Programacion Lineal

UN IVERSIDAD NACIONAL AUTONOMA DE
HONDURAS
(UNAH -CURC)
ASIGNATURA : PRE -CALCULO
TEMA : PROGRAMACION LINEAL.
CATEDRATICO : CARLOS SALINAS
INTEGRANTES : JOSE CARLOS

LESLY CASTILLO
COMAYAGUA, COMAYAGUA
13 DE MARZO DEL 2021
GRUPO D
RESUMEN
La mayoría de situaciones que afrontan las personas y organizaciones implican

explícitamente o implícitamente tomar decisiones. En algunos casos, los procesos para la
toma de dichas decisiones resultan simples, mientras que en otros casos involucran gran
cantidad de aspectos que deben considerarse aumentando así la dificultad y complejidad en la
toma de decisiones. La investigación de operaciones es una disciplina que aplica métodos
analíticos para contribuir en los procesos de toma de decisiones, la cual ha encontrado cabida
en diversos campos del pensamiento humano generando un amplio campo de conocimiento.
Este curso constituye la primera aproximación a la investigación de operaciones, en la que se
espera introducir al estudiante en esta fascinante área del conocimiento y crear en el las
inquietudes para profundizar en su estudio de modo que adquiera herramientas que pueda
aplicar al verse enfrentado a procesos de toma de decisiones.
PROGRAMACION LINEAL Pá gina 3

GRUPO D
INDICE
INTRODUCCION………………………………………………………………………3
HISTORIA DE LA PROGRAMACIÓN LINEAL……………………………………5
PROGRAMACION LINEAL………………………………………………………….7
CARACTERIZACIÓN DE LA PLE………………………………………………….9
METODOS DE SOLUCION DE PROBLEMAS
DE PROGRAMACION LINEAL…………………………………………………….10
TIPOS DE SOLUCIONES…………………………………………………………...14
APLICACIONES……………………………………………………………………...18
EJEMPLOS……………………………………………………………………………22
BIBLIOGRAFÍA……………………………………………………………………….38
INTRODUCCION

GRUPO D
Mucha gente sitúa el desarrollo de la programación lineal entre los avances científicos más
importantes de la mitad del siglo XX, y debemos estar de acuerdo con esta afirmación si
tenemos en cuenta que su impacto desde 1950 ha sido extraordinario. Se han escrito decenas
de libros de texto sobre la materia y los artículos publicados que describen aplicaciones
importantes se cuentan ahora por cientos. De hecho, una proporción importante de todo el
cálculo científico que se lleva a cabo en computadoras se dedica al uso de la programación
lineal y a técnicas íntimamente relacionadas. (Esta proporción se estimó en un 25%, en un
estudio de la IBM).
Un modelo de programación lineal proporciona un método eficiente para determinar una

decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran número de
decisiones posibles.
En todos los problemas de Programación Lineal, el objetivo es la maximación o minimización de

alguna cantidad.
Historia de la programación lineal

GRUPO D
El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos, a

Joseph Fourier, después de quien nace el método de eliminación de Fourier-Motzkin. La
programación lineal se plantea como un modelo matemático desarrollado durante la Segunda
Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los costos al ejército
y aumentar las pérdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra,
muchas industrias lo usaron en su planificación diaria.
Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en
1947, John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y Leonid
Kantoróvich, un matemático ruso, que utiliza técnicas similares en la economía antes de

GRUPO D
Dantzig y ganó el premio Nobel en economía en 1975. En 1979, otro matemático ruso,
Leonid Khachiyan, diseñó el llamado Algoritmo del elipsoide, a través del cual demostró que
el problema de la programación lineal es resoluble de manera eficiente, es decir, en tiempo
polinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método del punto
interior para resolver problemas de programación lineal, lo que constituiría un enorme avance
en los principios teóricos y prácticos en el área.
El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70

puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia de
computación necesaria para examinar todas las permutaciones a fin de seleccionar la mejor
asignación es inmensa (factorial de 70, 70!) ; el número de posibles configuraciones excede al
número de partículas en el universo. Sin embargo, toma sólo un momento encontrar la
solución óptima mediante el planteamiento del problema como una programación lineal y la
aplicación del algoritmo simplex. La teoría de la programación lineal reduce drásticamente el
número de posibles soluciones óptimas que deben ser revisadas.
PROGRAMACION LINEAL
En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli y, sobre
todo, Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se
ocuparon de obtener máximos y mínimos condicionados de determinadas funciones.
Posteriormente el matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue el

primero en intuir, aunque de forma imprecisa, los métodos de lo que actualmente llamamos
programación lineal y la potencialidad que de ellos se deriva.
En 1941-1942 se formula por primera vez el problema de transporte, estudiado

independientemente por Koopmans y Kantarovitch, razón por la cual se suele conocer con el
nombre de problema de Koopmans-Kantarovitch. Tres años más tarde, G. Stigler plantea otro
problema particular conocido con el nombre de régimen alimenticio optimal.
Mucha gente sitúa el desarrollo de la programación lineal entre los avances científicos más
importantes de la mitad del siglo XX, y debemos estar de acuerdo con esta afirmación si
tenemos en cuenta que su impacto desde 1950 ha sido extraordinario. Se han escrito decenas
de libros de texto sobre la materia y los artículos publicados que describen aplicaciones
importantes se cuentan ahora por cientos. De hecho, una proporción importante de todo el
cálculo científico que se lleva a cabo en computadoras se dedica al uso de la programación

GRUPO D
lineal y a técnicas íntimamente relacionadas. (Esta proporción se estimó en un 25%, en un

estudio de la IBM).
Un modelo de programación lineal proporciona un método eficiente para determinar una

decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran número de
decisiones posibles.
Un problema de Programación Lineal consiste en optimizar (maximizar o minimizar) la función:
z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn sujeto a:
a11x1 + a12x2 + . . . + a1nxn ≤ = ≥ b a21x1 +
a22x2 + . . . + a2nxn ≤ = ≥ b2
. . .
am1x1 + am2x2 + . . . + amnxn ≤ = ≥ bm
x1 , x2 , . . . , xn ≥ 0
A la función z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn se le denomina función objetivo
o función criterio.
Los coeficientes c1, c2, ... , cn son números reales y se llaman coeficientes de beneficio o
coeficientes de costo. Son datos de entrada del problema.
x1, x2, ... , xn son las variables de decisión (o niveles de actividad) que deben determinarse.
Las desigualdades ai1x1 + ai2x2 + . . . + ainxn ≤ bi , con i = 1, ... , m se llaman restricciones.
Los coeficientes aij , con i = 1, ... , m y j = 1, ... , n son también números reales conocidos y se les
denomina coeficientes tecnológicos.
El vector del lado derecho, es decir los términos bi , con i = 1, ... , m, se llama vector de
disponibilidades o requerimientos y son también datos conocidos del problema.
Las restricciones xj ≥ 0 con j = 1, ... , n se llaman restricciones de no negatividad.

