2 PROGRAMACIN LINEAL

2.1 Metodologa

El modelo de programacin lineal se incorpora a las tcnicas de la Ingeniera de Sistemas, a raz de que el Dr. George B. Dantzig crea el algoritmo Simplex para buscar soluciones al modelo con instrucciones de operacin del algoritmo que cumplen con la condicin de generalidad y de eficiencia en su planteamiento. Entre las herramientas ms tiles para estudiar los sistemas que se presentan en ingeniera, se encuentran los mtodos de optimizacin. Dentro de estos est la programacin matemtica, que pretende encontrar el valor ptimo del objetivo del sistema sujetndose a una serie de restricciones que surgen de las relaciones que existen entre sus entidades. Una de las tcnicas ms utilizadas es la programacin lineal, que recibe este nombre porque todas sus relaciones funcionales se pueden expresar como ecuaciones lineales. La programacin lineal trata con sistemas cuyo problema es asignar recursos limitados, de la mejor forma posible, entre actividades que compiten, es decir, optimizar. Como ejemplo de las reas en que tiene aplicacin la programacin lineal, se pueden citar: Un agricultor debe decidir que cultivos plantar durante la siguiente temporada, tomando en cuenta la cantidad de agua de que dispone, la tierra cultivable, y alguna otra restriccin en cuanto a cantidades que debe proporcionar de alguno de los cultivos obligado por un plan de desarrollo, con objeto de obtener el mximo beneficio monetario. La CFE debe distribuir el carbn de que dispone, entre las termoelctricas que generan la energa y que la distribuyen a la poblacin del valle de Mxico. Dichas termoelctricas estn sujetas a las restricciones de la cantidad de carbn y a la demanda y eficiencia de ellas, de manera que se incurra en el mnimo costo de produccin de carbn y transporte. PEMEX debe decidir como encausar el petrleo crudo que llega a una de sus refineras tomando en cuenta la capacidad y la eficiencia de los procesos, y de la demanda de los productos terminados, de manera que se minimice el costo de operacin.

Para plantear este tipo de problemas se puede utilizar el modelo de programacin lineal que tiene la siguiente estructura, denominada forma estndar: Maximizar z = c1x1 + c2x2 + . . . . . . . + cnxn a11x1 + a12x2 + . . . . + a1nxn b1 a21x1 + a22x2 + . . . . + a2nxn b2 . . . . . . . . am1x1 + am2x2 + . . . . + amnxn bm x1, x2, . . . . xn 0 Funcin objetivo

Restricciones explcitas

Restricciones implcitas

En el modelo de Programacin Lineal, se pueden distinguir los siguientes elementos: Objetivo del modelo Es una ecuacin lineal que pretende encontrar el valor ptimo del problema, en este caso el mximo; pero tambin puede ser el valor mnimo. Se compone de parmetros cuyo valor es conocido amn, bm, cn, y de las variables de decisin x1, x2, . . . . , xn. Parmetros Existen tres tipos de parmetros: Parmetros de la funcin objetivo: estos son c1, c2, . . . . , cn . representan beneficios o costos por unidad de actividad o variable. Parmetros libres de las restricciones: estos son b1, b2, . . . . , bm. Son las cantidades lmites de los recursos para cada unidad de actividad o variable. Parmetros o coeficientes de las restricciones: estos son a11, a12, . . . , a1n; a21, a22, . , , a2n; am1, am2, . . . ,amn. Representan la cantidad de recurso i consumido por cada unidad de actividad j. Variables Son las actividades que compiten y cambian continuamente en el modelo hasta determinar el nivel adecuado que satisfaga el objetivo del problema y las restricciones. Relaciones funcionales Son las relaciones matemticas lineales y se clasifican en tres tipos: Funcin objetivo. Cada uno de sus trminos indica el beneficio que se obtiene por cada actividad y al sumarse dan el beneficio total del sistema. Se busca encontrar el mximo (o el mnimo, en el caso de un problema de costos). Restricciones explcitas. Reciben este nombre porque se especifican textualmente. Cada uno de sus trminos indica cunto recurso esta consumiendo la actividad, y su suma, cunto recurso consume el sistema. Son desigualdades del tipo ( , ) o igualdades estrictas.

Restricciones implcitas: indican nicamente que las variables (o nivel de las actividades) deben ser cero o cualquier valor positivo.

Planteamiento del modelo de programacin lineal Una tarea difcil cuando se analiza una situacin real, es la de reunir la informacin en el nivel adecuado que permita establecer en forma efectiva los parmetros y las relaciones funcionales del modelo. Para esto se sugiere identificar los siguientes requerimientos bsicos: a) Definir claramente la funcin objetivo. b) Deben existir otros cursos alternativos de accin. Debe ser posible escoger una solucin que satisfaga a la funcin objetivo. c) Las relaciones funcionales deben describir el sistema en forma lineal. d) Debe existir un suministro limitado de recursos.

Ejemplo 2.1 Planteamiento del modelo de programacin lineal

Una planta mezcladora de concreto que provee en grandes cantidades a un proyecto hidroelctrico, usa una mezcla de arena y grava, con un 30% de arena y 70% de grava por peso. Existen 5 depsitos naturales cercanos a la presa que tienen diferente composicin y su costo, incluyendo su transporte al sitio, tambin vara como se muestra en la tabla. Por cada tonelada de mezcla, cuntas toneladas deben ser extradas de cada uno de los depsitos para minimizar el costo total?

Arena Grava Costo/kg

1 40% 60% $3.00

Depsito 2 3 20% 50% 80% 50% $2.00 $1.00

4 80% 20% $1.50

5 70% 30% $2.50

Mezcla deseada 30% 70%

Variables de decisin Tratndose de un problema de mezclas, se deber disear una mezcla que cumpla con los requerimientos de los contenidos de agregados, los cuales estn presentes en todos los materiales de los bancos en diferentes cantidades y cada banco tiene diferentes costos; por lo que las variables de decisin sern x1, x2, x3, x4 y x5, respectivamente para cada banco. Funcin objetivo El objetivo es minimizar el costo total; las unidades de medicin de la funcin objetivo se expresan en pesos. De la forma de la funcin objetivo se tienen los coeficientes c1, c2, c3, c4, c5 que corresponden a los costos de: $3.00, $2.00, $1.00, $1.50, $2.50 respectivamente, para cada uno de los bancos.

La funcin objetivo puede expresarse de la siguiente manera: Min z =3 x1 + 2 x2 + x3 + 1.5 x4 + 2.5 x5 Restricciones Para desarrollar las restricciones del modelo, es necesario identificar los coeficientes a ij y determinar la relacin que existe entre las variables de decisin y los recursos disponibles. Al plantear las restricciones es necesario tomar en cuenta dos reglas generales: Las unidades de medicin del lado derecho del signo de igualdad o desigualdad deben ser siempre igual a las unidades del lado izquierdo. Las restricciones pueden tener diferentes unidades de medicin; es decir, una restriccin puede estar expresada en unidades monetarias mientras que las dems pudieran estar expresadas en unidades de peso o tiempo. La primera restriccin debe expresar que la suma de los contenidos de arena de todos los bancos deben ser iguales a un 30 % del total; se puede escribir: 0.40 x1 + 0.20 x2 + 0.50 x3 + 0.80 x4 + 0.70 x5 = 0.30 La segunda restriccin debe expresar que la suma de los contenidos de grava de todos los bancos deben ser iguales a un 70 % del total; se puede escribir: 0.60 x1 + 0.80 x2 + 0.50 x3 + 0.20 x4 + 0.30 x5 = 0.70 La tercera restriccin que se plantea es la establecer que la mezcla requerida puede estar formada de partes de todos los bancos y su totalidad ser una unidad del material requerido; esto se puede expresar: x1 + x2 + x3 + x4 + x5 = 1

