FACULTAD DE INGENERIA

INGENERIA DE SISTEMAS

ANALISIS DE ESFUERZOS

DOCENTE:

PROF. PINTON SANCHEZ JOSE GUADALUPE

ENTREGA:
 Viscencio López Carlos Romel

5TO. SEMESTRE “H”

26 DE AGOSTO DEL 2022

 MODELO DE PROGRAMACIÓN LINEAL

La programación lineal utiliza un modelo matemático para describir el problema. El

adjetivo lineal significa que todas las funciones matemáticas del modelo deben ser
funciones lineales. En este caso, la palabra programación no se refiere aquí a
términos computacionales; en esencia es sinónimo de planeación. Por lo tanto, la
programación lineal involucra la planeación de actividades para obtener un
resultado óptimo; esto es, el resultado que mejor alcance la meta especificada de
acuerdo con el modelo matemático entre todas las alternativas factibles.
El tipo más usual de aplicación de programación lineal involucra la asignación de
recursos a ciertas actividades. La cantidad disponible de cada recurso es limitada,
de forma que debe asignarse con todo cuidado. La determinación de esta
asignación implica elegir los niveles de las actividades que lograrán el mejor valor
posible de la medida global de desempeño.
Aunque la asignación de recursos a las actividades es la aplicación más frecuente,
la programación lineal tiene muchas otras posibilidades. matemático se ajuste al
formato general del modelo de programación lineal, es un problema de (Por esta
razón, un problema de programación lineal y su modelo se denominan con
frecuencia programa lineal, o incluso sólo PL.) Aún más, se dispone de un
procedimiento de solución muy eficiente llamado método simplex para resolver
estos problemas lineales, incluso los de gran tamaño. Éstas son algunas razones
del tremendo efecto de la programación lineal en las décadas recientes.

CONSTRUCCIÓN DE UN MPL
el modelo para la aplicación de United Airlines tiene más de 20 000 variables de
decisión. Los modelos de ese tamaño no son del todo raros. Es común que, en la
práctica, los modelos de programación lineal tengan cientos o miles de restricciones
funcionales. En realidad, a veces tienen incluso millones de restricciones
funcionales. Con frecuencia, el número de variables de decisión es tan grande como
el número de restricciones funcionales, y en ocasiones también llegan a ser
millones. La formulación de modelos tan grandes puede ser una tarea
desalentadora. Aun un modelo de “tamaño medio” con mil restricciones y mil
variables tiene más de un millón de parámetros, que incluyen el millón de coeficiente
de estas restricciones. Sencillamente no es práctico elaborar la formulación
algebraica ni introducir los parámetros en una hoja de cálculo para un modelo de
este tipo. Para poder construir estos tipos de modelos grandes se ocupa de un
lenguaje de modelado, es un software de diseño especial para formular de modo
eficiente los modelos de programación lineal grandes, y otros relacionados. Incluso
cuando se tienen miles de restricciones funcionales, éstas relativamente son de
pocos tipos, y las del mismo tipo siguen el mismo patrón. De igual manera, las
variables de decisión estarán dentro de unas cuantas categorías. Por ello, si se usan
grandes bloques de datos en bases de datos, un lenguaje de modelado construirá
todas las restricciones del mismo tipo a la vez, con fundamento en las variables de
cada tipo. Este proceso se ilustrará en breve. Además de formular con eficiencia los
modelos grandes, un lenguaje de modelado facilita las tareas de administración del
modelo, inclusive el acceso a los datos, su transformación en parámetros del
modelo, la modificación del modelo cuando se desee y el análisis de las soluciones.
También puede producir informes resumidos en el lenguaje de los tomadores de
decisiones, al igual que documentar el contenido del modelo.
Se han desarrollado varios lenguajes de modelado excelentes en las últimas dos
décadas, entre los que se destacan AMPL, MPL, GAMS y LINGO.
La versión para estudiantes de uno de ellos, MPL (siglas de mathematical
programming language), está incluida en el sitio web del libro junto con un amplio
material de ayuda. A medida que las versiones subsecuentes salgan al mercado en
el futuro, se podrán bajar del sitio de Internet maximalsoftware.com. MPL es un
producto de Maximal Software, Inc.
Estructura del modelo resultante
Debido a los costos de inventario y a que las capacidades de almacenamiento son
limitadas, es necesario mantener un registro de la cantidad de cada producto que
se guarda en cada planta durante cada mes. En consecuencia, el modelo de
programación lineal tiene cuatro tipos de variables de decisión: cantidades de
producción, cantidades de inventario, cantidades de venta y cantidades enviadas.
Con 10 plantas, 10 máquinas, 10 productos y 10 meses, esto da un total de 21 000
variables de decisión, como se describe a continuación.
Formulación del modelo en MPL
Quien construye el modelo comienza por asignarle un título y enumerar un índice
por cada elemento del problema
TITLE
Production_Planning;
INDEX
product :5(A1, A2, A3, A4, A5, A6, A7, A8, A9, A10);
month :5(Jan, Feb, Mar, Apr, May, Jun, Jul, Aug, Sep, Oct);
plant :5(p1, p2, p3, p4, p5, p6, p7, p8, p9, p10);
fromplant :5 plant;
toplant :5plant;
machine :5(m1, m2, m3, m4, m5, m6, m7, m8, m9, m10);
Excepto por los meses, los elementos del lado derecho son etiquetas arbitrarias
de los respectivos productos, plantas y máquinas, donde las mismas etiquetas se
usan en los archivos de datos. Observe que se colocan dos puntos después del
nombre de cada elemento y punto y coma al final de cada instrucción (pero una
instrucción puede extenderse más de un renglón).

