Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• En la introducción se vio que si una realidad puede representarse por medio de un sistema de
desigualdades y ecuaciones lineales, se tiene entonces un modelo de PL.
• El enfoque de PL considera el sistema bajo estudio en funciones elementales llamadas
actividades.
• Generalmente las actividades son expresadas mediante variables que se llaman Variables de
Decisión. Las variables de decisión están afectadas por factores constantes, llamados
comúnmente, parámetros del modelo
• La forma general del modelo es:
n
Maximizar Z c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j b i ; i 1,2,..., m
xj 0
Las xj se llaman las variables de decisión y representa n el nivel de actividad
1
FORMA MATRICIAL DEL MODELO DE PROGRAMACIÓN LINEAL
Matriz de
coeficientes de las
restricciones
2
PREMISAS DEL MODELO DE PL
3
CONTRUCCIÓN O FORMULACIÓN DE UN MODELO DE PL (EJEMPLO 1)
EJEMPLO 1:
Un fabricante elabora tres productos A, B y C. Hay dos procesos V y W por los cuales tienen que
pasar los tres productos. El tiempo de manufactura (en horas) para cada unidad de producto es:
Producto V W
A 9 11
B 5 18
C 20 6
4
FORMULACIÓN DEL PROBLEMA DE PL
Designemos por x1, x2, x3 la cantidad de producto A, B y C, respectivamente, que debe
producirse. Estas son las variables de decisión.
El modelo es:
5
EJEMPLO 2 (*)
La empresa WGC produce dos productos en sus tres plantas. Los datos relevantes se muestran más abajo. La
división de mercadeo ha concluido que se puede vender la cantidad que puedan producir las tres plantas. Se
desea saber cuántas unidades deben producirse de cada producto para maximizar las ganancias por sus
ventas. Formule el problema, es decir, defina las variables de decisión, muestre la función objetivo y las
restricciones-
Tiempo de producción
por producto (Hr)
Productos
Tiempo de producción
Planta 1 2
disponible Hr/semana
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia
3000 5000
por producto
(*) Resumido de Hillier and Lieberman, “Introduction to Operations Research”, 9TH Edition
6
EJEMPLO 2 (*)
Sujeto a: x1 ≤ 4
2x2 ≤ 12
(Restricciones)
3x1 + 2x2 ≤ 18
x1 , x2 ≥ 0
Sujeto a: x1 ≤ 4
x2 ≤ 6 (Restricciones)
3x1 + 2x2 ≤ 18
x1 , x2 ≥ 0
(*) Resumido de Hillier and Lieberman, “Introduction to Operations Research”, 9TH Edition
7
EJEMPLO 3
El capital disponible es 1.800. Si el criterio de maximizar ganancias fuese el único, lo más ventajoso
sería construir todos de una habitación. Sin embargo, la planificación exige que se construyen
apartamentos de todo tipo y se ha colocado una penalización de hasta 960 puntos para permitir
diversidad.
8
EJEMPLO 3 (CONTINUACIÓN)
9
EJEMPLO 4 (*)
Ozark Farms consume diariamente un mínimo de 800 lb de un alimento especial, el cual es una
mezcla de maíz y soya con las composiciones que se muestran en la tabla de abajo. Las necesidades
dietéticas del alimento especial son un mínimo de 30% de proteína y un máximo de 5% de fibra. El
objetivo es determinar la mezcla diaria de alimento a un costo mínimo. Formule el problema como
uno de programación lineal.
s.a: x1 + x2 ≥ 800
Modelo de PL 0,21x1 – 0,30x2 ≤ 0
0,03x1 – 0,01x2 ≥ 0
x1, x2 ≥ 0
1. Para el caso del problema 5 del tema 1, defina las siguientes restricciones y expréselas con un
lado izquierdo lineal y un lado derecho constante:
(a) La demanda diaria de pintura para interiores supera la de pintura para exteriores por al menos
una tonelada.
(b) El consumo diario de materia prima M2 en toneladas es cuando mucho de 6 y por lo menos de 3.
(c) La demanda de pintura para interiores no puede ser menor que la demanda de pintura para
exteriores.
(d) La cantidad mínima de pintura que debe producirse tanto para interiores como para exteriores es
de 3 toneladas.
