Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de Operaciones
Curso de OPTIMIZACION
SECCION 3
PROGRAMACION LINEAL
(Notas de clases en revisión y solo para propósitos del curso)
Marzo 2008
Análisis de Sistemas e Inv. de Operaciones
Curso de OPTIMIZACION
Índice
2. Aplicaciones económicas 8
3. Resultados fundamentales 12
5. Dualidad 30
5.1. Método Simplex Dual . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1.1. Simplex Dual Extendido . . . . . . . . . . . . . . . . . . . 33
5.1.2. Lexicografı́a . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6. Problemas propuestos 37
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
A lo largo de este tema se considerará el abierto Ω = IRn , puesto que las fun-
ciones lineales no van a plantear ningún problema de diferenciabilidad en ningún
punto.
Un programa lineal se presenta en forma estándar cuando todas sus restricciones
son de igualdad y sus variables no negativas:
Min/Max c1 x1 + c2 x2 + . . . + cn xn
a11 x1 + a12 x2 + . . . + a1n xn = b1
21 x1 + a22 x2 + . . . + a2n xn = b2
a
[I]
sujeto a ·································
a x + am2 x2 + . . . + amn xn = bm
m1 1
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
(i) Si multiplicamos por −1 los dos miembros de una desigualdad, ésta cambia
de sentido.
(ii) Una restricción de igualdad
ai1 x1 + ai2 x2 + . . . + ain xn = bi
equivale a dos restricciones de desigualdad
ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi
ai1 x1 + ai2 x2 + . . . + ain xn ≥ bi
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Nota 1.1 (Restricciones sobre las variables) Las variables que se usen en
un programa lineal han de estar sujetas por la restricción de no negatividad
xi ≥ 0, ∀i
3. Si una variable no está restringida (es decir, puede tomar cualquier valor
real, negativo o no negativo), entonces se escribe como diferencia de dos
nuevas variables no negativas: xi := z − t, donde z ≥ 0 y t ≥ 0.
Nótese que dando todos los posibles valores no negativos a z y t se obtienen
todos los posibles valores de xi , aunque haya combinaciones repetidas (por
ejemplo: z = 1 y t = 0 da lugar al mismo valor de xi = z − t que z = 2 y
t = 1).
4. Por último, es evidente que si alguna variable xi está restringida por una
igualdad con una constante, lo lógico es sustituir dicho valor en todas las
apariciones de xi y podemos eliminar una variable que no va a influir en
la solución del problema.
Evidentemente, todos los cambios que se realicen para conseguir las restriccio-
nes de no negatividad de las variables deben reflejarse tanto en el resto de las
restricciones como en la función objetivo, y preferiblemente antes de transformar
una forma (estándar o canónica) en otra.
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
a11 a12 . . . a1n
a21 a22 . . . a2n
A=
. . . . . . ... . . .
am1 am2 . . . amn
Si denotamos
a11 a1n
a21 a2n
P1 = .. , . . . , Pn = ..
. .
am1 amn
las restricciones del programa pueden también escribirse como
x 1 P1 + x 2 P2 + . . . + x n Pn = B
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0
F = {X ∈ IRn | A · X = B ∧ X ≥ 0}
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Proposición 1.3 Dado el programa lineal en forma estándar [I] con la condi-
ción rango(A) = m, si el conjunto factible F es no vacı́o, entonces el programa
posee al menos una solución factible básica.
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
(2) Si el programa lineal posee una solución factible óptima (mı́nima o máxi-
ma) finita, entonces también admite una solución factible básica óptima
(mı́nima o máxima, y finita).
(3) Elegir aquellos puntos extremos en donde la función objetivo sea mı́nima
(o máxima, análogamente).
Ahora bien, este método no puede considerarse eficiente por varios motivos:
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
2. Aplicaciones económicas
Minimizar c1 x1 + c2 x2 + . . . + cn xn
a11 x1 + a12 x2 + . . . + a1n xn ≥ b1
a21 x1 + a22 x2 + . . . + a2n xn ≥ b2
sujeto a ·································
a x + am2 x2 + . . . + amn xn ≥ bm
m1 1
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0
Ejemplo 2.2 (El problema del transporte) Consideremos una empresa que
posee m fábricas dedicadas a la producción de un mismo producto, que se comer-
cializa en n puntos de venta. Supongamos que cada fábrica posee una capacidad
de producción limitada (para el producto considerado) en un perı́odo de tiempo
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
considerado (por ejemplo, un año), y que cada uno de los puntos de venta ha de
recibir (en dicho perı́odo) una cantidad determinada del producto.