GRUPO D
Al conjunto de valores de (x1, x2, ... ,xn) que satisfacen simultáneamente todas las
restricciones se le denomina región factible. Cualquier punto dentro de la región factible
representa un posible programa de acción.
La solución óptima es el punto de la región factible que hace máxima o mínima la función objetivo.
Caracterización de la PLE
La programación lineal también conocida como optimización lineal, es la maximización o

minimización de una función lineal sobre un poliedro convexo definido por un conjunto de
restricciones lineales no negativas. La teoría de la programación lineal cae dentro de la teoría
de la optimización convexa y es también considerada como parte importante de la
investigación de operaciones.
La programación lineal entera (PLE) es el conjunto de problemas de programación lineal para

los cuales todas o parte de sus variables pertenecen a los números enteros.
Un problema de PLE puede describirse de la siguiente forma:
Optimizar una función objetivo z=c.x Bajo
las restricciones Ax = ó = b, x = 0
Donde:
x -Vector con variables enteras c -Vector de
coeficientes de la función objetivo A -Matriz
coeficientes de las restricciones b -Vector de
términos independientes
Los modelos de programación lineal entera pudieran clasificarse en tres grupos:
Entero completamente. Todas las variables de decisión son enteras.
Mixto. Algunas de las variables son enteras, las otras no.
Binario. Las variables solo toman los valores 0 ó 1.

GRUPO D
METODOS DE SOLUCION DE PROBLEMAS DE PROGRAMACION LINEAL
Existen tres métodos de solución de problemas de programación lineal:
Método gráfico o de las rectas de nivel. Las rectas de nivel dan los puntos del plano en los
que la función objetivo toma el mismo valor.
Método analítico o de los vértices. El siguiente resultado, denominado teorema fundamental

de la programación lineal, nos permite conocer otro método de solucionar un programa con
dos variables: “En un programa lineal con dos variables, si existe una solución única que
optimice la función objetivo, ésta se encuentra en un punto extremo (vértice) de la región
factible acotada, nunca en el interior de dicha región. Si la función objetivo toma el mismo
valor óptimo en dos vértices, también toma idéntico valor en los puntos del segmento que
determinan. En el caso de que la región factible no es acotada, la función lineal objetivo no
alcanza necesariamente un valor óptimo concreto, pero, si lo hace, éste se encuentra en uno
de los vértices de la región”
Esquema práctico. Los problemas de programación lineal pueden presentarse en la forma

estándar, dando la función objetivo y las restricciones, o bien plantearlos mediante un
enunciado.
Métodos de solución
Pudiera pensarse que los métodos de obtención de soluciones a problemas de programación

lineal entera pudieran ser menos difíciles que los de programación lineal generales, pero
resulta lo contrario. Los algoritmos que permiten resolver los problemas restringidos a
enteros son más complejos y requieren mucho más tiempo computacional.
Para la resolución de los problemas de programación lineal entera existen diferentes métodos.
Los métodos exactos son los que encuentran, si existe, el óptimo absoluto. Muchos de estos
métodos parten de la resolución del modelo dejando a un lado las restricciones enteras y
buscando el mejor valor para las variables reales. A partir del supuesto de que la solución
entera no debe estar muy lejos, se aplican diferentes técnicas que permiten llegar al óptimo
entero.
Una breve introducción a los métodos de la programación lineal: Simplex y Punto interior,
permitirá tener una idea de cómo operan los mismos.
El método del simplex se utiliza para hallar las soluciones óptimas de un problema de
programación lineal con tres o más variables. Este se basa en el hecho de que la solución
óptima se encuentra siempre en uno de los vértices del poliedro formado por el conjunto de
restricciones. Su forma de buscar la solución es recorrer sobre estos vértices hasta encontrar
el óptimo. Aun cuando no corre en tiempo polinomial en el caso peor, su mayor valor radica
en su capacidad de revolver nuevos problemas y resulta muy útil cuando no se tiene un
algoritmo eficiente de solución.

GRUPO D
Los métodos de punto interior se denominan así precisamente porque los puntos generados
por estos algoritmos se hallan en el interior de la región factible. Esta es una clara diferencia
respecto al método del simplex. En la actualidad los métodos de punto interior más eficientes
tienen una complejidad de orden T(nL), donde n es el número de variables y L una medida
del tamaño del problema (el número de bits necesarios para representar los datos).
En la modelación lineal no entera se demuestra que el óptimo es un vértice de la región

factible. En los modelos enteros, esto no tiene porque ser así, de manera general los vértices
no tienen que ser números enteros. Por ello la solución óptima se encontrará en el interior de
la región factible, por lo que los métodos exactos, como el simplex o punto interior, empleado
de forma directa no aportarán la solución óptima en la generalidad de los casos.
Como el conjunto de soluciones enteras factibles es un número finito pudiera pensarse en

recorrerlas todas en busca de la solución pero esto puede resultar ineficiente pues según el
número de variables el conjunto de soluciones se incrementa exponencialmente. Para
enfrentar esto se han desarrollado un conjunto de técnicas basadas en la lógica de que la
solución entera no debe encontrarse muy lejos de la óptima del modelo con variables reales,
conocidas como Ramificar y Podar (Branch and Bound).[1]
Este método se basa en que existe un número finito de soluciones posibles, no todas factibles,
para un problema con enteros, que pueden representarse mediante un diagrama de árbol. Pero
no es necesario enumerar todas las soluciones posibles si se pueden eliminar algunas ramas.
Para eliminar una rama basta demostrar que no contiene una solución factible que sea mejor
que una ya obtenida.
Existen otros métodos de resolución de la PLE, como el procedimiento de los cortes de

Gomory. En esta técnica, se resuelve el problema original relajado en el que se incluyen
restricciones adicionales, que reducen la región factible sin excluir soluciones que cumplen
las condiciones de optimalidad. En cada iteración se añade una restricción que se denomina
corte de Gomory. Este procedimiento genera progresivamente una envoltura convexa de la
región factible entera, lo que origina soluciones que cumplen las condiciones de integralidad.
Este método se explica más en detalle por Castillo et al[2]
En los modelos de PLE es importante valorar el número de variables a manejar pues si el

modelo tiene algunos cientos de variables y no tiene una estructura especial, puede resultar
demasiado costoso de resolver. Los modelos enteros son no polinomiales, o sea el tiempo de
resolución es exponencial con respecto al número de restricciones y especialmente con
respecto al número de variables de decisión enteras, como expone Castillo et al[3]En los
casos en que los métodos generales de PLE, por las dimensiones del problema, resultan
ineficientes, resulta válido introducir métodos heurísticos que obtienen soluciones
aproximadas satisfactorias.