Se puede prescindir de esta ltima restriccin en el modelo ya que es redundante; es decir, se puede expresar en funcin de otras restricciones; por lo que finalmente, el modelo se puede escribir:

Modelo de programacin lineal: Min z = s. a: 0.40 x1 + 0.20 x2 + 0.50 x3 + 0.80 x4 + 0.70 x5 = 0.30 0.60 x1 + 0.80 x2 + 0.50 x3 + 0.20 x4 + 0.30 x5 = 0.70 x1, . . . , x5 0 Una aportacin sobresaliente en la solucin del problema de programacin lineal la hizo George B. Dantzig con el algoritmo Simplex y actualmente es el algoritmo ms utilizado; sin embargo, en el proceso de aprendizaje es importante considerar a la solucin grfica y a las soluciones bsicas, ya que en su aplicacin se plantean los elementos presentes tambin en el algoritmo Simplex, que est basado en una concepcin grfica, y que su comprensin es ms fcil en la exposicin de estos mtodos. Finalmente, habra que considerar el mtodo del elipsoide de L. G. Kachian, que surge en 1979 en la antigua Unin Sovitica, del cual se tiene escasa informacin y adems es muy difcil su aplicacin prctica por su complejidad y por el alto nmero de iteraciones necesarias para converger a una solucin ptima. Considerando todo esto, se puede decir que existen cuatro maneras de encontrar solucin al modelo de programacin lineal: Solucin grfica Soluciones bsicas Algoritmo Simplex de George B. Dantzig Mtodo del Elipsoide de L. G. Kachian 3 x1 + 2 x2 + x3 + 1.50 x4 + 2.50 x5

2.2

Mtodo grfico

Se puede resumir el mtodo grfico, considerando las siguientes etapas de bsqueda de una solucin: a) Planteamiento del modelo de programacin lineal b) Dibujar una a una las restricciones del modelo, identificando las variables de decisin con cada uno de los ejes y considerar el tipo de desigualdad o igualdad estricta que pudiera estar presente en el modelo. Entre las posibilidades de un espacio de solucin, se pueden visualizar las siguientes (Figura 2.1):

a) Solucin nica

b) Infinitas soluciones acotadas

c) Infinitas soluciones no acotadas Figura 2.1

d) No hay solucin (no se define espacio de solucin) Espacios de solucin

c) Identificar un posible espacio de solucin generado por las restricciones. Este espacio de solucin representa a una gran cantidad de soluciones posibles que deben considerarse. Este espacio de solucin, de existir, debe ser congruente con todas las restricciones del modelo. d) De identificarse un espacio de solucin, se procede al trazo de la funcin objetivo del modelo. Para esto, basta con asignar un valor cualquiera a la variable z y determinar la pendiente de la funcin. El problema se reduce ahora a encontrar un punto con las ms altas utilidades o costos mnimos. Una solucin ptima de programacin lineal ocurre siempre en un punto extremo del espacio generado. Adems, se dice que un espacio de solucin corresponde siempre a un conjunto convexo (conjunto de puntos en el cual es posible conectar dos puntos cualesquiera por medio de un segmento de recta que permanezca dentro del mismo conjunto), cuya definicin puede entenderse con la figura 2.2:

a) Conjuntos no convexos Figura 2.2

b) Conjunto convexo

Conjuntos no convexos y conjunto convexo

En un conjunto convexo se pueden distinguir tambin los siguientes puntos (figura 2.3):

Puntos extremos Puntos frontera

Figura 2.3 Puntos de un espacio convexo e) En esta etapa se explora el espacio generado, utilizando la funcin objetivo para explorar slo aquellos puntos extremos del espacio generado; una solucin nica se dar en aquel punto extremo que maximice o minimice las utilidades o los costos. f) Validar el modelo de programacin lineal.

Ejemplo 2.2 Solucin grfica al modelo de programacin lineal

Un constructor va a edificar dos tipos de viviendas A y B. Dispone de 60 millones de pesos y el costo de una casa de tipo A es de $1,500,000 y $1,200,000 pesos una de tipo B. por disposiciones gubernamentales deben construirse cuando ms 20 casas del tipo A y cuando menos 20 casas del tipo B. Si cada casa de tipo A se vende a $1,800,000 pesos y cada una de tipo B en $1,300,000. Cuntas casas de cada tipo se mximo? Variables de decisin: X1: Nmero de casas tipo A X2. Nmero de casas tipo B deben construir para obtener el beneficio

Modelo de programacin lineal: Maximizar Z = 300 X1 + 100 X2 Sujeto a: 1500 X1 + 1200 X2 60000 X1 20 X2 20 X1, X2 0 (1) (2) (3)

Figura 2.4

Grfica de solucin, aparecen todas las restricciones y la funcin objetivo

Se propone construir 20 casas tipo A y 25 casas tipo B, para generar una utilidad mxima de $8,500,000 por la venta de las casas.

Utilizando el software TORA1:

Figura 2.5 Graficando la restriccin 1 Es importante observar como se va delimitando el espacio de solucin.

Figura 2.6 Graficando la restriccin 2

1

Taha, Hamdy A., Investigacin de Operaciones, 2004. Pearson Educacin (En el libro se incluye el software)

Figura 2.7 Graficando la restriccin 3

Figura 2.8 Graficando la funcin objetivo

2.3 Soluciones bsicas

De la interpretacin geomtrica del problema de programacin lineal, se infiere que la mayor dificultad proviene de definir dnde se encuentran las soluciones bsicas factibles (puntos extremos del espacio de solucin). La dificultad proviene de tener relaciones de desigualdad, en lugar de relaciones de igualdad, ya que, como se sabe, en este caso las soluciones bsicas son las intersecciones de las restricciones. Este problema se puede resolver agregando las variables de holgura, que se pueden establecer de la siguiente manera. Supngase que se tiene la desigualdad: x1 escribir: x1 + xh = a Grficamente, se puede interpretar como: x1 xh a 0 por lo que se puede Se puede agregar una nueva variable xh, no negativa, es decir, xh

En los casos en que se tengan restricciones de desigualdad mayor o igual que ( ), se restar una variable de holgura y se sumar una variable llamada variable artificial. La variable artificial se agrega como auxiliar en la bsqueda de soluciones. La variable artificial no tiene ninguna relacin con el problema real de programacin lineal, es un simple artificio para lograr llegar a soluciones factibles en el problema. Para el caso de restricciones que son igualdades estrictas, bastar con agregar una variable desigualdad menor o igual que ( ). De manera que un modelo de programacin lineal crecer en nmero de variables; tendr variables de decisin ms variables de holgura y/o artificiales. En general se establece un sistema con m ecuaciones con n incgnitas (n m). La solucin obtenida para las m variables haciendo cero las (n - m) variables restantes, es una solucin bsica. Se tienen m variables bsicas y (n-m) variables no bsicas, por lo cual la base es de orden m. Si las m variables bsicas de una solucin son todas mayores o iguales a cero, se dice entonces que la solucin es bsica factible. En el caso de que los valores de todas y cada una de las artificial a la restriccin; ya que, numricamente, una igualdad estricta equivale a dos restricciones: una desigualdad mayor o igual que ( ) y una

variables de la solucin bsica factible sean estrictamente mayores que cero, se tiene una solucin no degenerada. En el caso de que alguna o varias de las variables correspondientes a una solucin bsica factible sean cero, se habla entonces de una solucin degenerada. Si el sistema que se tiene es de m x n, se puede establecer que el nmero de soluciones bsicas (N) est dado por el numero de combinaciones de n variables tomadas de m en m, es decir:
N n! m! (n m )!

