Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programación Lineal en la
Investigación de
Operaciones
PROFESOR: ESTUDIANTE:
SIMON DIAZ GABRIEL ALASTRE
SA23-6 C.I: V30.427.744 215054
SISTEMAS CODIGO: 215054
1. Portada
Título de la investigación de operaciones
2. Índice de la investigación
Enumeración de secciones con sus respectivas páginas
3. Introducción
Contextualización de la investigación de operaciones
Propósito y objetivo del informe
Método de Resolución:
- Refiere al enfoque o algoritmo utilizado para encontrar la solución óptima del problema
de Programación Lineal. Puede ser el Método Simplex, el Método de Resolución Gráfica, o
métodos más avanzados según la complejidad del problema.
Ejemplo Modelo de Programación Lineal: Maximización de Beneficios en
Producción:
1. Descripción del Problema:
Ejemplo: Una empresa fabrica dos modelos de mesas para ordenador, M1 y M2. Para
su producción se necesita un trabajo manual de 20 minutos para el modelo M1 y de
30 minutos para el M2; y un trabajo de máquina de 20 minutos para M1 y de 10
minutos para M2. Se dispone de 100 horas al mes de trabajo manual y de 80 horas al
mes de máquina. Sabiendo que el beneficio por unidad es de 1,5 y 1 € para M1 y M2,
respectivamente, planificar la producción para obtener el máximo beneficio.
Nos limitaremos ahora a plantear formalmente el problema (ya lo resolveremos más
adelante):
Llamando: X = “nº unidades producidas al mes de M1”, e Y = “nº unidades
producidas al mes de M2”,
Restricciones:
Las restricciones vendrán dadas por:
Sujeto a:
20X + 30Y <= 100*60
20X + 10Y <= 80*60
X >= 0
Y >= 0
Las dos últimas restricciones, si bien no constan de forma explícita en el enunciado, sí
figuran de forma implícita, pues el número de mesas a producir no puede ser inferior
a 0.
Variables:
Definimos las variables de decisión:
x = cantidad de unidades de producto X a producir.
y = cantidad de unidades de producto Y a producir.
Función Objetivo:
Nuestra función objetivo sería:
Maximizar:
Z (X, Y) = 1,5X + Y
2. Representación Gráfica:
Dado que en él tenemos sólo dos variables, podremos representar cada una de las
restricciones en el plano real. Estas restricciones son semiespacios (por ser lineales),
la intersección de los cuales se denomina región factible (área de color verde en la
figura):
3. Solución Óptima:
La teoría matemática establece que, dado un problema de Programación Lineal que
tenga solución, ésta vendrá dada por uno de los vértices (o puntos extremos) del
polígono que configura la región factible. Por tanto, será suficiente hallar las
coordenadas de dichos vértices (intersecciones de rectas) y determinar (sustituyendo
en la función objetivo) cuál de ellos es la solución óptima. En nuestro ejemplo,
tendríamos sólo cuatro puntos candidatos a ser solución del problema (los cuatro
vértices del polígono), sustituyendo sus coordenadas en la función objetivo
obtenemos:
Z (0,0) = 0; Z (0,200) = 200; Z (210,60) = 375; y Z (240,0) = 360
Como en este caso buscábamos maximizar Z (X, Y), concluiremos que el punto
óptimo es el (210,60), dado que con él obtenemos el valor máximo de la función
objetivo. Así pues, la solución a nuestro dilema será fabricar 210 mesas de tipo M1 y
sólo 60 de tipo M2, con ello conseguiremos unos beneficios de 375 €.
El análisis del problema de Programación Lineal proporciona una estrategia clara para la
producción óptima de mesas, considerando las restricciones de recursos. En este caso, se
identifica la cantidad específica de unidades de M1 y M2 que maximiza los beneficios,
ofreciendo una solución práctica y eficiente para la toma de decisiones en la empresa.
La holgura total de una actividad es el tiempo que se puede retrasar una actividad
sin cambiar la fecha de finalización del proyecto. Esto se obtiene con cualquiera de
las siguientes ecuaciones: Holgura total = LS – ES. Holgura total = LF – EF.
Cualquier inecuación puede ser convertida en una ecuación agregando una cantidad
negativa en el lado de menor valor de la inecuación. Esta variable se llama variable
de holgura y también se introduce en la función objetivo con coeficiente cero ya que
no influye en el valor de la función objetivo.
Representa el sobrante de la restricción a la que está asociada y estas permiten
convertir las desigualdades de las restricciones en igualdades
Cuando la restricción es mayor igual (≥): En este tipo de restricciones se debe restar una
variable de exceso y así mismo agregar una variable artificial.
Si la restricción es igual (=): En este tipo de restricciones debemos agregar una variable
artificial de la siguiente forma:
El método Simplex “tradicional” o “básico” que abordaremos en esta entrada, se utiliza
para los problemas de programación lineal donde todas las restricciones son del tipo menor
e igual (≤). lo hace particularmente atractivo para aplicaciones a gran escala con múltiples
variables y restricciones.
Conclusión
La Programación Lineal, respaldada por el uso de herramientas informáticas especializadas,
se ha consolidado como una poderosa disciplina en la optimización de recursos y la toma
de decisiones en una amplia gama de campos. A lo largo de las décadas, ha evolucionado
desde sus inicios teóricos hasta convertirse en una herramienta práctica y aplicable, gracias
al desarrollo continuo de algoritmos y software dedicado.
El Método Simplex, fundamental en la resolución de problemas de Programación Lineal, ha
sido complementado y ampliado por una variedad de enfoques más modernos y eficientes.
La introducción de la computación en la nube ha permitido un acceso más flexible y
colaborativo a estas herramientas, facilitando la gestión de problemas complejos y la toma
de decisiones estratégicas a través de límites geográficos.
Las tendencias actuales indican un enfoque creciente en la usabilidad y accesibilidad, con
interfaces gráficas intuitivas que permiten a usuarios con diversas habilidades abordar
problemas de optimización. La integración con otras herramientas empresariales, como
ERP y SCM, refleja la necesidad de un enfoque holístico en la toma de decisiones,
considerando no solo la optimización lineal, sino también otros factores clave en la gestión
empresarial.
La capacidad de modelar problemas más complejos, incorporando restricciones no lineales
y variables enteras, amplía la aplicabilidad de la Programación Lineal a escenarios
empresariales más realistas. Además, la introducción de técnicas de Machine Learning para
la automatización y mejora continua representa un emocionante avance que promete
adaptabilidad dinámica en un entorno empresarial en constante cambio.
La colaboración en tiempo real y la capacidad de compartir modelos y resultados entre
usuarios destacan la importancia de la Programación Lineal como una herramienta
colectiva para la toma de decisiones. Este enfoque colaborativo no solo agiliza los
procesos, sino que también aprovecha la experiencia colectiva, promoviendo la inteligencia
colectiva en la resolución de problemas.
En conclusión, la Programación Lineal y su software asociado continúan desempeñando un
papel crucial en la gestión estratégica y la optimización de recursos en diversas disciplinas.
A medida que evoluciona hacia soluciones más avanzadas, accesibles y colaborativas, se
espera que siga siendo una herramienta fundamental para abordar los desafíos
empresariales y de investigación del futuro. La Programación Lineal no solo es una
disciplina matemática, sino una herramienta dinámica y esencial en el arsenal de la toma de
decisiones en el mundo moderno.