El problema que se plantea (problema del transporte) es determinar las canti-
dades de producto que cada fábrica i ha de enviar a cada punto de venta j, de
forma que el coste del transporte sea mı́nimo. Dicho problema se modeliza de la
siguiente forma:
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
10
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
En cada uno de los dos problemas hay factores que no se tienen en cuenta, y
que vienen determinados por la solución al problema planteado:
11
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
3. Resultados fundamentales
La idea de lo que será el algoritmo del Simplex para hallar una solución factible
óptima es empezar tomando como aproximación inicial uno de los elementos
extremos (solución factible básica) del conjunto factible F , para moverse luego
por el resto de los puntos extremos hasta llegar a aquél que dé el valor óptimo de
la función objetivo. El argumento para moverse de un vértice a otro del politopo
F será el que hallemos una mejora en la función objetivo, hasta constatar que o
bien no podemos mejorar (y entonces habrı́amos obtenido la solución) o bien de-
tectar que el problema es no acotado (o de solución no acotada). En esta sección
únicamente estableceremos los resultados teóricos sobre los que se fundamenta
dicho método, que será enunciado con detalle en la siguiente sección.
Consideraremos a partir de ahora el programa lineal de Minimización en forma
estándar:
t
Minimizar C ·X
[I] A·X=B
sujeto a
X≥0
donde
rango(A) = rango(A|B) = m
(El problema de Maximización se tratarı́a de forma análoga, considerándolo
siempre en forma estándar).
Se considera una matriz básica Ab que, salvo permutación de variables, podemos
suponer que consiste en las m primeras columnas de A, y sea Anb la correspon-
diente matriz no básica. Sean respectivamente Xb y Cb los vectores formados
por las variables básicas (es decir, x1 , . . . , xm ) y los coeficientes de dichas varia-
bles en la función objetivo, y se definen análogamente Xnb y Cnb con respecto
a las variables no básicas (es decir, xm+1 , . . . , xn ).
Recuérdese que si Xb = A−1b · B ≥ 0, haciendo Xnb = 0 se obtiene una solución
factible básica (Xb , 0).
Representaremos por J el conjunto de los subı́ndices correspondientes a las
variables no básicas, es decir
J = {m + 1, . . . , n}
12
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
El siguiente resultado nos indica cómo pasar de una solución factible básica a
otra.
13
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
En las condiciones anteriores, es fácil ver que la nueva solución factible básica
es Yb = A−1
b · B, donde la nueva matriz básica es ahora
zj = c1 µ1j + . . . + cm µmj
Entonces
Z1 = Z0 − yj · (zj − cj )
donde yj = xk /µkj .
Conviene fijarse un poco para saber qué significan las expresiones que estamos
manejando y cual es el proceso que se está realizando. En este sentido:
La expresión
xk
xi − µij
µkj
de la proposición 3.2 nos recuerda el proceso de eliminación Gaussiana,
en la que queremos anular yk sumándole a una fila un múltiplo adecuado
de otra. Este proceso de eliminación se realiza para que el cambio de base
dado por los µij dé una solución básica (con n − m ceros en las posiciones
no básicas).
14
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
donde Z0 = Ct · X.
15
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
(0) Hallar un punto extremo del conjunto factible (solución factible básica).
(1) Estudiar la variación de objetivo con respecto a los vértices adyacentes.
(2) Si no es posible mejorar el objetivo es que estamos ya en la solución óptima;
en caso contrario, nos trasladamos a un vértice que mejore el objetivo y
repetimos el paso (1) hasta llegar a la solución óptima.
Los indicadores que hay que estudiar para el avance del algoritmo (que es de
tipo voraz ) son los siguientes:
16
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
(zj − cj ) ∀j ∈ J
A−1
b Anb = [µij ]1≤i≤m,j∈J
17
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
J ← (J \ {s}) ∪ {k}
Nota 4.3
18
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
19
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Ctb A−1 t
b Anb − Cnb
para calcular los indicadores (zj − cj ) que aparecen en el algoritmo del Simplex.
Se trata pues de reducir cualquier caso al anterior mediante el siguiente proce-
dimiento:
(1) Hallar la forma estándar del programa lineal introduciendo, si fuese nece-
sario, las correspondientes variables de holgura Xh ≥ 0.
