pero en realidad, como se
demostró anteriormente, la función objetivo es no acotada y, por lo tanto, el modelo no tiene solución óptima.
Por esta razón, este método puede fallar en estos casos.

En la página siguiente se presenta un taller para la preparación del primer examen del curso. Se sugiere su
solución completa.

En la sección siguiente se introduce el método simplex, el cual se constituye en uno de los más utilizados en la
actualidad para la solución de problemas reales de PL, junto con los algoritmos de punto interior. Los
fundamentos para la comprensión del método se han expuesto en la presente sección.
88 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Taller sobre formulación de modelos de PL y método gráfico


Taller de práctica para el primer examen parcial

1. Una refinería de petróleo puede comprar dos tipos de petróleo crudo. El tipo 1 cuesta
$57.500/barril y el tipo 2 cuesta $50.600/barril. Cada barril de petróleo crudo de cualquier
tipo ya refinado de produce tres tipos de productos terminados: gasolina para avión,
gasolina normal y kerosén. Un barril de petróleo crudo tipo 1 produce 0.45 barriles de
gasolina para avión, 0.18 barriles de gasolina normal, 0.30 barriles de kerosén y el resto son
desechos cuya eliminación cuesta $2.300/barril. Por otra parte, un barril de petróleo crudo
tipo 2 produce 0.35 barriles de gasolina para avión, 0.36 barriles de gasolina normal, 0.20
barriles de kerosén y el resto son desechos cuya eliminación cuesta $3.450/barril. La
refinería ha firmado un contrato para proveer por lo menos 1.260.000 barriles de gasolina
para avión, 900.000 barriles de gasolina normal y 300.000 barriles de kerosén. Formule un
modelo de programación lineal que le permita determinar cuántos barriles de petróleo crudo
de cada tipo debe comprar la refinería para cumplir con la demanda establecida a costo total
mínimo.

2. a) Resuelva el problema anterior mediante el método gráfico e interprete la solución.

b) Replantee la función objetivo del modelo asumiendo que los precios de venta de cada
producto son los siguientes: Gasolina para avión $134.600/barril, gasolina normal
$75.000/barril y kerosén $40.500/barril. Asuma que ahora las demandas a satisfacer son
máximas. Resuelva de nuevo el problema mediante el método gráfico e interprete la
solución obtenida.

3. Una gran empresa distribuidora tiene que suministrar 800 toneladas/mes de productos a sus
clientes y está pensando en renovar completamente su flota de transporte. La empresa tiene
un presupuesto disponible de $1.150 millones (incluyendo los ingresos por venta del equipo
actual) para invertir en tres tipos de camiones. La tabla siguiente muestra la capacidad, el
costo de compra, el costo operativo y el número máximo de viajes/mes de cada tipo de
camión.

TIPO DE CAPACIDAD COSTO DE COSTO DE MÁX. No.


CAMIÓN [Kg] COMPRA OPERACIÓN DE VIAJES
[$millones] [$/mes] POR MES
1 6.000 115 1.840.000 20
2 3.000 92 1.495.000 25
3 2.000 58 1.150.000 30

La compañía no desea comprar más de 10 vehículos en total para su flota. Igualmente,


dado que algunos despachos son para clientes muy pequeños y diversos, la compañía desea
comprar al menos 3 camiones tipo 3. La compañía tampoco desea que más de la mitad de
la flota esté compuesta de camiones tipo 1. Finalmente, la capacidad de los parqueaderos
que tiene la empresa permite comprar como máximo 9 camiones tipo 1, ó 12 camiones tipo
2, ó 18 camiones tipo 3 o cualquier combinación lineal de ellos. Formule un modelo de
Introducción a la Modelación Matemática y Optimización 89

programación lineal que le permita determinar la composición de la flota más económica,


permitiéndole a la empresa cumplir con sus compromisos de distribución y su limitación de
presupuesto.

4. Una empresa productora estima con muy buena precisión que la demanda para las próximas
cuatro semanas es de 600.000 tornillos pequeños y 400.000 tornillos grandes. Estos
tornillos pueden producirse en dos máquinas distintas. La máquina 1 está disponible 56
horas/semana y la máquina 2 está disponible 84 horas/semana. Los requerimientos de
costos y tiempo para producir cada tamaño de tornillo en cada máquina y el precio de venta
de cada tamaño de tornillo se muestran a continuación:

DETALLE TORNILLOS TORNILLOS


PEQUEÑOS GRANDES
Precio de venta [$/millar] 63.250 74.750
Costo en la máquina 1 [$/millar] 14.375 17.825
Costo en la máquina 2 [$/millar] 18.400 21.275
Tiempo en la máquina 1 [min/lb] 1.50 1.75
Tiempo en la máquina 2 [min/lb] 1.00 1.25

En cada libra hay aproximadamente 60 tornillos pequeños y 40 tornillos grandes. Formule


un modelo de programación lineal para programar la producción de tornillos en forma
óptima.

5. Suponga que en el problema anterior la máquina 1 se daña y no es posible repararla sino


hasta después de las próximas cuatro semanas, y por lo tanto solo se puede disponer de la
máquina 2 durante sus 84 horas/semana. Reformule el modelo de programación lineal
suponiendo que la demanda de cada tipo de tornillo es ahora máxima y resuélvalo por
medio del método gráfico. Analice la solución obtenida.

6. Una fábrica de chocolates está desarrollando un nuevo producto basado en mantequilla de


maní y chocolate como ingredientes. El dulce debe contener al menos 5 gramos de
proteínas, pero no más de 5 gramos de carbohidratos y 3 gramos de grasas saturadas. Se
dispone de la siguiente información:

DETALLE MANTEQUILLA CHOCOLATE


DE MANÍ
Costo [$/onza] 230 414
Proteínas [gr/onza] 4.00 0.80
Carbohidratos [gr/onza] 2.50 1.00
Grasas saturadas [gr/onza] 2.00 0.50

Por motivos de sabor, la cantidad mínima de cada ingrediente en el dulce debe ser de 0.50
onzas.
90 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

a) Formule y resuelva un modelo de programación lineal que le permita determinar la


cantidad a utilizar de cada tipo de ingrediente para satisfacer los requerimientos
nutricionales planteados al costo mínimo.

b) Formule y resuelva de nuevo el problema si el peso total de la barra debe ser


exactamente igual a 2 onzas.

7. Se está analizando cómo combinar dos tipos de fertilizantes, de tal forma que la mezcla
contenga al menos 200 unidades de un cierto compuesto. El fertilizante A contiene 8
unidades del compuesto/Kg de fertilizante, mientras que el fertilizante B contiene 25
unidades del compuesto/Kg de fertilizante. El fertilizante A cuesta $1.000/Kg, mientras
que el fertilizante B cuesta $3.125/Kg. Ambos fertilizantes se producen a partir de dos
materias primas M1 y M2. Cada Kg de fertilizante A consume 6 litros de M1 y 3 litros de
M2. Cada Kg de fertilizante B consume 12 litros de M1 y 2 litros de M2. Se dispone de
216 litros de M1 y 60 litros de M2. Finalmente, por razones de calidad, la mezcla debe
contener a lo más 16 Kg de fertilizante A.

a) Formule y resuelva un modelo de programación lineal que le permita determinar cuántos


Kg de cada fertilizante utilizar en la mezcla para obtener el costo mínimo.

b) Analice la solución óptima de este problema. ¿Qué característica especial tiene?

c) Encuentre la solución óptima general de este problema e interprétela.

8. De la colección de 66 problemas sobre formulación de modelos de programación lineal,


plantee los modelos de los siguientes: No. 23, 28, 45, 54, 55, 56 y 59.
Introducción a la Modelación Matemática y Optimización 91

3. EL MÉTODO SIMPLEX
Los autores presentan el método simplex en diversas formas: tabular, algebraica, matricial, etc.
De todas estas maneras de presentación tal vez la más adecuada y la que más ventajas ofrece
para sentar en el estudiante una mejor base teórica, es la forma matricial. Sin embargo,
posteriormente se hará énfasis en las aplicaciones resueltas por computador, ya que es en
últimas el instrumento que se utiliza para resolver cualquier modelo de Programación Lineal.
Para ilustrar y presentar el método simplex, se utilizará el siguiente ejemplo sencillo:

Maximizar Z = 5X1 + 3X 2
sujeto a :
3X1 + 5X 2 ≤ 15 (3.1)
5X1 + 2X 2 ≤ 10
(X1 , X 2 ) ≥ 0
Inicialmente, se resolverá el modelo anterior, utilizando la enumeración de soluciones básicas;
la forma estándar del modelo es la siguiente:

Maximizar Z = 5X1 + 3X 2
sujeto a :
3X1 + 5X 2 + S1 = 15 (3.2)
5X1 + 2X 2 + S 2 = 10
(X1 , X 2 , S1 , S 2 ) ≥ 0

Luego, el modelo en su forma estándar presenta n = número de variables = 4 y m = número de


restricciones = 2.
 n   4
El número máximo de soluciones básicas =   =   = 6
 m  2
La tabla siguiente muestra las soluciones básicas y la solución óptima:

Solución
X1 X2 S1 S2 Factible Valor de Z
Básica No
1 0 0 15 10 Si 0
2 0 3 0 4 Si 9
3 0 5 -10 0 No –
4 5 0 0 -15 No –
5 2 0 9 0 Si 10
235/19 ≅
6 20/19 45/19 0 0 Si
12.4
92 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Por lo tanto, la solución óptima es la No. 6. La tabla anterior debe tenerse presente para el desarrollo
que sigue.

Cualquier problema de Programación Lineal, en su forma estándar puede escribirse así:

MAX (MIN) Z = CX
sujeto a :
(3.3)
AX = b
X≥0

donde Z1×1 = Valor de la función objetivo

C1×n = Vector fila de los coeficientes de todas las variables en la función objetivo

Xn×1 = Vector columna de todas las variables del problema (incluyendo las de holgura)

Am×n = Matriz de coeficientes del sistema

bm×1 = Vector del lado derecho

Se va a tomar en general, el modelo en su forma estándar, como un modelo de n variables


(incluyendo las de holgura) y m restricciones de igualdad. Así, en general, las dimensiones de cada
matriz y vector son:

 X1 
X 
 2
 . 
C = [C 1 C 2 C 3 ·······C n ]1× n X =   (incluye variables de holgura y/ó exceso Sk)
 . 
 . 
 
 X n  n×1

a11 a12 · · · a1n  b1 


a · · · a2 n  b 
 21 a22  2
 . . . . . .   .
A=  b= 
 . . . . . .   .
 . . . . . .   .
   
am1 . . . . amn  m×n bm  m×1
Introducción a la Modelación Matemática y Optimización 93

En el caso del modelo (3.2), los vectores C, X, b y la matriz A, serían:

C = [5 0]; X = [X 1 X 2 S1 S 2 ] ;
T
3 0
3 5 1 0  15
A= ; b= 
5 2 0 1 10

3.1 SOLUCIONES BÁSICAS EN FORMA MATRICIAL

Un aspecto importante a destacar es el hecho de que a cada solución básica, factible o no, se le
puede identificar una matriz base asociada, así:

Tómese, por ejemplo, la solución básica No 1, correspondiente a la tabla anterior.


Dado que X1 = X2 = 0 son las variables a las cuales se les asigna el valor cero, se les denomina
VARIABLES NO-BÁSICAS.

A las variables que quedan formando un sistema de ecuaciones lineales m×m, se les denomina
VARIABLES BÁSICAS, ya que sus columnas forman la matriz base, así:

1 0  S1  15
0 1  S  = 10
   2  
−1
 S1  1 0 15 15
 S 2 = 0 1 10 = 10
       

la cual corresponde a la solución básica No 1 (en este caso se trata de una solución básica
factible).

Tómese ahora, por ejemplo, la solución básica No 4, de la tabla anterior. En ella, X2 = S1 = 0 y, por lo
tanto:

3 0  X 1  15
5 1  S  = 10
  2  
−1
 X 1  3 0 15  1 / 3 0 15  5 
 S  = 5 1 10 = − 5 / 3 1 10 = − 15
 2         
94 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

la cual corresponde a la solución básica No 4 (en este caso NO FACTIBLE).

En el primer caso, la matriz base asociada a la solución básica es la matriz idéntica de orden 2 y en el

3 0 
segundo caso es la matriz   . Obsérvese que, en cada caso, la solución básica se obtiene
5 1
invirtiendo la base y premultiplicándola por el vector b, o sea que una solución básica es de la forma

B −1b , donde B es la matriz base asociada a la solución correspondiente.

3.2 EL MÉTODO SIMPLEX EN FORMA MATRICIAL

De acuerdo con lo planteado en la sección anterior, el problema general de PL en su forma estándar,


dado por el conjunto de ecuaciones (3.3), puede tomarse de la siguiente manera:

XB 
A = [B M R ] X =  L  C = [C B M C R ]
 X R 

Las particiones anteriores pueden explicarse así:

Bm×m = Matriz base de orden m (se forma escogiendo m columnas de la matriz A,


correspondientes a las variables básicas)

Rm×(n-m) = Matriz restante, formada por las (n-m) columnas de la matriz A, asociadas a las

variables no básicas.

X B m ×1 = Vector de las variables básicas.

X R(n-m)×1 = Vector de las variables no básicas.

C B1×m = Vector de los coeficientes de las variables básicas en la función objetivo.

CR1×( n−m ) = Vector de los coeficientes de las variables no básicas en la función objetivo.

Por la tanto el modelo de PL (3.3) quedaría expresado así:


Introducción a la Modelación Matemática y Optimización 95

MAX (MIN) Z = C B X B + C R X R
sujeto a :
(3.4)
BX B + RX R = b
X≥0

−1
Una solución básica es aquella en la que X R = 0 y, por lo tanto, X B = B b .
−1
Una solución básica factible es aquella solución básica X B = B b , tal que X B ≥ 0 .

A partir de (3.4) se va a deducir las condiciones para el método SIMPLEX.

En palabras, lo que hace el método SIMPLEX es partir de una solución básica inicial factible, con una
base inicial asociada, la cual, en general, es la matriz idéntica de orden m. Posteriormente, se pasa a
otra solución básica factible, cambiando una sola columna de la base, de tal forma que se logre hacer
crecer lo más posible a la función objetivo Z, si se está maximizando, o decrecer, si se está
minimizando.

El paso a otra solución básica factible se logra cambiando de base, de tal forma que una de las
variables básicas sale de la base, pasando a ser no básica, y una de las variables no básicas entra a
la base, volviéndose básica y entrando a ocupar el lugar de la variable que salió de la base. En otras
palabras, la diferencia entre dos bases sucesivas está en una sola columna.

El proceso de cambio de base continúa hasta que se detecta que no se puede mejorar más la función
objetivo (minimizando o maximizando) y es cuando se ha logrado encontrar la solución óptima del
problema.

El método SIMPLEX tiene tres condiciones fundamentales, de acuerdo con lo expresado


anteriormente: criterio de entrada (para determinar la variable que entra a la base), criterio de salida
(para determinar la variable que sale de la base) y criterio de parada, para definir cuando se acaba el
proceso. Estos tres criterios se deducen a continuación (Ver Figura 1 adelante).

Se tienen dos ecuaciones, a partir de (3.4):

Z = CB XB + CRXR (3.5)

BX B + RX R = b (3.6)

Si suponemos que B es no singular, en (3.6) se tiene que:


96 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

B −1BX B + B −1RX R = B −1b


⇒ X B + (B −1 R ) X R = B −1b
Sean:
Ym×( n − m ) = B −m1×m R m×( n −m ) ∧ X B = B −1b (solución actual)

⇒ X B + YX R = X B (3.7)

Lo que se pretende es investigar la posible variación de la solución actual, ocasionada por el futuro
cambio de base. Obsérvese que si se hace XR = 0, todo se reduce a la solución actual.

Premultiplicando la ecuación (3.7) por CB se obtiene:


C B X B + C B YX R = C B X B
Sea Z = C B X B (valor actual de la función objetivo),

⇒ Z = C B X B + C B YX R (3.8)

Efectuando (3.5) menos (3.8), se obtiene:

Z − Z = C R X R − C B YX R

O mejor:
Z = Z − (C B Y − C R ) X R (3.9)

Lo importante de la ecuación (3.9) es que:


Z= Cualquier valor de la función objetivo (o valor futuro)
Z= Valor actual de la función objetivo
(C B Y − C R ) X R = Cambio en el valor de la función objetivo si se modifica la base.

Así, la ecuación (3.9) muestra el cambio que tendría la función objetivo en una iteración, al cambiar de
base. Por lo tanto se puede tratar de controlar este cambio para que sea lo más grande posible. Se
puede entonces modificar esta ecuación observando que se trata de una ecuación escalar. La
notación se modifica así:

C B Y = C B [Ym +1 M Ym + 2 M ····· Yn ] = [C B Ym +1 M C B Ym + 2 M ····· C B Yn ]


Introducción a la Modelación Matemática y Optimización 97

C R = [Cm+1 Cm+ 2 ···· Cn ]

Los términos C B Y j son los productos escalares entre el vector C B y las columnas de la matriz Y, y

se le denomina Z j . Así, la ecuación (3.9) puede transformarse a:

Z = Z − ∑ ( Z j − C j )X j (3.10)
j

Como sólo una de las variables no básicas X j es la que va a entrar a la base y tomará seguramente

un valor positivo, entonces la sumatoria se reduce a un sólo término, ya que el resto de variables no
básicas seguirá siendo igual a cero. Por lo tanto, le ecuación (3.10) se transforma a:

Z = Z − ( Z k − C k )X k (3.11)

Donde X k = variable no básica que entrará a la base.

De la ecuación (3.11) se deduce fácilmente el criterio de entrada del método SIMPLEX:

( Z j − C j ) sea " lo más negativo


posible" (MAX) 7
ENTRA A LA BASE AQUELLA VARIABLE CUYO :
( Z j − C j ) sea " lo más positivo
posible" (MIN)

El criterio de salida se deduce de la ecuación (3.7). Una vez se ha escogido la variable a


entrar, la variable a salir queda definida por la condición de factibilidad, como se verá a
continuación.