(e) La proporción de pintura para interiores respecto de la producción total de pintura para interiores
y exteriores no debe exceder de 5
2. Una compañía que funciona 10 horas al día fabrica dos productos en tres procesos secuenciales.
La tabla resume los datos pertinentes. Formule el problema como uno de PL para determinar la
combinación óptima de los dos productos.
12
OBTENCIÓN DE SOLUCIONES DE UN MODELO DE PL
• Método gráfico *
• Método algebraico *
• Método Simplex, Revisado, Dual Simplex *
• Método de descomposición
• Método del pivote complementario
• Método del punto interior
13
MÉTODO GRÁFICO
CONJUNTO CONVEXO:
Un conjunto C es convexo si para dos puntos cualesquiera P y Q pertenecientes al
conjunto, con coordenadas (p1, p2) y (q1, q2) respectivamente, cualquier punto X
cuyas coordenadas sean:
x1 = l p1 + (1 – l) q2
x2 = l p2 + (1 – l) q2 ; 0 ≤ l ≤ 1
también pertenece al conjunto
P
P
Q
Q
14
EJEMPLO 1 (MÉTODO GRÁFICO)
x2
X2 = 6 (ecuación de borde
(1)
x1
15
EJEMPLO 2: MÉTODO GRÁFICO
x2
(3)
(4)
(2)
K
Óptimo
x1
16
Ejemplo 3: Método gráfico
(2,6) X2 = 8
X1 = 4 X2 = 6
Restricción
activa
K
3X1 + 2x2 = 18
17
EJERCICIOS
3) Maximizar Z = 2x1 + x2
Sujeto a: x1 – x2 ≤ 10
2x1 ≤ 40 x1, x2, ≥ 0
18
EJERCICIOS
6. La siguiente tabla resume los hechos más importantes acerca de dos productos A y B, y los
recursos Q, R y S requeridos para producirlos. A) Formule el problema como uno de PL. B)
Resuélvalo por el método gráfico. C) ¿Cuál es la solución del problema si las ganancias por unidad
de A y de B son, respectivamente 4 y 1?
Recurso utilizado por
unidad producida
Cantidad de recurso
Recursos A B
disponible
Q 2 1 2
R 1 2 2
S 3 3 4
Ganancia
3 2
por producto
7. Suponga que en un modelo de PL se han suministrado las restricciones que se muestran más
abajo. A) Demuestre que la región factible está ilimitada. B) Si el objetivo es maximizar Z=x2-x1,
¿tiene entonces el modelo una solución óptima? C) Repita la parte B) cuando el objetivo es
maximizar Z = x1 – x2. D) Para el caso que la función objetivo es tal que el modelo no tiene solución
óptima, ¿significa que no hay solución óptima para este modelo? Explique que pudo haber pasado
cuando se formuló el problema.
Sujeto a:
2x1 + 3x2 ≥ 30
X1 + x2 ≥ 12
2x1 + x2 ≥ 20
x1 ≥ 0, x2 ≥ 0
20
MÉTODO ALGEBRAICO
n
Maximizar Z c j x j (Función objetivo)
j1
Problema
n
Sujeto a : a
j1
ij x j b i ; i 1,2,..., m Original
xj 0
Las xj se llaman las variables de decisión y representa n el nivel de actividad
21
DEFINICIONES Y PROPIEDADES
• La ecuación de borde de una cualquiera de las restricciones del problema original coincide
con la del problema aumentado, si la variable de holgura correspondiente es igual a cero.
esquina” de n dimensiones.
• Un punto esquina que pertenezca a la región factible, se llama “punto esquina factible”
• Dos puntos esquina factibles se llaman “adyacentes”, si el segmento que los une es un
borde de la región factible.
• Una “solución aumentada” es aquella del problema original que ha sido aumentada con
los valores correspondientes a las variables de holgura.
22
DEFINICIONES Y PROPIEDADES (CONTINUACIÓN)
23
DEFINICIONES Y PROPIEDADES (CONTINUACIÓN)
PROPIEDAD 1
Si hay una solución óptima, ésta debe ser un punto esquina factible. Si hay
múltiples soluciones óptimas, entonces dos puntos esquina factibles deben
ser adyacentes. No es posible tener una solución óptima que no sea un
punto esquina factible.