GRUPO D
Modelos especiales
Existen ciertos problemas de PLE que por las características del modelo han sido enfrentados
con métodos particulares de solución atendiendo a estas peculiaridades. Entre estos se
encuentran los modelos de asignación y de transporte. Estos resultan significativos porque se
ajustan a muchos problemas de diversos sectores y especialidades.
El clásico problema de asignación (variables binarias 0 no se asigna, 1 se asigna) se

caracteriza por tener n personas y n objetos donde hay que hacer correspondencia uno a uno
entre los dos conjuntos. En el mismo existe un beneficio o un costo para cada asignación
persona-objeto, y se quiere obtener la asignación donde ese beneficio sea máximo o el costo
mínimo. La asignación puede ser resuelta por métodos diversos, entre ellos destaca el método
Húngaro de orden T(n3) por ser el más antiguo de los conocidos para enfrentar los problemas
de asignación.
El problema del transporte consiste en satisfacer de forma óptima (costos mínimos de

transportación) n destinos desde m orígenes, donde están definidos los costos de
transportación de cada origen a cada destino, la demanda de los destinos y la oferta de cada
origen. Los métodos para hallar la solución se basan en una metaheurística que consiste en
buscar una solución factible inicial, e ir mejorándola hasta llegar a la solución óptima. Existe
gran diversidad de técnicas para obtener la solución inicial y de formas para las mejoras
iterativas.
Estos problemas son casos particulares de PLE en los que métodos especiales de solución
resultan más eficientes que los métodos tradicionales.
La PLE es una rama de la investigación de operaciones que está presente en muchos

problemas reales, entre ellos resultan muy interesantes los de organización de tiempos de
trabajo que existen en diferentes ramas de la producción y los servicios. La selección de los
métodos de solución más eficientes depende en gran medida de las particularidades del
escenario que se ha modelado
TIPOS DE SOLUCIONES
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución
que presentan. Éstos pueden ser:
FACTIBLES. Si existe el conjunto de soluciones o valores que satisfacen las

restricciones. Estas a su vez pueden ser: con solución única, con solución múltiple (si
existe más de una solución) y con solución no acotada (cuando no existe límite para la
función objetivo).
NO FACTIBLES. Cuando no existe el conjunto de soluciones que cumplen las

restricciones, es decir, cuando las restricciones son inconsistentes.

GRUPO D
CONSTRUCCION DE LOS MODELOS DE PROGRAMACION LINEAL

De forma obligatoria se deben cumplir los siguientes requerimientos para construir un modelo
de Programación Lineal:
Función objetivo. (FO): Debe haber un objetivo (o meta o blanco) que la

optimización desea alcanzar.
Restricciones y decisiones: Debe haber cursos o alternativas de acción o decisiones,

uno de los cuáles permite alcanzar el objetivo.
La FO y las restricciones son lineales. Deben utilizarse solamente ecuaciones lineales o

desigualdades lineales.
 Modelo standard de Programación Lineal
Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.
Sujeta a a11X1+ a11X2 +…..+ a1nXn) £ b1 a21X1+ a21X2 +…..
+ a2nXn) £ b1
Restricciones am1X1+ am1X2 +…..+ amnXn)
£ bm
Debiendo ser
X1 ³ 0, X2 ³ 0, ….. Xn ³ 0 Donde :

GRUPO D
Xj : variables de decisión, j = 1,2.., n. n :
número de variables. m : número de
restricciones. aij , bi , cj constantes, i =
1,2.., m.
 Pasos para la construcción del modelo
1. Definir las variables de decisión.

2. Definir el objetivo o meta en términos de las variables de decisión.
3. Definir las restricciones.
4. Restringir todas las variables para que sean no negativas
Variables
Las variables son números reales mayores o iguales a cero.
En caso que se requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.
Restricciones
Las restricciones pueden ser de la forma:

GRUPO D
Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado; C = valor conocido que
no debe ser superado; j = número de la ecuación, variable de 1 a M (número total de
restricciones); a; b; y, c = coeficientes técnicos conocidos; X = Incógnitas, de 1 a N; i
= número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;

ó, N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.
Función Objetivo
La función objetivo puede ser:
Programación entera
En algunos casos se requiere que la solución óptima se componga de valores enteros para
algunas de las variables. La resolución de este problema se obtiene analizando las posibles
alternativas de valores enteros de esas variables en un entorno alrededor de la solución
obtenida considerando las variables reales. Muchas veces la solución del programa lineal
truncado esta lejos de ser el óptimo entero, por lo que se hace necesario usar algún algoritmo
para hallar esta solución de forma exacta. El más famoso es el método de 'Ramificar y Acotar'
o Branch and Bound por su nombre en inglés. El método de Ramificar y Acotar parte de la
adición de nuevas restricciones para cada variable de decisión (acotar) que al ser evaluado
independientemente (ramificar) lleva al óptimo entero.

GRUPO D
Aplicaciones
Aunque surgió como aplicación a cuestiones de carácter logístico y militar, es la industria y la
economía donde, posteriormente ha encontrado sus aplicaciones más importantes.
Así, por ejemplo, la Programación Lineal permite resolver problemas de mezclas,

nutrición de animales, distribución de factorías, afectación de personal a distintos puestos de
trabajo, almacenaje, planes de producción, escalonamiento de la fabricación, problemas de
circulación, planes de optimización de semáforos, estudios de comunicaciones internas, etc.
Veamos algunas de las aplicaciones más importantes:
El problema del transporte.
Trata de organizar el reparto de cualquier tipo de mercancías con un coste mínimo de

tiempo, de dinero o de riesgo (por ejemplo, el transporte de mercancías peligrosas).
Se dispone de m centros de producción u orígenes (Oi), con sus respectivas ofertas; y n

centros de consumo o destino (Dj), con sus demandas correspondientes. A su vez, son
conocidos los costes de envío (cij), desde cada origen a cada destino.
El objetivo del problema del transporte es determinar cuántas unidades de producto deben
enviarse desde cada origen hasta cada destino de forma que se minimicen los costes totales de
distribución, se satisfaga la demanda de cada destino y no se exceda la capacidad de oferta de
cada uno de los orígenes. (El total de unidades que salen de los centros de origen debe ser
igual al total de unidades que llegan a los centros de destino). Podemos expresar el problema
con la siguiente tabla:

GRUPO D
Orígenes Destinos
D1 D2 ... Dn Ofertas
O1 c11 c12 ... c1n a1
O2 c21 c22 c2n a2
... ... ... ... ... ...
Om cm1 cm2 ... cmn am
Demandas b1 b2 ... bn
En 1958 se aplicaron los métodos de la programación lineal a un problema concreto: el

cálculo del plan óptimo del transporte de arena de construcción a las obras de edificación de
la ciudad de Moscú. En este problema había 10 puntos de partida y 230 de llegada. El plan
óptimo de transporte, calculado con el ordenador Strena en 10 días del mes de junio, rebajó
un 11% los gastos respecto a los costes previstos.
Ejemplo: Dos almacenes A y B, tienen que distribuir fruta a tres mercados de la ciudad. El
almacén A dispones de 10 toneladas de fruta diarias y el B de 15 toneladas, que se reparten en
su totalidad. Los dos primeros mercados necesitan diariamente 8 toneladas de fruta, mientras
que el tercero necesita 9 toneladas diarias. El coste del transporte desde cada almacén viene
dado por los datos del cuadro. Planifica el transporte para que el coste sea mínimo.
Orígenes Destinos
Mercado 1 Mercado 2 Mercado 3
Almacén A 10 15 20
Almacén B 15 10 10
El problema de la dieta.
Trata de determinar los alimentos que deben incluirse en una dieta para asegurar la nutrición
necesaria y a la vez minimizar el coste.

GRUPO D
Alimentos Componentes
C1 C2 ... Cn Costes
A1 b11 b12 ... b1n a1
A2 b21 b22 b2n a2
... ... ... ... ... ...
Am bm1 bm2 ... bmn Am
Necesidades c1 c2 ... cn
Ejemplo: Un ave de rapiña necesita para subsistir al día 30 unidades de proteínas, 20 de

grasas y 8 de vitaminas. Sus presas son dos tipos de animales: ratones que le proporcionan 3
unidades de proteínas, 4 de grasa y 1 de vitaminas; y palomas, que le proporcionan 6
unidades de proteínas, 2 de grasas y 1 de vitaminas. Si cazar y comer un ratón le cuesta 7
unidades de energía y una paloma 12 unidades de energía, ¿cuántas presas de cada clase debe
cazar para satisfacer sus necesidades, con el menor gasto de energía?
El problema de la planificación de la producción.
Pretende planificar la producción de una empresa de acuerdo con las materias primas
disponibles para obtener máximos beneficios.
Factores Productos
P1 P2 ... Pn Recursos
F1 a11 a12 ... a1n r1
F2 a21 a22 a2n r2
... ... ... ... ... ...

GRUPO D
Fm am1 am2 ... amn Rm
Beneficios c1 c2 ... cn
o costes
Ejemplo: Una fabrica de muebles produce dos tipos de sillones S1 y S2. La fabrica cuenta con
dos secciones: carpintería y tapicería. Hacer un sillón de tipo S1 requiere 1 hora de trabajo en
la sección de carpintería y 2 horas en la de tapicería. Un sillón del tipo S2 necesita 3 horas de
carpintería y 1 de tapicería. El personal de carpintería suministra un máximo de 90 horas de
trabajo; en tapicería se dispone de 80. Si las ganancias por la venta de los sillones S1 y S2 son
respectivamente de 6000 y 3000 pesetas, ¿cuántos sillones de cada tipo hay que fabricar para
maximizar las ganancias?
EJEMPLOS
Éste es un caso curioso, con solo 6 variables (un caso real de problema de transporte puede
tener fácilmente más de 1.000 variables) en el cual se aprecia la utilidad de este
procedimiento de cálculo.
Existen tres minas de carbón cuya producción diaria es:
La mina "a" produce 40 toneladas de carbón por día;
La mina "b" otras 40 t/día; y,
La Mina "c" produce 20 t/día.
En la zona hay dos centrales termoeléctricas que consumen:

GRUPO D
La central "d" consume 40 t/día de carbón; y,
La central "e" consume 60 t/día
Los costos de mercado, de transporte por tonelada son:
De "a" a "d" = 2 monedas
De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas
De "b" a "e" = 24 monedas
De "c" a "d" = 13 monedas De
"c" a "e" = 18 monedas Si se
preguntase a los pobladores de la
zona cómo organizar el
transporte, tal vez la mayoría
opinaría que debe aprovecharse
el precio ofrecido por el
transportista que va de "a" a "d",
porque es más conveniente que
los otros, debido a que es el de
más bajo precio.
En este caso, el costo total del transporte es:
Transporte de 40 t de "a" a "d" = 80 monedas
Transporte de 20 t de "c" a "e" = 360 monedas
Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.
Sin embargo, formulando el problema para ser resuelto por la programación lineal se tienen
las siguientes ecuaciones:

GRUPO D
Un ejemplo de producción en una planta de generación de energía
La gerencia de una planta termoeléctrica de generación de energía, que emplea carbón como
combustible, está estudiando la configuración operativa de la planta a fin de cumplir las
nuevas leyes de control de la contaminación medio ambiental. Para la planta en cuestión, las
tasas máximas de emisión son:
Máxima emisión de óxido de azufre: 3000 partes por millón (PPM)
Máxima emisión de partículas (humo): 12 kilogramos/hora (kg/h)
El carbón se traslada a la planta por ferrocarril y se descarga en depósitos cercanos a la

misma. De aquí se lleva con una cinta transportadora a la unidad pulverizadora, en donde se
pulveriza y alimenta directamente a la cámara de combustión, a la velocidad conveniente. El
calor producido en la cámara de combustión se emplea para crear vapor que impulse las
turbinas.
Se emplean dos tipos de carbón: tipo A, que es un carbón duro y de quema limpia con un-bajo
contenido en azufre (bastante caro); y tipo 8, que es un carbón barato, relativamente suave,
que produce humo y tiene un alto contenido en azufre, tal y como se puede observar en fa
tabla 2. 1. El valor térmico en términos de vapor producido es mayor para el carbón A que
para el carbón 3, siendo de 24000 y 20000 Ib por ton respectivamente.