(2) Multiplicar tantas restricciones (de igualdad) como fuese necesario por −1
para conseguir que B ≥ 0.
X = 0 , X h = 0 , Xa = B
20
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Por supuesto, en casos intermedios puede que sólo haga falta introducir alguna
variable de holgura (o incluso ninguna, si el programa inicial nos lo dan ya en
forma estándar), y también es posible que sólo hagan falta algunas variables
artificiales para completar una submatriz identidad de orden m. Esto último
sucede, por ejemplo, cuando encontramos una submatriz identidad de orden
k ≤ m con la condición de que en las k columnas que la forma los coeficientes
sean cero en las m − k filas restantes; en este caso, basta introducir m − k
variables artificiales en dichas filas para completar una submatriz identidad de
orden m.
La introducción de variables artificiales nos permite, además, detectar si el pro-
blema inicialmente planteado es o no factible. Efectivamente, una vez resuelto
el problema auxiliar con variables artificiales, la solución deberı́a de tener (ob-
viamente) ceros en las componentes correspondientes a las variables artificiales,
y si no dicha solución no nos sirve para nada. De hecho, podrı́amos deducir
que si la solución óptima hallada tiene algún valor estrictamente positivo en las
variables artificiales, entonces el problema inicial es infactible, lo que se inter-
preta (en el modelo económico del problema de la producción para maximizar
ingresos), como que los recursos no son suficientes para satisfacer la demanda o
los requisitos planteados en el modelo.
Interesa pues que en la solución óptima hallada se anulen las variables artificiales.
Hay dos métodos sencillos para tratar de que esto suceda de forma rápida,
conocidos como método de las penalizaciones y método de las dos fases.
21
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Minimizar Ct · X + 0t · Xh + M · Xa
Maximizar Ct · X + 0t · Xh − M · Xa
Método de las dos fases: En este método, y también como su nombre indi-
ca, se resuelve el problema inicial en dos etapas (suponiendo que el pro-
grama inicial es de minimización en forma estándar, si no se adaptarı́a
dicho programa a esta situación usando las reglas de transformación ya
conocidas):
22
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
La aplicación práctica del algoritmo matricial del Simplex, tal y como se ha ex-
puesto anteriormente, implica la realización de un elevado número de cálculos,
que se crecen y se complican con el tamaño del programa (que depende básica-
mente tanto del número n de variables como el de ecuaciones m). Conviene
recordar que en cada iteración del Simplex hay que calcular una matriz inversa
(la de la matriz básica) y multiplicarla por otras matrices para hallar ası́ los
indicadores que se han de analizar.
23
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
um vm wm
tres vectores de IRm tales que
Entonces:
(L1 | · · · |Lk−1 |L|Lk+1 | · · · |Lm )−1 · U = V
24
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Xb Xnb K
Z 0 Ctb A−1 t
b Anb − Cnb Ctb A−1
b B
Xb I = A−1
b Ab A−1
b Anb A−1
b B
La fila Z corresponde a los indicadores y el resto son una para cada una de
las variables básicas. Asimismo, la columna K es para las constantes, con la
solución factible básica actual y su correspondiente valor de la función objetivo,
y el resto son una para cada una de las variables, básicas o no.
Teniendo en cuenta los resultados del apartado anterior, y desarrollando los
bloques de la tabla, obtenemos:
donde
t
Xb = A−1
b B = [h1 , . . . , hm ]
es la solución factible básica actual (en las posiciones básicas).
Además, si tomamos por convenio
1 i=j
µij =
6 j
0 i=
para i, j = 1, . . . , m tenemos que
son las dos cajas más grandes de la tabla anterior (salvo las dos primeras filas
y las columnas primera y última).
25
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Ası́ pues, la tabla anterior no sólo nos representa la solución factible básica
actual, sino que nos proporciona toda la información necesaria para aplicar la
siguiente iteración del método del Simplex.
En efecto, la fila Z nos muestra los indicadores zj − cj y de bajo de cada uno de
ellos se encuentra la columna con los µij correspondientes, con lo cual podemos
decidir si el algoritmo termina o si debemos buscar una nueva solución factible
básica. En este último caso, y una vez elegida la variable de entrada x s , se mira
en la columna xs aquellos i para los que µij > 0 y se minimiza el cociente hi /µij ,
determinando ası́ la variable de salida xk (nótese que la columna con los hi es la
última de la tabla, y hay que dividir por los elementos de la columna xs , fila por
fila). Después de este proceso, la nueva variable básica xs tomará, en la nueva
solución factible básica, el valor “pivote” hk /µks .