Ejemplo 2.3 Aplicacin del mtodo de soluciones bsicas

Considerando el ejemplo de la solucin grfica (Ejemplo 2.2) se tiene el modelo: Maximizar Z = 300 X1 + 100 X2 Sujeto a: 1500 X1 + 1200 X2 60000 X1 20 X2 20 X1, X2 0 (1) (2) (3)

Al agregar variables de holgura y artificiales se tiene el modelo en su forma cannica: Maximizar Z = 300 X1 + 100 X2 Sujeto a: 1500 X1 + 1200 X2 + X3 = 60000 X1 + X4 = 20 X2 - X5 + X6 = 20 X1, . . . , X6 0 Donde X1 y X2 son variables de decisin, X3, X4 y X5 son variables de holgura y X6 es una variable artificial. Se tienen 6 variables y 3 restricciones (n=6, m=3), por lo que el nmero de soluciones bsicas ser: N=
n! (n - m )! m!

6! (6 - 3)!3!

= 20 soluciones bsicas

Se tendrn 20 soluciones bsicas; en cada una de ellas se deber hacer cero a tres de las variables y resolver para las tres restantes, lo cual se muestra en la tabla siguiente:

1 X1 X2 X3 X4 X5 X6 0 0 0

3 20

4 20 20 60000 0 0 0 SBF

5 0

6 20 0

7 24 20 0 -4 0 0

8 0

10 0

0 0 0

25 0 0 0 20

20 36

0 0

30000 0 0 20

0 0 0 0

20 0 0 SBF

11
X1 X2 X3 X4 X5 X6

12 40 0 0

13 20 25 0 0 5 0 SBF

14 0 50 0 20 0 -3 0

15 20 0 30000 0 -2 0 0

16 0 0 60000 20 0 20

17 40 0 0 -2 0 -2 0 0

18 0 0 60000 20 -2 0 0

19 0

20 0 50 0

0 0

-2 0 0 20

20 30

0 SBF

De entre las 20 soluciones bsicas se seleccionan aquellas en que se cumpla que todas las variables sean mayores o iguales a cero (X1, X2, X3, X4, X5) y que la variable artificial del modelo (X6) tambin valga cero, de manera que en el ejemplo se identifican cuatro soluciones bsicas factibles (SBF). Luego se necesita buscar un valor ptimo para la funcin objetivo, por lo que se determina el valor de Z sustituyendo los valores de cada SBF en la funcin objetivo: Maximizar Z = 300 X1 + 100 X2 Z4= $8,000,000 Z10= $2,000,000 Z13= $8,500,000 Z20= $5,000,000 De entre estos, tratndose de maximizar una utilidad, se selecciona el valor de Z13 como el ptimo. Un resultado para este problema se puede escribir como: Se propone construir 20 casas tipo A y 25 casas tipo B, para generar una utilidad mxima de $8,500,000 por la venta de las casas.

Es de notar la correspondencia que existe entre las soluciones bsicas factibles y una interpretacin grfica del problema de programacin lineal en que se identifican puntos extremos de un espacio convexo; cada solucin bsica factible corresponde a un punto extremo de un espacio convexo. Esto se puede observar en la grfica:

Figura 2.9 Solucin grfica. Las soluciones bsicas y los conceptos del conjunto convexo se pueden resumir en las siguientes tres caractersticas: 1. Las soluciones factibles forman un conjunto convexo cuyos puntos extremos son soluciones bsicas factibles. 2. Si las restricciones definen una solucin factible, existe cuando menos una solucin bsica factible; en caso de haber ms de una, el numero de las mismas debe ser finito. 3. Si la funcin objetivo tiene un mximo finito, entonces al menos una de las soluciones ptimas es una solucin bsica factible. Dentro de las caractersticas anteriores se enfatiza la existencia de una solucin al problema de programacin lineal. Como se mencion anteriormente, se destacan las siguientes posibilidades ante un problema de programacin lineal: 1. La solucin existe y es nica 2. Existe un nmero infinito de soluciones que estn acotadas

3. Existe un nmero infinito de soluciones que no estn acotadas 4. No existe solucin A manera de conclusin se puede destacar que para determinar el valor ptimo de la funcin objetivo z es necesario examinar solamente soluciones bsicas factibles, las cuales a su vez constituyen un conjunto de puntos extremos de un conjunto convexo.

2.4

Algoritmo Simplex

Resulta evidente que al buscar una solucin ptima no es deseable o necesario examinar todas las soluciones bsicas para un conjunto de m restricciones con n variables, puesto que los vrtices de un espacio de solucin corresponden a las soluciones bsicas factibles, y entonces solo se requiere examinar estos puntos extremos. Un proceso conveniente de solucin debera considerar: (1) explorar de un punto extremo a otro de tal manera que cada punto extremo nuevo represente una mejor solucin con respecto al punto extremo anterior y (2) detenerse cuando se haya llegado a una solucin ptima. El algoritmo Simplex busca soluciones al modelo de programacin explorando slo algunos puntos extremos de un posible espacio de solucin. Se puede establecer que el algoritmo Simplex consta de dos fases: En la primera fase intenta determinar una solucin bsica factible inicial y en la segunda busca resolver el problema viajando a otra solucin bsica factible, hasta alcanzar un valor ptimo. Para el caso particular en que el modelo solamente contenga restricciones menor o igual que ( ), la primera fase se tiene resuelta de forma inmediata, ya que al hacer cero a las variables de decisin del modelo, se tiene una solucin bsica factible en funcin de las variables de holgura; grficamente, esta solucin corresponde al origen. Habiendo obtenido una solucin bsica factible se presenta el problema de cmo pasar a un punto adyacente o bien de decir que la solucin es ptima. Los dos problemas que se presentan son excluyentes; es decir, que si se puede pasar a un punto adyacente la solucin no es ptima y si la solucin es ptima ya no tiene objeto pasar a ningn punto adyacente. Examinando primero el aspecto de pasar a un punto adyacente. Esta condicin equivale analticamente a cambiar una de las variables bsicas por una de las no bsicas. La variable que pasa a substituir a la variable de la base se llama variable entrante, mientras que la que deja la base recibe el nombre de variable saliente. La variable entrante se determina a partir de la funcin objetivo; debido a que las variables slo pueden tener valores positivos, cualquier cambio que se origine incrementa la funcin objetivo

