superior de
Coatzacoalcos.
Investigacion Operaciones.
programacion lineal
Nombre: Quevedo Soto Claudia Cecilia
Carrera: ing. En Administracion.
Grado y Grupo: 5 A
Docente: Ing. vazquez Delfin Elvia.
ndice.
Introduccin..2
2. Programacin lineal.2
2.1 formulacin y aplicacin de modelos de programacin lineal2
2.2 mtodo grafico...5
2.3 mtodo simplex.8
2.3.1solucion grafica..9
2.3.2 forma tabular.10
2.3.3 de las dos fases...11
2.4 mtodo dual.17
2.4.1formulacion del mtodo18
2.4.2metodo dual-simplex19
2.4.3 cambio de variables o en restricciones22
2.5 anlisis de resultados.24
Ejercicios resueltos por el software TORA26
Conclusin..35
Bibliografa..36
INTRODUCCIN.
La programacin lineal es un mtodo de resolucin de problemas que se ha
desarrollado para ayudar a los administradores a tomar decisiones. Su xito se
mide por la difusin de su uso como una herramienta de la toma de decisiones.
Desde su aparicin a finales de la dcada de 1940, la programacin lineal (PL) ha
demostrado que es una de las herramientas ms efectivas de la investigacin de
operaciones. Su xito se debe a su flexibilidad para describir un gran nmero de
situaciones reales en las siguientes reas: militar, industrial, agrcola, de
transporte, de la economa, de sistemas de salud, e incluso en las ciencias
sociales y de la conducta. Un factor, importante en el amplio uso de esta tcnica
es la disponibilidad de programas de computadora muy eficientes para resolver
problemas extensos de PL.
2. PROGRAMACIN LINEAL.
2.1 formulacin y aplicacin de modelos de programacin lineal.
La formulacin y anlisis de un modelo de programacin lineal proporciona
informacin para ayudar a los gerentes a tomar decisiones. Esto significa que el
modelo refleja con precisin la perspectiva administrativa del problema. La
programacin lineal es una tcnica determinista de anlisis para elegir la mejor
entre muchas alternativas. Con frecuencia, seleccionar una alternativa incluye
satisfacer varios criterios al mismo tiempo. Por ejemplo, cuando se compra una
pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, de centeno u
otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir
estos criterios en dos categoras; restricciones y el objetivo.
Las restricciones son las condiciones que debe satisfacer una solucin que est
bajo consideracin. Si ms de una alternativa satisface todas las restricciones, el
objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se
elige una pieza de pan, puede quererse un paquete de pan blanco rebanado y
hecho no antes del da anterior. Si varias marcas satisfacen estas restricciones,
puede aplicarse el objetivo de un costo mnimo y escoger el ms barato.
2
mbito del problema. Puesto que los problemas que nos interesan implican
decisiones, restricciones y objetivos, deben ser explcitamente identificados y
definidos. Una vez que se ha realizado la formulacin lgica se debe elaborar una
forma simblica del modelo. En cierto sentido, formulacin y construccin son
procesos integrados, siendo la formulacin el aspecto lgico conceptual y la
construccin la expresin de las relaciones lgicas en el lenguaje simblico de las
matemticas.
3.
2.
3.
4.
Modelos mixtos.
Ejemplo:
Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles,
durante las cuales fabricar biombos decorativos. Con anterioridad, se han
vendido bien 2 modelos, de manera que se limitar a producir estos 2 tipos.
Estima que el modelo uno requiere 2 unidades de madera y 7 horas de tiempo
disponible, mientras que el modelo 2 requiere una unidad de madera y 8 horas.
Los precios de los modelos son 120 dls. y 80 dls., respectivamente. Cuntos
biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta?
OBJETIVO: Maximizar el ingreso por ventas
4
Maximizar
Sujeto a:
que est en ambas rectas, es decir, que satisfaga las dos ecuaciones del sistema
a la vez, por lo que ste ser incompatible, o sea sin solucin. Por ltimo, si
ambas rectas son coincidentes, hay infinitos puntos que pertenecen a ambas, lo
cual nos indica que hay infinitas soluciones del sistema (todos los puntos de las
rectas), luego ste ser compatible indeterminado.