GRUPO D
Como el carbón A es duro, la unidad pulverizadora puede manejar a lo sumo 16 ton de carbón
A por hora; sin embargo puede pulverizar hasta 24 Ion de carbón B por hora. El sistema de
carga de La cinta transportadora tiene una capacidad de 20 ton por hora y es independiente
del tipo de carbón.
Uno de los muchos interrogantes que la gerencia puede plantearse es el siguiente: dados los
límites de emisión de los agentes contaminantes y los tipos disponibles de carbón, ¿Cuál es la
máxima producción posible de electricidad de la planta? La respuesta permitirá a la gerencia
determinar el margen de seguridad disponible para cubrir las demandas punta de energía.
Tabla . Emisión de agentes contaminantes

Carbón Oxido de azufre en gases Partículas (emsión/ton)
combustible
A 1800PPM 0.5 Kg/ton
B 38OOPPM 1 .0 Kg/ton
Elementos básicos
El modelo de Programación Lineal está formado por tes elementos básicos: a) Variables de
decisión que tratamos de determinar, b) Objetivo (meta) que tratamos de optimizar y c)
Restricciones que necesitamos satisfacer.
a) Variables
A corto plazo, las instalaciones de la planta son fijas. El único aspecto del problema que es
controlable y que puede utilizarse para modificar la producción de la planta es la cantidad de
cada tipo de carbón que se queme. Entonces, las variables de decisión del problema son:
X1 = La cantidad de carbón A utilizada por hora (ton/h) X2 =
La cantidad de carbón B utilizada por hora (ton/h)
En programación lineal a menudo se hace referencia a los aspectos controlables de un

problema de decisión como actividades. Por lo tanto, las variables X1 y X2 representan los
niveles de actividad de la quema de carbón A y carbón B, respectivamente.
HIPTESIS 1 DE PROGRAMACIÓN LINEAL:
DIVISISILIDAD: Todas las variables pueden asumir cualquier valor real.
Si las variables solo tienen sentido en el caso de tomar valores discretos pero tomar un valor
real elevado (superior a 10) en la solución óptima, es aceptable considerarlas como continuas
y redondear su valor

GRUPO D
Muchas actividades en el mundo real pueden variar de forma continua, es decir son divisibles
infinitamente. Por ejemplo, la cantidad de carbón quemado por hora puede ajustarse a
cualquier valor dentro de unos límites razonables. Sin embargo, hay actividades reales que
sólo pueden tomar valores enteros, por ejemplo el número de viajes de carbón necesarios para
trasladar cierta carga de un lugar a otro o el número de equipos informáticos que debe
adquirir una empresa.
Si la actividad real no es divisible de forma infinita; pero el nivel normal de actividad es un

número grande, las condiciones de divisibilidad pueden servir como una aproximación
conveniente. En general, esto significa que el valor de la solución es de decenas o mayor. Los
valores fraccionarios tan sólo se redondean al entero más cercano. Por el contrario, si el nivel
normal de actividad es relativamente pequeño, digamos menor que 10, se necesita recurrir a
la programación entera.
HIPÓTESIS 2 DE PROGRAMACIÓN LINEAL:
CONDICIONES DE NO NEGATIVIDAD: Todas las variables son no negativas
Esta hipótesis refleja la naturaleza de la mayoría de ¡as actividades del mundo real; donde
rara vez tiene sentido, dentro de un contexto económico o de ingeniería, hablar de niveles
negativos de actividad. Sin embargo, esta consideración no significa una pérdida de
generalidad. Cualquier número (positivo, cero o negativo) puede expresarse como la
diferencia algebraica de dos números no negativos. Si una actividad puede ocurrir tanto en
niveles negativos como positivos (por ejemplo, comprar o vender bonos), se introducen dos
variables para esta actividad, X+ para niveles no negativos, y X- para niveles no positivos. Su
diferencia X = X + – X- representa el nivel real de la actividad. Mediante este artificio tanto
X+ como X- están restringidas a ser no negativas y son las llamadas variables irrestrictas o
libres. De hecho, el software de optimización suele permitir al usuario definir directamente
este tipo de variables como libres e interpretando que su rango de variación está entre menos
y más infinito.
b) Función objetivo
El objetivo de la gerencia consiste en maximizar la producción de electricidad de la planta.

Ya que la electricidad se produce mediante vapor y existe una relación directa entre la
producción de vapor y la de electricidad, el maximizar ¡a producción de vapor es equivalente
a maximizar la producción de electricidad. Por lo tanto, puede replantearse el objetivo de la
gerencia como "encontrar la combinación de combustibles que maximice ¡a producción de
vapor".

GRUPO D
¿Cuánto vapor se produce para cualquier cantidad arbitraria de carbón utilizada? Una forma
simple y sistemática de determinarlo se muestra en la tabla 2.2.
Tabla Construcción de la Función objetivo
Vamos a expresar la cantidad de vapor producido en miles de libras. Por lo tanto, el carbón A
produce 24 unidades y el carbón B, 20 unidades de vapor por toneladas de combustible.
Entonces, la cantidad de vapor producida por hora es:
(1) 24 X1 + 20 X2 - Z
El primer miembro de (1) se denomina función objetivo y Z es el valor de la función objetivo.

Los coeficientes de las variables se denominan coeficientes de la función objetivo. El
problema exige determinar los valores de X1 y X2 que maximicen el valor de Z. En la figura
2.1 se observa que (1) es una familia de rectas paralelas y que para cada valor que demos a Z
tendremos una recta, cuyos puntos representan las posibles combinaciones de X1 y X2 que
proporcionan la misma cantidad de vapor y en definitiva de energía. Por este motivo, se
conocen como líneas de isoproduccion (isobeneficio o isocoste, en el caso de que la función
objetivo fuera beneficio o costo respectivamente). También podemos observar que la función
objetiva es lineal.
HITPOTESIS 3 DE PROGRAMACION LINEAL:
LINEALIDAD: Todas las relaciones entre variables son lineales En
programación lineal esto implica:
Proporcionalidad de las contribuciones. La contribución individual de cada variable es

estrictamente proporcional a su valor; y el factor de proporcionalidad es constante para toda
la gama de valores que la variable puede asumir.
Actividad de las contribuciones. La contribución total de las variables es igual a la suma de

las contribuciones individuales, sea cual sea el valor de las variables.

