Está en la página 1de 15

INVESTIGACIÓN OPERATIVA

Curso 2008

ASPECTOS GENERALES DE PROGRAMACION


LINEAL
Tema 2 PROGRAMACIÓN
MATEMÁTICA
1. Introducción. Relación con la Programación
Lineal Continua
2. Aplicaciones. Medida de la eficiencia
productiva mediante modelos de análisis
envolvente de datos (DEA).
3. Formulación de problemas de programación
entera y mixta. Aplicaciones.
4. Algoritmos de solución
5. Implementación informática
6. Estudios de casos reales de aplicación
1. Introducción. Programación Lineal Continua

• Objetivos: minimizar o maximizar una función


lineal en la presencia de restricciones lineales
del tipo desigualdad o igualdad.
• Llamamos “vector factible” al conjunto de
valores que satisfacen todas las restricciones.
• Resolución: consiste en encontrar aquel valor
del vector factible que minimiza/maximiza la
función objetivo “solución óptima”.
Formulación del problema
Función objetivo: Max(Min) Z=c1x1+c2x2+..+cnxn
Restricciones (limitaciones del conjunto de soluciones)
s.a a11x1+a12x2+..+a1nxn ≥ ≤ = b1
a21x1+a22x2+..+a2nxn ≥ ≤ = b2
.................................................
am1x1+am2x2+..+ammxn ≥ ≤ = bm
Otras restricciones características del tipo de variables
x1,x2,...xn ≥ 0
Variables de decisión (incógnitas) xj (j=1,2,....n)
Recursos disponibles (datos) b1,b2,...bm
Ejemplo1
X1 cantidad de producto 1
X2 cantidad de producto 2

Planta Capacidad usada Capacidad


disponible
Producto 1 Producto 2
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia 3∈ 5∈
Lupita está preocupada por su sobrepeso y el costo de la comida diaria,
ella sabe, que para bajar de peso, debe consumir a lo más, 1350
kcalorías, pero requiere de un mínimo de 500 mgr de vitamina A, 350 mgr.
de Calcio, 200 mgr. de proteinas y 150 mgr de minerales. Con los
alimentos de la tabla, formula el PL que resolvería la dieta de Lupita.

ALIMENTO PORCION VITAM. A CALCIO PROTEINAS MINERALES COSTO KALORIAS

LECHE 1 TAZA 105 75 50 35 $5 60

HUEVO 2 PIEZAS 75 80 50 15 $7 50

ESPINACAS 1 RACION 100 125 78 $2

CHULETAS 2 CHULETS 25 10 55 $45 175

PESCADO 1 MOJARRA 150 50 100 50 $60 150

PASTEL 2 REB. 30 05 08 $50 200


Ejercicio 2 Horario
mínimo
camareros
La cadena de restaurantes California,
0-3 4
que trabaja 24 h. al día, ha abierto un
nuevo restaurante en Las Palmas, y por 3-6 3
ello requiere contratar camareros. El
administrador ha dividido las 24 horas en 6-9 8

varios turnos. Si cada camarero trabaja 3


horarios consecutivos, formular el 9-12 6

problema de P.L. que determine el


mínimo número de camareros por 12-15 7

contratar.
15-18 14

18-21 10

21-24 5
Ejercicio 3
Una empresa determinada tiene disponible un millón de
euros para invertir. El gerente tiene a su cargo, la díficil tarea
de decidir en cuales de los cinco proyectos siguientes desea
invertir:

PROYECTO COSTO UTILIDAD

Si el elegir un
proyecto 1 500000 325000

implica, pagar el
costo total del 2 200000 122000

mismo, formular
el modelo P.L.
3 195000 095000

que defina la 4 303000 111000


mejor inversión
para la 5 350000 150000

empresa.
Métodos de resolución: Método Gráfico
Muy fácil de utilizar pero sólo es aplicable a problemas con dos variables.
Max Z= X1+1.4X2
S.a X1+0.5X2≤6, 0.5X1+X2≤6, X1+X2≤7 1.4X1+X2≤9
X1,X2≥0

13

12

11

10

8
X2_1
7 X2_2
6 X2_3
X2_4
5

0
0 2 4 6 8 10 12 14
Resolver gráficamente el problema de P.L del Ejemplo1:
Max Z=3x1+5x2
s.a.
x1≤4
2x2 ≤12
3x1+2x2 ≤18
x1,x2≥0
Métodos de resolución: Método Simplex
Suposiciones:
2. El conjunto formado por las restricciones es convexo
3. La solución siempre ocurre en un punto extremo
4. Un punto extremo siempre tiene dos puntos adyacentes
Método:
• Encontrar una solución inicial factible y calcular su valor en la la función
objetivo
• Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el
nuevo valor de Z. Si el Z mejora repetir la etapa 2. Caso contrario examinar
otro punto.
• Regla de parada: cuando no existe ningún extremo adyacente que mejore la
solución, nos hallamos en el óptimo.
Programación Lineal Entera
De aplicación cuando las variables de decisión han de ser enteras
(número de personal a contratar).
Debemos indicar qué variables ha de tomar valores enteros
El Método Simplex no garantiza un solución factible adecuada al
problema
Algoritmo de Bifurcación y Acotamiento ABA
• Primeramente aplicamos el M. Simplex para obtener una
solución inicial. Si esta es entera (final)
• Caso contrario aplicamos ABA: cada iteración de ABA escoge
un variable que presenta solución no entera y divide el problema
en dos sub-problemas añadiendo a cada uno de ellos una nueva
restricción (valor superio/inferior). Cada sub-problema se
resuleve aplicando el M. Simplex
Programación Lineal Binaria
De aplicación cuando las variables de decisión sólo pueden tomar
dos valores Xi (0,1) “Ejercicio 3”
Max Z=325x1+122x2+95x3+11x4+150x5
s.a 500x1+200x2+195x3+303x4+350x5≤1000
Resolución:
Mediante el algoritmo ABA modificado, sujeto a Xi (0,1)
Programación Multiobjetivo
En muchas ocasiones, el decisor se enfrenta a situaciones en
donde existen varios objetivos a maximizar o minimizar:
Ejemplo: Podemos querer maximizar el bienestar de la población
minimizando los costes de implantación de una determinada
política
“El enfoque multiobjetivo busca el conjunto de soluciones
eficientes o pareto óptimas
Max Z1=2x1-x2+95x3+11x4+150x5
Max Z2=-x1+5x2
s.a x1+x2≤8
-x1+x2≤3
x1≤6, x2≤4 , x1,x2≥0
Análisis Envolvente de Datos (DEA)