La ecuación (3.7) se puede escribir en forma explícita de la siguiente manera:

7
En realidad puede entrar a la base cualquier variable cuyo (Zj−Cj) sea negativo para maximización,
pero si se escoge el menor es más probable llegar al óptimo (máximo en este caso) más rápidamente.
Un razonamiento semejante se presenta si se está MINIMIZANDO.
98 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

 x1   x1   y1,m +1 y1,m + 2 ··· y1k ··· y1n   xm +1 


x  x   y y2, m + 2 ··· y2 k

··· y2 n   xm + 2 
 2   2   2,m +1  
 ·  ·  · · · · · ·  M 
  =  −  
 ·  ·  · · · · · ·   xk 
 ·  ·  · · · · · ·  M 
      
 xm   xm   ym,m +1 ym ,m + 2 ··· ymk ··· ymn   xn 

donde se ha identificado a la variable X k , futura a entrar a la base.

Al efectuar el producto YX R , sólo se mantienen los términos que multiplican a X k , ya que el


resto de variables continuará con valor cero. Por lo tanto, se generarían las siguientes
ecuaciones:
 x1 = x1 − y1k xk
x = x − y x
 2 2 2k k

M M M M
 xm = xm -ymk xk
Como debe garantizarse que la próxima solución básica sea factible, entonces:
 x1 − y1k xk ≥ 0
x − y x ≥ 0
 2 2k k

 M M M
 xm -ymk xk ≥ 0
Por lo tanto:
 x 
xk ≤ mín  s ; y sk > 0
 y sk 
ysk debe ser mayor que cero, puesto que xk debe tomar también un valor no negativo.
Por otra parte, como la variable que va a salir de la base pasará a tomar valor cero, entonces:
xs = xs − y sk xk = 0 , donde xs es la variable a salir de la base. Así:
x
xk = s ; y sk > 0
y sk
Por lo tanto, la variable que entra a la base toma el valor del cociente mínimo de la variable
que sale de la base.

Del razonamiento anterior, se obtiene el criterio de salida del método SIMPLEX:


SALE DE LA BASE AQUELLA VARIABLE CUYO COCIENTE θ SEA EL MÍNIMO,
donde:
x
θ = s ; ysk > 0
y sk
Este cociente se efectúa entre los valores actuales de la solución y los términos de la columna
k de la matriz Y que sean positivos solamente (recuérdese que la columna k es la columna
Introducción a la Modelación Matemática y Optimización 99

asociada a la variable xk ,previamente escogida para entrar a la base). El valor que toma la
variable que va a entrar a la base es precisamente el del cociente mínimo, o sea xk = θ mín . Es
importante notar que este criterio es válido tanto para problemas de maximización como para
problemas de minimización, pues su origen es el de obtener una solución básica que sea
factible.

Inicie con una solución básica


factible inmediata

Si La solución
¿Se cumple el CRITERIO DE básica factible
PARADA? actual es una
SOLUCIÓN
ÓPTIMA
No

Escoger la variable que va a entrar a la


base (CRITERIO DE ENTRADA)
FIN

Determinar la variable que va a salir de


la base (CRITERIO DE SALIDA)

Realizar las operaciones fila


elementales para cambiar de base y
obtener una nueva solución básica
factible

Figura 1. El algoritmo SIMPLEX

El criterio de parada se deduce directamente del criterio de entrada, ya que si llega el


momento en el cual no existen variables candidatas a entrar a la base, es porque no puede
mejorarse más la función objetivo y se ha llegado al óptimo. Por lo tanto, el criterio de
parada es el siguiente:
100 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

( Z j − C j ) ≥ 0, para maximizar 8


EL PROCESO SIMPLEX CONCLUYE SI TODOS LOS: 
( Z j − C j ) ≤ 0, para minimizar

En resumen, el algoritmo SIMPLEX hace lo mostrado en la Figura 1 anterior. Los casos


especiales, como son función múltiples soluciones óptimas, función objetivo no acotada y
ninguna solución factible, son identificados también por el algoritmo simplex, como se verá
más adelante en los ejemplos 3.2, 3.3 y 3.4, respectivamente.

3.3 APLICACIÓN DEL MÉTODO SIMPLEX EN FORMA MATRICIAL

Considérese el modelo (3.1), cuya forma estándar está dada en (3.2). Obsérvese que la matriz
A presenta inicialmente una submatriz idéntica de orden 2. Esta submatriz constituye la base
inicial, ya que su inversa es inmediata, así:

¾ Solución básica factible inicial: (punto de partida)

1 0 15 3 5   S1   X1 
B= ; C B = [0 0]; C R = [5 3]; b =  ; R =   ; X B =  ; X R =  
0 1  10 5 2 S2  X2 
S1 S2 X1 X2
Entonces:
−1
−11 0 15 15
XB = B b =    = 
0 1 10 10
Z = CB XB = 0
X B es la solución básica factible inicial.

¾ Primer Cambio de Base:


Criterio de entrada: ( Z j − C j ) sea el “más negativo”.
Z j = C B Y j = C B B −1a j , donde a j son las columnas de A que forman la matriz R.
1 0  3 5  3 5 
Y = B −1R =   =  (columnas de la matriz Y)
0 1 5 2 5 2
Z1 = C B Y1 = [0 0][3 5] = 0
T

Z 2 = C B Y2 = [0 0][5 2] = 0
T

⇒ Z1 − C1 = 0 − 5 = −5
ENTRA A LA BASE LA VARIABLE x1 9
⇒ Z 2 − C2 = 0 − 3 = −3
Criterio de salida:

8
Los ( Z j − C j ) de las variables básicas siempre son iguales a cero, como se verá posteriormente. Si
existe algún ( Z j − C j ) de una variable no básica igual a cero, se concluye que existen múltiples
soluciones óptimas, ya que se podrá cambiar de base sin modificar el valor de la función objetivo.
9
Obsérvese que X1 es la variable asociada a la columna Y1.
Introducción a la Modelación Matemática y Optimización 101

Recuérdese que X B = X B − YX R , en este caso:


 s1  15 3 5  x1 
XB =   =   −   
 s2  10 5 2  x2 
Columna asociada a X1 , variable a entrar a la base.
15 10 
Luego: θ = mín  ,  = mín{5 , 2} = 2
3 5
Por lo tanto sale de la base la variable S2.

¾ Segundo Cambio de Base (si es necesario):


Actualmente, las nuevas condiciones son:
1 3 15 0 5   S1  S 2 
B=  ; C B = [0 5]; C R = [0 3]; b =  ; R =   ; X B =  ; X R =  
0 5 10 1 2   X1  X2
s1 x 1 s2 x 2
Entonces, la solución actual es:

1 3 15 1 − 35  15 9  10
−1

  =   =  
−1
XB = B b = 
0 5 10 0 15  10 2
Z = C B X B = 10
Ahora:
1 −3 / 5  0 5  − 3 / 5 19 / 5
Y = B −1 R =   1 2  =  1 / 5 (columnas de Y)
0 1 / 5    2 / 5 
S2 X2
Z1 = C B Y1 = [0 5][− 3 / 5 1 / 5] = 1
T

Z 2 = C B Y2 = [0 5][19 / 5 2 / 5] = 2
T

⇒ Z1 − C1 = 1 − 0 = 1
⇒ Z 2 − C2 = 2 − 3 = −1 , ENTRA A LA BASE LA VARIABLE X2 (la única cuyo Zj – Cj
es negativo)
criterio de salida:
 s1  9  − 3 / 5 19 / 5  s2 
XB =   =   − 
 x1  2  1 / 5 2 / 5   x2 
columna asociada a X2, la variable a entrar a la base.
 45  45
Luego, θ = mín  , 5 =
19  19
Por lo tanto, sale de la base la variable S1.

¾ Tercer Cambio de Base (si es necesario):

10
En este caso la inversa de la nueva base no se ha obtenido por operaciones fila elementales, como
se hace normalmente en la forma tabular, que se estudiará más adelante.
102 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Actualmente las nuevas condiciones son:


5 3 15 0 1  X  S 
B=  ; C B = [3 5]; C R = [0 0]; b =  ; R =   ; X B =  2 ; X R =  2 
2 5 10 1 0  X1   S1 
x2 x1
entonces la solución actual es:
−1
−1 5 3 15  5 / 19 − 3 / 19 15 45 / 19 
XB = B b =    =   =  
2 5 10 − 2 / 19 5 / 19  10 20 / 19
Z = C B X B = 235 / 19 ≅ 12.37
Ahora:
 5 / 19 − 3 / 19 0 1 − 3 / 19 5 / 19 
Y = B −1R =   =  (columnas de Y)
− 2 / 19 5 / 19  1 0  5 / 19 − 2 / 19
Y1 Y2
Z1 = C B Y1 = [3 5][− 3 / 19 5 / 19] = 16 / 19
T

Z 2 = C B Y2 = [3 5][5 / 19 − 2 / 19] = 5 / 19
T

⇒ Z1 − C1 = 16 / 19 − 0 = 16 / 19 
 ≥ 0 , SE CUMPLE EL CRITERIO DE PARADA.
⇒ Z 2 − C2 = 5 / 19 − 0 = 5 / 19

Luego la solución básica factible actual es una solución óptima. Como los únicos (Zj – Cj)
iguales a cero son los de las variables básicas, entonces esta es la única solución óptima del
modelo (3.1).

 x2  45 / 19  235
XB =   =   Z máx = C B X B =
 x1  20 / 19 19
 s 2  0 
X R =   =   (variables no básicas)
 s1  0

3.4 EL MÉTODO SIMPLEX EN FORMA TABULAR

Como puede observarse, la forma matricial de solución mediante el algoritmo SIMPLEX sería
impráctica. Sin embargo, lo importante que debe notarse es que cada iteración lo único que
hace es reemplazar valores anteriores por otros nuevos, aspecto fundamental para lograr la
implementación del método en el computador. La forma tabular es mucho mejor para el
trabajo manual y consiste en hacer las mismas operaciones matriciales en forma de tablas, de
una manera más rápida y eficiente, ya que se conservan las columnas y los productos se hacen
en forma sencilla. Además, la inversa de la base se halla en forma automática, mediante
operaciones fila elementales. Para el caso del ejemplo anterior, los tableros SIMPLEX son los
siguientes:
Introducción a la Modelación Matemática y Optimización 103

Cj 5 3 0 0
VARIABLES
CB XB X1 X2 S1 S2 COCIENTE
BÁSICAS
S1 0 15 3 5 1 0 15/3 = 5
S2 0 10 5 2 0 1 10/5 = 2
Zj 0 0 0 0 0 0
Zj − C j -5 -3 0 0
S1 0 9 0 19/5 1 -3/5 45/19 ≅ 2.4
X1 5 2 1 2/5 0 1/5 2/(2/5) = 5
Zj 10 5 2 0 1
Zj − C j 0 -1 0 1
X2 3 45/19 0 1 5/19 -3/19
X1 5 20/19 1 0 -2/19 5/19
Zj 5 3 5/19 16/19
Zmáx 235/19
Zj − C j 0 0 5/19 16/19

Solución óptima Inversa de la base óptima


Dado que en el tercer tablero, (Z j − C j ) ≥ 0 para todo j, entonces este es el tablero óptimo. La
solución óptima del problema es:

X 1 = 20 / 19 ¾ Debe notarse que la inversa de la base


X 2 = 45 / 19 en cada iteración se va generando
S1 = 0 debajo de la matriz idéntica inicial.
S2 = 0
Z máx = 235 / 19 Es importante notar que el método SIMPLEX se mueve de una
solución básica factible a otra de una manera muy especial:
mejorando lo más posible a la función objetivo, y, por lo tanto, sólo “visita” algunas de las
soluciones básicas factibles hasta llegar a la solución óptima.

Ejercicio: Resuelva el problema de los transformadores (modelo No 1) mediante el método


SIMPLEX.

3.5 EL MÉTODO SIMPLEX CON VARIABLES ARTIFICIALES

El método SIMPLEX necesita que la base inicial sea la matriz idéntica para poder arrancar. El
problema general de PL es:
104 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

MAX ( MIN ) Z = CX
sujeto a :
(3.12)
AX(≤ , =, ≥ )b
X≥0

Si todas las restricciones son de ≤ , el método SIMPLEX inicia con la base igual a la matriz
idéntica, formada por las columnas de las variables de holgura. Pero si existe por lo menos
una restricción de = ó de ≥ , la matriz idéntica no aparece en forma automática y por lo tanto
debe crearse mediante la adición de variables artificiales, salvo algunas excepciones (Ver
Ejemplos 3.2 y 3.3)

3.5.1 El Método de la “Gran M”

Ejemplo 3.1. USO DE VARIABLES ARTIFICIALES

Maximizar Z = 2 X 1 + 3X 2
Sujeto a : X 1 + 2 X 2 ≤ 4
X1 + X 2 = 3
(X1, X 2 ) ≥ 0
La forma estándar de éste modelo es la siguiente:

Maximizar Z = 2 X1 + 3X 2
Sujetoa : X 1 + 2 X 2 + S1 = 4
X1 + X 2 =3
( X 1 , X 2 , S1 ) ≥ 0
Como se observa, no aparece la submatriz idéntica de orden 2 en la matriz A, ya que solo fue
necesario adicionar la variable de holgura S1 para obtener la forma estándar del modelo. Por
lo tanto, la submatriz idéntica debe crearse artificialmente así:

Maximizar Z = 2 X 1 + 3X 2
Sujeto a : X 1 + 2 X 2 + S1 =4
X1 + X 2 + A =3
( X 1 , X 2 , S1 ) ≥ 0; A var iable artificial
Dado que antes de adicionar la variable artificial A ya la igualdad estaba conformada, la única
forma de que el problema original tenga solución es que la variable artificial sea igual a cero
en la solución óptima, lo cual se logra la mayoría de las veces sacándola de la base. Así, el
método debe obligar a que la variable A salga de la base y esto puede conseguirse
penalizándola en la función objetivo con un valor muy grande positivo (si se está
Introducción a la Modelación Matemática y Optimización 105

minimizando) o muy pequeño negativo (si se está maximizando). Así, surge el método de la
“Gran M”, el cual transformaría el modelo anterior en:

Maximizar Z = 2 X 1+3 X 2 − MA
Sujeto a : X 1 + 2 X 2 + S =4 11

X1 + X 2 +A=3
(X 1 ,X 2 , S) ≥ 0; A variable artificial

En el modelo anterior M es un valor real positivo muy grande (M >> 0 ó ( M → +∞) ).

Los tableros, por lo tanto, serían los siguientes:


Cj 2 3 0 -M
VARIABLES
BÁSICAS
CB XB X1 X2 S A θ
S 0 4 1 2 1 0 4/2 = 2
A -M 3 1 1 0 1 3/1 = 3
Zj -3M -M -M 0 -M
Z j -C j -M-2 -M-3 0 0
X2 3 2 ½ 1 ½ 0 2/ ½ = 4
A -M 1 ½ 0 -½ 1 1/ ½ = 2
Zj 6-M
3 −M
2 2 3 3 +M
2 2 -M
Z j -C j - 1 −M 0 3 +M 0
2 2 2 2
X2 3 1 0 1 1 -1
X1 2 2 1 0 -1 2
Zj 7 2 3 1 1
Z j -C j 0 0 1 1+M

Luego la solución óptima única es:


X1 = 2
X2 =1
S =0
A = 0 (obviamente)
Z max. = 7

Obsérvese que la variable artificial sala de la base en el segundo tablero. Una vez salga, no
podrá volver a entrar a la base, y puede incluso ignorarse esta columna para encontrar la
solución óptima.12

11
Se ha cambiado S1 por S por existir sólo una variable de holgura en este modelo.
12
Sin embargo, es útil mantener las columnas de las variables artificiales para determinar la inversa
de la base óptima, ya que ellas formaron la matriz idéntica inicial.
106 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Debe además recordarse que M siempre es un valor muy grande positivo ( M → +∞) y, por lo
tanto, su magnitud domina sobre cualquier otro número.

Ejemplo 3.2 : INFINITAS SOLUCIONES ÓPTIMAS


Minimizar Z = 2 X 1 + 3 X 2 + X 3
Sujeto a : X 1 + 4 X 2 + 2 X 3 ≥8
3X 1 + 2 X 2 ≥6
(X1, X 2 , X 3 ) ≥0

Este ejemplo ilustra dos aspectos importantes: Primero, no es necesario adicionar variables
artificiales cuando el modelo contiene por lo menos una restricción de ≥ ó de =. En este
ejemplo, la variable X3 aparece solamente en la primera restricción y basta con dividir ésta
entre 2 para que pueda formar parte de la base inicial. Por lo tanto, solo se necesitaría una
variable artificial, adicionada en la 2ª restricción.

Segundo, como se observará a continuación, el método SIMPLEX identifica cuando el


modelo presenta múltiples soluciones óptimas. El modelo quedaría entonces así:

Minimizar Z = 2 X 1 + 3 X 2 + X 3 + MA
Sujeto a : 1 X 1 + 2 X 2 + X 3 − S1 =4
2
3X 1 + 2 X 2 − S2 + A = 6
( X 1 , X 2 , X 3 , S1 , S 2 ) ≥ 0; A var iable artificial
Los tableros correspondientes serían los siguientes:

Cj 2 3 1 0 0 M
VAR.
BÁSICAS
CB XB X1 X2 X3 S1 S2 A θ
X3 1 4 ½ 2 1 -1 0 0 8
A M 6 3 2 0 0 -1 1 2
Zj 4+6M ½ +3M 2+2M 1 -1 -M M
- 3 M + 3M -1+2M 0 -1 -M 0
Z j -C j 2

X3 1 3 0 5/3 1 -1 1/6 -1/6 1.8


X1 2 2 1 2/3 0 0 -1/3 1/3 3
Zj 7 2 3 1 -1 -½ ½ Sol.
óptima
Z j -C j 0 0 0 -1 -½ ½ -M No 1
X2 3 9/5 0 1 3/5 -3/5 1/10 -1/10
X1 2 4/5 1 0 -2/5 2/5 -2/5 2/5
Zj 7 2 3 1 -1 -½ ½ Sol.
óptima
Z j -C j 0 0 0 -1 -½ ½-M No 2
Introducción a la Modelación Matemática y Optimización 107

Como puede observarse, en el tablero No 2 ya se obtiene una solución óptima, pero con la
característica de que la variable no básica X2 tiene su (Z j -C j ) =0; por lo tanto, ella puede
entrar a la base sin modificar el valor mínimo de la función objetivo y generar una solución
óptima diferente. Estas soluciones son:

Solución Optima N º1
X1 = 2
X2 = 0
X3 = 3 Solución Optima N º 2
S1 = S 2 = 0 X1 = 4 / 5
Z mín = 7 X2 = 9/5
X3 = 0
S1 = S 2 = 0
Z mín = 7

En realidad, cualquier combinación lineal convexa de estas dos soluciones es óptima también,
y así se obtiene la solución óptima general del modelo:

4 
X1   2  5
    9 
X 2  0   5
     
X 3  = α 3  + β 0  ; 0 ≤ α ≤ 1; 0 ≤ β ≤ 1 α + β = 1; (α , β ) ∈ ℜ
     
 S1  0
  0 
S  0   
 2    0 
 

Por ejemplo, si α = 0.5 y β = 0.5, entonces se obtiene la solución óptima (nó básica):

X1 = 7/5; X2 = 9/10; X3 = 3/2; S1 = S2 = 0; Zmáx = 7.