Para obtener la nueva solución factible básica y los nuevos indicadores para la
siguiente iteración, en vez de calcular la inversa de Ab y los correspondientes
productos de matrices, basta realizar las siguientes “operaciones elementales”
en la tabla del Simplex:
26
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
y se sigue el proceso.
Nótese que el término “pivote” está justificado por el hecho de que hemos hecho
una especie de eliminación Gaussiana para hacer ceros en la columna x s excepto
un 1 en la fila xs , para conseguir que dicha variable entre en la nueva base
(representado en la tabla por una submatriz identidad).
Sin entrar en detalles, la demostración de que el procedimiento anterior nos da el
mismo resultado que en la versión matricial del Simplex, consiste en verificar que
las operaciones realizadas, escritas en forma de fórmula, nos permiten aplicar el
lema 4.4, evitándonos el tener que invertir y multiplicar matrices y ahorrando
operaciones en consecuencia. Se remiten a la bibliografı́a (por ejemplo [1]) los
detalles de esta demostración.
Las operaciones matriciales quedan reducidas ası́ a la etapa inicial. Además,
en el caso particular de que A contenga una submatriz identidad de orden m
y que B ≥ 0 (véase el apartado de variables artificiales y los métodos de las
penalizaciones y de las dos fases), la tabla inicial del Simplex será más fácil de
calcular. Por ejemplo, si dicha submatriz se halla en las primeras m columnas,
dicha tabla serı́a:
Xb Xnb K
Xb I Anb B
ya que Ab = I.
27
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
28
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Veamos por último cómo evitar el problema del ciclado, aludido anteriormente.
Una primera opción es realizar las elecciones de variables de entrada de manera
aleatoria, con lo que con probabilidad 1 nos saldremos de cualquier bucle. No
obstante, aparte de que la mayorı́a de la gente prefiere algoritmos deterministas
en vez de probabilı́sticos, se pierde la optimalidad en las elecciones, y por tanto
disminuye (heurı́sticamente) la velocidad del método.
Otra opción es usar un criterio determinista para evitar el ciclado, como por
ejemplo la llamada Regla de Bland, que consiste en lo siguiente:
29
ASIOP: PLnotes02/2007
DEPARTAMENTO INGENIERIA MINAS
Curso OPTIMIZACION prof. Jose Ascencio C.
5. Dualidad
Teorema 5.1 El dual del problema dual [D] es el problema primal [P].
30
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
La idea del algoritmo del Simplex que hemos visto para resolver el problema
primal consiste, básicamente, en que partiendo de una solución básica que sea
31
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
(1) Inicio: Se plantea la tabla del Simplex, tal y como se hace en el Simplex
primal, pero a partir de una solución básica que sea factible dual (es decir,
todos los indicadores son menores o iguales que cero).
(2) Iteración: Estudio de las componentes:
32
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Por último, existe una relación estrecha entre el Simplex Primal aplicado
al problema dual y el Simplex Dual, de forma que cada iteración de uno
se corresponde con una iteración del otro (ver detalles en [3]).
Para evitar el problema de encontrar una solución inicial para el Simplex Dual
(es decir, una solución básica dual factible), se recurre al Método del Simplex
Dual Extendido, también conocido como método de la restricción artificial . La
idea del método es la misma que la de añadir variables artificiales en el caso
primal, pero como el problema dual está relacionado con los multiplicadores
de Kuhn–Tucker asociado a las restricciones, lo que hemos de introducir ahora
será una restricción adicional que haga las veces de variables artificiales, y que
llamaremos “restricción artificial”.
Para ello se toma inicialmente una solución básica cualquiera, y si existen indi-
cadores positivos (solución dual infactible) se añade la restricción
X
xj ≤ M
j∈H
donde H es el conjunto de ı́ndices para los cuales los indicadores son positivos,
y M es una constante “arbitrariamente grande”, de manera análoga al método
de penalizaciones. A esta restricción se le añade su correspondiente variable de
holgura y se añade también a la tabla inicial del Simplex Dual.