El proceso de resolucin de un sistema de ecuaciones mediante el mtodo grfico
se resume en las siguientes fases:
Si ambas rectas se cortan, las coordenadas del punto de corte son los
nicos valores de las incgnitas x e y. Sistema compatible determinado.
Ejemplo:
Entre Ana y Sergio tienen 600 euros, pero Sergio tiene el doble de euros que Ana.
Cunto dinero tiene cada uno?
Llamemos x al nmero de euros de Ana e y al de Sergio. Vamos a expresar las
condiciones del problema mediante ecuaciones: Si los dos tienen 600 euros, esto
nos proporciona la ecuacin x + y = 600. Si Sergio tiene el doble de euros que
Ana, tendremos que y = 2x. Ambas ecuaciones juntas forman el siguiente sistema:
x + y = 600
2x - y = 0
Para resolver el sistema por el mtodo grfico despejamos la incgnita y en
ambas ecuaciones y tendremos:
y = -x + 600
y = 2x
Vamos ahora, para poder representar ambas rectas, a calcular sus tablas de
valores:
y = -x + 600
y = 2x
200
400
100
200
600
200
400
Con estas tablas de valores para las dos rectas y eligiendo las escalas apropiadas
en los ejes OX y OY, podemos ya representar grficamente:
<="" td="">
Si observamos la grfica, vemos claramente que las dos rectas se cortan en el
punto (200, 400), luego la solucin del sistema es x = 200 e y = 400. Por tanto, la
respuesta al problema planteado es que Ana tiene 200 euros y Sergio tiene 400
euros, es decir, el mismo resultado, evidentemente, que habamos obtenido con
los tres mtodos analticos.
2.3 mtodo simplex.
El Mtodo Simplex publicado por George Dantzig en 1947 consiste en un
algoritmo iterativo que secuencialmente a travs de iteraciones se va aproximando
al ptimo del problema de Programacin Lineal en caso de existir esta ltima.
La primera implementacin computacional del Mtodo Simplex es el ano 1952
para un problema de 71 variables y 48 ecuaciones. Su resolucin tarda 18 horas.
Luego, en 1956, un cdigo llamado RSLP1, implementado en un IBM con 4Kb en
RAM, admite la resolucin de modelos con 255 restricciones.
El Mtodo Simplex hace uso de la propiedad de que la solucin ptima de un
problema de Programacin Lineal se encuentra en un vrtice o frontera del
dominio de puntos factibles (esto ltimo en casos muy especiales), por lo cual, la
8
10
C1
C2
...
Cn-k
...
Cn
Base
Cb
P0
P1
P2
...
Pn-k
...
Pn
P1
Cb1
b1
a11
a12
...
a1n-k
...
a1n
P2
Cb2
b2
a21
a22
...
a2n-k
...
a2n
...
...
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn-k
...
amn
Z0
Z1
Z2
...
Zn-k
...
Zn
12
La tabla inicial en este caso se mantiene casi igual a la ltima tabla de la primera
fase. nicamente habr que modificar la fila de la funcin objetivo por la del
problema original y calcular nuevamente la fila Z (de la misma forma que en la
primera tabla de la fase 1).
13
A partir de este punto, todas las iteraciones hasta llegar a la solucin ptima del
problema no presentan ninguna diferencia con el mtodo Simplex.
Ejemplo:
Utilice la solucin ptima obtenida en la Fase I como solucin de partida al problema 1. original,
remplazando la funcin objetivo original Z por la de X0. Como es usual, la funcin objetivo original
debe ser expresada en funcin de las variables no bsicas. Si al final de la Fase I las variables
artificiales son no bsicas, se eliminan de la Fase II. Si alguna variable artificial es bsica, pero a
un nivel cero, esta variable se mantiene en el conjunto de variables bsicas, pero debe
garantizarse que su valor nunca ser mayor que cero durante la ejecucin de la Fase II. Ejemplo:
MIN W = 3 X1 + 4 X2
Resolver el anterior problema de Programacin Lineal por el Mtodo de las Dos Fases.