En conclusión, el método SIMPLEX detecta infinitas soluciones si por lo menos una de las
variables no básicas presenta su (Z j -C j ) = 0 en un tablero óptimo. El número de soluciones
básicas factibles óptimas será igual al número de variables no básicas que presenten dicha
característica mas uno, y la solución general se escribe como la combinación lineal convexa
de dichas soluciones.

Este hecho hace que sea difícil que un programa de computador detecte la presencia de
soluciones óptimas múltiples, ya que, debido a errores de redondeo, rara vez se tendría un
108 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

(Z -C ) exactamente igual a cero.


j j Sin embargo, esto se puede lograr estableciendo rangos de
tolerancia para los números muy pequeños considerados iguales a cero.

Ejemplo 3.3 : FUNCIÓN OBJETIVO NO ACOTADA

Maximizar Z = 1.2 X 1 + X 2 + 0.8 X 3


Sujeto a : X 1 + X 2 ≤ 50000
0.4 X 1 + 0.6 X 2 + X 3 ≥ 27000
(X1, X 2 , X 3 ) ≥ 0
La forma estándar del modelo anterior es:

Maximizar Z = 1.2 X 1 + X 2 + 0.8 X 3


Sujeto a : X1 + X 2 + S1 = 50000
0.4 X 1 + 0.6 X 2 + X 3 − S 2 = 27000
( X1, X 2 , X 3 ,S1,S2 ) ≥ 0
En este caso tampoco se requiere una variable artificial en la 2ª restricción, ya que la variable
X3 puede ser básica inicial. Así:

Cj 1.2 1.0 0.8 0 0


Var.
CB XB X1 X2 X3 S1 S2 θ
Básicas
S1 0 50000 1 1 0 1 0 50000
X3 0.8 27000 0.4 0.6 1 0 -1 67500

Zj 21600 0.32 0.48 0.8 0 -0.8


Z j −Cj -0.88 -0.52 0 0 -0.8

X1 1.2 50000 1 1 0 1 0
X3 0.8 70000 0 0.2 1 -0.4 -1

Zj 1.2 1.36 0.8 0.88 -0.8


65600
Z j −Cj 0 0.36 0 0.88 -0.8

En el último tablero, S2 trata de entrar a la base, pero la regla del cociente falla, entonces como no hay
ninguna variable a salir de la base se concluye que hay FUNCIÓN OBJETIVO NO ACOTADA.13

13
El problema se presenta en la 2ª restricción. La variable X3 está acotada por debajo pero no por
encima y así su valor puede hacerse tan grande como se desee, haciendo crecer indefinidamente la
función objetivo. La variable de exceso S2 trata de entrar a controlar esto, pero obviamente no puede.
Introducción a la Modelación Matemática y Optimización 109

El caso de función objetivo no acotada es un caso donde no existe solución ÓPTIMA, aunque si
existen SOLUCIONES FACTIBLES, a diferencia del caso de “NINGUNA SOLUCIÓN FACTIBLE”.

En la práctica puede presentarse este caso cuando se ha olvidado incluir en el modelo alguna
restricción. En este problema faltó acotar la variable X3. Obsérvese que este modelo corresponde al
caso de la refinería (Problema No. 16 de la colección de problemas), donde la demanda es mínima y
lo que puede comprarse a otros proveedores es ilimitado, lo cual obviamente no es real. La
corrección a esta situación sería limitar la cantidad de barriles de gasolina que pueden comprarse a
otros proveedores, bien sea por su capacidad limitada, por la demanda finita, o por cualquier otra
razón. Esto permitiría encontrar una solución óptima en este problema.

Ejemplo 3.4 : NINGUNA SOLUCIÓN FACTIBLE

Maximizar Z = 10 X 1 + 15 X 2 + 12 X 3
Sujeto a : 5 X 1 + 3X 2 + X 3 ≤ 144
− 5 X 1 + 6 X 2 + 15 X 3 ≤ 240
2X1 + X 2 + X 3 ≥ 80
(X1, X 2 , X 3 ) ≥ 0

Forma estándar con variables artificiales:

Maximizar Z = 10 X 1 + 15 X 2 + 12 X 3 − MA
Sujeto a : 5 X 1 + 3 X 2 + X 3 + S1 = 144
− 5 X 1 + 6 X 2 + 15 X 3 + S2 = 240
2X1 + X 2 + X 3 − S 3 + A = 80
( X 1 , X 2 , X 3 , S1 , S 2 , S 3 ) ≥ 0; A var iable artificial

En este caso los tableros Simples serían los siguientes:


110 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

C j → 10 15 12 0 0 0 −M

Var.
CB XB X1 X2 X3 S1 S2 S3 A θ
Básicas
S1 0 144 5 3 1 1 0 0 0 28.8
S2 0 240 -5 6 15 0 1 0 0
NO
A -M 80 2 1 1 0 0 -1 1 40

Zj -80M -2M -M -M 0 0 M -M
Z j −Cj -2M-10 -M-15 -M-12 0 0 M 0

X1 10 144/5 1 3/5 1/5 1/5 0 0 0 144


S2 0 384 0 9 16 1 1 0 0 24
A -M 112/5 0 -1/5 3/5 -2/5 0 -1 1 37.3

M − 3M 2M
Zj − 112 M +6 +2 +2
5
+ 288 10 5 5 5 0 M -M
Z j −Cj 0 M
− 9
− 3M
− 10 2M
+2
0 M 0
5 5
5

X1 10 24 1 39/80 0 3/16 -1/80 0 0


X3 12 24 0 9/16 1 1/16 1/16 0 0
A -M 8 0 -43/80 0 -7/16 -3/80 -1 1

7 M 21 3M 5
Zj 43M 93
+ + +
- 8M + 528 10 80 8 12 16 8 80 8 M -M
Z j −Cj 43M 27
− 0 7 M 21
+ 3M 5
+
M 0
80 8 16 8 80 8

Obsérvese que en el tablero No. 3 se cumple el criterio de parada (O sea Zj – Cj ≥ 0 ∀j), pero existe
una variable artificial en la base a nivel positivo (A = 8); por lo tanto, el problema NO tiene SOLUCIÓN
FACTIBLE ALGUNA.

Obsérvese, además, que en el primer tablero se presenta un caso en el cual no debe tenerse en
cuenta el cociente, ya que y sk = −5 < 0 .
Introducción a la Modelación Matemática y Optimización 111

3.5.2 El método de las dos fases [Ver Taha (1997), página 92]

Este método elimina el problema de trabajar con la “Gran M” y los errores de redondeo
asociados. El método comprende las siguientes fases:

FASE I: Trata de encontrar una solución básica factible inicial.


Aquí siempre se minimiza la suma de las variables artificiales, independientemente de si el problema
es de MAXIMIZACIÓN o de MINIMIZACIÓN, sujeto a las restricciones del problema original. Hay dos
posibilidades:
a) La suma óptima de las variables artificiales es igual a cero, entonces se continua con
la fase II.
b) Si el valor óptimo de la función objetivo es mayor que cero, entonces el problema
original no tiene ninguna solución factible.
FASE II: Se cambia la función objetivo a la función objetivo original y se utiliza la solución básica
factible encontrada en la fase I, se comprueba el criterio de parada y se continúa iterando
normalmente, si es necesario.

Ejemplo 3.5 [páginas 87 y 92 de Taha (1997)]:

Minimizar Z = 4X1 + X 2
Sujeto a : 3X1 + X 2 = 3
4 X1 + X 2 ≥ 6
X1 + 2 X 2 ≤ 4
( X 1, X 2 ) ≥ 0

El modelo se transforma como sigue para iniciar el método de las dos fases:

Minimizar Z ' = A1 + A2
sujeto a : 3 X 1 + X 2 + A1 =3
4 X 1 + 3X 2 − S1 + A2 =6
X1 + 2X 2 + S2 = 4
( X 1 , X 2 , S1 , S 2 ) ≥ 0; A1 , A2 Var. Artificiales
112 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Cj → 0 0 0 0 1 1

Var.
CB XB X1 X2 S1 S2 A1 A2 θ
Básicas
A1 1 3 3 1 0 0 1 0 3/3 = 1
A2 1 6 4 3 -1 0 0 1 6/4 = 1.5
S2 0 4 1 2 0 1 0 0 4/1 = 4

Zj 9 7 4 -1 0 1 1
Z j −Cj 7 4 -1 0 0 0

X1 0 1 1 1/3 0 0 1/3 0 3
A2 1 2 0 5/3 -1 0 -4/3 1 1.2
S2 0 3 0 5/3 0 1 -1/3 0 1.8

Zj 2 0 5/3 -1 0 -4/3 1
Z j −Cj 0 5/3 -1 0 -7/3 0

Cj 4 1 0 0 0 0 Fin Fase I

X1 4 3/5 1 0 1/5 0 3/5 -1/5 3


X2 1 6/5 0 1 -3/5 0 -4/5 3/5 NO
S2 0 1 0 0 1 1 1 -1 1

Zj 18/5 4 1 1/5 0
Z j −Cj 0 0 1/5 0

X1 4 2/5 1 0 0 -1/5
X2 1 9/5 0 1 0 3/5
S1 0 1 0 0 1 1

Zj Fin
17/5 4 1 0 -1/5
Fase
Z j −Cj 0 0 0 -1/5
II

Solución Óptima Única → X *1 = 2 / 5, X *2 = 9 / 5, Z *mín = 17 / 5


Introducción a la Modelación Matemática y Optimización 113

4. TEORÍA DE DUALIDAD

El problema dual puede definirse en forma matemática. Sin embargo, es adecuado comenzar
por una interpretación económica.

Supóngase que en una empresa se producen dos artículos: 1 y 2. Las utilidades netas unitarias son
respectivamente, 35 y 80 u.p/unidad. Los requerimientos unitarios y la disponibilidad de las máquinas
son:

hr.máq.1 hr.máq.2
ARTICULO
unidad unidad
1 2 5
2 3 4
Disponibilidad 300 500

El modelo de PL correspondiente para este enunciado sería:

MAXIMIZAR Z = 35 X 1 + 80 X 2
Sujeto a :
2 X 1 + 3 X 2 ≤ 300 (Recurso 1) (Problema Primal)
5X 1 + 4X 2 ≤ 500 (Recurso 2)
(X1 , X 2 ) ≥ 0

Donde: X1= Número de artículos tipo 1 a producir, X2 = Número de artículos tipo 2 a producir. A este
problema anterior se le denomina problema primal.
Ahora, los recursos, en este caso las máquinas, pueden ser dedicados a otra actividad diferente a la
de producir los artículos 1 y 2. Para ello, sean:

W1 → u.p/unidad de recurso 1 → u. p / hr.máq.1


W2 → u.p/unidad de recurso 2 → u. p / hr.máq.2
Los W1, W2 se denominan precios sombra o costos de oportunidad y representan el valor de un
recurso cuando se dedica a la mejor alternativa posible.
Los coeficientes 2,5,3 y 4 son unidades de recurso Ri necesarias para la producción de una
unidad de artículo i (i = 1,2). Si se efectúa el producto:
unid .R1 u. p u. p
2W1 ⇒ × =
unid . prod .1 unid .R1 unid . prod .1
y el producto:
114 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

unid .R2 u. p u. p
5W2 ⇒ × =
unid . prod .1 unid .R2 unid . prod .1
y, si se efectúa la suma:
2W1 + 5W2 ⇒ Ganancia obtenida si los recursos
se dedican a otra actividad [u.p/unid. prod. 1]
Por lo tanto, debe esperarse que:
2W1 + 5W2 ≥ 35 [u.p/unid. prod. 1]
y, análogamente:
3W1 + 4W2 ≥ 80 [u.p/unid. prod. 2]

Para hallar la función objetivo del problema que se está construyendo a partir del problema
primal, puede pensarse así: se desea minimizar el costo total de los recursos involucrados en
las otras actividades. Así, el problema dual es:

MINIMIZAR Z ' = 300W1 + 500W2


Sujeto a :
2W1 + 5W2 ≥ 35 (Problema Dual)
3W1 + 4W2 ≥ 80
(W1 , W2 ) ≥ 0

La solución del problema dual da la información acerca de los “costos de oportunidad” de


los recursos o “precios sombra”, es decir, la tasa a la cual podría incrementarse (o decrecer)
la función objetivo del problema primal, incrementando (o disminuyendo) ligeramente la
cantidad de recurso. Esto será aclarado más adelante.
Por lo tanto, la solución del problema dual da una valiosa información: el precio unitario
adicional máximo que puede pagarse por cada unidad adicional de recurso escaso. Esto se
concluye de la propia definición de la función objetivo del problema dual, ya que, como se
verá posteriormente, el valor óptimo de la función objetivo del problema primal es igual al
valor óptimo de la función objetivo del problema dual ( o sea Zmáx = Z'mín). Matricialmente
estos dos problemas pueden definirse como:

MAX Z = CX MIN Z ' = W T b


Sujeto a : AX ≤ b Sujeto a : W T A ≥ C
(4.1) 14 (4.2)
X≥0 W≥0
Problema Primal Problema Dual

14
Más adelante se verá que cualquier problema de PL tiene su dual asociado. Sin embargo, para
hallarlo debe estar en la forma mostrada, o sea con función objetivo de maximización y restricciones
menor ó igual (≤).
Introducción a la Modelación Matemática y Optimización 115

4.1 RELACIONES ENTRE LOS PROBLEMAS PRIMAL Y DUAL.

TEOREMA 4.1: Sean X y W dos soluciones factibles del problema primal y dual, respectivamente;
entonces se cumple que:

CX ≤ W T b
Demostración:
Del problema primal:
AX ≤ b
T
Premultiplicando por W :

W T AX ≤ W T b (4.3)
Ahora, del problema dual:
WTA ≥ C
Postmultiplicando por X:

W T AX ≥ CX (4.4)

Si se combinan las desigualdades (4.3) y (4.4), se obtiene:

CX ≤ W T b q.e.d

TEOREMA 4.2: Sean X̂ y Ŵ dos soluciones factibles para los problemas primal y dual
respectivamente. Si se cumple que:
ˆ =W
CX ˆ Tb
entonces X̂ y Ŵ son las soluciones óptimas de los problemas primal y dual respectivamente.

Demostración:
ˆ , W ) . Del Teorema 4.1 se concluye que:
a) Tómese la pareja de soluciones factibles ( X

ˆ ≤ WT b
CX
pero como ˆ =W
CX ˆ T b , por hipótesis, entonces, W
ˆ T b ≤ W T b , donde W T es cualquier solución
ˆ b será el mínimo y es entonces la solución óptima del
factible del problema dual. Por lo tanto, W
T

problema dual.

ˆ ) ; por el Teorema 4.1:


b) Tómese ahora la pareja ( X, W

ˆ Tb
CX ≤ W
Pero:
ˆ =W
CX ˆ T b , por hipótesis.
116 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Luego:
ˆ
CX ≤ CX
ˆ será el máximo y es entonces la
donde X es cualquier solución factible del problema primal. Así, CX
solución óptima del primal (q.e.d).

4.1.1 Solución del Problema Dual

El problema dual asociado a un problema primal está íntimamente ligado a éste. Se va a demostrar
que si se resuelve el problema primal mediante el algoritmo SIMPLEX, el problema dual aparece
resuelto automáticamente en el tablero final. Por lo tanto, basta sólo con resolver uno de los dos
problemas!

Supóngase que se ha resuelto el problema de los transformadores mediante el método SIMPLEX. El


modelo original, problema primal, es el siguiente:

Maximizar Z = 400 X 1 + 700 X 2


Sujeto a :
7
X1 + X 2 ≤ 1400 [hr. hom bre] (R1 )
3
[
X 1 + 1.4 X 2 ≤ 980 hr. maq.q (R2 ) ]
X 1 + X 2 ≤ 900 [hr. maq.2 ] (R3 )
(X1, X 2 ) ≥ 0

El problema dual asociado será, por lo tanto:

MINIMIZAR Z ' = 1400W1 + 980W2 + 900W3


Sujeto a :
W1 + W2 + W3 ≥ 400
7
W1 + 1.4W2 + W3 ≥ 700
3
(W1 , W2 , W3 ) ≥ 0
El tablero final del método SIMPLEX aplicado al problema primal es el siguiente
(Compruébelo!!):
Introducción a la Modelación Matemática y Optimización 117

Var.
CB XB X1 X2 S1 S2 S3
Básicas
X2 700 450 0 1 15/14 -15/14 0
X1 400 350 1 0 -3/2 5/2 0
S3 0 100 0 0 3/7 -10/7 1

Zj 455000 400 700 150 250 0


Z j −Cj 0 0 150 250 0

Solución óptima del


problema dual asociado

Se va a plantear la hipótesis de que la solución óptima del problema dual aparece debajo de la inversa

de la base óptima, en la fila de los Zj ( o sea que la solución óptima del dual es
C B B −1 ).

Las condiciones de optimalidad del primal son:


Z j − C j ≥ 0, ∀j
Esto es equivalente a decir:
C B B −1a ≥C
j j

O, en forma compacta:
C B B −1 A ≥ C

Si W
T
= C B B −1 , entonces W T A ≥ C

Con lo que se conseguiría cumplir con las restricciones del dual. Obsérvese que las condiciones de
optimalidad del problema primal son equivalentes a las condiciones de factibilidad del problema dual.

