FACULTAD CIENCIAS DE LA INGENIERÍA
INGENIERÍA INDUSTRIAL
MODALIDAD PRESENCIAL
ASIGNATURA:
ALGEBRA LINEAL
INGENIERO:
ALBERTO LEÓN
ALUMNOS:
ROBERTO SEBASTIAN GUILINDRO LÓPEZ (AUTOR)
JORDY LUIS ONOFRE OCAMPO
JOSEPH KENNETH NARANJO CHOEZ
RONNY MARCELO VILLAVICENCIO HUACON
TEMA:
PROGRAMACIÓN LINEAL Y MÉTODO SIMPLEX
CURSO:
SEGUNDO SEMESTRE PARALELO B-1
ÍNDICE
INTRODUCCIÓN
En este ensayo se abarcará los siguientes temas: Programación lineal y el Método simplex. Contendrá los
conceptos de cada uno, sus importancias, aplicaciones y ejemplos. La programación lineal es un procedimiento
matemático prácticamente reciente cuyo desarrollo data de la mitad del siglo XX, para ser más precisos se
inició en la década de los sesenta, es un algoritmo matemático por el cual se resuelve un problema
indeterminado, que está formulado mediante ecuaciones lineales buscando siempre optimizar la función
objetivo.
Según, “La Programación Lineal, es una rama de la investigación de operaciones que estudia la optimización de
una función lineal sujeta a un conjunto de restricciones, también lineales”. La Programación Lineal se utiliza
con frecuencia en aplicaciones de la industria, la economía, la estrategia militar y otros campos, también se
puede utilizar para optimizar la asignación de recursos de una empresa, planificar la producción de bienes y
servicios, maximizar la eficiencia de la asignación de rutas de transporte u optimizar la distribución de
productos en el mercado.
El Método Simplex es un modelo de optimización lineal, surgió a partir de 1940, este método fue propuesto por
el matemático estadounidense George Bernard Dantzig. Con este se puede evaluar el comportamiento de un
cierto número de variables a lo largo de una serie de interacciones que determinan la transición presente de los
valores numéricos, de los recursos y operadores del problema, a modo de que se ajusten a los objetivos
propuestos por el programa lineal.
El Método Simplex tiene en cuenta la solución de programas lineales a partir de utilizar algunos recursos de
holgura y exceso, dependiendo de las limitaciones del problema. Básicamente el modelo propone el un análisis
de las variables basado en la asignación de valores numéricos específicos que realizan una transición dentro de
la matriz identidad. De acuerdo con, “Una ventaja del modelo Simplex sobre otros es que puede determinar el
comportamiento máximo y mínimo de variables, de acuerdo a un límite prestablecido”.
PROGRAMACIÓN LINEAL
La Programación Lineal es un método matemático en el que hay n variables cuantitativas, generalmente de
tipo entero, binario o de valor real que interactúan dentro de límites o restricciones técnicas. Existen en
grandes cantidades en todas las áreas de la actividad humana. Por ello, es importante integrar modelos que
aseguren el correcto comportamiento y uso de estos recursos. El uso de programas lineales suele deberse a la
simplicidad que existe en algunos procesos industriales a la hora de alcanzar un objetivo.
En estos casos, la meta se define dentro de la metodología lineal como función objetivo y corresponde a la
propiedad de maximizar o minimizar un recurso específico. Por lo tanto, cada programa responde
específicamente al motivo de su existencia, es decir, dependiendo de la necesidad que haya del recurso, las
variables se comportarán de manera diferente a la hora de formularlas, resolverlas y analizarlas.
Características de la Programación Lineal:
1. La linealidad implica que no pueden existir tales términos: X1X2, X2, ALogX3.
2. Asume las propiedades aditivas y multiplicativas.
Si el tipo de conducción 1 tarda 2 horas en la máquina A y el tipo de conducción 2 tarda 2 1⁄2
horas, entonces ambos tardarán 4 1⁄2 horas.
Si el dispositivo tipo 3 requiere 1 hora en la máquina B, entonces 10 dispositivos requerirán 10
horas.
3. La función que necesita optimizarse (maximizarse o minimizarse) se llama función objetivo. Hay que
tener en cuenta que no aparece ningún miembro independiente o permanente. Los valores de Xj no
dependen de ninguna constante.
