Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tarea Voluntaria 3 Optimizacion
Tarea Voluntaria 3 Optimizacion
Restricciones (metas):
Para la formulación del problema en LINDO, se escriben las restricciones en forma de metas con
igualdades. Asociadas a cada una de estas metas, se definen las variables de desviación por
defecto (ni) y por exceso (pi), siendo i el número del listado de metas.
Función objetivo:
Para constituir la función objetivo de la programación por metas se seleccionan las desviaciones
que se desean minimizar y se deben diseñar los pesos, poniéndonos en este caso en el papel del
decisor, en función de la importancia que se le de al cumplimiento de cada meta, siempre
influenciada por la subjetividad del decisor. Los pesos son estandarizados dividiendo al
coeficiente que aporta subjetividad el valor del nivel de aspiración marcado por la compañía.
El coeficiente que aporta subjetividad está definido en una escala de 0 a 1000, para evitar tener
valores de los coeficientes de la función objetivo demasiado bajos. Como se observa en la tabla,
el beneficio económico y evitar la subutilización de la capacidad son las dos metas a las que
mayor importancia se les da y que se desean alcanzar. Por otro lado, se les da el mismo grado
de importancia a las metas 1, 3, 4 y 5, que se consideran menos primordiales. Además, se cumple
con la condición de ponderar las metas relacionadas con la producción en función de los
beneficios asociados a cada producto, siendo la relación entre ambos pesos de 15/20.
Optimización Industrial Irene Izco Berástegui
Tarea Voluntaria 3 Grupo 2
Solución:
Analizando la solución obtenida se puede concluir que la desviación total al objetivo marcado
en las metas es el valor obtenido para la función objetivo de 128.5. Esto implica que con el plan
de producción de x1=70 unidades de producto P1 y x2=97.5 unidades de producto P2 no se
cumplirán exactamente las metas planeadas. Es cierto que las metas 0 y 5 se cumplirán (ya que
sus desviaciones son nulas) y por lo tanto el beneficio económico será de 3000 y la producción
de P1 será exactamente 70, como se comprueba con la solución de x1 obtenida. La meta que
más se desvía del nivel de aspiración marcado es la 4, obteniendo un resultado de 212.5 horas
extra más que las deseadas como se observa del valor de la desviación por exceso p4.
En cuanto a la ponderación elegida en este caso, se pueden hacer las siguientes puntualizaciones
en base al análisis de sensibilidad de la solución proporcionado en LINDO: Cambiando
únicamente uno (manteniendo todos los demás intactos) la solución del problema seguiría
siendo la misma que hemos obtenido. Si nos fijamos por ejemplo en le grado de importancia
dado al cumplimiento de la meta de beneficio, podríamos disminuir w0 como mucho 0.072
unidades para seguir teniendo un cumplimiento exacto de esta meta. Si, por ejemplo, se bajara
el grado de importancia de 900 a 450 (la mitad), w0 sería 0.15 (disminuiría 0.15) y por lo tanto
este coeficiente de la función objetivo estaría fuera de su rango de sensibilidad, obteniendo una
solución diferente a la actual.
Optimización Industrial Irene Izco Berástegui
Tarea Voluntaria 3 Grupo 2
Ejercicio 11
Se desea resolver el siguiente problema multiobjetivo:
Para comprobar si el problema multiobjetivo tiene solución óptima se resuelven por separado
dos problemas con un único objetivo: Problema 1 con la función a maximizar y Problema 2 con
la función a minimizar.
Problema 1: (maximizar)
Esta solución no es única, ya que se obtienen 4 ceros en el valor de los costos reducidos de la
solución, y por lo tanto existen soluciones alternativas al problema. Se pivotará la columna del
SLK2 de la tabla óptima del simplex obtenida para encontrar otra solución alternativa. De esta
forma se obtiene la solución X1= (2.15,2.45) con el mismo valor de la función objetivo Z1=6.75.
De las soluciones obtenidas se observa que no es posible cumplir ambos objetivos con la misma
solución, ya que las soluciones óptimas obtenidas son diferentes (incluso las alternativas). Por
lo tanto, no existe solución óptima para el problema multiobjetivo.
La solución obtenida en este caso es la misma que la obtenida para el problema a maximizar por
separado, es decir x= (3.375,0).
La eficiencia de la solución está asegurada ya que los pesos de ponderación son positivos y
además la solución obtenida para el problema ponderado es única, es decir, no existen
alternativas. Por lo tanto, x= (3.375,0) es una solución eficiente del problema multiobjetivo
original.
Optimización Industrial Irene Izco Berástegui
Tarea Voluntaria 3 Grupo 2
b) Plantee el problema de programación por meta con niveles de aspiración a1=5 y a2=2.
Se plantea el problema diseñando una función objetivo a minimizar las desviaciones de los
valores de aspiración marcados para cada meta. En este caso, se desea un valor de al menos 5
para el objetivo a maximizar, por lo tanto, se desea una desviación por defecto lo menor posible.
Para el objetivo a minimizar, se desea la menor desviación por exceso posible, para que el valor
de la función objetivo a minimizar no supere el nivel de aspiración de 2.
Con la solución obtenida se sacan las siguientes conclusiones: A pesar de darle mayor
importancia al objetivo 1, se obtiene una desviación por defecto de 0.5 unidades y por lo tanto
el valor de la función objetivo a maximizar será 4.5. En cambio, ambas desviaciones para el
objetivo 2 son nulas y por lo tanto se obtiene el valor deseado para la función objetivo a
minimizar, en este caso 2. Por otro lado, se observa del análisis de sensibilidad proporcionado
por LINDO, que a pesar de que aumentáramos la ponderación del primer objetivo infinitamente
la solución obtenida seguiría siendo la misma. Por lo tanto, aunque quisiéramos aumentar el
nivel de importancia de este objetivo, la solución no cambiaría.
Simplemente habrá que indicar en lindo que la variable x1 es entera introduciendo “gin x1” al
final de la formulación del problema.
Fig. 10 Formulación del problema con programación por metas con variable entera
Se obtiene la solución x= (2,1), siendo el valor de x1 entero esta vez. Además, la desviación
obtenida en este caso es diferente que en el problema del apartado b), siendo la desviación por
exceso del objetivo a minimizar 2, y por lo tanto el valor de la función objetivo a minimizar de 4.
En este caso, se obtiene el nivel de aspiración deseado para el objetivo a maximizar, ya que sus
desviaciones son nulas.
Fig. 11 Solución del problema con programación por metas con variable entera