Falta por demostrar que la solución del dual propuesta satisface las condiciones de no negatividad y el
valor óptimo de la función objetivo.
En particular para las variables de holgura, las cuales forman la matriz idéntica, se cumple que:

C B B −1I ≥ 0

pues sus coeficientes en la función objetivo son iguales a cero. Luego, si W


T
= C B B −1 , se cumple
que:

WT ≥ 0 ,
o sea que se trata de una solución factible del problema dual. Pero, será la óptima??
118 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Si se evalúa el valor de la función objetivo para esta solución, se obtiene:

Z1 = W T b = C B B −1b = C B X B = Z
Luego, de acuerdo con el Teorema 4.2 dicha solución debe ser óptima. (q.e.d)

Conclusión: la solución óptima del problema dual aparece en el tablero final SIMPLEX del problema
primal en la fila de los Zj, debajo de las columnas que forman la inversa de la base óptima., o sea que

W T = C B B −1 .

Para el problema de los transformadores, la solución óptima del problema dual asociado es:

W1 = 150 W2 = 250 W3 = 0 Z l mín = 455000


O sea que si se incrementa en 1 unidad el recurso hora-hombre, la función objetivo se incrementaría
en 150. Si se incrementa en una unidad el recurso hora-máquina1, la función objetivo se incrementaría
en 250, pero si se incrementa el recurso hora-máquina2, la función objetivo permanecería constante ya
que se trata de un recurso sobrante. Lo anterior es válido solo dentro de cierto rango, lo que se
verá más adelante. En otras palabras, lo máximo que estaría dispuesto a pagarse adicionalmente por
casa unidad extra de hora-hombre y de hora-máquina1 (recursos escasos) sería $150 y $250
respectivamente.

4.1.2 El problema dual adaptado a otros modelos de Programación Lineal

Se va a desarrollar la forma de obtener el problema dual de cualquier modelo de programación lineal.

Considérese, por ejemplo:


MIN Z = 3X 1 + 5 X 2
Sujeto a : X1 ≤ 4
2 X 2 = 12
3 X 1+2 X 2 ≥ 18
(X1, X 2 ) ≥ 0
Para obtener el problema dual, el modelo debe llevarse a la forma dada en el modelo
generalizado (4.1). La función objetivo se multiplica por (-1) y queda entonces convertida a
una función de Maximización. Las restricciones de ≥ basta con multiplicarlas por (-1) y las
restricciones de igualdad se reemplazan por dos restricciones de desigualdad: una de ≥ y otro
de ≤. Nótese que aquí no interesa que queden valores negativos en los términos del lado
derecho (Vector b)

Así, el modelo del ejemplo anterior quedaría:


Introducción a la Modelación Matemática y Optimización 119

Maximizar U = − 3 X 1 − 5 X 2
Sujeto a :
X1 ≤4
2 X 2 ≤ 12
− 2 X 2 ≤ −12
− 3 X 1 − 2 X 2 ≤ −18
(X1, X 2 ) ≥ 0
Por lo tanto, el problema dual asociado sería:

Minimizar Z ' = 4W1 + 12(W2 − W3 ) − 18W4


Sujeto a :
W1 − 3W4 ≥ −3
2(W2 − W3 ) − 2W4 ≥ −5
(W1 ,W2 ,W3 ,W4 ) ≥ 0

Obsérvese que las variables duales W2 y W3 aparecen siempre en la forma (W2 − W3) y por lo
tanto podrían ser reemplazadas por una sola variable W= W2 − W3 no restringida en signo.

Conclusión: La variable dual asociada a una restricción de igualdad del problema primal,
aparece en el problema dual asociado como una variable no restringida en
signo.

4.1 3 Otras propiedades del problema dual

Propiedad de simetría: El problema dual del dual es el problema primal original.

Principio de holgura complementaria:

a) Si una variable de holgura Si (añadida a la i-ésima restricción) del problema primal aparece
como básica en la solución óptima del problema primal, entonces la correspondiente
variable dual Wi tomará valor cero en la solución óptima del dual.

b) Si la variable de decisión Xj (no de holgura) aparece como básica en la solución óptima del
primal, entonces en la correspondiente solución óptima del dual la j-ésima restricción
dual es una igualdad estricta, o, equivalentemente, su variable dual de holgura asociada es
igual a cero.
120 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

4.2 APLICACIONES DE LA TEORÍA DE DUALIDAD

Las aplicaciones más importantes de la teoría de dualidad son:

a) Interpretación económica del problema primal (ya ilustrada).


b) Ahorro en cálculos en la solución de modelos de PL.
c) Algoritmo SIMPLEX dual.
d) Utilidad en análisis de sensibilidad.

Se ilustrará a continuación las aplicaciones (b) y (c) y, posteriormente en una sección


independiente, la (d).

4.2.1 Ahorro en cálculos

Supóngase que se tiene que resolver el problema:

MAX Z = 4 X 1 + 3X 2
Sujeto a : X1 ≤6
X2 ≤ 8
X1 + X2 ≤ 7
3 X 1 + X 2 ≤ 15
− X2 ≤1
(X1, X 2 ) ≥ 0
Obsérvese que el problema tiene dos variables de decisión y cinco restricciones. Así, las bases
serían de orden m = 5. Pero, si se plantea el problema dual asociado, tendría cinco variables
duales y dos restricciones, por lo tanto se trabajaría con bases de orden 2, lo cual es más
manejable manual y computacionalmente. Obviamente, esta aplicación adquiere mucho más
sentido en grandes problemas que se presentan en la vida real.

Ejercicio: Plantee el correspondiente problema dual asociado y resuélvalo. Muestre que la


solución óptima del dual es:
5 1 l
W1 = W2 = W5 = 0 W3 = W4 = Z mín = 25
2 2
Y que la solución óptima del primal es:
X 1 = 4 X 2 = 3 Zmáx = 25
Ilustre con este ejemplo el principio de holgura complementaria.

4.2.2 El algoritmo SIMPLEX dual

El algoritmo SIMPLEX normal mantiene la factibilidad y busca la optimalidad. El algoritmo


SIMPLEX dual mantiene el criterio de optimalidad y trata de buscar la factibilidad. Este
Introducción a la Modelación Matemática y Optimización 121

algoritmo puede aplicarse si al comienzo del proceso se cumplen las condiciones de


OPTIMALIDAD, bajo una solución NO-FACTIBLE.

Las reglas para el algoritmo SIMPLEX dual son:

a) Se busca primero la variable candidata a salir de la base: sale de la base aquella variable
cuyo valor sea “el más negativo” (la “menos factible”).
b) Para saber cual variable entra a la base se calcula:

Z j −Cj
θ= ; y kj < 0 y se escoge el valor MINIMO (para problemas de MINIMIZACION)
y kj
Zj −Cj
θ= ; y kj < 0 y se escoge el valor MINIMO (para problemas de MAXIMIZACION)
y kj
donde k es el subíndice asociado a la variable que va a salir de la base.
c) La reducción de Gauss-Jordan es semejante a la del algoritmo SIMPLEX normal.

Ejemplo 4.1: aplicar el algoritmo SIMPLEX dual para resolver el siguiente modelo de
programación lineal:
MIN Z = 16 X 1 + 11X 2 + 15 X 3
Sujeto a : 2X1 + X 2 + X 3 ≥ 3
X 1 + 2 X 2 + 3X 3 ≥ 5
(X1, X 2 , X 3 ) ≥ 0
Obsérvese que si se fuera a resolver mediante el algoritmo SIMPLEX normal, se necesitarían
dos variables artificiales para crear la base inicial. El procedimiento mediante el método
SIMPLEX dual es como sigue:

MIN Z = 16 X 1 + 11X 2 + 15 X 3
Sujeto a : 2 X 1 + X 2 + X 3 − S1 = 3
X 1 + 2 X 2 + 3X 3 - S2 = 5
( X 1 , X 2 , X 3 , S1 , S 2 ) ≥ 0

Y ahora, multiplicando por (-1) a ambas igualdades, se obtiene:

MIN Z = 16 X 1 + 11X 2 + 15 X 3
Sujeto a : - 2 X 1 - X 2 - X 3 + S1 = -3
- X 1 - 2 X 2 - 3X 3 + S 2 = -5
( X 1 , X 2 , X 3 , S1 , S 2 ) ≥ 0

En este caso, los tableros correspondientes serían los siguientes:


122 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Cj
16 11 15 0 0
Variables
CB XB X1 X2 X3 S1 S2
Básicas
S1 0 -3 -2 -1 -1 1 0
S2 0 -5 -1 -2 -3 0 1

Zj 0 0 0 0 0 0 Se satisfacen
Z j −Cj -16 -11 -15 0 0 condiciones de
optimalidad
16 5.5 5
θ
S1 0 -4/3 -5/3 -1/3 0 1 -1/3
X3 15 5/3 1/3 2/3 1 0 -1/3

Zj 25 5 10 15 0 -5
Se mantiene
Z j −Cj -11 -1 0 0 -5 optimalidad
6.6 3 15
θ
X2 11 4 5 1 0 -3 1
X3 15 -1 -3 0 1 2 -1

Zj 29 10 11 15 -3 -4
Z j −Cj -6 0 0 -3 -4 Se mantiene
optimalidad
2 NO 4
θ
X2 11 7/3 0 1 5/3 1/3 -2/3
Se logro la
X1 16 1/3 1 0 -1/3 -2/3 1/3 factibilidad:
SOLUCIÓN
Zj 31 16 11 13 -7 -2 ÓPTIMA
Z j −Cj 0 0 -2 -7 -2

Luego la solución óptima del problema es:

X1=1/3, X2=7/3, X3=0, S1=0, S2=0, Zmín = 31.

Nota al algoritmo SIMPLEX DUAL: el algoritmo SIMPLEX DUAL reconoce la no


factibilidad en el problema primal cuando la regla del cociente θ falla para identificar la
variable que debe entrar, o sea que el SIMPLEX DUAL asegura que el problema primal no
tiene solución factible alguna, si todos los coeficientes de la fila correspondiente a la variable
que va a salir son mayores o iguales a cero.
Introducción a la Modelación Matemática y Optimización 123

5. ANÁLISIS DE SENSIBILIDAD

Dado un problema de PL de la forma:


MAX Z = CX
Sujeto a : AX ≤ b
X≥0
pueden ocurrir variaciones en los valores de sus parámetros C, A y b.

En el análisis de sensibilidad se estudia básicamente:

a) Cambios en los coeficientes de la función objetivo (Vector C)


b) Cambios en los valores del lado derecho (Vector b)
c) Cambios en las columnas de la matriz A.
d) Adición de una nueva variable.
e) Adición de una nueva restricción.

Cuando se produce un cambio en algún valor de un parámetro de un modelo de programación


lineal puede ocurrir una de dos cosas (ó ambas, ó ninguna):

- Se afecta la factibilidad, dada por: X B = B −1b; X B ≥ 0

- Se afecta la optimalidad, dada por: Z j − C j ≥ 0 (Maximización); C B B −1 a −C ≥0


j j

Así, los cambios en el vector b pueden afectar la factibilidad y los cambios en los coeficientes
de la función objetivo y de algunas de las columnas de la matriz A pueden afectar la
optimalidad.
Todos estos cambios presuponen que la matriz base óptima B va a permanecer sin cambios, ya
que si se afecta la base puede dañarse la factibilidad y la optimalidad simultáneamente, y
puede ser preferible volver a resolver el problema desde un comienzo.

5.1 CAMBIOS EN EL VECTOR C (Coeficientes de la función objetivo)

5.1.1 Cambios en los coeficientes de la función objetivo de una variable no básica.

En este caso los Z j no cambian pues el CB permanece constante; sólo cambian los C j .
* *
Si C j va a cambiar a C j , entonces debe cumplirse que Z j − C j ≥ 0 (Maximización) para
que la solución siga siendo óptima. Si se rompe el criterio de optimalidad, entonces se sigue
iterando con el algoritmo SIMPLEX normal a partir de ese punto.

5.1.2 Cambios en los coeficientes de la función objetivo de una variable básica.


124 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

En este caso, dado que cambia el vector C B , cambian los C j . Por lo tanto, éstos deben
recalcularse para investigar las condiciones de optimalidad.
Si Z j cambia a Z j , debe chequearse que Z j − C j ≥ 0 (Maximización) .15 Si el criterio de
* *

optimalidad se rompe, debe seguirse iterando con el algoritmo SIMPLEX normal.

5.2 CAMBIOS EN EL VECTOR b (Vector de recursos)

En este caso no se afecta la optimalidad, pero puede afectarse la factibilidad. Si se verifica


que la nueva solución:
*
X B = B − 1b *

es mayor o igual que cero, o sea factible, entonces la composición de la solución óptima sigue
siendo la misma, aunque cambian algunos valores (ó todos). En otras palabras, las variables
básicas actuales siguen siendo básicas.
*
Si se da que algún componente de X B es ≤ 0, entonces se rompe la factibilidad y debe
seguirse iterando con el algoritmo SIMPLEX DUAL hasta restablecer la factibilidad, y así
cambiaría la base óptima.

Lo enunciado anteriormente en la teoría de dualidad acerca del incremento (o


decrecimiento) de la función objetivo por cada unidad adicional (o de menos) de recurso
(interpretación económica del problema dual), es válido en el rango para el cual la base
óptima sigue siendo la misma.

Ahora, el nuevo vector b* puede escribirse así:


b * = b + ∆b
B −1 b * = B −1 b + B −1 ∆ b
[Nueva solución] = [Solución actual] + [Cambio en solución]
Esta forma de obtención de la nueva solución facilita los cálculos.

5.3 CAMBIOS EN LAS COLUMNAS DE LA MATRIZ A

Se va a estudiar el cambio de una sola columna a la vez: aj cambia por a j* .


5.3.1 Cambios en una columna no básica de A

Si aj es la columna correspondiente a una variable no básica, entonces no se afecta la


factibilidad, pero puede afectarse la optimalidad. Simplemente se calcula la nueva columna:
Y j = B −1a *
*
j
Y se recalcula:
* *
Z j = CBYj

*
15
Obsérvese que los Z j − C j de las variables básicas se mantienen iguales a cero.
Introducción a la Modelación Matemática y Optimización 125

*
y se chequea si ( Z j − C j ) sigue cumpliendo la condición de optimalidad. Si se cumple dicha
condición, la solución actual sigue siendo óptima; si no se cumple, entonces se continua
iterando con el algoritmo SIMPLEX normal, hasta obtener las condiciones de optimalidad.

5.3.2 Cambios en una columna básica de A.

Si aj es la columna correspondiente a una variable básica, entonces “se daña” la base B y su


-1
inversa B . En este caso, generalmente es preferible volver a empezar el problema.

5.4 INTRODUCCIÓN DE UNA NUEVA VARIABLE

Al introducir una nueva variable de decisión, se tendría:


Nueva variable: Xn+1
Coeficiente en la función objetivo: Cn+1
Nueva columna de A: an+1
Entonces se calcularía:
Yn +1 = B −1 a
n +1
Z n +1 = C B Yn +1
y se chequearía si ( Z n +1 − C n +1 ) cumple con la condición de optimalidad. Si cumple, la
solución actual sigue siendo óptima; de lo contrario, esta nueva variable debe entrar a la base,
y así, debe continuarse con el algoritmo SIMPLEX normal hasta obtener de nuevo las
condiciones de optimalidad.

Obsérvese que este caso puede tratarse como si la columna original an +1 hubiera sido de
ceros y estuviera cambiando a los valores dados.

5.5 INTRODUCCIÓN DE UNA NUEVA RESTRICCIÓN

En este caso se pasa de (m) a (m+1) restricciones. Entonces puede ocurrir una de dos cosas:

a) Si la solución óptima actual satisface la nueva restricción, entonces ésta sigue siendo la
solución óptima, ya que una nueva restricción sólo lograría eliminar algunas soluciones
básicas factibles anteriores, pero nunca adicionaría nuevas.
b) Si no se satisface la nueva restricción, entonces la presente solución NO es factible. Por lo
tanto, debería determinarse la nueva base B ( m +1)×( m +1) y hallar su inversa mediante Gauss–

ˆ B = B −1 ( m +1) b ( m +1) y, lógicamente, se rompería la


Jordan. Posteriormente se hallaría X

factibilidad. Por lo tanto, se seguiría iterando mediante el algoritmo SIMPLEX DUAL,


hasta restablecer la factibilidad.
126 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

NOTA: Si la nueva restricción es de desigualdad, entonces se añade también una variable de


holgura, la cual pasa a ser básica y se encuentra la nueva inversa de la base mediante
las operaciones de Gauss - Jordan. Si la nueva restricción es de igualdad, entonces se
hace necesaria la introducción de una variable artificial, la cual necesariamente
pasaría a ser básica. Además, se le asignaría el coeficiente “M” (con su signo
respectivo) y se hace necesario también verificar la optimalidad.