ya que los coeficientes son positivos. Si se supone que el incremento que pueden producir estas variables sobre la funcin objetivo es el mismo, entonces el mayor incremento proviene de la variable que tenga mayor coeficiente, siendo ste el criterio que se sigue al seleccionar la variable entrante. Para definir la variable saliente se examinan las restricciones, se puede decir que la variable saliente ser aquella que alcance primero el valor cero al ir incrementando la variable entrante. Con el fin de sistematizar los criterios anteriores en la bsqueda de variables entrantes y salientes, es importante notar que la facilidad para resolver el problema como se plante, proviene de que: La funcin objetivo se encuentra exclusivamente en trminos de las variables no bsicas. Las variables bsicas se encuentran una sola vez en cada restriccin y su coeficiente es uno. La primera caracterstica es fundamental para establecer inmediatamente cul es la variable que va a entrar y, debido precisamente a que la variable entrante debe ser no bsica, si no aparece en la funcin objetivo, no es posible saber qu efecto tiene sobre la misma. Por otra parte, si en la funcin objetivo aparecen variables bsicas, tampoco es posible ver el efecto que tendr un cambio de una variable no bsica sobre la funcin objetivo, ya que la variable bsica tambin cambia de valor. La segunda caracterstica permite establecer inmediatamente cul es la variable que va a salir, ya que deja en forma explcita a la variable bsica. Para tener las dos caractersticas anteriores cada vez que se hace un cambio de solucin factible, conviene considerar la funcin objetivo como una ecuacin ms, donde z es una variable bsica. Resumiendo, la variable entrante se escoge como aquella que tiene el coeficiente ms negativo. La variable saliente se identifica como aquella que se hace mas pronto igual a cero, conforme se aumenta la variable entrante. En forma mas explcita, la variable saliente se encuentra en el rengln donde la relacin b i / aij se hace mnima con aij > 0, si existen dos renglones con la misma relacin entonces el problema tiene solucin degenerada; para los casos en que aij 0 no existe lmite sobre la variable bsica que se esta analizando, por lo tanto no debe ser considerada. Si todos los coeficientes aij son menores o iguales a cero, la solucin del problema es no acotada ya que el valor de la funcin objetivo crecer sin lmites. Para lograr que la funcin objetivo contenga solo variables no bsicas y que, simultneamente en cada restriccin aparezca solamente una vez cada variable bsica, se puede emplear la

eliminacin por Gauss-Jordan. Todo el proceso del algoritmo Simplex se puede desarrollar en un arreglo que Dantzig llam Tableau Simplex.

Ejemplo 2.4

Aplicacin del algoritmo simplex

Un fabricante de muebles de oficina, produce dos tipos de escritorios: ejecutivos y secretariales. La compaa tiene dos plantas en las que fabrica los escritorios. La planta 1, que es una planta antigua, opera con doble turno 80 horas por semana. La planta 2 es una planta ms nueva y no opera a su capacidad total. Sin embargo, y dado que los administradores planean operar la segunda planta en base en un turno doble como el de la planta 1, se han encontrado operadores para que trabajen los dos turnos. En estos momentos, cada turno de la planta 2 trabaja 25 horas por semana. No se paga ninguna prima adicional a los trabajadores del segundo turno. La tabla muestra el tiempo de produccin (en horas por unidad) y los costos estndar (en dlares por unidad) en cada planta. La compaa ha competido con xito en el pasado asignando un precio de $350.00 a los escritorios ejecutivos. Sin embargo, parece que la compaa tendr que reducir el precio a los escritorios secretariales $275.00 con el objeto de estar en posicin competitiva. La compaa ha estado experimentando excesos de costos en las ltimas ocho a diez semanas; por tanto, los administradores han fijado una restriccin presupuestaria semanal sobre los costos de produccin. El presupuesto semanal para la produccin total de escritorios ejecutivos es de $2000.00, en tanto que el presupuesto para los escritorios secretariales es $2200.00. A los administradores les gustara determinar cul es el nmero de cada clase de escritorios que deben fabricarse en cada planta con el objeto de maximizar las utilidades. Tiempo de produccin, horas por unidad Planta 1 Escritorios ejecutivos Escritorios secretariales 7.0 4.0 Planta 2 6.0 5.0 Costos estndar, dlares por unidad Planta 1 250 200 Planta 2 260 180

Variables de decisin: Planta 1 Escritorios ejecutivos Escritorios secretariales X1: Escritorios ejecutivos que se fabrican en la planta 1 X2: Escritorios secretariales que se fabrican en la planta 1 X3: Escritorios ejecutivos que se fabrican en la planta 2 X4: Escritorios secretariales que se fabrican en la planta 2 Funcin objetivo: Utilidad = precio de venta costo de produccin Utilidad por cada escritorio ejecutivo producido en planta 1 =$350-$250 = $100.00 Utilidad por cada escritorio secretarial producido en planta 1=$275-$200 = $75.00 Utilidad por cada escritorio ejecutivo producido en planta 2 =$350-$260 = $90.00 Utilidad por cada escritorio secretarial producido en planta 2=$275-$180 = $95.00 Modelo de programacin lineal: Maximizar Z = 100 X1 + 74 X2 + 90 X3 + 95 X4 Sujeto a: 7 X1 + 4 X2 6 X3 + 5 X4 250 X1 + 260 X3 200 X2 + 180 X4 X1, X2, X3, X4 0 Introduciendo variables de holgura: Maximizar Z = 100 X1 + 75 X2 + 90 X3 + 95 X4 Sujeto a: 7 X1 + 250 X1 200 X2 X1, . . . , X8 0 4 X2 6 X3 + 260 X3 5 X4 180 X4 + + X5 + X6 + X7 X8 = 80 = 50 = 2000 = 2200 80 50 2000 2200 X1 X2 Planta 2 X3 X4

X1, . . . , X4 son variables de decisin X5, . . . , X8 son variables de holgura Para aplicar el algoritmo Simplex es necesario tener una solucin inicial; esto se cumple en el modelo ya que al tener todas sus restricciones del tipo () se considera que el origen forma parte del espacio de solucin y entonces ste puede ser la solucin inicial. Entonces el Tableau inicial para aplicar el Simplex tiene la forma siguiente y se observa que la base est completa ya que las variables de la base estn explcitas y tienen los valores: X5=80, X6=50, X7=2000, X8=2200.

X1 X5 X6 X7 X8 Z 7 0 250 0 -1 0 0

X2 4 0 0 200 -7 5

X3 0 6 260 0 -9 0

X4 0 5 0 180 -9 5

X5 1 0 0 0 0

X6 0 1 0 0 0

X7 0 0 1 0 0

X8 0 0 0 1 0

Z 0 0 0 0 1

B 80 50 2000 2200 0

B i/C i 1 1 .4 3 8

Como variable entrante se selecciona a la variable X1 ya que es la variable con el coeficiente ms grande en la funcin objetivo y con signo positivo (visualizar la funcin objetivo fuera del tableau); habiendo seleccionado la variable entrante, se selecciona la variable saliente haciendo el cociente de los valores de B entre los coeficientes de la columna en que se ubica la variable entrante (X1) y de ellos al menor, que corresponde a la variable X7. La siguiente fase corresponde a efectuar las operaciones para que al hacer el cambio de variables se tengan explcitos los nuevos valores de las variables bsicas y se tenga al mismo tiempo el valor que adquiere la funcin objetivo:

X5 X6 X1 X8 Z X5 X4 X1 X8 Z X5 X4 X1 X2 Z

0 0 1 0 0 0 0 1 0 0 0 0 1 0 0

4 0 0 200 -7 5 4 0 0 200 -7 5 0 0 0 1 0

-7 .2 8 6 1 .0 4 0 14 -7 .2 8 1 .2 1 .0 4 -2 1 6 128 -2 .9 6 1 .2 1 .0 4 -1 .0 8 47

0 5 0 180 -9 5 0 1 0 0 0 0 1 0 0 0

1 0 0 0 0 1 0 0 0 0 1 0 0 0 0

0 1 0 0 0 0 0 .2 0 -3 6 19 0 .7 2 0 .2 0 -0 .1 8 5 .5

-0 .0 3 0 0 .0 0 4 0 0 .4 -0 .0 3 0 0 .0 0 4 0 0 .4 -0 .0 3 0 0 .0 0 4 0 0 .4

0 0 0 1 0 0 0 0 1 0 -0 .0 2 0 0 0 .0 0 5 0 .3 7 5

0 0 0 0 1 0 0 0 0 1 0 0 0 0 1

24 50 8 2200 800 24 10 8 400 1750 16 10 8 2 1900 2 6 1 2 .2 2 10

En la ltima iteracin se alcanza una solucin ptima, ya que las variables de la funcin Z tienen coeficientes negativos. Se puede expresar un resultado: Para optimizar las utilidades semanales con las condiciones establecidas por las restricciones del modelo, es necesario fabricar: 8 escritorios ejecutivos en la planta 1 2 escritorios secretariales en la planta 1 10 escritorios secretariales en la planta 2 Toda la operacin generar una utilidad semanal de $1900.00 El valor de X5=16, corresponde a la variable de holgura asociada al recurso de horas disponibles en la planta 1 (80 horas) en la cual slo se estarn utilizando 80-16= 64 horas, lo cual puede considerarse en la planeacin de la produccin en el futuro.