GRUPO D
Figura 2.1. Función objetivo
Una relación tal corno Z= 5X1 + 3 X1 + 2 X2 o Z = 24 X1 + 20 X2 para X1 < = 5 y 10 + 22

X1 + 20 X2 para X1 > 5 violaría la condición de proporcionalidad; mientras que Z = 24 X1
para X2 = 0, 20 X2 para X1 =0 y 22 X1 ÷ 18 X2 para X1 > O y X2> O violarla la actividad.
La hipótesis 3 implica beneficios constantes a escala e impide economías y deseconomías de

escala. En la práctica esta condición posiblemente no se cumpla con exactitud; en particular
para valores muy pequeños o muy grandes de actividad. Sin embargo, si se cumple en forma
aproximada dentro del intervalo normal de los valores de solución, es posible emplear el
modelo de programación lineal como una buena aproximación. Esta consideración también
excluye el problema de los costes fijos cuando se presentan para valores positivos de la
actividad, pero no para niveles cero.
Además de las condiciones de no negatividad, los niveles de actividad deben de cumplir

ciertas restricciones que pueden ser de naturaleza física, económica o legal. c) Restricciones
C1. Restricción de la emisión de partículas
La cantidad máxima de emisión de humo por hora en una planta está limitada a 12 kg. De
acuerdo con la tabla 2.I, cada tonelada de carbón A produce 0.5 kg de humo y cada tonelada
de carbón B produce 1 kg de humo. Si la planta quema X1 ton de carbón A y X2 de B2 la
cantidad de humo total emitida a partir de ambos tipos de carbón es igual a su suma, que no
puede exceder de 12 kg/h.
(2) 0.5X1 + X2 <=12

GRUPO D
Los coeficientes de las variables en las restricciones se denominan coeficientes técnicos y al

segundo miembro de la desigualdad o término independiente se conoce como coeficiente del
segundo miembro o parámetro del lado derecho de la restricción (en el software RHS -Right-
Hand Side).
C2 Restricción de las instalaciones de carga.
El sistema de cinta transportadora que traslada el carbón de los depósitos al pulverizador tiene
una capacidad de 20 ton/h. Por lo tanto, la restricción de carga seria:
(3) X1+X2<=2º
C3 Restricción de la capacidad del pulverizador
La capacidad del pulverizador es de 16 ton/h para el carbón A o de 24 ton/h para el carbón B.

En otras palabras, tarda 1116 h en pulverizar una tonelada de carbón A y 1124 h en pulverizar
una tonelada de carbón B. Si la solución exige una combinación de ambos tipos de carbón, el
tiempo que se tardará en pulverizar una mezcla de X1 ton de A y X2 de B es (1/16) X1 +
(1/24)X2. Son admisibles sólo aquellas combinaciones de X1 y X2 que requieran cuando más
1h. Por lo tanto la restricción del pulverizador es:
Obsérvese la forma en que se ha superado la dificultad presentada por las diferentes tasas
máximas. Estas tasas se han traducido a tiempos necesarios por tonelada y expresan la
restricción en términos de tiempo en vez de capacidad. C4 Restricción de la emisión de óxido
de azufre
La emisión máxima de óxido de azufre no debe exceder de 3000 PPM en ningún momento.
Dado que los dos tipos de carbón se queman en forma simultánea, se considera que la
combinación de X1 tan de carbón A, y X2 ton de carbón B por hora, alimenta a la cámara de
combustión corno una mezcla homogénea.
El X1/(X1 + X2) de la mezcla es carbón A con una tasa de emisión de óxido de azufre de
1800 PPM y X2(X1 + X2) de dicha mezcla es carbón B, con una tasa de emisión de 3800
PPM. La tasa de emisión de la mezcla es igual al promedio ponderado de las tasas
individuales de emisión; en el que sirven como ponderaciones las fracciones utilizadas de
cada carbón. Este promedio ponderado no puede exceder de 3000 PPM:

GRUPO D
Multiplicando a ambos lados de la desigualdad por (X1 + X2) y reordenando términos, se

obtiene la restricción:
(5) 1200X1 -300 X2 >=0
En la figura 2.2 se han representado las cuatro restricciones.
Formación general de un programa lineal
En resumen, el modelo matemático que hemos formulado para representar el problema

anterior es el siguiente:
Determinar los valores de las variables: X1 >= O y X2 >= O
Que optimicen, maximicen en este caso (en otros puede ser minimizar) la función objetiva:
Max 24X1 + 20X2
Y verifiquen las restricciones
0.5 X1 + X2 <= 12 (humo)
X1 +X2 <=20 (carga)
1.5 X1 + X2 <= 24 (pulverizador)
1200 X1 - 800 X2 >= O (azufre)

GRUPO D
El planteamiento general de un programa lineal es el siguiente:
Determinar los valares de as variables decisión .XJ >= O; para, j = 1,2,..n que optimicen
(maximicen o minimicen a función objetivo:
Donde: n es el número de variables,
m es el número de restricciones y éstas pueden ser igualdades o desigualdades del tipo <= o
>=.
Los Cj, aj y bj son los parámetros del modelo.
HIPÓTESIS 4 DE PROGRAMACIÓN LÍNEAL: CERTIDUMBRE
Se asume que todos los parámetros del modelo cj aj y bj son constantes conocidas. Región
factible, solución gráfica y variables holgura
Para que una solución sea admisible la combinación de niveles de actividad debe satisfacer en
forma simultánea todas las restricciones, incluyendo las condiciones de no negatividad. A tal
solución se le denomina solución factible para el problema. El conjunto de todas las
soluciones factibles forma la región factible o conjunto de soluciones posibles. Obsérvese en
la figura 2.2 que el conjunto de soluciones posibles no depende de la función objetivo. Ésta es
una interesante propiedad de la mayoría de los modelos de Investigación Operativa y tiene
importantes consecuencias sobre el método de resolución y las propiedades de la solución
óptima.
Si la frontera de una restricción no tiene puntos en común con la región factible, entonces esta
restricción es redundante y puede eliminarse en consideraciones posteriores, ya que nunca
limitará los valores de las variables. ¿Existe alguna restricción redundante en nuestro
problema?.
En la práctica, cuando un problema tiene cientos de restricciones y cientos de variables rara

vez es posible identificar si una restricción es redundante o no. Por fortuna, el algoritmo de
resolución conocido como método simplex funciona eficientemente, aunque el planteamiento
contenga restricciones redundantes.