4. Cuando se dice que existen m restricciones, no se incluyen las condiciones Xj ≥ 0 (condición de no
negatividad).
5. a) Cualquier conjunto Xj que satisfaga m restricciones se denomina solución del problema.
b) Si una solución satisface la condición de no negatividad Xj ≥ 0, se llama solución admisible.
c) Una solución factible que optimiza la función objetivo se llama solución óptima.
La importancia de la Programación Lineal está en moldear y resolver problemas de una variedad de
disciplinas, incluidas la ciencia, la ingeniería y los negocios, y explorar métodos de solución. Este tipo de
problemas sigue siendo relevante y ha permitido el desarrollo de nuevos métodos de solución, como los de
Mansouri (que se basan en el método de Newton) y el punto interno de Bouafia, hasta la implementación
de otros enfoques encaminados a reducir el tiempo y la energía de cálculo y consumo tales como el uso de
memristores para la aplicación de algoritmos de punto interno en la resolución de problemas de
Programación Lineal. La Programación Lineal también se utiliza para resolver problemas complejos junto
con otras herramientas de optimización y modelado, como la Lógica Difusa y el algoritmo metaheurístico
de luciérnaga.
APLICACIONES DE LA PROGRAMACIÓN LINEAL
1. MARKETING
Los modelos de programación lineal se han utilizado en publicidad para ayudar a lograr combinaciones de
medios efectivas. En algunos casos se comienzan con un presupuesto fijo o limitado y se intentará
asignarlo a las diferentes opciones que se ofrecen, como pueden ser los anuncios de radio y televisión,
anuncios en periódicos, anuncios por correo directo, anuncios en revistas, entre otras y para que así el
producto se distribuya ampliamente. Puede ser que estas limitaciones no sean sólo de presupuesto sino
también que existen otras restricciones impuestas por requisitos contractuales, fondos disponibles o las
políticas propias de la empresa. Otra aplicación de la programación lineal en marketing sería la
investigación de mercados y consumidores.
2. MANO DE OBRA
Los problemas de programación de mano de obra, o lo que es similar, de planificación de horarios, intenta
proporcionar una respuesta eficiente a las demandas de personal durante un período de tiempo
determinado. Esta aplicación de programación lineal es útil cuando los gerentes pueden asignar tareas de
manera flexible a empleados multifuncionales. Las industrias que más utilizan la programación lineal para
tomar este tipo de decisiones son las entidades bancarias.
3. MEZCLA DE INGREDIENTES
Las cuestiones de nutrición y mezcla son particularmente importantes en este modelo. Una de las primeras
aplicaciones de la programación lineal fue el problema nutricional desarrollado en los hospitales para
determinar la dieta más económica para los pacientes en función de unas especificaciones nutricionales
mínimas. Actualmente, también se utiliza en agricultura para producir una combinación de alimentos o
ingredientes que satisfagan necesidades nutricionales específicas al menor costo.
Con respecto a las cuestiones de mezcla y dosificación de ingredientes, estos problemas surgen cuando se
deben tomar decisiones para mezclar dos o más recursos para producir uno o más productos. Estos recursos
contienen uno o más componentes que deben mezclarse para que cada producto final contenga una
proporción específica de cada componente.
4. TRANSPORTE
Los problemas de transporte o envío están destinados para determinar la cantidad de mercancías que se
transportarán desde diferentes orígenes o fuentes a diferentes destinos. Estos problemas suelen tener como
objetivo reducir tanto los costes de transporte, como la distancia de entrega, donde se aplican restricciones
a la capacidad de producción de cada país de origen y los requisitos de cada destino. Este modelo es un
caso especial de programación lineal, por lo que existen métodos y algoritmos que facilitan su solución.
Un algoritmo es un proceso iterativo en el que se encuentran y evalúan soluciones a un problema de
transporte utilizando procedimientos específicos para determinar si la solución es óptima. Si es óptima, el
proceso se detiene. Si una solución no es óptima, se produce una nueva solución que suele ser tan buena o
mejor que la solución anterior. Esto se evalúa y si no es la mejor solución se vuelve a generar otra solución
y así hasta encontrar la mejor solución.