Solucin empleando TORA:

Figura 2.10 Se introducen todos los coeficientes del modelo de programacin lineal Se elige del men solucin algebraic, iterations y all slack starting solution, que corresponde al algoritmo simplex.

Figura 2.11 Solucin por iteraciones del algoritmo simplex

2.5

Mtodos alternativos

En el planteamiento de modelos de programacin lineal, y para los efectos de aplicacin del algoritmo Simplex, se pueden distinguir claramente dos situaciones: 1) se tiene un modelo en que todas las restricciones del modelo son del tipo menor o igual que ( ) y entonces ya se tiene una solucin bsica factible inicial (el origen) con lo cual se simplifica de inmediato la aplicacin del algoritmo Simplex, y 2) el modelo tiene restricciones del tipo mayor o igual que ( ) o bien igualdades estrictas (=) en las que es necesario agregar variables artificiales; esto significa que no se tendr una solucin bsica factible inicial de forma inmediata y que adems para que una solucin sea factible, la variable artificial deber valer cero. Esto obliga a utilizar algn mtodo alternativo que contemple la utilizacin de variables artificiales. Entre los mtodos conocidos se encuentra el de dos fases y el mtodo de la Gran M. En este punto es necesario establecer algunos principios que contribuyen al desarrollo de estos mtodos: Si la funcin objetivo tiene la forma minimizar z tambin se puede expresar como: Minimizar Z = - maximizar ( -Z ) Una restriccin del tipo: equivale a Una restriccin del tipo: ai1x1++ainxn = bi equivale a dos desigualdades ai1x1++ainxn bi ai1x1 ++ ainxn bi ai1x1++ainxn bi -ai1x1 -- ainxn -bi

2.5.1

Dos Fases

El mtodo de dos fases es llamado as por plantear la solucin en dos etapas: 1) se crea una funcin objetivo w que ser la suma de las variables artificiales de que consta el modelo y la cual, en esta primera fase se intenta minimizar hasta que alcance el valor cero. De lograrse esto, es necesario eliminar rengln y columna de w y las columnas de las variables artificiales. Si w no adquiere el valor de cero, no existe solucin. 2) con el Tableau remanente se procede a la segunda fase, en la cual ya se optimiza a la funcin objetivo z del modelo, la cual en la primera fase habr sufrido cambios.

Ejemplo 2.5

Aplicacin de Dos Fases

Un proyecto de construccin requiere de una mezcla compuesta de 50 % de grava gruesa, 30 % de grava fina y 20 % de arena. Existen cuatro bancos disponibles cercanos al sitio de los trabajos. El porcentaje de cada graduacin en los materiales de cada banco y los costos unitarios del material, estn dados en la siguiente tabla:

Banco Grava gruesa (%) Grava fina (%) Arena (%) Costo unitario 1 0 60 40 $8 2 50 40 10 $10 3 40 30 30 $12 4 40 20 40 $11

Mezcla deseada (%) 50 30 20

Si existe una cantidad de material extrado en exceso, el costo unitario de removerlo es de $2 para todas las graduaciones de agregados. Determinar la cantidad que debe comprarse de cada banco para obtener una unidad de material requerido, al mnimo costo. Variables de decisin: X1 cantidad de material a extraer del banco 1 X2 cantidad de material a extraer del banco 2 X3 cantidad de material a extraer del banco 3 X4 cantidad de material a extraer del banco 4 Modelo de Programacin Lineal: Minimizar Z = 8 X1 + 10 X2 + 12 X3 + 11 X4 + 2 X5 + 2 X6 + 2 X7 Sujeto a: 0.50X2 + 0.40X3 + 0.40X4 0.60X1+ 0.40X2 + 0.30X3 + 0.20X4 0.40X1+ 0.10X2 + 0.30X3 + 0.40X4 X1, . . . , X70 X5 - X6 = 0.50 = 0.30 - X7 = 0.20

En la funcin objetivo se consideran los costos asociados a la extraccin en exceso de cada material (X5 exceso de grava gruesa, X6 exceso de grava fina, X7 exceso de arena). Agregando las variables artificiales asociadas a cada restriccin (X8, X9, X10):

Minimizar Z = 8 X1 + 10 X2 + 12 X3 + 11 X4 + 2 X5 + 2 X6 + 2 X7 Sujeto a: 0.50X2 + 0.40X3 + 0.40X4 0.60X1+ 0.40X2 + 0.30X3 + 0.20X4 0.40X1+ 0.10X2 + 0.30X3 + 0.40X4 X1, . . . , X10 0 X5 - X6 +X8 = 0.50 +X9 = 0.30 - X7 +X10= 0.20

Para la bsqueda de soluciones a partir de un modelo de estas caractersticas, se debe utilizar el simplex con algn mtodo alternativo: Dos fases o Gran M, ya que aparecen desigualdades () o igualdades estrictas y que es necesario emplear variables artificiales; en esta situacin tambin est descartado que el origen forme parte de un espacio de solucin. Se crea una funcin objetivo adicional formada por la suma de las variables artificiales utilizadas en el modelo y en una primera fase se minimiza a esta funcin objetivo adicional hasta que adquiera el valor de cero que significar que todas las variables artificiales valen cero; si se alcanza esta situacin, en una segunda fase se optimiza a la funcin objetivo Z. Si no se logra, significa que no existe espacio de solucin. Para el modelo, la funcin objetivo adicional es: W=X8 + X9 + X10 Se observa que en el Tableau Simplex inicial, no existe una definicin de las variables bsicas del modelo, por lo que es necesario efectuar las operaciones necesarias para alcanzar esto:

X1
0 0 .6 0 .4

X2
0 .5 0 .4 0 .1 -1 0 0 0 .5 0 .9 1

X3
0 .4 0 .3 0 .3 -1 2 0 0 .4 0 .7 1

X4
0 .4 0 .2 0 .4 -1 1 0 0 .4 0 .6 1

X5
-1 0 0 -2 0 -1 -1 -1

X6
0 -1 0 -2 0 0 -1 -1

X7
0 0 -1 -2 0 0 0 -1

X8
1 0 0 0 -1 0 0 0

X9
0 1 0 0 -1 -1 0 0

X10
0 0 1 0 -1 -1 -1 0

Z
0 0 0 1 0 0 0 0

W
0 0 0 0 1 1 1 1

B
0 .5 0 .3 0 .2 0 0 0 .5 0 .8 1

Z W W W W

-8 0 0 0 .6 1

X1 X8 X9 X10 Z W X8 X1 X10 Z W X8 X1 X4 Z W X7 X1 X4 Z W
0 0 .6 0 .4 -8 1 0 1 0 0 0

X2
0 .5 0 .4 0 .1 -1 0 1 0 .5 0 .6 6 6 7 -0 .1 6 7 -4 .6 6 7 0 .3 3 3 3

X3
0 .4 0 .3 0 .3 -1 2 1 0 .4 0 .5 0 .1 -8 0 .5

X4
0 .4 0 .2 0 .4 -1 1 1 0 .4 0 .3 3 3 3 0 .2 6 6 7 -8 .3 3 3 0 .6 6 6 7

X5
-1 0 0 -2 -1 -1 0 0 -2 -1

X6
0 -1 0 -2 -1 0 -1 .6 6 7 0 .6 6 6 7 -1 5 .3 3 0 .6 6 6 7

X7
0 0 -1 -2 -1 0 0 -1 -2 -1

X8
1 0 0 0 0 1 0 0 0 0

X9
0 1 0 0 0 0 1 .6 6 6 7 -0 .6 6 7 1 3 .3 3 3 -1 .6 6 7

X10
0 0 1 0 0 0 0 1 0 0

Z
0 0 0 1 0 0 0 0 1 0

W
0 0 0 0 1 0 0 0 0 1

B
0 .5 0 .3 0 .2 0 1 0 .5 0 .5 0 4 0 .5

0 1 0 0 0 0 1 0 0 0

0 .7 5 0 .8 7 5 -0 .6 2 5 -9 .8 7 5 0 .7 5 0 .5 0 .2 5 1 .2 5 6 .7 5 0

0 .2 5 0 .3 7 5 0 .3 7 5 -4 .8 7 5 0 .2 5 0 .1 6 6 7 0 .1 6 6 7 1 0 .6 6 6 7 0

0 0 1 0 0 0 0 1 0 0

-1 0 0 -2 -1 -0 .6 6 7 0 .8 3 3 3 -2 .5 -2 4 .1 7 0

-1 -2 .5 2 .5 5 .5 -1 -0 .6 6 7 -1 .6 6 7 0 -1 6 .6 7 0

1 .5 1 .2 5 -3 .7 5 -3 3 .2 5 1 .5 1 0 0 0 0

1 0 0 0 0 0 .6 6 6 7 -0 .8 3 3 2 .5 2 2 .1 6 7 -1

1 2 .5 -2 .5 -7 .5 0 0 .6 6 6 7 1 .6 6 6 7 0 1 4 .6 6 7 -1

-1 .5 -1 .2 5 3 .7 5 3 1 .2 5 -2 .5 -1 1 E -0 5 0 -2 -1

0 0 0 1 0 0 0 0 1 0

0 0 0 0 1 0 0 0 0 1

0 .5 0 .5 0 4 0 .5 0 .3 3 3 3 3 3 0 .0 8 3 3 3 3 1 .2 5 1 5 .0 8 3 3 3 0

Se alcanza la primera fase del algoritmo; la funcin objetivo adicional W=X8+X9+X10=0, por lo que se debe continuar con la segunda fase; es decir, optimizar a la funcin objetivo Z:
X1 X7 X1 X4 Z X7 X2 X4 Z X6 X2 X4 Z
0 1 0 0

X2
0 .5 0 .2 5 1 .2 5 6 .7 5

X3
0 .1 6 6 7 0 .1 6 6 7 1 0 .6 6 6 7

X4
0 0 1 0

X5
-0 .6 6 7 0 .8 3 3 3 -2 .5 -2 4 .1 7

X6
-0 .6 6 7 -1 .6 6 7 0 -1 6 .6 7

X7
1 0 0 0

X8

X9

X10

Z
0 0 0 1

B
0 .3 3 3 3 3 3 0 .0 8 3 3 3 3 1 .2 5 1 5 .0 8 3 3 3

-2 4 -5 -2 7 -0 .7 5 -1 1 .2 5 -5 .7 5

0 1 0 0 0 1 0 0

-0 .1 6 7 0 .6 6 6 7 0 .1 6 6 7 -3 .8 3 3 -0 .0 6 3 0 .2 5 0 .6 8 7 5 -2 .0 6 3

0 0 1 0 0 0 1 0

-2 .3 3 3 3 .3 3 3 3 -6 .6 6 7 -4 6 .6 7 -0 .8 7 5 -2 .5 0 .6 2 5 -2 1 .8 7

2 .6 6 6 6 -6 .6 6 7 8 .3 3 3 3 2 8 .3 3 3 1 0 0 0

1 0 0 0 0 .3 7 5 2 .5 -3 .1 2 5 -1 0 .6 3

0 0 0 1 0 0 0 1

0 0 0 0 0 0 0 0

0 .1 6 6 6 6 7 0 .3 3 3 3 3 3 0 .8 3 3 3 3 3 1 2 .8 3 3 3 3 0 .0 6 2 5 0 .7 5 0 .3 1 2 5 1 1 .0 6 2 5

La solucin ms econmica es que por cada tonelada de material, se debe adquirir 0.75 toneladas del banco 2 y 0.3125 toneladas del banco 4, con lo que se tendr un excedente de 0.0625 toneladas de grava fina. El costo total asociado a la extraccin ser de $11.0625 por tonelada.

2.5.2

Gran M

El mtodo consiste en: Aumentar una variable de holgura a cada restriccin del tipo menor o igual ( ). Restar una variable de holgura y sumar una variable artificial a todas las restricciones del tipo mayor o igual ( ). Aadir una variable artificial a cada restriccin de igualdad estricta. Las variables artificiales si aparecen en la funcin objetivo. El coeficiente en esta funcin, para cada una de ellas es M. Esta M es un numero muy grande comparado con los que aparecen en el problema, por lo que la expresin de la funcin objetivo en el modelo deber expresar Maximizar. Con la informacin en el Tableau Simplex, se procede a establecer la base, la cual no estar explcita como en el caso en que ya se tiene una solucin bsica factible inicial; esto, debido a la presencia de la M en las variables artificiales, por lo que una manera de proceder sera la de eliminar del lugar de las variables artificiales en el rengln de la funcin objetivo, a la M o Ms presentes en el modelo; se puede lograr con operaciones elementales de los renglones. Una vez establecida la base, se aplica el algoritmo Simplex, manejando a la M como una variable algebraica o un nmero muy grande comparado con los coeficientes en las restricciones, hasta llegar a la solucin ptima.

Ejemplo 2.6

Aplicacin de Gran M

Una planta mezcladora de concreto usada en la construccin de un proyecto hidroelctrico usa una mezcla de 70 % de arena y 30 % de grava por peso. Existen depsitos naturales en 5 lugares cercanos a la presa, cada uno con composiciones y costos de transportacin diferentes segn se muestra en la tabla:

Depsito 1 Arena Grava Costo/ton 40 % 60 % $150 2 20 % 80 % $180 3 50 % 50 % $100 4 80 % 20 % $125 5 70 % 30 % $200

Por tonelada de concreto, cuntas toneladas extradas de cada uno de los depsitos deben usarse con objeto de minimizar el costo total? Variables de decisin: X1 cantidad de material a extraer del depsito 1 X2 cantidad de material a extraer del depsito 2 X3 cantidad de material a extraer del depsito 3 X4 cantidad de material a extraer del depsito 4 X5 cantidad de material a extraer del depsito 5 Modelo de programacin lineal: Minimizar Z = 150 X1 + 180 X2 + 100 X3 + 125 X4 + 200 X5 Sujeto a: 0.4 X1 + 0.2 X2 + 0.5 X3 + 0.8 X4 + 0.7 X5 = 0.70 0.6 X1 + 0.8 X2 + 0.5 X3 + 0.2 X4 + 0.3 X5 = 0.30 X1, . . . , X5 0 Se agregan variables artificiales (X6, X7) al modelo: Minimizar Z = 150 X1 + 180 X2 + 100 X3 + 125 X4 + 200 X5 Sujeto a: 0.4 X1 + 0.2 X2 + 0.5 X3 + 0.8 X4 + 0.7 X5 + X6 = 0.70 0.6 X1 + 0.8 X2 + 0.5 X3 + 0.2 X4 + 0.3 X5 + X7 = 0.30 X1, . . . , X7 0 El algoritmo de Gran M exige que la funcin objetivo exprese maximizacin y en esta forma se introducen a la funcin objetivo las variables artificiales acompaadas de un coeficiente muy grande y con signo negativo, de manera que no represente ventaja alguna la eleccin de una variable artificial como variable entrante; por lo que el modelo se puede escribir: Maximizar Z = -150 X1 - 180 X2 - 100 X3 - 125 X4 - 200 X5 - 1000 X6 - 1000 X7 Sujeto a: 0.4 X1 + 0.2 X2 + 0.5 X3 + 0.8 X4 + 0.7 X5 + 0.6 X1 + 0.8 X2 + 0.5 X3 + 0.2 X4 + 0.3 X5 X1, . . . , X7 0 X6 = 0.70 + X7 = 0.30