PROPIEDAD 2
Hay un número finito de puntos esquina factibles
24
EJEMPLO
Sea x2
s. a.: x1 + x2 ≤ 10 Óptimo
x2 = 6
x1 – 2x2 ≤ 0 m=3
Región
x2 ≤ 6 Factible
x1, x2 ≥ 0 x1-x2 = 0
x1
El problema aumentado con las variables de holgura es:
Maximizar Z = 3x1 + 6x2
s. a.: x1 + x2 + x3 = 10
x1 – 2x2 + x4 = 0
x2 + x5 = 6
x1, x2, x3,x4,x5 ≥ 0
Hay n + m = 5 variables y m = 3 ecuaciones, luego hay 2 VNB y 3 VB
Para resolver el sistema hacemos las variables no básicas = 0 y calculamos los valores
de las variables básicas. A continuación, calculamos el valor de Z y el máximo es la
solución
25
SOLUCIÓN AL EJEMPLO POR EL MÉTODO ALGEBRAICO
Para que una solución sea factible, todas las variables deben tener valores ≥ 0
26
EJERCICIOS
3)
27
EL MÉTODO SIMPLEX
n
Maximizar Z c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j b i ; i 1,2,..., m
xj 0
FORMA CANÓNICA:
• Maximización
28
TRANSFORMACIONES A LA FORMA CANÓNICA
1. Minimización (Z) se transforma a maximización (W = -Z)
Ejemplo:
Minimizar Z = 3x1 + 5x2 – 6x3 se transforma a
Maximizar W = -3x1 – 5x2 + 6x3
30
TRANSFORMACIONES A LA FORMA CANÓNICA
Ejemplo: Expresar en forma canónica
Minimizar Z = 3x1 + 5x2 – 6x3
s.a: x1 + x2 + x3 ≤ 20
3x1 +6x2 + 10x3 ≥ 30
x2 + x3 = 11
|2x1 + x2 | ≤ 15 ; x1, x2 ≥ 0 ; x3 sin restricción de signo
Se expresa en forma canónica de la siguiente manera:
Maximizar W = -3x1 - 5x2 + 6 (x3’ – x3”)
x1 + x2 + (x3’ – x3”) ≤ 20
-3x1 - 6x2 - 10 (x3’ – x3”) ≤ - 30
x2 + (x3’ – x3”) ≤ 11
-x2 - (x3’ – x3”) ≤ -11
2x1 + x2 ≤ 15 y -2x1 - x2 ≤ 15
x1, x2, x3’, x3” ≥ 0
31
FORMA TÍPICA DEL MODELO DE PROGRAMACIÓN LINEAL
n
Maximizar Z c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j x i b i ; i 1,2,..., m
xj 0; x i 0; b i 0
32
FORMA TÍPICA DEL MODELO DE PROGRAMACIÓN LINEAL
33
EL MÉTODO SIMPLEX EN FORMA TABULAR
xj ≥ 0 ; j = 1,2, …,6
34
EL MÉTODO SIMPLEX EN FORMA TABULAR
VB x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
Fila pivote
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Dividimos entre 4 los números de la fila pivote para obtener 1 en el elemento pivote. La fila queda:
x3 2 -1 1 0 1/4 0 6
Los números restantes de la columna pivote deben ser ceros. Por ejemplo, para formar un cero en la fila de Z
multiplicamos los números de la fila anterior por -8 y los sumamos con los correspondientes a la fila de Z. Con
lo cual la nueva fila de queda:
Z 14 -13 0 0 2 0 48
Operaciones similares se repiten para formar ceros en los elementos restantes de la columna pivote. La tabla
después de la primera iteración queda:
VB x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48 Z =48
El resto de
x4 -1 2 0 1 -1/4 0 6 X4=6 las variables
tienen valor
x3 2 -1 1 0 1/4 0 6 x3=6
cero
x6 -2 2 0 0 -1/4 1 2 x6=2
Solución óptima: x1 = 0; x2 = 1; x3 = 7; x4 = 4; x5 = 0; x6 = 0 ; Z = 61
37
USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL
EJEMPLO 1:
Se hace referencia al modelo del Tema 1, lámina N° 27
38
USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL
EJEMPLO 2
UTILICE SOLVER PARA COMPROBAR EL RESULTADO DEL PROBLEMA PROPUESTO EN EL TEMA 2
RELACIONADO CON EL DISEÑO PRELIMINAR DE UN CONJUNTO DE APARTAMENTOS.