Solucin analtica:
Fase I :
Paso 1 Se introducen las variables artificiales A1 y A2, las variables de exceso S1 y S2.
MIN X0 = A1 + A2
Con sus restricciones:
FASE I:
Puesto que A1 y A2 son variables bsicas, sus coeficientes en la fila X0 deben ser cero (0); para
ello sumamos las filas (1) y (1) a la fila (0). El tablero inicial para la aplicacin del algoritmo simples
14
es:
TABLERO 1 SIMPLEX
0
Cj
CB
VB
X1
X2
S1
S2
A1
A2
A1
20
-1
A2
30
-1
X0
50
-1
-1
A1 =
A2 = 30
VNB
X1 =
20 X2 =
S1 =
X0 = 50
S2 = 0
TABLERO 2 SIMPLEX
CB
VB
X1
X2
S1
S2
A1
A2
A1
7/5
-1
3/5
-3/5
X2
1/5
-1/5
1/5
X0
7/5
-1
3/5
-3/5
15
VB
A1 =
X2 = 6
VNB
X1 =
2 A2 =
S1 =
X0 = 2
S2 = 0
TABLERO 3 SIMPLEX
CB
VB
X1
X2
S1
S2
A1
A2
X1
10/7
-5/7
3/7
5/7
-3/7
X2
40/7
1/7
-2/7
-1/7
2/7
X0
Cj
16
CB
VB
X1
X2
S1
S2
X1
10/7
-5/7
3/7
X2
40/7
1/7
-2/7
X0
190/7
-11/7
1/7
VN
VNB
X1 = 10/7
S1 = 0
X0 = 190/7
X2 = 40/7
S2 = 0
TABLERO 5 SIMPLEX
CB
VB
X1
X2
S1
S2
S2
10/3
7/3
-5/3
X2
20/3
2/3
-1/3
X0
80/3
8/3
-4/3
Maximizar
Sujeto a:
18
que y el problema de
que.
19
OPERACIN
HORAS
REQUERIDAS
CAPACIDAD
MANUAL
ELECTRICA
(HRS
MENSUALES)
O1
2000
O2
1000
20
V. Bsica
W1
W2
S1
S2
Solucin
25
35000
S1
1/ 2
-1/2
500
W1
-1/ 4
3/ 4
250
21
2 X1 + 9 X2 +5 X3 + 4 X4 10
Vamos a ver si se cumple para nuestra base optimal.
100/7 + 275/7 = 375/7
Por tanto no se cumple la restriccin.
Introducimos una nueva variable de holgura en la restriccin
2 X1 + 9 X2 + 5 X3 + 4 X4 + X9 = 10
Obtendremos una nueva base:
275/7 + X9 = 10
X9 = -205/7
Por tanto, la base queda no factible pues X9 < 0.
Nuestra solucin, entonces, se modificar. Esta infactibilidad la eliminaremos
aplicando el simplex dual a la tabla final del primal con la nueva restriccin.
Previamente tendremos que calcular el valor de los coeficientes de la nueva lnea
L4.
a4j j= 1,..,7
Haciendo las transformaciones necesarias para que
a41 = 0
a43 = 0
a46 = 0
Nos queda:
23
Con esto podemos aplicar el simplex dual para eliminar esta infactibilidad.
2.5 anlisis de resultados.
El anlisis de sensibilidad o postoptimal para los modelos de Programacin Lineal,
tiene por objetivo identificar el impacto que resulta en los resultados del problema
original luego de determinadas variaciones en los parmetros, variables o
restricciones del modelo, sin que esto pase por resolver el problema nuevamente.
Es decir, ya sea si resolvemos nuestro modelo grficamente o utilizando el Mtodo
Simplex, lo que se busca es que estas variaciones o sensibilidad hagan uso de la
solucin y valor ptimo actual, sin tener la necesidad de resolver para cada
variacin un nuevo problema. En especial nos concentraremos en el anlisis de
sensibilidad o postoptimal que hace uso de la tabla final del Mtodo Simplex.