Ejemplo 5.1: Considérese el problema:


MAX Z = 3 X 1 + 5 X 2
Sujeto a : X 1 ≤4
2 X 2 ≤ 24
3 X 1 + 2 X 2 ≤ 18
(X1, X 2 ) ≥ 0
Cuya forma estándar es:
MAX Z = 3 X 1 + 5 X 2
Sujeto a : X 1 + S1 =4
2X 2 + S2 = 24
3X 1 + 2 X 2 + S 3 = 18
( X 1 , X 2 , S1 , S 2 , S3 ) ≥ 0

El tablero óptimo de este problema es el siguiente (Verifíquelo):

Cj 3 5 0 0 0
Variables
CB XB X1 X2 S1 S2 S3
Básicas
S1 0 4 1 0 1 0 0
X2 5 9 3/2 1 0 0 ½
S2 0 6 -3 0 0 1 -1

Zj 45 15/2 5 0 0 5/2
Z j −Cj 9/2 0 0 0 5/2

Supóngase que se va a introducir la nueva restricción: 2 X 1 + 3 X 2 ≤ 24 , la cual no cumple


con la solución óptima actual ya que: 2(0) + (3) (9) = 27 > 24. Entonces, la forma estándar de
esta nueva restricción sería: 2 X 1 + 3 X 2 + S 4 = 24 .
Luego, el nuevo tablero, adicionando la nueva restricción y recalculando la inversa para seguir
con el SIMPLEX DUAL, es el siguiente:
Introducción a la Modelación Matemática y Optimización 127

Cj 3 5 0 0 0 0
Variables
CB XB X1 X2 S1 S2 S3 S4 Entra como
Básicas variable básica
S1 0 4 1 0 1 0 0 0 Obsérvese
X2 5 9 3/2 1 0 0 ½ 0 que X2 es
básica, pero
S2 0 6 -3 0 0 1 -1 0 su columna es
S4 0 24 2 3 0 0 0 1 [0 1 0 3],
luego, debe
S1 0 4 1 0 1 0 0 0 corregirse
X2 5 9 3/2 1 0 0 ½ 0 mediante
Gauss-Jordan
S2 0 6 -3 0 0 1 -1 0
S4 0 -3 -5/2 0 0 0 -3/2 1

Zj 45 15/2 5 0 0 5/2 0
Z j −Cj 9/2 0 0 0 5/2 0
1.8 1.66
θ Aquí se toma el θ
en valor absoluto
S1 0 4 1 0 1 0 0 0 (Maximización)
X2 5 8 2/3 1 0 0 0 1/3
S2 0 8 -4/3 0 0 1 0 -2/3 NUEVA
SOLUCIÓN
S3 0 2 5/3 0 0 0 1 -2/3 ÓPTIMA
Zj 40 10/3 5 0 0 0 5/3
Z j −Cj 1/3 0 0 0 0 5/3

Obsérvese que el nuevo valor óptimo de la función objetivo es Z*máx = 40 < 45 (Valor
anterior), como es de esperarse al añadir una nueva restricción que vuelva al problema no-
factible.

5.6 EJEMPLO DE APLICACIÓN DE ANÁLISIS DE SENSIBILIDAD


Una industria fabrica tres tipos de productos: A1, A2 y A3. El proceso de fabricación exige su
paso por tres talleres sucesivamente: T1, T2 y T3, los cuales tienen cierta capacidad de trabajo.
Existen limitaciones en el mercado que determinan la demanda máxima de cada uno de los
productos. La información disponible es la siguiente (los requerimientos están en HR/UNID):
128 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

REQUERIMIENTOS Capacidad Taller


TALLER
A1 A2 A3 [ HR/AÑO ]
T1 100 500 400 12,000
T2 500 1,000 800 18,000
T3 600 - 1,000 6,000
Demanda
máxima Anual 10 8 10
Beneficio
[ $/Unidad ] 150,000 200,000 240,000

a) ¿Qué programa de producción es el óptimo?


b) Analizar las siguientes alternativas para mejorar la producción:

1. Incrementar la capacidad del taller T3, introduciendo una nueva máquina que añade
6000 hr/año de capacidad con un costo de $1’020.000 anuales.
2. Una inversión en publicidad que vale $700.000 anuales y que podría cambiar las
demandas en 20, 14 y 10 respectivamente (o sea que las nuevas demandas serían 30,
22 y 20, respectivamente).
3. Una investigación que cuesta $1’200.000 al año y que permitiría disminuir el tiempo
requerido en el taller T3 para el producto A3, de 1000 a 500 hr/unidad.
4. Un esfuerzo técnico por reducir los costos, aumentando el beneficio unitario del
producto A3 en $60.000/unidad. El costo de amortización durante la vida remanente de
fabricación del producto sería de $400.000/año.
Nota: las alternativas NO son mutuamente excluyentes, o sea que podría estudiarse
combinación de ellas.

5.6.1 Planteamiento y solución del modelo

Sean Xi = Unidades del producto i a fabricar; i = 1, 2, 3. El modelo de PL entonces sería:


Introducción a la Modelación Matemática y Optimización 129

MAX Z = 150000 X 1 + 200000 X 2 + 240000 X 3 [$ / Año]


Sujeto a : 100 X 1 + 500 X 2 + 400 X 3 ≤ 12000 [ Hr / Año] T1
500 X 1 + 1000 X 2 + 800 X 3 ≤ 18000 [ Hr / Año] T2
600 X 1 + 1000 X 3 ≤ 6000 [ Hr / Año] T 3
X1 ≤ 10 (demanda de A1)
X2 ≤ 8 (demanda de A2)
X 3 ≤ 10 (demanda de A3)
(X1, X 2 , X 3 ) ≥ 0

La forma estándar correspondiente es:

MAX Z | = 3 X 1 + 4 X 2 + 4.8 X 3 con Z = 50000Z ′ 16

Sujeto a : 100 X 1 + 500 X 2 + 400 X 3 + S1 = 12000


500 X 1 + 1000 X 2 + 800 X 3 + S2 = 18000
600 X 1 + 1000 X 3 + S3 = 6000
X1 + S4 = 10
X2 + S5 =8
X3 + S6 = 10
( X 1 , X 2 , X 3 ) ≥ 0; S j ≥ 0; j = 1,2,...,6

El lector debe comprobar que la solución óptima única viene expresada en el siguiente tablero
final óptimo:

Cj 3 4 4.8 0 0 0 0 0 0
Var.
Básicas
CB XB X1 X2 X3 S1 S2 S3 S4 S5 S6
S1 0 7000 0 0 0 1 0 -0.4 140 -500 0
Solución S2 0 5000 0 0 0 0 1 -0.8 -20 -1000 0
óptima
X3 4.8 0 0 0 1 0 0 0.001 -0.6 0 0
degenerada
(X3=0 X1 3 10 1 0 0 0 0 0 1 0 0
y básica) X2 4 8 0 1 0 0 0 0 0 1 0
S6 0 10 0 0 0 0 0 -0.001 0.6 0 1
Zj
62 3 4 4.8 0 0 .0048 0.12 4 0
Z j − Cj 0 0 0 0 0 .0048 0.12 4 0

Solución óptima del problema dual Inversa de la base óptima ( B −1 )

16
Se ha dividido la función objetivo Z entre 50.000 ( Z ′ = Z / 50000 ) para trabajar más fácilmente.
130 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Luego, la solución óptima única es:

X1=10 (producir 10 unidades/año de A1)


X2=8 (producir 8 unidades/año de A2)
X3=0 (no producir A3)
S1=7000 (sobran 7000 hr/año en T1)
S2=5000 (sobran 5000 hr/año en T2)
S3=0 (se agota la capacidad en T3)
S4=S5=0 (se produce la demanda máxima de A1 y A2)
S6=10 (dejan de producirse 10 unidades/año de A3)
Z | máx = 62 ⇒ Z máx = 62 × (50000) = $3.1 × 106 por año

La solución óptima del dual es la siguiente:

w1=0
w2=0
w3=(0.0048)(50000)=240 17
w4=(0.12)(50000)=6.000
w5=(4)(50000)=200.000
w6=0

Es importante notar que algunos solucionadotes como WinQSB pueden dar una solución
diferente a la anterior, ya que en el penúltimo tablero simplex se presenta un empate en la
regla de salida.

Conclusiones de la solución del dual:

- El tiempo en los talleres T1 y T2 sobra; por lo tanto el costo de oportunidad de estos


recursos es cero.
- Lo máximo adicional que se puede pagar en el mercado por cada hora adicional del taller
T3 es $240/hr.
- Por cada unidad potencial que se aumente la demanda de A1 y A2, se obtendrían
beneficios adicionales de $6.000 y $200.000, respectivamente.
- Aumentando la demanda potencial de A3 no se logra ningún provecho, ya que de hecho se
han dejado de producir 10 unidades de este producto.

5.6.2 Análisis de las alternativas

17
Obsérvese que la solución del problema dual debe multiplicarse también por 50.000 , al igual que el
valor real óptimo de la función objetivo.
Introducción a la Modelación Matemática y Optimización 131

1. Incrementar la capacidad T3 en 6000 hr/año con un costo de $1’020.000/año.


Este caso corresponde a un cambio en el vector b.

b = [12000 18000 6000 10 8 10]T


∆b = [0 0 6000 0 0 0]T
18
∆X B = B −1∆b = [− 2400 − 4800 6 0 0 − 6]T

Luego la nueva solución sería:



X B = X B + ∆X B = [ S1 S2 X 3 X 1 X 2 S6 ]T

X B = [4600 200 6 10 8 4]T

Obsérvese que la nueva solución sigue siendo factible y, por lo tanto, es también óptima. Se
mantienen los niveles de producción de A1 y A2 y ahora si debe producirse A3 (X3=6
unidades/año de A3).

El nuevo valor de la función objetivo es:


Z = [3(10) + 4(8) + 4.8(6)] × 50000 = $4'540.000 / Año
menos el valor de recurso adicional = $1'020.000 / Año
$3'520.000 / Año
Por lo tanto, esta alternativa por sí sola es adecuada (el valor óptimo anterior era de
$3’100.000/año).

Nota: Del análisis dual se concluyó que por cada hora adicional de T3 la función objetivo se
incrementaría en $240/hr·T3. En este caso esto se cumple ya que la base óptima no cambia,
y:
$240
× 600hr·· T 3 = 1'440.000 $ / Año
hr·· T 3
+ 3'100.000 $ / Año
4'540.000 $ / Año
que era lo que se había obtenido.

Este análisis del problema dual será válido si la composición básica de la solución óptima
NO cambia, o sea si la solución permanece factible. Además, obsérvese que se está
pagando:
1'020.000 $ / Año
= $170 / hr < $240 / hr
6000 hr / Año

que es el máximo adicional que estaba dispuesto a pagarse por cada hora adicional en T3, lo
cual confirma aún más lo dicho anteriormente.

18 −1
Tómese B del tablero óptimo de la sección anterior y compruébese este resultado.
132 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Una pregunta que podría surgir es: cuánto es lo máximo que se pueden aumentar las hr/Año
disponibles en T3 para que se siga manteniendo la factibilidad y por lo tanto la función
objetivo crezca a razón de $240/hr·T3?

Para determinar esto se realiza un análisis paramétrico. Sea:

∆b = [0 0 K 0 0 0]T ⇒ ∆X B = B −1 ∆b = [− 0.4 K − 0.8 K 0.001K 0 0 − 0.001K ]T

Luego la nueva solución sería:


7000 − 0.4 K 
5000 − 0.8 K 
 
)ˆ  0 . 001K 
X B = X B + ∆X B =  
 10 
 8 
 
10 − 0.001K 

Pero, como para que se conserve la factibilidad se requiere que X B ≥ 0 , entonces:

7000 − 0.4 K ≥ 0 ⇒ K ≤ 17500


5000 − 0.8 K ≥ 0 ⇒ K ≤ 6250
0.001K ≥ 0 ⇒ K ≥ 0 (Se cumple)
10 ≥ 0 (Se cumple)
8 ≥ 0 (Se cumple)
10 − 0.001K ≥ 0 ⇒ K ≤ 10000

Luego K ≤ 6250 , o sea que para mantener la factibilidad actual y la composición básica
óptima actual se requiere que el incremento positivo en hr/Año de T3 sea máximo 6250 hr.

Este análisis paramétrico lo realiza automáticamente el computador y da los límites inferior


y superior, a través de programas especializados, tales como el WinQSB, AMPL./CPLEX,
etc.

2. Inversión en publicidad: $700.000/Año. Cambio de las demandas máximas en 20, 14 y


10 unidades/año de A1, A2 y A3, respectivamente.
En este caso:

∆b = [0 0 0 20 14 10]T ⇒ ∆X B = B −1 ∆b = [− 4200 − 14400 − 12 20 14 22]T

Y la nueva solución sería:



X B = X B + ∆X B = [ 2800 − 9400 − 12 30 22 32]T
Introducción a la Modelación Matemática y Optimización 133

Luego se rompe la factibilidad y habría que seguir iterando con el algoritmo SIMPLEX
DUAL; el lector debe comprobar que la nueva solución óptima es:
X 1 = 10 X 2 = 13 X 3 = 0 S1 = 4500 S 2 = S 3 = 0 S 4 = 20 S 5 = 9 S 6 = 20
*
Z máx = (82)(50.000) = 4'100.000 $ / Año
− Costo Publicidad = 700.000 $ / Año
$3'400.000/Año

Luego esta alternativa por sí sola es rentable.

Obsérvese que aquí NO se cumple lo previsto por la solución del dual, ya que cambia
base óptima al romperse la factibilidad. De acuerdo al dual la función objetivo debía
incrementarse en:
(6.000)(20) + (200.000)(14) + (0)(10) = 2'920.000

pero sólo se incrementó en 4’100.000-3’100.000 = 1’000.000.

3. Investigación por $1’200.000/Año para reducir los requerimientos de A3 en T3 de 1000


a 500 hr/unidad.
Este cambio corresponde a cambios en las columnas de A. Como X3 es una variable básica
óptima, esto correspondería al cambio de una columna de A correspondiente a una variable
básica, lo cual indicaría que sería mejor resolver de nuevo el modelo. Sin embargo, como
X3 es básica, pero a nivel cero (solución óptima degenerada), es posible que en el penúltimo
tablero se saque a X3 de la base (en vez de a S4). Así, un tablero óptimo alternativo sería:

Cj 3 4 4.8 0 0 0 0 0 0
Var.
CB XB X1 X2 X3 S1 S2 S3 S4 S5 S6
Básicas
S1 0 7000 0 0 700/3 1 0 -1/6 0 -500 0
S2 0 5000 0 0 -100/3 0 1 -5/6 0 -1000 0
X1 3 10 1 0 5/3 0 0 1/600 0 0 0
S4 0 0 0 0 -5/3 0 0 -1/600 1 0 0
X2 4 8 0 1 0 0 0 0 0 1 0
S6 0 10 0 0 1 0 0 0 0 0 1
Zj
62 3 4 5 0 0 1/200 0 4 0
Z j − Cj 0 0 0.2 0 0 1/200 0 4 0

Obsérvese que es la “misma” solución óptima obtenida al comienzo, con la diferencia de


que X3 no aparece en la base óptima (ahora aparece S4 a nivel cero). Obviamente, la inversa
de la base cambia.

Ahora sí, como X3 no es básica, el cambio planteado puede hacerse así:


134 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Z *3 = (C B B −1 )a3* = C B Y3*
O sea:
Z *3 = [0 0 1 / 200 0 4 0]·[ 400 800 500 0 0 1]T = 5 / 2
y así, el nuevo Z *3 − C 3 = 5 / 2 − 4.8 = −2.3 < 0 , luego se rompe la optimalidad. Por lo tanto,
debe continuarse con el algoritmo SIMPLEX normal. Para ello es necesario recalcular a
Y3* , así:
2 1 5 5
Y3* = B −1 a3* = [316 383 − 0 1]T
3 3 6 6

Y luego si se itera con la nueva columna. El lector debe comprobar que la nueva solución
óptima es:

X 1 = 1 23 X 2 = 8 X 3 = 10 S1 = 3833 13 S 2 = 1166 23 S 3 = 0 S 4 = 8 13 S5 = S6 = 0
Z *
máx = (85)(50.000) = 4'250.000 $ / Año
− Costo alternativa = 1'200.000 $ / Año
$3'050.000/Año

Luego la alternativa por sí sola no es rentable económicamente.

Ejercicio: verificar que la nueva solución para la cuarta alternativa es:

X1 = 0 X 2 = 8 X 3 = 6 S1 = 5600 S 2 = 5200 S 3 = 0 S 4 = 10 S 5 = 0 S 6 = 4
*
Z máx = (68)(50.000) = 3'400.000 $ / Año
− Costo alternativa = 400.000 $ / Año
$3'000.000/Año

Luego, por sí sola esta alternativa no sería adecuada. Trate el lector de verificar
combinaciones de alternativas(primero parejas, luego ternas y luego las cuatro) por
computador y llegar a la conclusión de que la mejor alternativa combinada que puede
hacerse es:

Combinar las alternativas 1 + 4, cuya solución óptima es:

X 1 = 3 13 X2 = 8 X 3 = 10
Z *
máx = 5'100.000 $ / Año
− Costo alternativa = 1'420.000 $ / Año
$3'680.000/Año

Todos los análisis de dualidad y de sensibilidad son normalmente determinados por


software comercial de una forma automática, de tal forma que el usuario pueda analizarlos
directamente. Por ejemplo, en el caso del problema de los transformadores, el software
Introducción a la Modelación Matemática y Optimización 135

WinQSB produce el siguiente resultado, el cual coincide obviamente con lo presentado en


las secciones anteriores:

Combined Report for transformadores análisis de sensibilidad

Decision Solution Unit Cost Total Reduced Basis Allowable Allowable


Variable Value Profit c(j) Contribution Cost Status Min. c(j) Max.c(j)

1 TR40VA 350.0 400.0 140,000.0 0 basic 385.7143 500.0000


2 TR75VA 450.0 700.0 315,000.0 0 basic 684.4445 933.3333
3 TR3 0 900.0 0 -12.5 at bound -M 912.5000

Objective Function (Max.) = 455,000.0

Left Hand Right Hand Slack Shadow Allowable Allowable


Constraint Side Dir. Side (Surplus) Price Min. RHS Max. RHS

1 HR_HOMBRE 1,400.0 <= 1,400.0 0 150.0 1,166.667 1,633.333


2 HR_MAQ1 980.0 <= 980.0 0 250.0 840.0 1,050.000
3 HR_MAQ2 800.0 <= 900.0 100.0 0 800.0 M

El Anexo 1 presenta la formulación y solución de un caso completo de optimización en el


área de cadenas de abastecimiento, ilustrando los resultados presentados por el software
WinQSB y también por software más avanzado útil en casos reales, como es
AMPL/CPLEX.

El Anexo 2 contiene fotocopias de capítulos seleccionados sobre el problema del transporte


y una introducción a la teoría de redes.

El tema siguiente, el método simplex revisado puede obviarse inicialmente y retomarse si se


desea profundizar en algunos aspectos de la programación lineal.
136 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

6. EL MÉTODO SIMPLEX REVISADO


Su objetivo es el ahorro de cálculos y la minimización del error de redondeo, a la vez que
optimiza la utilización de la memoria del computador. Esto se cumple especialmente cuando la
matriz A original es lo suficientemente dispersa.

