Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos PL Ili 292 2006 2
Modelos PL Ili 292 2006 2
ver en
http://www.inf.utfsm.cl/~ccastro/
• Determinísticos • Probabilísticos
– Programación – Programación
matemática estocástica
• Programación lineal – Gestión de inventarios
• Programación entera
– Fenómenos de espera
• Programación dinámica
(colas)
• Programación no lineal
• Programación multiobjetivo
– Teoría de juegos
– Modelos de transporte – Simulación
– Modelos de redes
“Guía general” para la formulación de modelos
Identificación de los elementos básicos.
Expresar en palabras:
• Datos del problema
– Factores que no son susceptibles de cambio
• Variables de decisión
– Variables sobre las que se tiene control
• Restricciones
– Causas por las que la decisión está limitada
• Función objetivo
– Medida del rendimiento que se quiere optimizar
Ejemplo nº1
En una fábrica de cerveza se producen dos tipos: rubia y
negra. Su precio de venta es de 0,5 euros/l y 0,3 euros/l,
respectivamente. Sus necesidades de mano de obra son de
3 y 5 empleados, y de 5.000 y 2.000 euros de materias primas
por cada 10.000 l.
La empresa dispone semanalmente de 15 empleados y
10.000 euros para materias primas, y desea maximizar su
beneficio. ¿Cuántos litros debe producir?
Formulación
s .a.
3x1 5 x2 15
5.000 x1 2.000 x2 10.000
x1 , x2 0
Modelo Matemático
Definir las x1 , x2 , . . . . xn
Variables de Decisión
Función
Objetivo Maximizar ó min f( x1 , x2 , . . . . xn )
Sujeto a: g1( x1 , x2 , . . . . xn ) b1
g2( x1 , x2 , . . . . xn ) b 2
Restricciones . .
. .
. .
g m( x 1 , x 2 , . . . . xn ) = b m
x1 , x2 , . . . . xn 0
Programación Lineal
xJ 0 Para J = 1, 2, 3, . . . n
El modelo de P.L.
z: función objetivo
CT (c1,...,cn): vector de coeficientes de la f.o.
XT (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,
Opt CTX
s.a. Forma canónica
AX b
x0
Modelos de prog. entera
• El modelo matemático es el modelo de P.L.,
pero con algunas variables enteras
– Programación entera mixta (MIP)
• x R+ , y Z +
– Programación entera pura (IP)
• x Z+
– Programación binaria ó 0-1 (0-1 MIP, 0-1 IP, BIP)
• x {0,1}: variables de asignación, lógicas
• Son problemas más complicados de resolver
que los de P.L.
• El primer algoritmo de resolución se planteó en
el año 1958 (Gomory)
Problemas típicos
• Problema del transporte
• Problema de flujo con coste mínimo en red
• Problema de asignación
• Problema de la mochila (knapsack)
• Problema del emparejamiento (matching)
• Problema del recubrimiento (set-covering)
• Problema del empaquetado (set-packing)
• Problema de partición (set-partitioning)
• Problema del coste fijo (fixed-charge)
• Problema del viajante (TSP)
• Problema de rutas óptimas
Planificación de la producción
Product - mix
• Decidir nº de productos a elaborar
• Maximizar los beneficios de modo que:
• No se superen las cantidades de recurso disponibles
• se satisfagan las previsiones de demanda
s.a. ∑ xij ≤ si
∑ xij ≥ di
xij ≥ 0
Oferta total: OT = ∑ Xj
Demanda total: DT = ∑ d j
Problema balanceado:
Problema del transporte
balanceado
OT = DT ; ∑ Xj = ∑ dj
Min z = ∑ ∑ cij . X ij
s.a. ∑ xij = si
∑ xij = dj
xij ≥ 0
Problema de asignación
Minimizar el coste total de operación de modo que:
- cada tarea se asigne a una y sólo una máquina
- cada máquina realice una y sólo una tarea
m n
Min c x
i 1 j 1
ij ij
xij: 1 si la tarea i se hace con la máquina j
cij: coste de realizar la tarea i con máquina j
s .a.
m n tareas
x
i 1
ij 1, j 1..n m máquinas
HUEVO 2 UNIDADES 75 80 50 15 $ 70 50
ESPINACAS 1 RACION 100 125 78 $ 100
CHULETAS 2 CHULETAS 25 10 55 $400 175
TORTA 2 TROZOS 30 5 8 $300 200