39
USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL
EJEMPLO 3:
X1 X2 TOTALES
FUNCIÓN OBJETIVO 8 5 230
RESTRICCIÓN 1 -3 2 30 >= 30
RESTRICCIÓN 2 2 1 50 >= 50
RESTRICCIÓN 3 1 1 40 >= 30
x1 x2 Z
SOLUCIÓN 10 30 230
40
EJERCICIOS: UTILICE “SOLVER” PARA RESELVER LOS SIGUIENTES PROBLEMAS
1) 2)
Mín. Z = 6x1 + 4x2 + 2x3 Min. Z = 12 x1 + 7 x2
s.a.: 5 x1 + 7 x2 ≥ 8
s.a.: 6x1 + 2x2 + 6x3 ≥ 6
4 x1 + 2 x2 ≥ 15
6x1 + 4x2 = 12
2 x1 + 1 x2 ≥ 3
2x1 – 2x2 ≤ 12 x1, x2 ≥ 0
x1,x2,x3 ≥ 0
3)
Máx. Y = 8y1 + 15y2 + 3y3
s.a.: 5y1 + 4y2 + 2y3 ≤ 12
7y1 + 2y2 + y3 ≤ 7
y1, y2, y3 ≥ 0
41
TÉCNICA DE LAS VARIABLES ARTIFICIALES
Si todas las restricciones son del tipo ≤, se puede establecer una Solución Básica Factible
(SBF) de partida con las variables de holgura. Sin embargo, si las restricciones son del
tipo ≥ o del tipo =, se usa la técnica de las variables artificiales.
Ejemplo 1:
6x1 + 2x2 + 6x3 ≥ 6 se transforma en:
1° ) 6x1 + 2x2 + 6x3 – x4 = 6
Luego 6x1 + 2x2 + 6x3 - x4 + x5 = 6, donde x5 es una variable artificial no negativa
Ejemplo 2:
6x1 + 4x2 = 12 se transforma en:
6x1 + 4x2 + x7 = 12, donde x7 es una variable artificial no negativa
42
EJEMPLO:
Mín. Z = 6x1 + 4x2 + 2x3
s.a.: 6x1 + 2x2 + 6x3 ≥ 6
6x1 + 4x2 = 12
2x1 – 2x2 ≤ 12
x1,x2,x3 ≥ 0
El número de unidades requerido para una dieta balanceada de almidón, proteínas y vitaminas
es, respectivamente, 8, 15 y 3. Se desea determinar las cantidades de granos tipos 1 y 2 para
obtener la dieta requerida a un costo mínimo.
44
SOLUCIÓN AL PROBLEMA DE LA DIETA
Designemos por x1 y x2 el número de kilogramos de granos tipos 1 y 2.
El modelo es:
Min. Z = 12 (Bs./Kg.) x1 + 7 (Bs./Kg.) x2
s.a.: 5 (unid. /kg.) x1 + 7 (unid. /kg.) x2 ≥ 8 unidades
4 (unid. /kg.) x1 + 2 (unid. /kg.) x2 ≥ 15 unidades
2 (unid. /kg.) x1 + 1 (unid. /kg.) x2 ≥ 3 unidades
x1, x2 ≥ 0
Supongamos ahora que un industrial le propone al granjero fabricarle un tipo especial de harina,
en cubitos, para cada tipo de nutriente.