La forma estándar:
MAX Z = CX
sujeto a :
AX = b
X≥0
pasa a:
Z − CX = 0
AX = b
X≥0
Lo anterior puede escribirse matricialmente así:
 1 − C  Z   0 
 0 A   X  = b 
    
lo cual podría incluso verse como:
A | X| = b|

El problema es determinar una solución básica tal que Z sea máximo; por lo tanto Z siempre
será una variable básica. Así, una base cualquiera para este caso sería:

1 − C 1 − C 2 ··· ··· − C k 
0  Se le denomina B1 pues se aumentó
  Su dimensión en 1.
0 
 
 : 
B1 =  

: B 
: 
0 
1 − C B  
B1 =  
0 

0 B 
C B representa los coeficientes de las variables que están en la base (coeficientes de la función
objetivo), en tanto B es la base formada por las columnas correspondientes en las restricciones
(igualdades).

Como B1 es una matriz triangular superior particionada, entonces puede demostrarse


fácilmente que:
Introducción a la Modelación Matemática y Optimización 137

1 C B B −1 
−1  
B1 = 
0 B −1 
 
Ahora supóngase que a (1)
j es una columna de la matriz A original adicionada en el primer
elemento con coeficiente - C j , o sea:
- C j 
 
a (1)
j = 
 aj 
 

Por lo tanto, se puede afirmar que:

1 C B B −1   - C j   - C j + C B B −1 a j 
    
Y 1j = B1
−1
a (1)
j =  = 
0
 B  a j  
−1     B aj
−1 

Pero como el Y j original es B −1 a j y además Z j = C B B −1 a j , se tiene que:


Z j − C j 
 
Y (1)
j = 
 Yj 
 

Por lo tanto el Z j − C j aparece automáticamente durante el proceso sin necesidad de calcular


cada vez primero el Z j y luego el C j .

6.1 MÉTODO SIMPLEX REVISADO SIN VARIABLES ARTIFICIALES


Como en este caso la base inicial está formada por las columnas de las variables de holgura, o
sea que es igual a Ι, se tiene que:
1 CB 
−1
B1 =  

0 I m 
y
(1) −1
X B = B1 b (1)
Pero como los coeficientes de las variables de holgura en la función objetivo son iguales a
cero, entonces:
1 0
B1 =  
−1

0 I m 
Luego:
138 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

0
=  
(1)
XB = I b (1) = b (1)
b 
En cualquier iteración:

(1)  1 C B B −1   0   C B B −1b   Z 
XB = −1    =  −1  =  
0 B  b   B b   X B 

Para iniciar el procedimiento se calculan los ( Z j − C j ) de las variables no-básicas únicamente,


multiplicando la 1ª fila de la inversa B1
−1
por cada columna a (1)
j de las variables no-básicas.
Así, coincidiendo con el criterio de entrada, entra a la base aquella variable nó-básica cuyo
( Z j − C j ) sea “el más negativo”. Si hay un empate, se rompe arbitrariamente.

Luego, se procede a detectar la variable que sale, recordando que Z siempre es básica. Para
lograr esto, se calcula la nueva columna Yk1 , si k es la variable a entrar. Recuérdese que este
cálculo se realiza así:
 Z − CK 
YK(1) = B1(−1) AK(1) =  K 
 YK 

Ya teniendo esta columna se calcula la nueva solución:


 Z 
X B(1) = B1−1b (1) =  
XB 

Y así, se puede aplicar la regla del cociente, saliendo de la base aquella variable cuyo θ sea
mínimo, donde:
X X
θ = Br = B i ; Yik > 0
Yrk Yik

Seguidamente se obtiene la inversa de la base siguiente: esto puede hacerse por operaciones
fila elementales de Gauss-Jordan o mediante el método de hallar una inversa a partir de otra,
en donde las matrices originales sólo difieren en 1 columna (la de la variable que sale de la
base).

En este caso se hará por Gauss-Jordan. Si el lector está interesado en conocer el otro método
puede consultar a Taha (1991)19.

Ejemplo: Resolver el problema de los transformadores mediante el método SIMPLEX


Revisado.

19
TAHA, Hamdy. Investigación de operaciones. Alfa y Omega. 2ª edición, México, 1991. Páginas 273-
282.
Introducción a la Modelación Matemática y Optimización 139

Solución: El modelo en su forma estándar es:

MAX Z = 400 X 1 + 700 X 2


7
Sujeto a : X 1 + X 2 + S1 = 1400
3
X 1 + 1.4 X 2 + S 2 = 980
X1 + X 2 + S 3 = 900
( X 1 , X 2 , S1 , S 2 , S3 ) ≥ 0

El modelo estándar se transforma inicialmente a:

MAX Z
Sujeto a :
Z - 400 X 1 - 700 X 2 =0
7
X1 + X 2 + S1 = 1400
3
X 1 + 1.4 X 2 + S 2 = 980
X1 + X 2 + S 3 = 900
( X 1 , X 2 , S1 , S 2 , S3 ) ≥ 0

La base inicial B1 puede representarse así:


B1 = [b1 b2 b3 b4 ]
donde b i son las columnas de la base.

Inicialmente, y dado que las variables básicas iniciales son Z, S1, S2, S3, coincide con la matriz
idéntica de orden 4. Por notación:
B 1 = [β 1 β 2 β 3 β 4 ]
−1

β 1 siempre será el vector unitario ya que Z siempre será variable básica. Luego, el tablero
inicial simplificado es:

Inversa de la base (1)


Base XB Y21 θ
β1 β2 β3 β4
Z 1 0 0 0 0 -700
S1 0 1 0 0 1400 7/3 600
S2 0 0 1 0 980 1.4 700
S3 0 0 0 1 900 1 900

−1
Inicialmente se calculan los ( Z j − C j ) de las variables no-básicas tomando la 1ª fila de B1 y
multiplicándola por cada columna aumentada:
140 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

− 400
 1 
Var X 1 : Z 1 − C1 = [1 0 0 0]   = −400
 1 
 
 1 
− 700
 7/3 
Var X 2 : Z 2 − C 2 = [1 0 0 0]   = −700
 1.4 
 
 1 

Luego la variable que entra es X2. Por lo tanto, debe calcularse Y21 , para poder determinar la
variable que sale (por esa razón aparece en la tabla mostrada arriba).

a = I [- 700 7/3 1.4 1] = [- 700 7/3 1.4 1]


−1 T
Y2(1) = B1 (1)
2

Dado que Y2(1) debe convertirse en el vector unitario, entonces se realizan las operaciones fila
elementales necesarias. El resultado aparece en el segundo tablero:

Inversa de la base (1)


Base XB Y21 θ
β1 β2 β3 β4
Z 1 300 0 0 420000 -100
X2 0 3/7 0 0 600 3/7 1400
S2 0 -3/5 1 0 140 2/5 350
S3 0 -3/7 0 1 300 4/7 525

Se calculan los nuevos ( Z j − C j ):


− 400
 1 
var . X 1 : Z 1 − C1 = [1 300 0 0]   = −100
 1 
 
 1 

0 
1 
var . S1 : Z 2 − C 2 = [1 300 0 0]   = 300
0 
 
0 

Entonces:
Introducción a la Modelación Matemática y Optimización 141

1 300 0 0 − 100
  − 400  
0 3 7 0 0  1   37 
Y1(1) = B1−1 A1(1) =  −3   = 
0 1 0  1   2 
5    5 
 
0 − 3 0 1  1   4 
 7   7 

Al calcular θ, sale la variable S2.

Así, el nuevo tablero es:

Inversa de la base (1)


Base XB
β1 β2 β3 β4
Z 1 150 250 0 455000
X2 0 15/14 -15/14 0 450
X1 0 -3/2 5/2 0 350
S3 0 3/7 -10/7 1 100

Los nuevos ( Z j − C j ) son:


0 
1 
var . S1 : (Z 1 − C1 ) = [1 150 250 0]   = 150
0 
 
0 
0 
0 
var . S 2 : (Z 2 − C 2 ) = [1 150 250 0]   = 250
1 
 
0 

Luego, la solución actual es la óptima, ya que ( Z j − C j ) ≥ 0 ∀j.

Aunque este método no parece tener ventajas en la forma manual mostrada, sus principales
beneficios radican en los grandes ahorros de cálculo computacional para problemas de gran
tamaño que se presentan en la práctica.
142 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

EJERCICIOS SOBRE EL MÉTODO SIMPLEX,


DUALIDAD Y ANÁLISIS DE SENSIBILIDAD

1. Encuentre por inspección una solución óptima del siguiente modelo de PL:

Maximizar z = 3 x1 + 4 x2 + 6 x3
sujeto a :
2 x1 + 3 x2 + 4 x3 ≤ 16
( x1 , x2 , x3 ) ≥ 0

2. Cuáles de las siguientes afirmaciones sobre el método Simplex son Falsas ó Verdaderas (Justifique su
respuesta):

a. Cualquier problema de PL necesita de variables artificiales para ser resuelto mediante el método
Simplex.

b. En el criterio de entrada para maximización es obligatorio entrar a la base aquélla variable cuyo (zj – cj)
sea “lo más negativo posible”.

c. El criterio de salida del método Simplex garantiza que la solución básica siguiente sea factible.

d. En un tablero óptimo, todos los (zj – cj) de las variables básicas deben ser iguales a cero.

e. La solución óptima del problema dual asociado a un problema primal aparece siempre en la fila de los (zj
– cj) debajo de la submatriz idéntica inicial.

3. Considere el siguiente tablero Simplex para un problema de minimización:

cj → 7 3 5 0 0
Var. Bás. CB XB x1 x2 x3 S1 S2
x1 100 - 2 −1/2
7/2
x3 250 1 −14/5 1/6
zj
zj − cj

a. Complete el tablero anterior. ¿Es óptima la solución mostrada en el tablero? Justifique su respuesta.

b. ¿La solución óptima mostrada es única? Justifique su respuesta.

c. Si usted quisiera encontrar otra solución básica factible óptima diferente a la dada en el tablero, ¿qué
variable entraría a la base y cuál saldría de ella?

d. ¿Si la inversa de la base inicial se formó con las columnas de las variables S1 y S2, cuál es la solución
óptima del problema dual asociado?

4. Responda las siguientes preguntas:


Introducción a la Modelación Matemática y Optimización 143

a. Cuando en cualquier tablero Simplex existe una variable candidata a entrar a la base, pero ninguna
variable puede salir de ella porque el criterio de salida falla, ¿qué se puede concluir acerca del problema
original?

b. Si en un tablero Simplex óptimo existe una variable básica artificial con valor positivo, ¿qué se puede
decir del problema original? ¿Qué puede decirse si la variable básica artificial es igual a cero? (Solución
degenerada).

5. Considere los siguientes resultados de un programa que resuelve modelos de PL, por ejemplo el WinQSB.
El problema original es un problema de producción semejante al de los transformadores, con 4 productos
candidatos a ser producidos (representados por las variables x1, x2, x3 y x4), y 3 recursos utilizados para su
producción (hr.hombre, materia prima y hr.máq):

Variable Solución Coeficiente en la Mínimo coeficiente Máximo coeficiente


Función objetivo en la f. objetivo en la f. objetivo
x1 45 5 3.5 7.5
x2 20 4 3.6 5.0
x3 0 3 -M 4.0
x4 82 6 5.2 M

Valor de la función objetivo = $797

Restricción Valor Dir. Valor del lado Holgura ó Precio Mínimo Máximo
Lado izq. Derecho (RHS) Exceso Sombra RHS RHS
Hr.hombre 2150 ≤ 2500 350 0 2150 M
Mat_Prima 800 ≤ 800 0 1.5 700 1050
Hr.máq. 1250 ≤ 1250 0 2.0 1000 1375

Responda las siguientes preguntas en forma breve y precisa y justifique sus respuestas:

a. Si logramos conseguir 100 hr.hombre adicionales, entonces la función objetivo aumenta en $100. (Falso
ó Verdadero)

b. Si conseguimos 100 unidades adicionales de materia prima, entonces nuestra función objetivo
aumentaría a un valor de $947. (Falso ó Verdadero)

c. Si se daña la máquina, quedando disponibles sólo 950 horas, entonces la función objetivo
necesariamente bajaría a $197. (Falso ó Verdadero)

d. Si el coeficiente de la variable x4 en la función objetivo aumenta de 6 a 10 $/unidad, entonces la solución


óptima actual sigue siendo la misma, cambiando el valor de la función objetivo a $1125. (Falso ó
Verdadero)

e. Usted ha estimado que el costo normal por cada hora en la máquina ($/hr.máq.) es de $18/hr.máq. Dado
que se trata de un recurso escaso, tal como lo muestra la solución arriba, usted está considerando la
posibilidad de alquilar ciertas horas máquina a un costo de $21/hr.máq. ¿Debería usted aceptar esta
oferta de alquiler? Recuerde que usted está alquilando para usted para tener más recursos.

6. Suponga que en la formulación de un problema de producción semejante al de los transformadores


desarrollado en clase, se llegó al siguiente modelo de PL:

Maximizar U = 2x1 + 5x2 + 4x3 (Utilidad neta total en $)


sujeto a:
x1 + 2x2 + 3x3 ≤ 800 (Unidades de recurso 1)
2x1 + 4x2 + x3 ≤ 500 (Unidades de recurso 2)
144 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

x2 + 2x3 ≤ 700 (Unidades de recurso 3)


(x1, x2, x3) ≥ 0

donde x1, x2 y x3 son las cantidades a producir del producto 1, 2 y 3, respectivamente. El tablero final Simplex
(incompleto) para el modelo anterior es el siguiente (la base inicial se formó con las tres variables de holgura):

Var. Bás. CB XB x1 x2 x3 S1 S2 S3
x3 0 0.4 −0.2
x2 0.5 −0.1 0.3
S3 −0.5 −0.7 0.1
zj
zj − cj

a. Complete totalmente el tablero anterior y compruebe que se trata del tablero óptimo del problema
original.

b. Suponga que le ofrecen 100 unidades adicionales de cada uno de los tres recursos a un costo adicional de
$1.0/unidad. ¿Cuál de los tres recursos debería comprarse en primera instancia? ¿Qué información
faltaría para tomar una decisión definitiva acerca de la compra de estos recursos?

c. Suponga que se aumenta la utilidad unitaria del producto 1 (x1) de 2 a $3/unidad. ¿Cree usted que
entonces ahora sería rentable producirlo? ¿Por qué?

d. Encuentre el problema dual asociado al problema primal de producción original y determine su solución
óptima.

e. Suponga que existe una restricción adicional por transporte, en la cual las cantidades sumadas de los tres
productos a producir no puede ser mayor que 280 unidades. ¿Cuál sería entonces la nueva solución
óptima?

f. Se está investigando la conveniencia de producir o nó un cuarto producto (x4), cuya utilidad unitaria es
de $6/unidad y consume 4, 3 y 2 unidades del recurso 1, 2 y 3, respectivamente. ¿Sería entonces
rentable producir este nuevo producto? (Sugerencia: Para hallar la columna asociada a la variable x4 en
el tablero óptimo, se debe multiplicar la inversa de la base óptima por la columna original de la variable
en el modelo de PL. El resto sería encontrar el z4 asociado y, finalmente, el (z4 – c4) y determinar si la
solución actual sigue siendo óptima o nó).

7. Resuelva si es posible los siguientes modelos de PL, utilizando el método SIMPLEX (compare con la
solución dada por el programa WinQSB):

a) Maximizar Z = 3X1 + 2X2 + 5X3

sujeto a:
X 1 + X2 + X3 ≤ 25
2X1 - X2 + 3X3 ≥ 10
(X1, X2, X3) ≥0

b) Minimizar Z = 500X1 + 450X2 + 670X3 + 800X4

sujeto a:
0.4X1 + 0.35X2 + 0.5X3 + 0.7X4 = 0.55
0.6X1 + 0.65X2 + 0.5X3 + 0.3X4 = 0.45
(X1, X2, X3, X4) ≥0
Introducción a la Modelación Matemática y Optimización 145

Nota: Para el problema (b) utilice precisión infinita en los cálculos.

c) Maximizar Z = 3X1 + X2 + 5X3 + 4X4

sujeto a:
3X1 - 3X2 + 2X3 + 8X4 ≤ 50
5X1 + 6X2 - 4X3 - 4X4 ≤ 40
-4X1 + 2X2 - X3 - 3X4 ≥ -20
(X1, X2, X3, X4) ≥0

8. Utilizando el método de las dos fases resuelva el siguiente problema:

Minimizar Z = X1 - X2 + 3X3

sujeto a:
X1 - 2X2 + X3 ≥5
2X1 - 3X3 ≥1
-4X2 + 5X3 ≤8
(X1, X2, X3) ≥0

9. Formule el problema dual del siguiente problema de PL y encuentre su solución óptima:

Maximizar Z = 3X1 + 2X2 + 5X3

sujeto a:
X1 + 2X2 + X3 ≤ 430
3X1 + 2X3 ≤ 460
X1 + 4X2 ≤ 420
(X1, X2, X3) ≥0

10. Considere el problema No. 22 sobre la compra de aviones, de la colección de problemas de formulación de
modelos de PL anterior. Ignore la restricción de enteros. Resuelva el problema mediante el método
simplex, utilizando la máxima precisión posible y resuelva los siguientes puntos (Utilice toda la precisión
posible en los cálculos de los tableros simplex y evite trabajar con cifras demasiado grandes):

a) Analice la solución del problema dual.


b) Suponga que la empresa decide contratar 5 nuevos pilotos, incurriendo en un costo adicional de
US$100,000/año. Se justifica esta decisión? Por qué?
c) Suponga ahora que la empresa tiene opción de aumentar el presupuesto de inversión en aviones a
US$200 millones. Cuál sería ahora la nueva solución óptima del problema?
d) ¿Cree que sería justificable invertir en la ampliación de la capacidad de los hangares? ¿Por qué?
e) Suponga que se logra una rebaja en el costo de los aviones de vuelos medianos de US$5 millones a
US$4.5 millones cada uno. ¿Cuál sería ahora la mejor alternativa de inversión?
f) Suponga finalmente que la empresa está estudiando la posibilidad de comprar un nuevo tipo de avión
diferente a los tres ya considerados. Este nuevo avión produce una utilidad de US$450,000/año, cuesta
US$7 millones cada uno y ocupa una capacidad igual a la de los aviones de vuelos medianos. ¿Sería
conveniente comprar este tipo de avión? Por qué?

