Parcial Investigación de Operaciones

Nombre: Danna Valentina Angarita Quintero Código: 1151984

Para cada uno de los siguientes enunciados, formule el modelo matemático de programación
lineal, indicando la función objetivo y las restricciones necesarias. Debe construir una tabla
donde se puedan apreciar los recursos y las actividades que intervienen en cada uno de los
problemas. Encuentre la solución óptima utilizando el software R

1. Hay tres fábricas (1,2,3) a las orillas del río M. Cada una vierte dos tipos de contaminantes al
río (1 y 2). Si se procesaran los desechos de cada una de las fábricas, entonces se reduciría la
contaminación del río. Cuesta 15 dólares procesar una tonelada de desecho de la fábrica 1, y
cada tonelada procesada reduce la cantidad de contaminante 1 en 0.10 toneladas y la cantidad
de contaminante 2 en 0.45 toneladas. Cuesta 10 dólares procesar una tonelada de desecho de la
fábrica 2, y cada tonelada procesada reduce la cantidad de contaminante 1 en 0.20 toneladas y
la cantidad de contaminante 2 en 0.25 toneladas. Cuesta 20 dólares procesar una tonelada de
desecho de la fábrica 3, y cada tonelada procesada reduce la cantidad de contaminante 1 en 0.40
toneladas y la cantidad de contaminante 2 en 0.30 toneladas. El estado desea reducir la cantidad
del contaminante 1 por lo menos en 30 toneladas y la cantidad del contaminante 2 en por lo
menos 40 toneladas en el río. Encuentre las toneladas de desecho que deben ser procesadas de
cada fábrica para que la solución sea óptima

REDUCCION DEL CONTAMINANTE

EN TONELADAS
CONTAMINANTE CONTAMINANTE COSTO POR
FABRICAS
1 2 TONELADA
1 0.10 0.45 15
2 0.20 0.25 10
3 0.40 0.30 20
REDUCCION
ESPERADA
30 40

SOLUCIÓN

x1 : Reducción del contaminante 1 por tonelada

x2 : Reducción del contaminante 2 por tonelada

La función objetivo es

MAXIMIZAR U  30 x1  40 x2

Sujeta a las restricciones

0.10 x1  0.45 x2  15

0.20 x1  0.25x2  10

0.40 x1  0.30 x2  20

x1  30
 x2  40

x1 , x2  0 (Condición de no negatividad)

> library(linprog)
Loading required package: lpSolve
> coef<-c(30,40)
> A<-matrix(c(0.10,0.20,0.40,1,0,0.45,0.25,0.30,0,1),ncol=2)
> b<-c(15,10,20,30,40)
> dir<-c("<=","<=","<=",">=",">=")
> solucion <- solveLP(coef, b, A, maximum=TRUE, dir)
> summary(solucion)

Results of Linear Programming / Linear Optimization

Objective function (Maximum): 1540

Solution
opt
1 30
2 16

R/: Se deben procesar 1540 toneladas para que la solución sea optima y así tener una
reducción de 0.30 toneladas del contaminante 1 y 0.16 toneladas del contaminante 2

2. Una compañía considera la fabricación de tres tipos de automóviles: A, B, C. La tabla muestra los
recursos requeridos y las ganancias por cada tipo de auto:

A B C
Acero (toneladas) 1.5 3 5
Trabajo (horas) 30 25 40
Ganancia (dólares) 2000 3000 4000

En la actualidad, la empresa cuenta con 600 toneladas de acero y 60,000 horas disponibles de
trabajo. Para que la producción de un tipo de auto sea factible, hay que fabricar al menos 100
automóviles.

- Encuentre la solución que permite maximizar la ganancia de la compañía

- Con ayuda de R, revise el algoritmo Simplex y determine si la solución corresponde a un
caso especial de Programación Lineal

SOLUCIÓN

x1 : Automóvil 1

x2 : Automóvil 2
x3 : Automóvil 3

La función objetivo es

MAXIMIZAR G  2000 x1  3000 x 2  4000 x3

Sujeta a las restricciones

1.5 x1  3x2  5 x3  600

30 x1  25 x2  40 x3  60000

x1  x2  x3  100

x1 , x2  0 (Condición de no negatividad)

> library(linprog)

Loading required package: lpSolve

> coef<-c(2000,3000,4000)

> A<-matrix(c(1.5,30,1,3,25,1,5,40,1),ncol=3)

> b<-c(600,60000,100)
> dir<-c("<=","<=",">=")

> solucion <- solveLP(coef, b, A, maximum=TRUE, dir)

> summary(solucion)

Results of Linear Programming / Linear Optimization

Objective function (Maximum): 8e+05

Solution

opt

1 400

2 0

3 0

> solucion <- solveLP(coef, b, A, maximum=TRUE, dir,verbose=4)

[1] "initial Tableau"

1 2 3 S 1 S 2 S 3 P0

1 1.5 3 5 1 0 0 600

2 30.0 25 40 0 1 0 60000

3 -1.0 -1 -1 0 0 1 -100

Z-C -2000.0 -3000 -4000 0 0 0 0

[1] "initial Tableau for Phase 1"

1 2 3 S 1 S 2 S 3 M 3 P0

1 1.5 3 5 1 0 0 0 600

2 30.0 25 40 0 1 0 0 60000

M 3 1.0 1 1 0 0 -1 1 100

Z-C -2000.0 -3000 -4000 0 0 0 0 0

M Z-C -1.0 -1 -1 0 0 1 0 -100

Pivot Column: 1 ( 1 )

Pivot Row: 3 ( M 3 )
 1 2 3 S 1 S 2 S 3 M 3 P0

1 0 1.5 3.5 1 0 1.5 -1.5 450

2 0 -5.0 10.0 0 1 30.0 -30.0 57000

1 1 1.0 1.0 0 0 -1.0 1.0 100

Z-C 0 -1000.0 -2000.0 0 0 -2000.0 2000.0 200000

M Z-C 0 0.0 0.0 0 0 0.0 1.0 0

[1] "New starting Tableau for Phase II"

1 2 3 S 1 S 2 S 3

1 0 1.5 3.5 1 0 1.5 450

2 0 -5.0 10.0 0 1 30.0 57000

1 1 1.0 1.0 0 0 -1.0 100

Z-C 0 -1000.0 -2000.0 0 0 -2000.0 200000

Pivot Column: 6 ( S 3 )

Pivot Row: 1 ( 1 )

1 2 3 S 1 S 2 S 3

S 3 0 1 2.333333 0.6666667 0 1 300

2 0 -35 -60.000000 -20.0000000 1 0 48000

1 1 2 3.333333 0.6666667 0 0 400

Z-C 0 1000 2666.666667 1333.3333333 0 0 800000

R/: es una solución no factible por ende aparece una variable artificial (M3). La solución
se conoce como pseudo óptima