EJEMPLOS DE MPL QUE SEAN RESUELTOS USANDO EL MÉTODO

GRÁFICO MEDIANTE GEOGEBRA.
Ejemplos

𝑀𝑎𝑥 𝑍 = 2𝑥 + 3𝑦
𝑥 + 2𝑦 ≤ 10
𝑦≤4
2𝑥 + 𝑦 ≥ 6
𝑥≥2
𝑥, 𝑦 ≥ 0
1.- Para poder resolver el problema con el programa de GeoGebra utilizaremos:
La vista algebraica y vista gráfica.

Muestra todas las expresiones

Se verá la representación gráfica de
como son las rectas, regiones,
tales expresiones
puntos, que se van
introduciendo en la barra de
entrada
2.- Vamos a representar todas las condiciones en condiciones de igualdad, así
como la función objetivo igualándolo a cero, comenzamos con las restricciones.
3.- En la barra de entrada ponemos 𝑥 + 2𝑦 = 10 y la expresión nos debe de
aparecer en la vista grafica de esta forma

4.- Agregamos la siguiente expresión de bajo de la otra 𝑦 = 4 luego agregamos la

siguiente expresión de 2𝑥 + 𝑦 = 6 , continuamos con la siguiente𝑥 = 2 y con esto
tendríamos las restricciones excepto la de no negatividad que ya vienen definidas
por los ejes. Debemos de tener abiertas 4 entradas quedando la vista grafica de
esta forma:

5.- Para poder poner los rótulos de cada expresión, haremos clic derecho en la
expresión que nosotros queramos y se nos distienden una ventana de opciones,
seleccionamos propiedades de objeto, nos vamos a Básicos y seleccionamos
muestra rótulos, nombre y valor y así lo hacemos con todas las expresiones hasta
que nos quede de esta forma:

6.- Ya tenemos todas las restricciones puestas en condiciones de igualdad,

geogebra también nos permite representar un área determinada, formada por
series de restricciones, lo que nos sirve para definir la región factible del problema
que es donde se cumplen todas las restricciones y la vamos a llamar refac y se
pone con el siguiente formato: vamos a la barra de entrada y aquí ponemos
ponemos:
𝑟𝑒𝑓𝑎𝑐: (𝑥 + 2𝑦 ≤ 10) 𝐴(𝑦 ≤ 4) 𝐴 (2𝑥 + 𝑦 ≥ 6) 𝐴 (𝑥 ≥ 2) 𝐴 (𝑌 ≥ 0) 𝐴 (𝑋 ≥ 0)
7.- Hay que buscar los puntos en donde se interseca las restricciones en la región
factible quedando de esta forma

8.- Representar la función objetivo igualamos a cero de esta forma 𝐹0: 2𝑥 + 3𝑦 =

0

9.- DESLIZAMIENTO
10. Máximo, deslizamos

MPL que sean resueltos con el método SIMPLEX mediante EXCEL

Ejemplo 1:
Un herrero con 80 kg de acero y 120 kg de aluminio quiere hacer bicicletas de
paseo y de montaña que quiere vender, respectivamente a 20.000 y 15.000 pesos
cada una para sacar el máximo beneficio. Para la de paseo empleará 1 kg de
acero y 3 kg de aluminio y para la de montaña kg de ambos metales ¿Cuántas
bicicletas de paseo y de montaña deberá fabricar para maximizar las utilidades?
𝑥 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑏𝑖𝑐𝑖𝑐𝑙𝑒𝑡𝑎𝑠 𝑑𝑒 𝑝𝑎𝑠𝑒𝑜 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟
𝑦 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑏𝑖𝑐𝑖𝑐𝑙𝑒𝑡𝑎𝑠 𝑑𝑒 𝑚𝑜𝑛𝑡𝑎ñ𝑎 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟
𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑
𝐴𝑙𝑢𝑚𝑖𝑛𝑖𝑜
𝑥 + 2𝑦 ≤ 80
𝐴𝑐𝑒𝑟𝑜
3𝑥 + 2𝑦 ≤ 120
𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜
𝑍𝑚𝑎𝑥 = 20000𝑥 + 15000𝑦
1.- En la restricción 1 para obtener la formula lo ponemos de la siguiente forma, la
columna F se multiplica por el número de la fila de esta forma = (𝐹10 ∗ 𝐺13) +
(𝐺10 ∗ 𝐺14) en la segunda restricción seria =(F11*G13)+(G11*G14).
2.- En la tabla color verde debe de lanzar los mismos resultados de la tabla
amarilla, para Z cera igual a cero
3.- Ahora para utilizar el software en la parte de datos que ahí nos ofrece, nos
vamos a donde dice solver Para establecer el objetivo, seleccionamos la casilla de
z donde esta cero
Ahora seleccionamos donde dice max, que significa maximizar que es lo que el
problema nos pide.