GRUPO D
Como el objetivo es maximizar fa producción de vapor de la planta, tendremos que

determinar la recta más alta que contenga al menos una solución posible. Dicha recta es la
que corresponde a Z = 408 y los niveles de actividad de las variables en la solución óptima
son de X1 = 12 y X2 = 6 como puede observarse en la figura 2.3. Una combinación de 12
toneladas de carbón A y 6 toneladas de carbón B por hora maximiza la producción de vapor
de la planta dentro de las restricciones físicas y legales impuestas a las variables.
Desde el punto de vista intuitivo, parece obvio que la solución óptima siempre ocurrirá en fa
frontera de la región factible, ya sea en un punto extremo o en un lado del polígono. Como se
verá en el análisis de sensibilidad, es la pendiente de la función objetivo la que determina en
qué parte de la frontera estará situada la solución óptima.
Si el problema exigiera la minimización de la función objetivo ¿en que forma cambiaría el

procedimiento gráfico para encontrar la solución óptima? Por ejemplo, se desea determinar la
solución de coste mínimo para obtener una producción de vapor de, al menos, 216 unidades
por hora y que el coste por tonelada es de 24 $ para el carbón A y de 15 para el B. Plantea y
resuelve este, problema de forma gráfica.
En síntesis, podemos afirmar que una solución óptima es una solución factible con el mejor
valor de la función objetivo. El mejor valor o el valor más favorable de la función objetivo
será el más grande en los problemas de maximización o el más pequeño en los problemas de
minimización.
No todos los problemas de programación lineal tienen finales felices. Por una parte, puede
ocurrir que las restricciones sean inconsistentes en el sentido de que no exista ninguna
solución factible. Y por otra, la región factible puede estar abierta en alguna dirección de
manera que la función objetivo pueda incrementarse de forma indefinida y no exista solución
finita (la solución es no acotada). Estos casos son poco frecuentes en la práctica. A menudo,
tales soluciones son el resultado de errores o de representaciones incorrectas en la
formulación matemática. Por tanto, al resolver un programa lineal podemos encontrarnos con
cuatro casos:
Solución única.
soluciones alternativas (infinitas soluciones). En un modelo con dos variables ocurre siempre
que la función objetivo corta al conjunto factible en un lado del polígono, para el mejor valor
de la misma. En la práctica veremos temas posteriores cómo es un caso mucho más frecuente
de lo que a priori pudiéramos pensar.
No hay solución, porque ninguna combinación de variables cumple todas las restricciones.
Solución no acotada.
Para cualquier solución factible, la diferencia entre el valor que toma la restricción y el
coeficiente del segundo miembro se denomina holgura (para desigualdades<=) o exceso (para
desigualdades >=). A menudo, resulta conveniente mostrar de manera explícita esta
diferencia, introduciendo una variable adicional en cada restricción. A estas variables se les
denomina variables de holgura o de exceso. Por conveniencia, se suele utilizar el término de

GRUPO D
variables de holgura para ambas. Tales variables están sujetas a las mismas consideraciones
de divisibilidad y no negatividad que las variables decisión. Entonces cada restricción se
convierte en una igualdad. Introduciendo las variables de holgura en nuestro ejemplo:
Las variables de holgura pueden interpretaba a menudo como recursos no utilizados o

capacidad no utilizada para una solución dada. Por ejemplo, x3 es la cantidad de capacidad no
utilizada de emisión de humo, y x4 la cantidad no utilizada de capacidad de carga. ¿Cuál es la
interpretación correspondiente a x5? Debido a la forma en que se obtuvo la restricción del
azufre no existe una interpretación simple para x6. Comprueba que x3 y x5 son cero en
nuestro ejemplo, mientras que x4 = 2 y x6 = 9600.
nálisis de sensibilidad de los segundos miembros de las restricciones

GRUPO D
Ahora vemos qué ocurre con la solución óptima cuando varia al segundo miembro de una
restricción. Vamos a suponer que la gerencia está considerando la instalación de un equipo
que puede reducir el humo en un 20%. Esto permitiría cumplir con las normas legales con
una emisión no controlada de humo a partir de la cámara de combustión de hasta 15 Kg/h.
Figura . Función objetivo alternativa
Consideraremos en primer lugar que la emisión máxima permitida de humo se incrementó de

12 a 13 kg/h, permaneciendo iguales todos los otros coeficientes. Esto provoca un cambio
paralelo hacia arriba en la restricción de humo. En la figura 2-5, puede verse como se agranda
la región factible. En la nueva región factible Z = 408 ya no es el valor óptimo de la función
objetivo, sino que su mejor valor se encuentra en el punto D. Por tanto, la solución óptima
cambia de A a D. Esté cambio ocurre debido a que la restricción de humo se cumple
estrictamente en la solución óptima del problema original. Ahora los nuevos niveles de
actividad de las variables son X1 = 11 y X2 = 7.5. Esta disminución en X1 provoca una
reducción en menos de 24 unidades en la producción de vapor, mientras que el incremento de
X2 aumenta la producción en 30 unidades. El incremento es de 6. Entonces el nuevo valor
máximo de la función objetivo será de z = 408 + 6 = 414.
La mejora en el valor óptimo de la función objetivo debido a un incremento unitario en el

segundo miembro de una restricción se denomina coste de oportunidad o precio sombra de la
restricción. En este caso, el coste de oportunidad de la restricción de humo es 6.

GRUPO D
¿Qué sucedería si la emisión máxima de humo fuera de 14,15, 16 y 17 kg/h? En la figura 2.5
se puede observar cómo el área de la región factible se agranda por cada cambio hasta un
máximo de 16. Comprueba que por cada cambio la función objetivo aumenta en 6.
Para un incremento superior a 16 la restricción de humo se vuelve redundante. Ahora la

solución óptima estará restringida por las restricciones del pulverizador y del azufre, así como
por la de carga. Por lo tanto, el coste de oportunidad de esta restricción es cero para valores
mayores de 16.
La pregunta original requería determinar el incremento en la producción de vapor para un

cambio en el nivel permitido de humo de 12 a 15 kg/h. Este será de 3 x 6 = 18 unidades de
vapor/h.
¿Cuál es el costo de oportunidad de una restricción que no se verifique estrictamente en la

solución óptima? Resulta claro que si una parte del recurso no se utiliza, esto es si la variable
de holgura es positiva, las cantidades adicionales de ese recurso no tienen valor. Sólo
aumentarían la cantidad de holgura. Por lo tanto, el precio sombra de tal restricción es cero.
Determina los precios sombra de las restricciones restantes. Observar la interesante relación
entre el coste de oportunidad de una restricción y la variable de holgura asociada a la misma.
Cuando un recurso se utiliza completamente su coste .de oportunidad es, por lo general,
positivo (no negativo para ser más exactos) y su variable de holgura cero, mientras que
cuando la variable de holgura es positiva el precio sombra es cero.
Los precios sombra proporcionan a la gerencia una valiosa información acerca de los
beneficios que se pueden obtener al suavizar las restricciones. Si estos beneficios superan al
coste que provoca suavizar una restricción dada, entonces tales cambios son atractivos.
Figura. Análisis de sensibilidad de los segundos miembros de las restricciones