Z Z Z

X1 0 .4 0 .6 150 -2 5 0 -8 5 0 X1 0 .4 0 .6 -8 5 0 -0 .2 1 .2 230 -0 .3 3 3 3 1 .3 3 3 3 3 5 8 .3 3 3 3

X2 0 .2 0 .8 180 -2 0 -8 2 0 X2 0 .2 0 .8 -8 2 0 -0 .6 1 .6 620 -1 2 105

X3 0 .5 0 .5 100 -4 0 0 -9 0 0 X3 0 .5 0 .5 -9 0 0 0 1 0 0 1 0

X4 0 .8 0 .2 125 -6 7 5 -8 7 5 X4 0 .8 0 .2 -8 7 5 0 .6 0 .4 -5 1 5 1 0 0

X5 0 .7 0 .3 200 -5 0 0 -8 0 0 X5 0 .7 0 .3 -8 0 0 0 .4 0 .6 -2 6 0

X6 1 0 1000 0 0 X6 1 0 0 1 0 0

X7 0 1 1000 1000 0 X7 0 1 0 -1 2 1800

Z 0 0 1 1 1 Z 0 0 1 0 0 1 0 0 1

B 0 .7 0 .3 0 -7 0 0 -1 0 0 0 B 0 .7 0 .3 -1 0 0 0 0 .4 0 .6 -4 6 0 0 .6 6 6 6 7 0 .3 3 3 3 3 -1 1 6 .6 7

X6 X7 Z X6 X3 Z X4 X3 Z

0 .6 6 6 6 7 1 .6 6 6 6 7 -1 .6 6 6 7 0 .3 3 3 3 3 -0 .6 6 6 7 2 .6 6 6 6 7 8 3 .3 3 3 3 8 5 8 .3 3 3 9 4 1 .6 6 7

Para cada tonelada de material con las propiedades requeridas, se sugiere adquirir 0.3333 toneladas del depsito 3 y 0.6666 del depsito 4, lo cual generar un costo mnimo de $116.66 por tonelada.

Solucin empleando Solver:

Los datos y la celda objetivo con el comando sumaproducto:

El comando sumaproducto en las celdas de los recursos asociados con las restricciones:

Ya se han seleccionado las celdas con las variables: g5 que es la celda objetivo, g7 y g8 cantidades de recursos utilizados. En Herramientas se selecciona a Solver:

Al seleccionar Solver se mostrar un cuadro de dilogo:

En el cuadro de dilogo se selecciona la referencia de la celda objetivo, el valor que adquirir la celda objetivo (mximo o mnimo), se introducen las referencias de las celdas para las variables de decisin y las referencias de las restricciones. Se presiona Opciones para seleccionar Lineal y luego Resolver; debern aparecer los valores buscados de las variables de decisin y el valor de la funcin objetivo; Solver permite seleccionar el tipo de informe que puede complementar un resultado:

El resultado se puede expresar como: Para cada tonelada de material con las propiedades requeridas, se sugiere adquirir 0.3333 toneladas del depsito 3 y 0.6666 del depsito 4, lo cual generar un costo mnimo de $116.66 por tonelada.

2.6

Dualidad.

Uno de los ms importantes logros en el desarrollo de la programacin lineal es el concepto de dualidad, que expresa que para cada problema de programacin lineal existe una relacin y una asociacin con otro problema de programacin lineal llamado dual. El concepto de dualidad ha contribuido a identificar algunos conceptos relacionados con la economa, como es el precio sombra, que est ms relacionado con la utilidad que tiene el recurso formando parte de un proceso de produccin, que con su precio en el mercado. Otra

utilidad de la dualidad se relaciona con la facilidad de cmputo que puede representar plantear el modelo dual y optimizar ste, en lugar de hacerlo con el modelo original. En lo que sigue, se denominar como modelo primal al modelo resultante del sistema original y como modelo dual al que resulta del planteamiento a partir del modelo primal. Para plantear el modelo dual de un problema de programacin lineal, se debe considerar: Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa Los coeficientes de la funcin objetivo del modelo primal se convierten en los coeficientes del vector de disponibilidades en el problema dual Los coeficientes del vector de disponibilidades del modelo primal pasan ahora a ser los coeficientes de la funcin objetivo del modelo dual, este nuevo vector es tambin llamado de costo o precio Los coeficientes en las restricciones en el modelo primal sern los coeficientes de las restricciones en el modelo dual pero como una matriz transpuesta Los signos de desigualdad del modelo dual son contrarios a los signos del modelo primal Las variables xm se convierten en nuevas variables ym en el modelo dual De lo anterior se puede establecer que si el modelo primal tiene m restricciones y n variables, el modelo dual tendr n restricciones y m variables. Esto se puede expresar: Modelo primal Max z = S. a: aij xj donde: i = 1, j = 1, 2, n Modelo dual: Min z= bi yi S. a: aij yi yi 0 donde: i = 1, 2, n j = 1, 2, m Al comparar los modelos primal y dual, se pueden obtener las siguientes conclusiones: cj bi cj xj

1. Los dos modelos tienen, en la solucin ptima, el mismo valor de la funcin objetivo 2. Los coeficientes de la funcin objetivo en el modelo primal, son los elementos del lado derecho en las restricciones del modelo dual 3. Los elementos del lado derecho de las restricciones del modelo primal, son los coeficientes de la funcin objetivo del modelo dual 4. La funcin objetivo en el primal es maximizar, en el modelo dual es minimizar 5. En el modelo primal, las restricciones son del tipo ( ), en el dual son del tipo ( ) 6. El modelo primal tiene tantas variables como restricciones tiene el dual; el modelo dual tiene tantas variables como restricciones tiene el primal Cuando ya se tiene una solucin ptima, se presenta el problema de cmo interpretar los resultados y asociarlos a cada una de las variables para eso se har uso de los siguientes teoremas: Teorema 1. Si el problema primal tiene solucin ptima finita, tambin la tiene el dual, y los valores ptimos de cada funcin objetivo son iguales. Si el primal no tiene solucin acotada entonces el dual no tiene solucin factible. Teorema 2. El dual del dual es el primal. Teorema 3. Si una restriccin primal se satisface completamente (su correspondiente variable de holgura vale cero) entonces la variable dual asociada tiene valor distinto de cero. Si una restriccin primal queda con holgura entonces la variable dual asociada vale cero. Este ltimo teorema, conocido como teorema de la holgura complementaria, da la forma de encontrar la solucin del dual si ya se tiene la ptima del primal y viceversa. Variables de decisin del primal Variables de decisin del dual Variables de holgura del dual Variables de holgura del primal