5. FINANZAS
En este apartado se destaca el problema de selección de portafolios, en otras palabras, la selección de una
cartera de valores. Este es uno de los problemas que suelen afrontar los gestores de bancos, fondos mutuos
y compañías de seguros a la hora de seleccionar una serie de inversiones especificas entre una variedad de
opciones. En general, el objetivo suele ser maximizar el rendimiento esperado de estas inversiones, sujeto a
una serie de restricciones (algunas legales, otras autoimpuestas).
MÉTODO SIMPLEX
El método simplex, propuesto por Dantzig es la década de los 40’s, es un algoritmo para resolver cuando el
problema se expresa como un modelo de programación lineal (PL), es decir el método simplex se utiliza para
determinar la solución óptima al problema (por ejemplo, el beneficio máximo o costo mínimo) mediante el
modelado utilizando una relación lineal. Matemáticamente, el método simplex es una técnica para optimizar
una función objetivo lineal que está linealmente limitada por ecuaciones (=) y/o desigualdades (≤, ≥).
El método simplex siempre considera como posible solución el punto correspondiente al vértice de la región de
la solución factible, donde la primera aproximación es el punto de partida. A partir de aquí, en iteraciones
posteriores, el simplex se moverá a otros vértices hasta que uno de los vértices sea óptimo, cuando el valor de la
función objetivo del vértice sea mayor que sus 2 vértices vecinos (es decir, el vértice anterior y el posterior),
siendo entonces cuando se obtenga la solución al problema de programación lineal.
ETAPAS DEL MÉTODO SIMPLEX
EL método simplex se puede dividir en tres etapas de la siguiente manera:
1. Etapa inicial: Consiste en proporcionar la primera solución posible en el vértice correspondiente al
origen.
2. Etapa iterativa: Esto significa que el método busca una mejor solución en un vértice diferente al
anterior.
3. Etapa de prueba de optimización: Esto se logra cuando la solución de un vértice es mejor que la
solución de sus vértices vecinos.
EL SIMPLEX SEGÚN LA FUNCIÓN OBJETIVO
Utilizar métodos cuantitativos para resolver problemas suele involucrar a muchas personas de toda la
organización. Los individuos de un grupo de proyectos proporcionan información de sus respectivos campos
sobre todos los lados del problema. El modelo Simplex debe su efectividad a la forma en que agrupa y modela
las variables según las necesidades del caso, lo que para la mayoría de los modelos implica refinar o
determinar los valores óptimos de las variables. Dos condiciones diferentes, la primera es alcanzar el valor
óptimo más alto (maximizar), normalmente se utiliza cuando se espera aumentar las ganancias, la
disponibilidad de los equipos u otros recursos tangibles alcance el valor óptimo más bajo (minimizar),
empleado en aquellos modelos cuyos parámetros se enmarcan en reducir costes o alto consumo de recursos
intangibles como tiempo, flujo, etc.
El modelo Simplex clasifica programas por la medida Z durante su ejecución. Dependiendo de que si se va
requerir aumentar o disminuir el recurso se deberán tener algunas consideraciones, así como se observa a
continuación:
Cuando se debe aumentar Z: en el caso de que el problema requiera un aumento del recurso final esperado,
la fila de estados no deberá contar con ningún valor negativo. Asimismo, el valor negativo más pequeño en la
fila Z o el valor absoluto más grande entre los números negativos debe ingresar a una operación que
represente la variable Pj (pivote) que ingresa a la base, y la obtención de la variable entrante, la variable que
sale se determina mediante el menor cociente PO/PJ de los estrictamente positivos.
Cuando se debe minimizar Z: En este caso en la fila Z no se debe mostrar ningún valor mayor a cero. Así
mismo, la base seleccionada se tomará en función del número positivo más grande que se encuentre en la fila
Z o en la fila del estado inicial. Del mismo modo, cuando se establece una variable de entrada, la variable de
salida está determinada mediante el menor cociente PO/PJ de los estrictamente negativos.
EJEMPLO DE APLICACIÓN DEL MÉTODO SIMPLEX:
DIMENSIONADO ECONÓMICO DE REDES
Con la aplicación del método simplex al dimensionado óptimo económico de redes de agua potable, donde se
reducirá matemáticamente el diámetro de las tuberías que forma la red de abastecimiento analizada. Para
hacer esto, el software divide el segmento de tubería (i-j) en 2 subsegmentos. La primera parte es el resultado
del diseño convencional (Dc), y el segundo diámetro será menor que un Dc seleccionado entre tres diámetros
candidatos consecutivos, cuidando el criterio de telescopía hidrodinámica, y seleccionados de la base de datos
que el paquete computacional incluye.