Nota: Trate independientemente cada una de las alternativas anteriores [(b) a (f)].
146 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Taller sobre dualidad y análisis de sensibilidad


Taller de práctica para el segundo examen parcial

1. Usted posee 50 acres de tierra en la que puede plantar cualquier cantidad de maíz, soya y lechuga. La
siguiente tabla muestra la información relevante con respecto de la producción, la ganancia neta y los
requerimientos de agua de cada cultivo.

CULTIVO TIPO DE PRODUCCIÓN GANANCIA AGUA


No. CULTIVO [Kg/acre] NETA REQUERIDA
[$/Kg] [Litros/Kg]
1 Maíz 640 1,00 8,75
2 Soya 500 0,80 5,00
3 Lechuga 400 0,60 2,25

Dado que se tiene disponible 100.000 litros de agua y que la compañía se ha comprometido a vender al menos
5.120 Kg de maíz, se desarrolló el siguiente modelo de PL, donde Xi = Acres a sembrar de cada tipo de
cultivo i = 1, 2, 3:

Maximizar 640 X 1 + 400 X 2 + 240 X 3 ($)


sujeto a :
X1 + X2 + X 3 ≤ 50 acres tierra
5.600 X 1 + 2.500 X 2 + 900 X 3 ≤ 100.000 litros agua
X1 ≥ 8 acres m aíz
( X1 , X 2 , X 3 ) ≥ 0

Al correr este modelo en WinQSB, se obtiene la siguiente solución óptima y análisis de sensibilidad (Solo se
muestran las variables mayores ó iguales que cero):

Solución Coeficiente en la Mínimo Máximo


Variable Función objetivo coeficiente coeficiente
en la f. objetivo en la f. objetivo
X1 8,0000 640 -M 710,0000
X2 10,8750 400 376,1702 666,6667
X3 31,1250 240 144,0000 276,1290

Valor de la función objetivo = $16.940

Restricción Valor Dir. Valor del lado Holgura Precio Mínimo Máximo
Lado izq. Derecho ó Sombra RHS RHS
(RHS) Exceso
Tierra 50 ≤ 50 0 150,00 30,08 69,33
Agua 100.000 ≤ 100.000 0 0,10 82.600,00 149.800,00
Demanda 8 ≥ 8 0 -70,00 0,00 11,70
Maíz

Responda las siguientes preguntas y sustente claramente su respuesta:

a) Con la misma cantidad de dinero, qué sería mejor, ¿adquirir 10 acres de terreno adicionales ó comprar 13.000
litros adicionales de agua? (Sólo puede escoger una de las dos alternativas).
Introducción a la Modelación Matemática y Optimización 147

b) Manteniendo la misma cantidad de tierra y condición de demanda del maíz, usted desea obtener una ganancia
de $21.000. ¿Cuántos litros adicionales de agua necesitaría para lograrlo?

c) Usted sabe que la inversa de la base óptima es la siguiente matriz:

1,5625 − 0 ,000625 1,9375 


 
 − 0,5625 0 ,000625 − 2 ,9375 
0 ,0000 0 ,000000 1,0000

i) Reconstruya el tablero final Simplex. Observe que debió haberse adicionado una variable artificial A
en la restricción de demanda de maíz (además de la variable de exceso S3), y, por lo tanto, la tercera
columna de la matriz inversa anterior corresponde a la columna de dicha variable artificial y las dos
primeras a las variables de holgura S1 y S2 adicionadas en las dos primeras restricciones de tierra y
agua.

ii) Compruebe el rango de sensibilidad dado por el programa del coeficiente de la variable X2 en la
función objetivo.

iii) Compruebe el rango de sensibilidad dado por el programa del recurso tierra en la función objetivo.

d) Explique por qué el costo de oportunidad de la restricción de demanda de maíz es negativo. ¿Según lo
anterior, si usted debe satisfacer una demanda mínima de 10 acres de maíz, cuál sería el nuevo valor de la
función objetivo? ¿Si no existiera restricción de demanda mínima de maíz, entonces sería rentable producir
maíz? ¿Cuál sería entonces el valor de su ganancia neta total?

e) Se le presenta la opción de cultivar algodón cuya producción es de 300 Kg/acre, consume 4 litros/Kg y
produce una ganancia neta de $0,70/Kg y no tiene restricciones de demanda. ¿Es rentable sembrar alguna
extensión de terreno con algodón?

f) Formule el problema dual del modelo primal formulado en este punto y encuentre su solución óptima sin
resolverlo desde el comienzo.

2. Considere el siguiente modelo de programación lineal de producción para tres productos y responda las
preguntas siguientes en forma completamente independiente una de otra.

Maximizar U = 2x1 + 3x2 + 4x3 (Utilidad neta total en $)

sujeto a:

x1 + 2x2 + 3x3 ≤ 5.000 (Horas hombre; variable de holgura asociada S1)


2x1 + 4x2 + x3 ≤ 3.500 (Unidades de Materia Prima MP; variable de holgura asociada S2)
x1 + x3 ≤ 1.000 (Demanda conjunta productos 1 y 3; variable de holgura asociada S3)
(x1, x2, x3) ≥ 0

donde x1, x2 y x3 son las cantidades (unidades) a producir del producto 1, 2 y 3, respectivamente. El tablero final
Simplex para el modelo anterior es el siguiente (la base inicial se formó con las tres variables de holgura, S1, S2 y
S3):
148 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Variables x1 x2 x3 S1 S2 S3
Básicas Coeficientes Solución
en la función (XB)
objetivo
(CB)
S1 0 750 −2,50 0 0 1 −0,50 −2,50
x2 3 625 0,25 1 0 0 0,25 −0,25
x3 4 1.000 1,00 0 1 0 0,00 1,00
zj 5.875 4,75 3 4 0 0,75 3,25
zj − cj 2,75 0 0 0 0,75 3,25

1) El modelo de programación lineal anterior:

a) Tiene infinitas soluciones óptimas


b) No tiene solución factible alguna
c) Tiene función objetivo no acotada
d) Tiene solución óptima única
e) No puede resolverse

2) Si se aumentaran 250 hr.hombre, para un total de 5.250 hr.hombre disponibles, y se resolviera de nuevo el
problema, entonces:

a) La utilidad neta óptima aumentaría


b) La utilidad neta óptima disminuiría
c) Sobrarían 1.000 hr.hombre
d) El nuevo problema no tendría solución
e) Dejaría de ser rentable producir el producto 2

3) Considere el aumento de la cantidad disponible de materia prima de 3.500 a 4.500 unidades. Conociendo
que este cambio NO altera la base óptima, entonces la nueva utilidad neta óptima:

a) Sería de $6.625
b) Sería de $9.125
c) Sería de $5.125
d) Permanecería igual a $5.875
e) Sólo podría determinarse resolviendo el problema desde el tablero inicial Simplex

4) Si la utilidad neta unitaria del producto 1 (Coeficiente de x1 en la función objetivo) pasara del valor actual de
$2/unidad a $4,5/unidad, entonces:

a) Dejaría de ser rentable producir el producto 3


b) Dejaría de ser rentable producir el producto 2
c) Se agotaría completamente el recurso hr.hombre
d) Aumentaría el valor óptimo de la función objetivo en $2,5
e) La solución óptima actual permanecería invariable
Introducción a la Modelación Matemática y Optimización 149

BIBLIOGRAFÍA
AHUJA, Ravindra K., Thomas L. Magnanti y James B. Orlin, Network Flows: Theory, Algorithms, and
Applications, Prentice Hall, Englewood Cliffs, New Jersey, 1993. (Excelente texto para profundización en
Teoría de Redes)

BAZARAA, Mokhtar S., Hanif D. Sherali y C. M. Shetty, Nonlinear Programming: Theory and
Algorithms, 2ª Edición, John Wiley & Sons, Inc., New York, 1993. (Excelente texto para profundización en
Programación No-Lineal)

DUQUE M., Ramón, Modelos Lineales: Formulación, Universidad del Valle, Cali, 1987. (Colección de
problemas formulados y resueltos para consulta)

ESCUDERO, L. F., E. Galindo, G. García, E. Gómez, V. Sabau y Schumann, A modeling framework for
supply chain management under uncertainty, European Journal of Operational Research, Vol. 119, No. 1,
1999, pp. 14–34. (Artículo de referencia)

FOURER, R., D. M. Gay y B. W. Kernighan, AMPL: A Modeling Language for Mathematical


Programming, The Scientific Press, San Francisco, 1993. (Este es el manual de AMPL, un generador de
modelos comercial excelente)

GOETSCHALCKX, Marc, Logistics Systems Design, versión 1.2.98, Georgia Institute of Technology,
1998. (Texto de Logística con aplicaciones selectas de modelación matemática)

GOETSCHALCKX, Marc, Carlos J. Vidal y K. Dogan, “Designing Global Supply Chain Systems”,
European Journal of Operational Research, Vol. 143, No. 1, 1–18, Noviembre de 2002. (Artículo de
referencia)

HICKS, D. A Four Step Methodology for using Simulation and Optimization Technologies in Strategic
Supply Chain Planning, Proceedings of the 1999 Winter Simulation Conference. (Ponencia de referencia)

HILLIER, Frederick S. y Gerald J. Lieberman, Introducción a la Investigación de Operaciones, 6ª Edición,


McGraw-Hill, 1997. (Este es el otro texto clásico de Investigación de Operaciones y se recomienda como
consulta general)

CHVÁTAL, Vasek, Linear Programming, W. H. Freeman and Company, New York, 1983. (Buen texto
para profundización en Programación Lineal. Presenta un capítulo completo dedicado a aplicaciones de
modelación matemática)

MATHUR, Kamlesh y D. Solow, Investigación de Operaciones: El arte de la toma de decisiones, Prentice-


Hall Hispanoamericana, S. A., México, 1996. (Excelente referencia para la formulación de modelos de
programación lineal y modelos en general)

MOSKOWITZ, Herbert y Gordon P. Wright, Investigación de Operaciones, Editorial Prentice may


Internacional, Englewood Cliffs, Bogotá, 1982. (Otro texto clásico)

NEMHAUSER, George L. y Laurence A. Wolsey, Integer and Combinatorial Optimization, John Wiley &
Sons, New York, 1988. (Este es un excelente texto teórico, clásico de la programación entera)

PRADO R., Hernando, Problemas de Investigación de Operaciones, Universidad del Valle, Cali, 1985.
(Notas originales del profesor Prado para consulta general)

TAHA, Hamdy A., Investigación de Operaciones: Una Introducción, sexta edición, Prentice Hall, México,
1998. (Texto clásico de referencia)
150 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

TAHA, Hamdy A., Investigación de Operaciones: Una Introducción, segunda edición, Representaciones y
Servicios de Ingeniería S. A., México, 1981. (Versión anterior al texto de 1998, con contenido diferente)

THIERAUF, Robert J. y Richad A. Grosse, Toma de decisiones por medio de investigación de operaciones,
Editorial Limusa – Wiley, S. A., México, 1972. (Otro texto clásico de Investigación de Operaciones)

VIDAL, Carlos J. y M. Goetschalckx, "A Global Supply Chain Model with Transfer Pricing and
Transportation Cost Allocation," European Journal of Operational Research, Vol. 129, pp. 134 – 158, 2001.
(Artículo de referencia)

VIDAL, Carlos J. y M. Goetschalckx, “Un Caso de Aplicación de Modelos Matemáticos para la


Optimización de Cadenas de Abastecimiento en la Industria Manufacturera,” en: Innovación y Transferencia
de Tecnología: Casos Prácticos en la Facultad de Ingeniería, Iván Enrique Ramos Calderón (compilador),
Separata de la revista ingeniería y competitividad, Facultad de Ingeniería, Universidad del Valle, pp. 43–51,
Mayo de 2000. (Artículo ilustrativo sobre las aplicaciones reales de la Investigación de Operaciones)

VIDAL, Carlos J. y M. Goetschalckx, “Modeling the Effect of Uncertainties on Global Logistics Systems,”
Journal of Business Logistics, Vol. 21, No. 1, pp. 95–120, Abril de 2000. (Artículo de referencia)

VIDAL, Carlos J. y M. Goetschalckx, “Strategic production-distribution models: A critical review with


emphasis on global supply chain models”, European Journal of Operational Research, Vol. 98, pp. 1–18,
Marzo de 1997. (Artículo de referencia)

WILLIAMS, H. P., Model Building in Mathematical Programming, 3ª Edición, John Wiley & Sons, Inc.,
New York, 1990. (Excelente texto para profundización en Programación Lineal continua y entera y en
modelación matemática en general)
Introducción a la Modelación Matemática y Optimización 151

ANEXO 1:
EL PROBLEMA DE LA BAUXITA

Preparado por: Carlos Julio Vidal Holguín, Escuela de Ingeniería Industrial y


Estadística, Universidad del Valle
Fecha: 18 de Agosto de 2005

Una compañía multinacional de aluminio tiene depósitos de bauxita (materia prima)


en tres lugares A, B y C. Tiene además cuatro plantas donde la bauxita se convierte
en alúmina (un producto intermedio), en lugares B, C, D y E. También tiene plantas
de esmaltado en los lugares D y E. El proceso de conversión de la bauxita en
alúmina es relativamente poco costoso. El esmaltado, sin embargo, es costoso
puesto que se requiere de un equipo electrónico especial. Una tonelada de alúmina
produce 0.4 toneladas de aluminio terminado. Los datos siguientes están disponibles:

Minas de Costo de Capacidad anual Rendimiento


bauxita explotación de bauxita de alúmina
($/ton.) (ton.)
A 420 36000 6.0%
B 360 52000 8.0%
C 540 28000 6.2%

Conversión de Bauxita en Alúmina:

Costo Producción Capacidad anual Costo fijo anual


Planta ($/ton alúmina) procesamiento de la planta
de Bauxita de alúmina
B 330 40.000 $3,000,000
C 320 20.000 $2,500,000
D 380 30.000 $4,800,000
E 240 80.000 $6,000,000
152 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Proceso de Esmaltado:

Costo Capacidad anual


Planta Procesamiento procesamiento
($/ton alúmina) de Alúmina (ton)
D 8500 4000
E 5200 7000

Las ventas anuales de aluminio terminado son de 1000 ton en la planta D y de 1200
ton en la planta E.

Costos de transporte en $/ton de Bauxita:

DE HACIA B C D E
j= 1 2 3 4
A 1 400 2010 510 1920
i= B 2 10 630 220 1510
C 3 1630 10 620 940

Costos de transporte de la alúmina, en $/ton de alúmina:

DE HACIA D E
k= 1 2
B 1 220 1510
j= C 2 620 940
D 3 0 1615
E 4 1465 0

Los lingotes de producto terminado no se transportan entre D y E y viceversa. Formule y


resuelva un modelo de optimización para determinar la mejor configuración y diseño de la
cadena de abastecimiento presentada. Note que existe el problema de determinar cuáles
plantas de alúmina deben ser abiertas.
Introducción a la Modelación Matemática y Optimización 153

MODELO DE OPTIMIZACIÓN PROPUESTO

Wj

Xij B
Yjk
A
A T
C D l e
u r
B m m
i i
n n
D E i a
o d
C o
E

Minas de Plantas de Plantas de


Bauxita Alúmina Esmaltado

La figura muestra el esquema de la cadena de abastecimiento planteada. Se definen entonces


las siguientes variables de decisión:

Variables de Decisión
Xij = Ton/año de bauxita a transportar desde la mina i hacia la planta de alúmina j; i =
A, B, C; j = B, C, D, E.

Yjk = Ton/año de alúmina a transportar desde la planta de alúmina j hacia la planta de


esmaltado k; j = B, C, D, E; k = D, E.

Wj = 1, si la planta de alúmina j se abre; 0, de lo contrario; j = B, C, D, E.


154 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Función Objetivo
Minimizar Costo Total Anual = Costo anual de explotación de bauxita

+ Costo anual de producción de alúmina

+ Costo anual de procesamiento de alúmina en las


plantas de esmaltado

+ Costo anual de transporte de bauxita desde las minas


hacia las plantas de alúmina

+ Costo anual de transporte de alúmina desde las plantas


de alúmina hacia las plantas de esmaltado

+ Costo fijo anual de las plantas de alúmina

Costo anual de explotación de bauxita ($/año):

Mina A : 420( X AB + X AC + X AD + X AE )
Mina B : 360( X BB + X BC + X BD + X BE )
Mina C : 540( X CB + X CC + X CD + X CE )

Costo anual de producción de alúmina ($/año):

Planta B : 330(Y BD + Y BE )
Planta C : 320(YCD + YCE )
Planta D : 380(Y DD + Y DE )
Planta E : 240(Y ED + Y EE )

Costo anual de procesamiento de alúmina en las plantas de esmaltado ($/año):

Planta D : 8500(Y BD + YCD + Y DD + Y ED )


Planta E : 5200(Y BE + YCE + Y DE + Y EE )

Costo anual de transporte desde las minas de bauxita hacia las plantas de alúmina ($/año):

Desde la mina A : 400 X AB + 2010 X AC + 510 X AD + 1920 X AE


Desde la mina B : 10 X BB + 630 X BC + 220 X BD + 1510 X BE
Desde la mina C : 1630 X CB + 10 X CC + 620 X CD + 940 X CE

Costo anual de transporte desde las plantas de alúmina hacia las plantas de esmaltado ($/año):
Introducción a la Modelación Matemática y Optimización 155

Hacia la planta D : 220Y BD + 620YCD + 1465Y ED


Hacia la planta E : 1510Y BE + 940YCE + 1615Y DE

Costo fijo anual de plantas de alúmina ($/año):

Planta B : 3,000,000W B
Planta C : 2,500,000W C
Planta D : 4,800,000W D
Planta E : 6,000,000W E

Restricciones:

1) Por capacidad anual de explotación de bauxita en cada mina (Ton de bauxita/año):

Mina A : X AB + X AC + X AD + X AE ≤ 36 ,000
Mina B : X BB + X BC + X BD + X BE ≤ 52 ,000
Mina C : X CB + X CC + X CD + X CE ≤ 28 ,000

Estas restricciones expresan que todo el flujo anual de bauxita que sale de cada mina no
puede exceder su capacidad anual de explotación.

