Programación

Lineal
Mtra. Fabiola Sánchez Galván
Temas:
1. Planteamiento de un problema.
2. Formulación de un modelo de PL
3. Aplicación del método gráfico para la
solución de un problema de PL
4. Aplicación del método matemático a
un problema de PL
5. Utilización de herramientas Solver –
Excel a un problema de PL.
Modelos matemáticos
 En el enfoque científico de toma de
decisiones, se requiere el uso de uno o
más modelos matemáticos.

 Representaciones matemáticas de
situaciones reales que se podrían usar
para tomar mejores decisiones, o bien,
simplemente para entender mejor la
situación real.
Ejemplos de modelos
matemáticos
2
𝐸 = 𝑚𝑐
2
𝐴 = 𝜋𝑟
𝐹 = 𝑚𝑎
Modelo Descriptivo
 Un modelo descriptivo, explica el
comportamiento del rendimiento real
como una función de varios factores.
 Probablemente mediante un análisis de
regresión se encuentra que los factores
que influyen en el rendimiento son:
 Volumen del contenedor en litros (V)
 Presión del contenedor en Pascales (P)
 Temperatura del contenedor en °C (T)
 Composición química de la mezcla en
peso relativo (A, B, C)
Modelo Descriptivo
 Rendimiento = 300 + 0.8V + 0.01P + 0.06 T
+ 0.001 T*P – 0.01T2 – 0.001P2 + 11.7A +
9.4B + 16.4C + 19A*B + 11.4A*C – 9.6B*C

 Para determinar esta relación se tendría

que haber medido el rendimiento del
proceso para muchas combinaciones
distintas de los factores mencionados.
Modelo Prescriptivo
 Un modelo prescriptivo o de optimización “dicta” el
comportamiento para un sistema que le permitirá
alcanzar mejor sus metas.
 Entre los elementos de un modelo prescriptivo se
encuentran:
 Función (es) objetivo.
 Variables de decisión.
 Restricciones.
 En pocas palabras, se trata de encontrar valores para
las variables de decisión, que optimicen (maximicen o
minimicen) una función objetivo que satisfaga las
restricciones dadas.
Variables de Decisión
 Son aquellas cuyos valores están bajo
nuestro control e influyen en el
desempeño del sistema.

𝑥1 , 𝑥2 , . . . , 𝑥𝑛
Función Objetivo
 Es la medida de desempeño adecuada (por
ejemplo la ganancia) y se expresa como una
función matemática de las variables de decisión.

𝑃 = 3𝑥1 + 2𝑥2 +. . . +5𝑥𝑛

Restricciones
 En la mayoría de las situaciones sólo son posibles
ciertos valores de las variables de decisión.
 Se expresan en términos matemáticos y casi siempre
en forma de ecuaciones o desigualdades.
 Las constantes –los coeficientes o el lado derecho de
las ecuaciones- de las restricciones y de la función
objetivo del modelo se llaman parámetros del modelo.

𝑥1 + 3𝑥1 𝑥2 + 2𝑥2 ≤ 10
Modelo matemático
 El modelo matemático puede expresarse entonces
como el problema de elegir los valores de las
variables de decisión de manera que se maximice
la función objetivo, sujeta a restricciones dadas.

 Un modelo de este tipo, y algunas de sus variantes

menores, tipifican los modelos analizados en la
investigación de operaciones.
Ejemplo:
Producción de Wozac
 Una farmacéutica produce Wozac en
enormes cargas, mediante el calentamiento
de una mezcla química en un contenedor
presurizado.
 Cada vez que se procesa una carga, se
produce una cantidad distinta de Wozac.
 La cantidad producida es el rendimiento del
proceso (medido en libras). A la empresa le
interesa comprender los factores que
influyen en el rendimiento del proceso.
Modelo Matemático
 Probablemente mediante un análisis de
regresión se encuentra que los factores
que influyen en el rendimiento son:

 Volumen del contenedor en litros (V)

 Presión del contenedor en Pascales (P)
 Temperatura del contenedor en °C (T)
 Composición química de la mezcla en
peso relativo (A, B, C)
Modelo Descriptivo