TEORA
Siguiendo la notacin utilizada en la seccin dedicada al Mtodo Simplex en
nuestro sitio, ste opera para modelos de Programacin Lineal en un formato
estndar.
Min
cTx
s.a
Ax = b
x >= 0
Donde:
I: Matriz Identidad
24
Max
sa:
X1
X2
X3
X4
X5
-1
-1
20
-1
10
25
20
Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un
valor negativo, cambia la actual base ptima. Cabe destacar que ante esta
situacin no es necesario resolver el nuevo escenario partiendo de cero, sino lo
que se debe hacer es utilizar la tabla final del simplex del escenario base,
actualizando el lado derecho y valor de la funcin objetivo.
X1
X2
X3
X4
X5
-1
-1
-10
-1
30
60
Producto
Producto
Producto
Capacidad
h ($)
(h)
10
500
380
26
Precio
73
70
55
45
450
de Venta
Unitario
($)
Formule el problema como un modelo PL, y determine la solucin ptima con
AMPL, Solver o TORA.
Modelo de PROGRMACION LINEAL:
Z= 75X1+70X2+55X3+45X4
Sujeto a:
2x1+3x2+4x3+2x4500
3x1+2x2+x3+2x4380
7x1+3x2+2x3+x4450
X10
x20
x30
x40
27
28
29
30
31
galones respectivamente. Dos mayoristas 1 y 2, le surten helado a AllFlavors. Aunque los sabores de los dos proveedores son diferentes, son
intercambiables. El mximo de cartones que cada proveedor puede surtir es
de 400 por mes. Adems, el precio de los dos proveedores cambia de un
mes al siguiente, segn la tabla:
Julio
Agosto
Proveedor 1
$100
$110
$120
Proveedor 2
$115
$108
$125
32
33
CONCLUSIN.
La programacin lineal es un procedimiento o algoritmo matemtico mediante el
cual se resuelve un problema indeterminado, formulado a travs de un sistema de
inecuaciones lineales, optimizando la funcin objetivo, tambin lineal.
Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada
funcin objetivo, de tal forma que las variables de dicha funcin estn sujetas a
una serie de restricciones que expresamos mediante un sistema de inecuaciones
lineales.
La programacin lineal constituye un importante campo de la optimizacin por
varias razones, muchos problemas prcticos de la investigacin de operaciones
pueden plantearse como problemas de programacin lineal. Algunos casos
especiales de programacin lineal, tales como los problemas de flujo de redes y
problemas de flujo de mercancas se consideraron en el desarrollo de las
matemticas lo suficientemente importantes como para generar por si mismos
mucha investigacin sobre algoritmos especializados en su solucin. Una serie de
algoritmos diseados para resolver otros tipos de problemas de optimizacin
constituyen casos particulares de la ms amplia tcnica de la programacin lineal.
Histricamente, las ideas de programacin lineal han inspirado muchos de los
conceptos centrales de la teora de optimizacin tales como la dualidad, la
descomposicin y la importancia de la convexidad y sus generalizaciones. Del
mismo modo, la programacin lineal es muy usada en la microeconoma y la
administracin de empresas, ya sea para aumentar al mximo los ingresos o
reducir al mnimo los costos de un sistema de produccin. Algunos ejemplos son
la mezcla de alimentos, la gestin de inventarios, la cartera y la gestin de las
finanzas, la asignacin de recursos humanos y recursos de mquinas, la
planificacin de campaas de publicidad, etc.
35
BIBLIOGRAFA.
http://lainvestigaciondeoperaciones.blogspot.mx/2013/10/el-metodo-
simplex-en-forma-tabular-i.html
www.investigaciondeoperaciones.net/metodo_simplex_dual.html
http://148.204.211.134/polilibros/Portal/Polilibros/P_terminados/Investigacio
n_de_operaciones_Careaga/Common/IO-modulo2-2fases.htm
36