2) Por capacidad anual de procesamiento de bauxita en cada planta de alúmina (Ton de


bauxita/año):

Planta B : X AB + X BB + X CB ≤ 40,000W B
Planta C : X AC + X BC + X CC ≤ 20,000W C
Planta D : X AD + X BD + X CD ≤ 30,000W D
Planta E : X AE + X BE + X CE ≤ 80,000W E

Nótese que no se puede recibir ningún flujo de bauxita desde las minas, si la planta de
alúmina correspondiente no ha sido abierta. Obsérvese también que las anteriores
restricciones, en combinación con el conjunto de restricciones (5) descrito más adelante,
aseguran que no se pueda despachar ninguna cantidad de alúmina hacia las plantas de
esmaltado, si la planta correspondiente no ha sido abierta.

3) Por capacidad anual de procesamiento de alúmina en cada planta de esmaltado (Ton de


alúmina/año):

Planta D : Y BD + YCD + Y DD + Y ED ≤ 4,000


Planta E : Y BE + YCE + Y DE + Y EE ≤ 7,000
156 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

Estas restricciones expresan que todo el flujo anual de alúmina que llega a cada planta de
esmaltado no puede exceder su capacidad anual de procesamiento de alúmina.

4) Por ventas anuales de aluminio terminado en cada planta de esmaltado (Ton de


aluminio terminado/año):

Planta D : 0.4(Y BD + YCD + Y DD + Y ED ) = 1,000


Planta E : 0.4(Y BE + YCE + Y DE + Y EE ) = 1,200

Estas restricciones aseguran que la demanda anual proyectada en cada planta de


esmaltado se va a satisfacer en forma total. Nótese que se aplica el factor de rendimiento
de alúmina en aluminio terminado (0.4 toneladas de aluminio terminado por cada tonelada
de alúmina).

5) Por balance de masa en cada una de las plantas de alúmina:

Planta B : 0.060 X AB + 0.080 X BB + 0.062 X CB = Y BD + Y BE


Planta C : 0.060 X AC + 0.080 X BC + 0.062 X CC = YCD + YCE
Planta D : 0.060 X AD + 0.080 X BD + 0.062 X CD = Y DD + Y DE
Planta E : 0.060 X AE + 0.080 X BE + 0.062 X CE = Y ED + Y EE

Estas restricciones aseguran que la cantidad anual de bauxita que entra a cada planta de
alúmina, afectada por su correspondiente rendimiento para producir alúmina, es igual a la
cantidad anual de alúmina que sale de dicha planta hacia las plantas de esmaltado.

6) Por límites en los valores de cada una de las variables:

X ij ≥ 0 ∀i , j
Y jk ≥ 0 ∀j , k
W j ∈ {0, 1} ∀j

Estas restricciones, denominadas comúnmente obvias, simplemente expresan la naturaleza


de las variables involucradas en el modelo. Las variables Xij y Yjk son variables continuas
que pueden tomar cualquier valor real positivo o cero, mientras que las variables Wj son
variables enteras que sólo pueden tomar valor 0 o 1, denominadas variables binarias.

El modelo matemático para resolver el problema planteado comprende entonces minimizar la


función objetivo, sujeto a las restricciones anteriormente enunciadas. Al simplificar la función
objetivo y las restricciones, se obtiene el modelo de programación lineal mixta mostrado en
la página siguiente. Como puede observarse, este modelo contiene 24 variables de decisión,
de las cuales 4 son binarias y el resto son continuas, y 15 restricciones (sin incluir las
restricciones obvias).
Introducción a la Modelación Matemática y Optimización 157

Los modelos matemáticos de cadenas de abastecimiento reales pueden contener decenas o


cientos de miles de variables con decenas o cientos de miles de restricciones, llegando incluso
a millones de ellas. La dificultad para su solución eficiente depende principalmente del
número de variables enteras (binarias) involucradas en el modelo.

Minimizar Costo Total Anual (CTA) =

820 X AB + 2430 X AC + 930 X AD + 2340 X AE + 370 X BB + 990 X BC + 580 X BD + 1870 X BE


+ 2170 X CB + 550 X CC + 1160 X CD + 1480 X CE + 9050Y BD + 7040Y BE + 9440YCD + 6460YCE
+ 8880Y DD + 7195Y DE + 10205Y ED + 5440Y EE + 3,000,000W B + 2,500,000W C
+ 4,800,000W D + 6,000,000W E

Sujeto a:

X AB + X AC + X AD + X AE ≤ 36 ,000
X BB + X BC + X BD + X BE ≤ 52 ,000
X CB + X CC + X CD + X CE ≤ 28 ,000

X AB + X BB + X CB − 40,000W B ≤ 0
X AC + X BC + X CC − 20,000W C ≤ 0
X AD + X BD + X CD − 30,000W D ≤ 0
X AE + X BE + X CE − 80,000W E ≤ 0

Y BD + YCD + Y DD + Y ED ≤ 4,000
Y BE + YCE + Y DE + Y EE ≤ 7,000

0.4(Y BD + YCD + Y DD + Y ED ) = 1,000


0.4(Y BE + YCE + Y DE + Y EE ) = 1,200

0.060 X AB + 0.080 X BB + 0.062 X CB − Y BD − Y BE = 0


0.060 X AC + 0.080 X BC + 0.062 X CC − YCD − YCE = 0
0.060 X AD + 0.080 X BD + 0.062 X CD − Y DD − Y DE = 0
0.060 X AE + 0.080 X BE + 0.062 X CE − Y ED − Y EE = 0

X ij ≥ 0 ∀i , j
Y jk ≥ 0 ∀j , k
W j ∈ {0, 1} ∀j
158 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

# MODELO EN AMPL CORRESPONDIENTE AL PROBLEMA DE LA BAUXITA

# CONJUNTOS PRINCIPALES

set MINAS; # Conjunto de minas de bauxita indexado por i


set PLALU; # Conjunto de plantas de alúmina indexado por j
set PLESM; # Conjunto de plantas de esmaltado indexado por k

# PARÁMETROS

param capal_es{k in PLESM} >= 0;


# Capacidad de procesamiento de alúmina en la planta de esmaltado k
# (Ton de alúmina/año)

param capb_al{j in PLALU} >= 0;


# Capacidad de procesamiento de bauxita en la planta de alúmina j
# (Ton de bauxita/año)

param capbaux{i in MINAS} >= 0;


# Capacidad de explotación de bauxita de la mina i
# (Ton de bauxita/año)

param cexp{i in MINAS} >= 0;


# Costo de explotación de la mina i
# ($/Ton de bauxita)

param cfijo{j in PLALU} >= 0;


# Costo fijo de la planta de alúmina j
# ($/año)

param cpal{j in PLALU} >= 0;


# Costo de producción de alúmina en la planta de alúmina j
# ($/Ton de alúmina)

param cpes{k in PLESM} >= 0;


# Costo de procesamiento de la alúmina para producir aluminio
# terminado en la planta de esmaltado k
# ($/Ton de alúmina)

param ctran_al{j in PLALU, k in PLESM} >= 0;


# Costo de transporte de alúmina desde la planta de alúmina j hacia
# la planta de esmaltado k
# ($/Ton de alúmina)

param ctran_b{i in MINAS, j in PLALU} >= 0;


# Costo de transporte de bauxita desde la mina de bauxita i hacia
# la planta de alúmina j
# ($/Ton de bauxita)

param demanda{k in PLESM} >= 0;


# Demanda de aluminio terminado en la planta de esmaltado k
# (Ton de aluminio terminado/año

param rendal{i in MINAS} >= 0;


# Rendimiento de alúmina de la bauxita extraída de la mina i
# (Ton de alúmina/Ton de bauxita)
Introducción a la Modelación Matemática y Optimización 159

param rendim >= 0;


# Rendimiento de alúmina para producir aluminio terminado
# (Ton de aluminio terminado/Ton de alúmina)

# VARIABLES DE DECISIÓN

var x{i in MINAS, j in PLALU} >= 0;


# Ton de bauxita/año a explotar en la mina i
# y a transportar a la planta de alúmina j
# (Ton de bauxita/año)

var y{j in PLALU, k in PLESM} >= 0;


# Ton de alúmina/año a producir en la planta de alúmina j
# y a transportar a la planta de esmaltado k
# (Ton de alúmina/año)

var w{j in PLALU} binary;


# Variable binaria igual a 1 si la planta de alúmina j se abre,
# e igual a 0 de lo contrario

# FUNCIÓN OBJETIVO

minimize costo_total: # ($/año)

sum{i in MINAS, j in PLALU} (cexp[i]*x[i,j])


# Costo anual de explotación de bauxita

+ sum{j in PLALU, k in PLESM} (cpal[j]*y[j,k])


# Costo anual de producción de alúmina

+ sum{j in PLALU, k in PLESM} (cpes[k]*y[j,k])


# Costo anual de procesamiento de alúmina en las plantas de esmaltado

+ sum{i in MINAS, j in PLALU} (ctran_b[i,j]*x[i,j])


# Costo anual de transporte de bauxita desde las minas hacia
# las plantas de alúmina

+ sum{j in PLALU, k in PLESM } (ctran_al[j,k]*y[j,k])


# Costo anual de transporte de alúmina desde las plantas de alúmina
# hacia las plantas de esmaltado

+ sum{j in PLALU} (cfijo[j]*w[j]);


# Costo anual fijo de las plantas de alúmina

# RESTRICCIONES

# Por capacidad anual de explotación de bauxita en cada mina


# (Ton de bauxita/año):

subject to cap_exp{i in MINAS}:


sum{j in PLALU} (x[i,j]) <= capbaux[i];
160 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

# Por capacidad anual de procesamiento de bauxita


# en cada planta de alúmina
# (Ton de bauxita/año):

subject to cap_prodal{j in PLALU}:


sum{i in MINAS} (x[i,j]) <= capb_al[j]*w[j];

# Por demanda (ventas) de aluminio terminado


# en cada planta de esmaltado
# (Ton de aluminio terminado/año):

subject to demand_es{k in PLESM}:


sum{j in PLALU} (rendim*y[j,k]) = demanda[k];

# Por balance de masa en cada planta de alúmina

subject to balance{j in PLALU}:


sum{i in MINAS} (rendal[i]*x[i,j]) = sum{k in PLESM} (y[j,k]);

# Restricciones de configuración para análisis de sensibilidad:

# subject to pl_abierta_b:
# w["B"] = 1;

# subject to pl_abierta_c:
# w["C"] = 1;

# subject to pl_abierta_d:
# w["D"] = 1;

# subject to pl_abierta_e:
# w["E"] = 1;
Introducción a la Modelación Matemática y Optimización 161

# CONJUNTO DE DATOS EN AMPL CORRESPONDIENTE AL PROBLEMA DE LA BAUXITA

# CONJUNTOS PRINCIPALES

set MINAS:= A B C;
set PLALU:= B C D E;
set PLESM:= D E;

# PARÁMETROS

# Capacidad de procesamiento de alúmina en la planta de esmaltado k


# (Ton de alúmina/año):

param capal_es:=

D 4000
E 7000;

# Capacidad de procesamiento de bauxita en la planta de alúmina j


# (Ton de bauxita/año):

param capb_al:=

B 40000
C 20000
D 30000
E 80000;

# Capacidad de explotación de bauxita de la mina i


# (Ton de bauxita/año):

param capbaux:=

A 36000
B 52000
C 28000;

# Costo de explotación de la mina i


# ($/Ton de bauxita):

param cexp:=

A 420
B 360
C 540;

# Costo fijo de la planta de alúmina j


# ($/año):

param cfijo:=

B 3000000
C 2500000
D 4800000
E 6000000;
162 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

# Costo de producción de alúmina en la planta de alúmina j


# ($/Ton de alúmina).

param cpal:=

B 330
C 320
D 380
E 240;

# Costo de procesamiento de la alúmina para producir aluminio


# terminado en la planta de esmaltado k
# ($/Ton de alúmina):

param cpes:=

D 8500
E 5200;

# Costo de transporte de alúmina desde la planta de alúmina j hacia


# la planta de esmaltado k
# ($/Ton de alúmina):

param ctran_al: D E :=

B 220 1510
C 620 940
D 0 1615
E 1465 0;

# Costo de transporte de bauxita desde la mina de bauxita i hacia


# la planta de alúmina j
# ($/Ton de bauxita):

param ctran_b: B C D E :=

A 400 2010 510 1920


B 10 630 220 1510
C 1630 10 620 940;

# Demanda de aluminio terminado en la planta de esmaltado k


# (Ton de aluminio terminado/año):

param demanda:=

D 1000
E 1200;

# Rendimiento de alúmina de la bauxita extraída de la mina i


# (Ton de alúmina/Ton de bauxita):

param rendal:=

A 0.060
B 0.080
C 0.062;
Introducción a la Modelación Matemática y Optimización 163

# Rendimiento de alúmina para producir aluminio terminado


# (Ton de aluminio terminado/Ton de alúmina):

param rendim:= 0.4;


164 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

SOLUCIÓN ÓPTIMA DEL PROBLEMA DE LA CADENA DE


ABASTECIMIENTO DE BAUXITA

B
40000

1666.67 1760 1440


A
A T
C D 1000 l e
u r
B 1240 m m
12000
i i
1060 1200 n n
D E i a
20000 o d
C o
E

Minas de Plantas de Plantas de


Bauxita Alúmina Esmaltado

SOLUCIÓN ÓPTIMA DEL PROBLEMA DADA POR WinQSB:

|----------------------- Solution Summary for Bauxita ------------------------|


| 06-08-2001 08:36:58 Page: 1 of 1 |
|-----------------------------------------------------------------------------|
| | | Objective | | | Objective |
| Variable | Solution |Coefficient | Variable | Solution |Coefficient |
|------------+------------+------------+------------+------------+------------|
| XAB | 0 | 820 | YBD | 1440 | 9050 |
| XAC | 0 | 2430 | YBE | 1760 | 7040 |
| XAD | 1666.667 | 930 | YCD | 0 | 9440 |
| XAE | 0 | 2340 | YCE | 1240 | 6460 |
| XBB | 40000 | 370 | YDD | 1060 | 8880 |
| XBC | 0 | 990 | YDE | 0 | 7195 |
| XBD | 12000 | 580 | YED | 0 | 10205 |
| XBE | 0 | 1870 | YEE | 0 | 5440 |
| XCB | 0 | 2170 | WB | 1 | 3000000 |
| XCC | 20000 | 550 | WC | 1 | 2500000 |
| XCD | 0 | 1160 | WD | 1 | 4800000 |
| XCE | 0 | 1480 | WE | 0 | 6000000 |
|-----------------------------------------------------------------------------|
| Minimized OBJ = 87455600 Iteration = 3 Elapsed CPU seconds = .111328 |
| Branch selection: Newest problem Integer tolerance = .01 Max. #node = 2 |
|-----------------------------------------------------------------------------|
Introducción a la Modelación Matemática y Optimización 165

SOLUCIÓN ÓPTIMA DEL PROBLEMA DADA POR AMPL/CPLEX:

OBJECTIVES:
costo_total = 87,455,600

VARIABLES:
w [*] :=
B 1
C 1
D 1
E 0
;

x :=
A B 0
A C 0
A D 1666.67
A E 0
B B 40000
B C 0
B D 12000
B E 0
C B 0
C C 20000
C D 0
C E 0
;

y :=
B D 1440
B E 1760
C D 0
C E 1240
D D 1060
D E 0
E D 0
E E 0
;

CONSTRAINTS (Dual Values):


balance [*] :=
B 15330
C 15910
D 15500
E 16930
;

cap_exp [*] :=
A 0
B -660
C 0
;
166 Carlos Julio Vidal Holguín (Universidad del Valle – Escuela de Ingeniería Industrial y Estadística)

cap_prodal [*] :=
B -196.4
C -436.42
D 0
E 0
;

demand_es [*] :=
D 60950
E 55925
;

ALGUNOS ANÁLISIS DE LA SOLUCIÓN ÓPTIMA:

1. CAPACIDAD ANUAL DE LAS MINAS:

Mina A: Sólo se utilizan 1,666.67 ton/año de las 36,000 ton/año


disponibles.
Mina B: Se utiliza a la máxima capacidad de 52,000 ton/año.
Mina C: Sólo se utilizan 20,000 ton/año de las 28,000 ton/año disponibles.

2. CAPACIDAD ANUAL DE PROCESAMIENTO DE BAUXITA EN LAS PLANTAS DE ALÚMINA:

Planta B: Se utiliza a la máxima capacidad de 40,000 ton de bauxita/año.


Planta C: Se utiliza a la máxima capacidad de 20,000 ton de bauxita/año.
Planta D: Sólo se utilizan 13,666.67 ton/año de las 30,000 disponibles.
Planta E: No se abre.

3. CAPACIDAD ANUAL DE PROCESAMIENTO DE ALÚMINA EN LAS PLANTAS DE ESMALTADO:

Planta D: Sólo se utilizan 2,500 ton/año de las 4,000 ton/año disponibles.


Planta E: Sólo se utilizan 3,000 ton/año de las 7,000 ton/año disponibles.

4. BALANCE DE MASA EN LAS PLANTAS DE ALÚMINA:

Verificar que éstas se cumplen exactamente.

ALGUNOS ANÁLISIS DE SENSIBILIDAD:

1. Si se obliga a la planta de alúmina E a estar abierta: Se abren todas


las plantas, pero no se produce nada en la planta de alúmina E.
Simplemente se paga su costo fijo y el costo total anual asciende a
93,455,600 $/año.

2. Si sólo se abren las plantas B y C, el problema no tiene ninguna


solución factible.

3. Si sólo se abren las plantas B, C y E, se obtiene una solución óptima


con un costo mínimo de 103,457,000 $/año.

Se sugiere al lector realizar otros análisis de sensibilidad.


Introducción a la Modelación Matemática y Optimización 167

ANEXO 2:

EL PROBLEMA DEL TRANSPORTE E


INTRODUCCIÓN A LA TEORÍA DE
REDES

También podría gustarte