Inicialmente, se toma además como variable de entrada la que corresponda al
indicador más positivo (como en el Simplex Primal) y como variable de salida la
variable de holgura de la restricción artificial. Tras este proceso de inicialización,
y habiendo elegido M suficientemente grande, se consigue que en la siguiente
33
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
iteración todos los indicadores sean menores o iguales que cero (dual factible),
y se continúa normalmente con el Simplex Dual.
Los posibles resultados de este método son:
5.1.2. Lexicografı́a
Para evitar el ciclado en el método del Simplex Dual veremos, en vez de la regla
de Bland, una técnica más clásica basada en el orden lexicográfico aplicado a
los vectores de la tabla del Simplex. Dicho orden es un orden total , análogo al
orden con que se ordenan alfabéticamente las palabras en un diccionario, y de
ahı́ su nombre.
Definición 5.4 Dados dos vectores x, y ∈ IRn se dice que x es menor o igual
que y lexicográficamente si o bien y − x = 0, o bien la primera componente no
nula de y − x es positiva. Lo denotaremos por
x ≤L y
34
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Entonces:
Entonces:
Nótese que los máximos o mı́nimos con respecto al orden lexicográfico son únicos
debido al hecho de ser un orden total.
Lo único que queda pendiente para que este método sea efectivo es explicar
cómo se puede conseguir que en la tabla inicial las filas (o columnas) sean lexi-
cográficamente positivas, lo cual se deja como ejercicio.
35
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Nota 5.5
36
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
6. Problemas propuestos
sujeto a
2x1 + 3x2 ≥ 8
x1 ≥ 0, x2 ≥ 0
37
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
sujeto a
x1 ≥ 2
x1 ≥ 0, x2 ≥ 0
sujeto a
x1 + 3x2 ≥ 9
x1 ≥ 0, x2 ≥ 0
utilizando
sujeto a
3x1 + x2 ≥ 4
x1 ≥ 0, x2 ≥ 0
38
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
sujeto a
x2 ≤ 4
x1 ≥ 0, x2 ≥ 0
“La empresa Volkswagen gana 100 euros por cada Polo, 200 eu-
ros por cada Golf y 300 euros por cada Passat, y el rendimiento
de cada modelo, medido en kilómetros por por litro de com-
bustible, es de 20, 17 y 14, respectivamente.
Por otra parte, la ley obliga a todas las empresas automovilı́sti-
cas a que el rendimiento medio de un coche fabricado sea de (al
menos) 18 kilómetros por litro.
Por último, una planta de fabricación de Volkswagen puede mon-
tar un Polo en 1 minuto, un Golf en 2 minutos y un Passat en
3 minutos.
¿Cuál es la ganancia máxima posible en una jornada de 8 ho-
ras?”
39
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
x1 x2 x3 x4 x5 x6 x7 K
Z 3/4 -20 1/2 -6 0 0 0 3
x1 1/4 -8 -1 9 1 0 0 0
x2 1/2 -12 -1/2 3 0 1 0 0
x3 0 0 1 0 0 0 1 1
40
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
Se pide:
16. Encontrar un ejemplo de problema lineal tal que tanto el primal como el
dual sean infactibles.
41
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
21. Resolver los siguientes programas lineales mediante el Simplex Dual Ex-
42
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
tendido:
Minimizar 2x 1 + 4x2 − x3
3x1 + 6x2 − 2x3 ≥ 8
[1] x1 + 2x2 + x3 = 4
sujeto a
2x1 − x2 + 3x3 ≤ 12
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Maximizar x
1 x2 + 2x3
+
2x1 + x2 + x3 ≥ 8
[2]
sujeto a x1 − 2x2 + 2x3 ≤ 10
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Maximizar −x
1 − 2x2
4x1 + 3x2 ≤ 12
[3] x1 + 3x2 ≥ 6
sujeto a
2x 1 + x2 ≥ 4
x1 ≥ 0, x2 ≥ 0
43
ASIOP: PLnotes02/2007
CURSO OPTIMIZACION (17015) prof. Jose Ascencio Castillo
PROGRAMACION LINEAL Departamento Ing. Minas
44
ASIOP: PLnotes02/2007
Referencias
BIBLIOGRAFIA B ASICA
BIBLIOGRAFIA PR ACTICA
BIBLIOGRAFIA COMPLEMENTARIA
REFERENCIA COMPLEMENTARIA
45