Ejemplo 6.

1 Shivani quería seleccionar una escuela de posgrado sobre la base de la Clasificaciones

de US News and World Report para escuelas de ingeniería. Ella seleccionó siete escuelas dadas en
la Tabla 6.1 de la lista de las mejores escuelas publicada en EE. UU. en 1998. Los criterios en los
que decidió basar su decisión incluían la consideración de rango académico, reclutamiento e
investigación, como se muestra en las Tablas 6.2 y 6.3. ¿Qué escuelas debería preferir dados los
diferentes criterios en los que ella está buscando?

Con los datos de la Clasificaciones de US News and World Report, de la tabla 6.4 se procedio a
normalizarlos para obtener una vista más clara de los datos y poder elegir con mayor facilidad

criterio
escuelas 1/valor
1 2 3 4 5
1 1 1 11 1 3.21 0.3115265
2 1 8 31 7 4.71 0.2123142
3 8 12 4 6 3.36 0.2976190
4 8 2 20 2 2.72 0.3676471
5 5 3 31 3 3.18 0.3144654
6 3 7 1 26 3.88 0.2577320
7 7 10 6 13 2.87 0.3484321
Max 8 12 31 26 0.36764706
Tabla 6.4 objetivos para normalizar

La normalización de los datos se llevó a cabo seleccionando el valor máximo de cada columna,
posteriormente dividiendo cada valor de la columna entre su máximo respectivo. Para la columna
5, como Shivani quería darle más relevancia a este criterio, se le realizo el inverso a los datos y
posterior se seleccionó el máximo para llevar a cabo la normalización de los datos, que se muestra
en la tabla 6.5
 escuelas Tabla normalizada
1 0.1250 0.0833 0.3548 0.0385 0.8474
2 0.1250 0.6667 1.0000 0.2692 0.5775
3 1.0000 1.0000 0.1290 0.2308 0.8095
4 1.0000 0.1667 0.6452 0.0769 1.0000
5 0.6250 0.2500 1.0000 0.1154 0.8553
6 0.3750 0.5833 0.0323 1.0000 0.7010
7 0.8750 0.8333 0.1935 0.5000 0.9477
Tabla 6.5 Objetivos normalizados

Con la tabla 6.5 se realizaron las gráficas 6.1 y 6.2 en las que se puede observar lo siguiente:

Escuelas de ingenieria
1.2000

1.0000
Valores normalizados

0.8000
Criterio 1
Criterio 2
0.6000 Criterio 3
Criterio 4
0.4000 Criterio 5

0.2000

0.0000
0 1 2 3 4 5 6 7 8
Criterio

Grafica 6.1 Valores normalizados

 Para el MIT (escuela 1) es mejor que la escuela Georgia (4) en todos los criterios, ya que las
pendientes que relacionan estos puntos entre una escuela y otra tienen pendiente
positiva, con respecto a las escuelas Stanford(2) y Carnegie (3), algunos de los valores para
los criterios están por encima o debajo de los del MIT.
 Shivani puede observar gráficamente las cinco universidades que se muestran en la
Grafica 6.2 como las posibles opciones para la selección de universidad.
 Escuelas de ingenieria
1.2000

1.0000
Valores normalizados

0.8000 Criterio 1
Criterio 2
0.6000 Criterio 3
Criterio 4
Criterio 5
0.4000

0.2000

0.0000
0 1 2 3 4 5 6 7 8
Criterio

Grafica 6.2 Mejores opciones para seleccionar

Ejemplo 6.2: Considere el Ejemplo 2.1 del Capítulo 2. En este ejemplo, el fabricante de productos
químicos estaba usando los productos químicos X 1 y X2 para obtener un solvente de costo mínimo,
dado que existen restricciones relacionadas con el almacenamiento, la seguridad y la
disponibilidad de materiales. Agreguemos otra dimensión al problema: el fabricante no solo quiere
minimizar el costo de los solventes, sino que también desea reducir los impactos ambientales de
los solventes como lo indica la siguiente ecuación.

Environmental Impacts ∝ −0.5x1 + x2

Además, descubrió que es necesaria una cantidad mínima de solvente X 1 para aumentar la
durabilidad del equipo de proceso, una restricción dada abajo:

x1 ≥ 1

Encuentre el conjunto de alternativas no dominadas para este problema.

Solución: Este problema se puede formular como el siguiente MOLP.

FO y restricciones tomadas del ejemplo 2.1 FO y restricciones tomadas para el ejemplo 6.2
Minimizar Z1 = 4x1 − x2 Minimizar Z2 = −0.5x1 + x2
2x1 + x2 ≤ 8 Restricción de almacenamiento x1 ≥ 1 Restricción de Durabilidad
x2 ≤ 5 Restricción de disponibilidad
x1 − x2 ≤ 4 Restricción de seguridad
x1 ≥ 0; x2 ≥ 0

Graficando estas restricciones, se muestra la gráfica 6.3 que muestra la zona factible de nuestro
problema.

Grafica 3. Región factible.

Ahora, probando los puntos de aristas de este polígono obtenido en nuestras funciones objetivo,
se logran los siguientes resultados, mostrados en la tabla 6.6
 Puntos
X1 X2 z1 Z2
extremos
A 1 0 4 -0.5
B 4 0 16 -2
C 1.5 5 1 4.25
D 1 5 -1 4.5
Tabla 6.6 variables de decisión y valores objetivo para los puntos extremos

Tomando en cuenta que nuestro problema de optimización es multiobjetivo de programación

lineal, se procede a seleccionar la solución factible para las dos funciones objetivo mediante la
selección de respuesta no dominada, observando la gráfica 3, se puede observar que este punto es
el A, por lo tanto, será la respuesta a nuestro problema de optimización

Referencias
Diwekar, U. (2008). Introduction to applied optimization . New York : Springer .