Designemos por y1, y2 , y3 los precios del industrial (Bs. / unidad) para el almidón, la proteína y la
vitamina. Un kilogramos del industrial tiene un valor intrínseco de 5y1 + 4y2 + 2y3. El precio del
industrial, para ser competitivo, debe cumplir para el grano tipo 1 lo siguiente:
5y1 + 4y2 + 2y3 ≤ 12. De manera similar 7y1 + 2y2 + y3 ≤ 7
45
SOLUCIÓN AL PROBLEMA DE LA DIETA (CONTINUACIÓN)
PRIMAL DUAL
46
OBTENCIÓN DEL DUAL DE UN PROBLEMA
(PRIMAL) DE PL
Sea Máx. Z = c x
s.a.: A x ≤ b (I)
x≥0
El dual es:
Min. Y = b’ y
s.a.: A’ y ≥ c’ (II)
y≥ 0
47
EJEMPLOS
1)
PRIMAL DUAL
Máx. Z = 5x1 + 8x2 Min. Y = 60y1 + 80y2 -3y3 +6y4
x1 + 6x2 ≤ 60 y1 y1 + 3y2 y3 ≥ 5
3x1 + 8x2 ≤ 80 y2 6y1 +8y2 – y3 + y4 ≥ 8
x1 + x2 ≥ 3 y3 y1, y2, y3, y4 ≥ 0
x2 ≤ 6 y4
x1, x2 ≥ 0
48
EJEMPLOS
2)
PRIMAL DUAL
Máx. Z = 3x1 – 5x2 + 6x3
2x1 – x2 + 3x3 = 12
3x2 + x3 ≤ 15
-3 ≤ x1 ≤ 10 Min. Y = 12y1 + 15y2 +10y3 + y4
x2 ≥ 0; x3: sin restricción de signo 2y1 – y4 = 3
Las restricciones se escriben: -y1 + 3y2 ≥ -5
2x1 – x2 + 3x3 = 12 y1 3y1 + y2 = 6
3x2 + x3 ≤ 15 y2 y1: sin restricción de signo
x1 ≤ 10 y3 y2, y3, y4 ≥ 0
-x1 ≤ 3 y4
49
EJERCICIO PARA REALIZAR EN CLASE:
1. Si x es una solución del problema primal e y es una solución del dual, entonces Z ≤ Y
2. Si (I) y (II) tienen soluciones factibles x* e y*, con c x = b’ y, entonces x* e y* son soluciones óptimas
de (I) y (II), respectivamente.
5. Teorema fundamental: Si uno de los dos problemas (primal o dual) tiene una solución óptima,
entonces el otro tiene una solución óptima y los valores de esos óptimos son iguales, es decir, Máx. Z =
Min. Y
51
EJEMPLO: UTILICE SOLVER PARA OBTENER LAS SOLUCIONES DEL PRIMAL Y DEL DUAL.
PRIMAL DUAL
Máx. Z = 5x1 + 4x2 Min. W = 24y1 + 6y2 + y3 +2y4
6x1 + 4x2 ≤ 24 6y1 + y2 – y3 ≥ 5
x1 + 2x2 ≤ 6 4y1 +2y2 +y3 + y4 ≥ 4
-x1 + x2 ≤ 1 y1, y2, y3, y4 ≥ 0
x2 ≤ 2
x1, x2 ≥ 0
52
OTRO EJEMPLO
Utilice SOLVER para resolver el primal y el dual del siguiente problema primal de PL:
Min. Z = 2x1 + x2
x1 + x2 ≥ 10
10x1 – x2 ≥ -10
4x1 – x2 ≥ -20
x1 + 4x2 ≥ 20
x1,x2 ≥ 0
El dual es:
Máx. Y = 10y1 – 10y2 -20y3 +20y4
y1 + y2 +4y3 + y4 ≤ 2
y1 – y2 – y3 +4y4 ≤ -1
y1, y2, y3, y4 ≥ 0
53
INTERPRETACIÓN ECONÓMICA DE LAS VARIABLES DUALES.
Recordemos que si x es una solución del problema primal e y es una solución del dual,
entonces Z ≤ Y, es decir:
n m
Z c j x j bi yi Y
j1 i 1
La igualdad es válida cuando la solución del primal y del dual son óptimas.
Debido a que bi representa el número de unidades disponibles del recurso i,
entonces bi yi puede expresarse dimensionalmente como:
Bs. = (unidades del recurso i) (Bs. / unidad de recurso i)
De tal manera que las yi representan el valor por unidad del recurso i. Los
valores de las yi se les llama precios duales o precios sombra (también
multiplicadores simplex)
54
ANÁLISIS DE SENSIBILIDAD
Recordemos que un análisis de sensibilidad tiene como objetivo averiguar cómo cambia la
solución de un problema por cambios en parámetros del modelo. El análisis de sensibilidad se
hace después de obtener la solución óptima de un modelo de PL. Lo que se quiere es
determinar si los cambios en los coeficientes del modelo, modifican de alguna manera la
solución presente. Si ocurre alguna modificación, entonces cómo obtener eficientemente la
nueva solución óptima, caso que exista.
55
Z=6
X1=0, x2 = 6
Z=15 X2=0, x1=2
56
ANÁLISIS DE SENSIBILIDAD
Utilice el diagrama anterior para realizar, gráficamente, los siguientes cambios, uno por uno, a partir
del problema original. Obtenga los nuevos valores óptimos (caso que existan).
Los valores después de realizar los cambios, puede comprobarlos utilizando Solver.
57