Los pasos involucrados en el algoritmo simplex incluyen fundamentalmente resolver un sistema de ecuaciones
lineales (función objetivo a optimizar, restricciones de longitud, restricciones de presión) para determinar los
valores de las variables básicas (longitud y costo de tubería por metro lineal según su diámetro), con la
influencia en la función de las restricciones (presión de demanda mínima y pérdidas de carga totales, variables
no básicas que a la vez involucran al caudal, rugosidad, viscosidad cinemática, velocidad, número de
Reynolds, coeficiente de fricción, etc).
Se puede resumir el procedimiento del algoritmo simplex en los siguientes pasos:
1. Se formula la función objetivo a minimizar que estará compuesta por los costos unitarios correspondientes
a los diámetros candidatos y la longitud de cada sub-tramo, las restricciones, tanto de presión, como la de
longitud total del tramo (i-j).
Función objetivo a minimizar.
C = L1 × Cu1 + L2 × Cu2 + … + Ln × Cun
C = Costo total del sistema de agua potable.
L1, L2 … Ln = Longitudes de tuberías en el tramo.
Cu1, Cu2, … Cun = Costo unitario por metro lineal de tubería, directamente dependiente de cada diámetro.
Es decir, al costo Cu1 le corresponde el diámetro Du1.
Restricciones
P min ≥ hfu1 × L1 + hfu2 × L2 + … + hfun × Ln
P min = Precisión mínima requerida en sistema de agua potable.
L1, L2, Ln = Longitudes de tuberías en el tramo.
hfu1, hfu2, hfun = Pérdida carga unitario por metro lineal de tubería.
LT= L1 + L2 +… + Ln
LT= Longitud total del tramo.
L1, L2, Ln = Longitudes parciales de tubería en el tramo.
2. La aplicación del algoritmo simplex se consigue con la eliminación de Gauss – Jordan sobre las variables
de la solución básica factible inicial. Para cambiar el coeficiente de la nueva variable básica en el reglón
pivote 1, se divide todo el renglón entre el número pivote, así.
renglón o fila de pivote i+1
Fila del pivote i+1 =
numero de pivote i
Para el resto de filas y renglones se obtendrá:
Fila i+1 = Fila i+1 –[(Coeficiente de la fila i+1 en la columna de la variable entrante) × (Fila del pivote i+1)]
Renglón i+1 = Renglón i+1 –[Coeficiente de la columna pivote i × Renglón Pivote i+1]
3. Si todos los coeficientes de costos reducidos de las variables no básicas (son aquellas variables que
representan a las longitudes de cada sub-tramo, en un tramo i-j) son negativos, entonces la solución básica
actual es la solución óptima, puesto que no es posible mejorar el valor de la función objetivo al incorporar
una nueva variable en la solución. En tal caso, el procedimiento termina.
4. Si existe algún coeficiente de costo reducido nulo y ninguno negativo, significa que la variable no básica
correspondiente puede ser incorporada a la solución sin disminuir el valor de la función objetivo. En tal
caso existen infinitas soluciones óptimas además de la actual y el procedimiento finaliza.
5. Mientras existan coeficientes de costos reducidos positivos, es posible reducir el valor de la función
objetivo. La variable no básica que pasará a formar parte de la solución será aquella a la que corresponda
el mayor coeficiente de costo reducido.
6. Si todos los coeficientes reducidos de las restricciones de la columna correspondiente son nulos o
negativos, significa que la variable entrante puede tomar un valor tan grande como se quiera y en
consecuencia, la función objetivo no estará acotada, de tal manera que permite reducir infinitamente su
valor. Esta circunstancia no tiene demasiado sentido cuando se formula un modelo de dimensionado
económico, y por ello cabe pensar qué si se presenta, significa que tal modelo se formuló incorrectamente.
7. El máximo valor que puede llegar a adoptar la variable entrante estará condicionado por la restricción de
no negatividad de las variables básicas actuales, y por tanto, acotado por la restricción correspondiente.