 Para determinar esta relación se tendría que haber

medido el rendimiento del proceso para muchas
combinaciones distintas de los factores mencionados.
Restricciones
Soluciones
 Se dice que cualquier especificación de las variables
de decisión que cumple con todas las restricciones del
modelo es una solución factible.
 Por ejemplo: V = 2, P = 300, T =150, A = 0.4, B = 0.5 y C =
0.1.
 Una solución óptima es una solución en la región (de
soluciones) factible que optimice, en este caso
maximice, la función objetivo.
 V = 5, P = 200, T =100, A = 0.294, B = 0 y C = 0.706, z =
209.38
Tipos de Modelos
 Un modelo estático es uno en el cual las variables de
decisión no requieren tomar decisiones en múltiples
periodos.
 En un modelo dinámico se requiere tomar decisiones
en varios períodos.
 Cuando las variables de decisión siempre aparecen
en la función objetivo y en las restricciones
multiplicadas por constantes y en forma de suma, se
dice que se trata de un modelo lineal. Si no aparecen
de esta forma en la función objetivo o en las
restricciones (o en ambas), se trata de un modelo no
lineal.
Tipos de Modelos
 Si todas las variables de decisión deben ser
enteros, se dice que es un modelo entero. Si solo
algunas de las variables deben ser enteros, se
dice que es un modelo entero mixto. En algunos
casos las variables enteras deberán tener
solamente valores de cero o uno, y se llaman
variables binarias.
 Supóngase que para cualquier valor de las
variables de decisión, se conoce con certeza el
valor de la función objetivo y si las restricciones se
cumplen o no. Entonces se tiene un modelo
determinístico; de no ser así, se tiene un modelo
estocástico.
Proceso de Construcción de
Modelos
1. Plantear el problema  objetivo
2. Observar el sistema  variables, función objetivo,
restricciones
3. Formular un modelo matemático del problema
4. Verificar el modelo y usarlo para predecir
5. Seleccionar una opción adecuada  resolver el
modelo y obtener una o varias soluciones
6. Presentar los resultados y la conclusión del estudio
a la empresa
7. Poner en marcha y evaluar las recomendaciones
Herramientas de Solución
 Los problemas que corresponden a modelos lineales
pueden resolverse con el método Simplex, desarrollado por
George Dantzig en 1947. Actualmente se usa la versión
revisada del método que es más eficiente (rápida) y que se
encuentra implementada en todos los software
comerciales de optimización. Existen también otros
métodos para resolver modelos lineales como el del
elipsoide y el de puntos interiores.

 Para el caso de modelos no lineales se ocupan métodos

basados en el cálculo diferencial como la “Búsqueda de la
Sección Dorada”, el “Método de Ascenso Escalonado”, el
“Método de Multiplicadores de Lagrange” y el “Método de
Direcciones Factibles”, por ejemplo. Bajo ciertas
condiciones sin embargo, no se puede asegurar poder
encontrar la solución óptima global.
Herramientas de Solución
 En el caso de modelos enteros y enteros-mixtos, se
recurre a extensiones del método simplex. La más
utilizada es la de “Ramificación y Acotamiento” (Branch
and Bound). Otro método es el “Planos de Corte”.

 Ciertos modelos enteros y enteros-mixtos corresponde la

clase de problemas de optimización combinatoria cuya
formulación crece de manera no lineal con respecto al
número de variables. Para estos problemas resulta
ineficiente encontrar soluciones óptimas. Entonces se
decide por obtener soluciones suficientemente “buenas”
que se puedan lograr en corto tiempo. Las técnicas de
este tipo son “heurísticas” o “metaheurísticas”.
Herramientas de Solución
 Generalmente una
heurística es un
procedimiento (algoritmo)
que se sigue para obtener
una solución “buena” y
factible a un problema de
optimización. A menudo la
heurística tiene un
fundamento intuitivo. Las
soluciones que se obtienen
pueden llegar a ser tan
buenas como la(s)
óptima(s). Las heurísticas se
diseñan para resolver
problemas específicos, por
lo que su aplicación en otro
tipo de problemas es
limitada.
 Algunas heurísticas
conocidas son:
 Métodos voraces o miopes
(greedy)
 Heurística del vecino más
cercano
 Heurística de la inserción
más barata
 Heurística del costo mínimo
 Heurística del tiempo de
procesamiento más corto
 Heurística de Silver-Meal
Herramientas de Solución
 Las metaheurísticas son procedimientos generales
para obtener soluciones a diferentes tipos de
problemas de optimización. A menudo requieren que
se ocupen heurísticas dentro de su procedimiento
para el tipo de problema en específico.

 Algunas metaheurísticas conocidas son:

 Recocido simulado
 Algoritmos genéticos
 Tabu search
 GRASP
Software de Optimización
 Tanto métodos exactos como métodos
heurísticos se encuentran disponibles en diferente
software de optimización.
 Los métodos exactos se ocupan en software
como:
 LINGO / LINDO
 GAMS
 CPLEX
 MPL
 Solver (en Excel)
 Estos paquetes tienen sus ventajas y limitaciones
de acuerdo al tipo de modelo que se quiera
resolver con ellos.
Software de Optimización
 Los métodos heurísticos y metaheurísticos se
desarrollan en programas computacionales
hechos por los usuarios.
 A menudo se programan en lenguajes
computacionales como:
 C / C++
 Java
 Phyton
 Visual Basic
 Macros (en Excel)
 Estos lenguajes tienen sus ventajas y limitaciones
en desempeño y flexibilidad principalmente.
Fuentes
 Eiselt, H.A.; Sandblom, C.L. (2010). Operations
Research: A model-based approach. Ed. Springer.

 Sarker, R.A.; Newton C.S. (2008). Optimization

Modelling: A practical approach. Ed. CRC Press

 Winston, W.L. (2005). Investigación de Operaciones:

Aplicaciones y Algoritmos. Ed. Thomson.

 Hillier & Lieberman (2008). Introducción a la

Investigación de Operaciones. 8ª Edición. Ed. Mc
Graw Hill.