Las variables que van a cambiar son x y y asi que lo seleccionamos en donde dice
“cambiando las celdas de variables”

Seleccionamos las restricciones a las cual están sujetas

Referencia de celda le ponemos la casilla vacía de formula en restricción 1 y

menor o igual a 80 y hacemos lo mismo con la restricción 2.
Después de haber agregado todos los datos le damos en resolver y
automáticamente la tabla se resuelve
ESENCIA, PREPARACIÓN Y ALGEBRA DEL MÉTODO SIMPLEX
El método símplex es un procedimiento algebraico. Sin embargo, sus conceptos
fundamentales son geométricos. La comprensión de estos conceptos geométricos
proporciona una fuerte intuición sobre la forma en que opera el método símplex y
las razones de su elevada eficiencia.
El procedimiento algebraico se basa en la solución de sistemas de ecuaciones. Por
lo tanto, el primer paso para preparar el método símplex es convertir las
restricciones funcionales de desigualdad en restricciones de igualdad equivalentes.
(Las restricciones de no negatividad se dejan como desigualdades porque se
manejan por separado.) Esta conversión se logra mediante la introducción de
variables de holgura.
Una solución aumentada es una solución de las variables originales (las variables
de decisión) que se aumentó con los valores correspondientes de las variables de
holgura.
Por ejemplo, si se aumenta la solución (3, 2) en el ejemplo, logra obtenerse la
solución aumentada (3, 2, 1, 8, 5) debido a que los valores correspondientes de las
variables de holgura son x3 5 1, x4 5 8 y x5 5 5.
Una solución básica es una solución en un vértice aumentada. Para ilustrar lo que
decimos, considere la solución no factible del vértice (4, 6) de la. Al aumentarla con
los valores que se obtuvieron para las variables de holgura x3 5 0, x4 5 0 y x5 5 26
se obtiene la solución básica correspondiente (4, 6, 0, 0, 26). El hecho de que las
soluciones en los vértices (y por ende las soluciones básicas) puedan ser o no
factibles implica la siguiente definición
en la forma aumentada. La única diferencia entre las soluciones básicas y las
soluciones en un vértice (o entre las soluciones BF y soluciones FEV) es el hecho
de que están incluidos los valores de las variables de holgura. Dada cualquier
solución básica, la solución en el vértice correspondiente se obtiene con sólo quitar
las variables de holgura. En consecuencia, las relaciones geométricas y algebraicas
entre estas dos soluciones son muy estrechas, como se verá en la sección 5.1.
Debido a que los términos solución básica y solución básica factible son partes muy
importantes del vocabulario normal de programación lineal, es necesario aclarar sus
propiedades algebraicas. En el caso de la forma aumentada del ejemplo observe
que el sistema de restricciones funcionales tiene 5 variables y 3 ecuaciones, esto
es, Número de variables 2 número de ecuaciones 5 5 2 3 5 2.
El procedimiento algebraico se basa en la solución de sistemas de ecuaciones. Por
lo tanto, el primer paso para preparar el método simplex es convertir las
restricciones funcionales de desigualdad en restricciones de igualdad equivalentes.
(Las restricciones de no negatividad se dejan como desigualdades porque se
manejan por separado.) Esta conversión se logra mediante la introducción de
variables de holgura. Para ejemplificar, considere la primera restricción funcional del
problema de la Wyndor Glass Co.
Aun cuando ambas formas del modelo representan exactamente el mismo
problema, la nueva forma es mucho más conveniente para la manipulación
algebraica y la identificación de las soluciones FEV. Se le da el nombre de forma
aumentada del problema, porque la forma original se aumentó con algunas variables
suplementarias necesarias para aplicar el método simplex
ex. Si una variable de holgura es igual a 0 en la solución actual, entonces esta
solución se encuentra sobre la frontera de restricción de la restricción funcional
correspondiente. Un valor mayor que 0 significa que la solución está en el lado
factible de la frontera de restricción, mientras que un valor menor que 0 señala que
está en el lado no factible de esta frontera. La demostración de estas propiedades
proporcionada por el ejemplo de demostración en el OR Tutor tiene el nombre de
Interpretation of the Slack Variables.