GRUPO D
Ejercicios Grupo C

GRUPO D
Problema No. 1
Un proveedor debe preparar con 5 bebidas de fruta en existencia, al menos 500 galones
de un ponche que contenga por lo menos 20% de jugo de naranja, 10% de jugo de
toronja y 5% de jugo de arándano. Si los datos del inventario son los que se muestran en
la tabla siguiente ¿Qué cantidad de cada bebida deberá emplear el proveedor a fin de
obtener la composición requerida a un costo total mínimo?
Definición de variables
A = Cantidad de galones de la bebida A a utilizar en el ponche.
B = Cantidad de galones de la bebida B a utilizar en el ponche.
C = Cantidad de galones de la bebida C a utilizar en el ponche.
D = Cantidad de galones de la bebida D a utilizar en el ponche.
E = Cantidad de galones de la bebida E a utilizar en el ponche.
Restricciones
A + B + C + D + E >= 500 (Requerimientos de Ponche)
A <= 200 (Disponibilidad de bebida A)
B <= 400 (Disponibilidad de bebida B)
C <= 100 (Disponibilidad de bebida C)
D <= 50 (Disponibilidad de bebida D)
E <= 800 (Disponibilidad de bebida E)
0,4A + 0,05B + C >= 0,2(A + B + C + D + E) Contenido de jugo de naranja
0,4A + 0,1B + D >= 0,1(A + B + C + D + E) Contenido de jugo de toronja

GRUPO D
0,2B >= 0,05(A + B + C + D + E) Contenido de jugo de arándano
Función Objetivo
Zmin = 1,5A + 0,75B + 2,00C + 1,75D + 0,25E
Solución obtenida mediante Solver

GRUPO D
Bibliografía
Castillo, E; AJ Conejo; P Pedregal; R García y N Alguacil. Formulación y Resolución

de Modelos de Programación Matemática en Ingeniería y Ciencia; Ciudad Real,
España, 2002. Disponible en: .
Castillo, E, AJ Conejo, P Pedregal, R García, y N Alguacil. Formulación y Resolución
de Modelos de Programación Matemática en Ingeniería y Ciencia. Capítulo 2.
Modelización; Ciudad Real, España, 2002. Disponible en:
http://www.investigacionoperaciones.com/Libro/modelizacion.pdf.
Hillier, FS y GJ Lieberman. Introduction to Operations Research; Singapore: McGraw-
Hill Internacional, 2005.
Vanderbei, RJ. Linear Programming: Foundations and Extensions; New Jersey, USA:
Princenton University, 2001.

Programacion Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programacion Lineal

Cargado por

Copyright:

Formatos disponibles

UN IVERSIDAD NACIONAL AUTONOMA DE

ASIGNATURA : PRE -CALCULO

TEMA : PROGRAMACION LINEAL.

CATEDRATICO : CARLOS SALINAS

INTEGRANTES : JOSE CARLOS

La mayoría de situaciones que afrontan las personas y organizaciones implican

PROGRAMACION LINEAL Pá gina 3

HISTORIA DE LA PROGRAMACIÓN LINEAL……………………………………5

METODOS DE SOLUCION DE PROBLEMAS

PROGRAMACION LINEAL Pá gina 3

Un modelo de programación lineal proporciona un método eficiente para determinar una

En todos los problemas de Programación Lineal, el objetivo es la maximación o minimización de

Historia de la programación lineal

PROGRAMACION LINEAL Pá gina 3

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos, a

PROGRAMACION LINEAL Pá gina 3

El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70

Posteriormente el matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue el

En 1941-1942 se formula por primera vez el problema de transporte, estudiado

PROGRAMACION LINEAL Pá gina 3

lineal y a técnicas íntimamente relacionadas. (Esta proporción se estimó en un 25%, en un

Un modelo de programación lineal proporciona un método eficiente para determinar una

Un problema de Programación Lineal consiste en optimizar (maximizar o minimizar) la función:

z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn sujeto a:

a11x1 + a12x2 + . . . + a1nxn ≤ = ≥ b a21x1 +

am1x1 + am2x2 + . . . + amnxn ≤ = ≥ bm

Las desigualdades ai1x1 + ai2x2 + . . . + ainxn ≤ bi , con i = 1, ... , m se llaman restricciones.

Las restricciones xj ≥ 0 con j = 1, ... , n se llaman restricciones de no negatividad.

PROGRAMACION LINEAL Pá gina 3

La programación lineal también conocida como optimización lineal, es la maximización o

La programación lineal entera (PLE) es el conjunto de problemas de programación lineal para

Un problema de PLE puede describirse de la siguiente forma:

Optimizar una función objetivo z=c.x Bajo

x -Vector con variables enteras c -Vector de

coeficientes de la función objetivo A -Matriz

coeficientes de las restricciones b -Vector de

Los modelos de programación lineal entera pudieran clasificarse en tres grupos:

Entero completamente. Todas las variables de decisión son enteras.

Mixto. Algunas de las variables son enteras, las otras no.

Binario. Las variables solo toman los valores 0 ó 1.

PROGRAMACION LINEAL Pá gina 3

METODOS DE SOLUCION DE PROBLEMAS DE PROGRAMACION LINEAL

Existen tres métodos de solución de problemas de programación lineal:

Método analítico o de los vértices. El siguiente resultado, denominado teorema fundamental

Esquema práctico. Los problemas de programación lineal pueden presentarse en la forma

Pudiera pensarse que los métodos de obtención de soluciones a problemas de programación

PROGRAMACION LINEAL Pá gina 21

En la modelación lineal no entera se demuestra que el óptimo es un vértice de la región

Como el conjunto de soluciones enteras factibles es un número finito pudiera pensarse en

Existen otros métodos de resolución de la PLE, como el procedimiento de los cortes de

En los modelos de PLE es importante valorar el número de variables a manejar pues si el

PROGRAMACION LINEAL Pá gina 21

El clásico problema de asignación (variables binarias 0 no se asigna, 1 se asigna) se

El problema del transporte consiste en satisfacer de forma óptima (costos mínimos de

La PLE es una rama de la investigación de operaciones que está presente en muchos

FACTIBLES. Si existe el conjunto de soluciones o valores que satisfacen las

NO FACTIBLES. Cuando no existe el conjunto de soluciones que cumplen las

PROGRAMACION LINEAL Pá gina 21

CONSTRUCCION DE LOS MODELOS DE PROGRAMACION LINEAL

Función objetivo. (FO): Debe haber un objetivo (o meta o blanco) que la

Restricciones y decisiones: Debe haber cursos o alternativas de acción o decisiones,

La FO y las restricciones son lineales. Deben utilizarse solamente ecuaciones lineales o

 Modelo standard de Programación Lineal

Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.