Ejemplo 2.7

Dualidad

La Agro-Tech es una empresa de productos qumicos que fabrica dos tipos de fertilizante que se elaboran combinando ingredientes que se compran con proveedores externos. Cada mes se tiene que planear la cantidad de cada fertilizante que debe producirse. El plan debe tomar en consideracin el costo de los ingredientes, el precio de venta de los fertilizantes, cualesquier pedidos que deban sutirse y las restricciones impuestas al uso de los recursos de la compaa: mano de obra, materia prima o tiempo de mquina. El proceso de planeacin para este mes es ms difcil que lo normal. Por lo general, la Agro-Tech fabrica fertilizantes de acuerdo con los

pedidos de los clientes, pero este mes los fertilizantes van a venderse a travs de un mayorista. Esto complica las cosas porque se tiene que programar la produccin de manera que conduzca a las mayores utilidades posibles para la agro-Tech, al mismo tiempo que se utiliza slo la cantidad de ingredientes que estn disponibles para el mes. Los dos fertilizantes que la Agro-Tech fabrica son las mezclas denominadas 5-5-10 y 5-10-5. En cada caso, el primer valor se refiere al porcentaje que el producto final tiene de nitrato qumico, el segundo valor se refiere al porcentaje de fosfato que aparece en el producto final y el tercer valor da el porcentaje de potasio. El fertilizante se estabiliza con un material de relleno como podra ser barro. Por ejemplo, el 5-5-10 est elaborado con 5 % de nitrato, 5 % de fosfato y 10 % de potasio y el 80 % restante es barro. El mayorista comprar cualquier cantidad de ambos fertilizantes que la Agro-Tech pueda fabricar. Est dispuesto a pagar $71.50 por tonelada del 55-10 y $69.00 por tonelada del 5-10-5. Este mes, la disponibilidad y costos de materias primas son 1100 toneladas de nitrato a $200.00 por tonelada, 1800 toneladas de fosfato a $80.00 cada una y 2000 toneladas de potasio a $160.00 cada una. El relleno est disponible en cantidades ilimitadas al precio de $10.00 por tonelada, pero para los otros tres ingredientes slo se dispone de las cantidades mencionadas antes. No hay restricciones para el uso de la mano de obra ni tampoco para el empleo de la maquinaria durante el mes, pero se tiene un costo de $15.00 por tonelada por concepto de mezclado de fertilizantes. Cmo deben utilizarse los recursos escasos de que dispone la Agro-Tech, de manera que se obtengan las mayores utilidades para la compaa?

Nitrato 5-5-10 5-10-5 Disponibilidad, ton Costo /ton Variables de decisin: 0.05 0.05 1100 200.00

Fosfato 0.05 0.10 1800 80.00

Potasio 0.10 0.05 2000 160.00

Barro 0.80 0.80 10.00

Precio de venta/ton 71.50 69.00

X1, toneladas de fertilizante 5-5-10 que deben producirse este mes X2, toneladas de fertilizante 5-10-5 que deben producirse este mes Modelo de programacin lineal: Para determinar la utilidad asociada a cada fertilizante: Utilidad = precio de venta- costo (nitrato +fosfato+potasio)-costo ingrediente inerte- costo de mezclado

Para el fertilizante 5-5-10 (por tonelada): Utilidad = 71.50-0.05*200-0.05*80*-0.10*160-0.8*10-15.00= $18.5 Para el fertilizante 5-10-5 (por tonelada): Utilidad = 69.00-0.05*200-0.10*80-0-05*160-0.8*10-15.00= $20.00 Modelo primal de programacin lineal: Maximizar Z = 18.5 X1 + Sujeto a: 0.05 X1 + 0.05 X2 + X3 = 1100 0.05 X1 + 0.10 X2 + X4 = 1800 0.10 X1 + 0.05 X2 + X5 = 2000 X1, X2 0 Al resolver con el algoritmo Simplex, se obtiene el tableau ptimo:
X1 X2 X5 Z 1 0 0 0 0 1 0 0 40 -2 0 -3 340 -2 0 20 1 30 0 0 1 0 0 0 0 1 8000 14000 500 428000

20 X2

El modelo dual de programacin lineal es: Minimizar Z = 1100 Y1 + 1800 Y2 + 2000 Y3 Sujeto a: 0.05 Y1 + 0.05 Y2 + 0.10 Y3 18.5 0.05 Y1 + 0.10 Y2 + 0.05 Y3 20 Y1, . . . , Y3 0 Agregando variables de holgura y artificiales: Minimizar Z = 1100 Y1 + 1800 Y2 + 2000 Y3 Sujeto a: 0.05 Y1 + 0.05 Y2 + 0.10 Y3 Y4 + Y5 = 18.5 0.05 Y1 + 0.10 Y2 + 0.05 Y3 - Y6 + Y7 = 20 Y1, . . . , Y7 0 Donde Y1, Y2, Y3 son variables de decisin del dual; Y4, Y6 son variables de holgura del dual. Se pueden establecer de antemano las relaciones entre variables del primal y variables del dual:

X1 X2 X3 X4 X5

Y4 Y6 Y1 Y2 Y3

Resolviendo con el Simplex el modelo dual:

Y1 0.05 0.05 -1100 0 0.05 0.1 0.05 0.05 -1100 0.1 0.025 0.5 -200 0.025 0.05 1 700 0 Y1 0.33333 0.33333 166.667 Y1 1 0 0 Y2 0.05 0.1 -1800 0 0.05 0.15 0.05 0.1 -1800 0.15 0 1 0 0 0 1 0 0 Y2 0 1 0 Y2 0 1 0 Y3 0.1 0.05 -2000 0 0.1 0.15 0.1 0.05 -2000 0.15 0.075 0.5 -1100 0.075 0.15 2 1600 0 Y3 1 0 0 Y3 3 -1 -500 Y4 -1 0 0 0 -1 -1 -1 0 0 -1 -1 0 0 -1 -2 -20 -36000 0 Y4 -13.333 6.66667 -14667 Y4 -40 20 -8000 Y5 1 0 0 -1 0 0 1 0 0 0 1 0 0 0 2 20 36000 -1 Y6 0 -1 0 0 0 -1 0 -1 0 -1 0.5 -10 -18000 0.5 1 0 0 0 Y6 6.66667 -13.333 -10667 Y6 20 -20 -14000 Y7 0 1 0 -1 -1 0 0 1 0 0 -0.5 10 18000 -1.5 -1 0 0 -1 Z 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 Z 0 0 1 Z 0 0 1 W 0 0 0 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 B 18.5 20 0 0 18.5 38.5 18.5 20 0 38.5 8.5 200 360000 8.5 17 370 666000 0 B 113.333 143.333 484667 B 340 30 428000

Z W W

Y5 Y7 Z W Y5 Y2 Z W Y6 Y2 Z W

Y3 Y2 Z

Y1 Y2 Z

De aqu se pueden establecer los valores de las variables de decisin del primal, considerando la relacin establecida con anterioridad:

X1 X2 X3 X4 X5

Y4 Y5 Y1 Y2 Y3

X1 tiene que ver con Y4, pero Y4=0; luego, X1=8000 X2 tiene que ver con Y5, pero Y6=0; luego, X2=14000 X3 tiene que ver con Y1, pero Y1=340; luego X3=0 X4 tiene que ver con Y2, pero Y2= 0; luego X4=0 X5 tiene que ver con Y3, pero Y3=0; luego X5=500 La expresin correcta del resultado es: Para optimizar las utilidades de este mes, se sugiere que la Agro-Tech fabrique 8000 toneladas del fertilizante 5-5-10 y 14000 toneladas del fertilizante 5-10-5, con lo cual generar una utilidad de $428,000.00. tambin es de notar que con este programa de produccin, sobrarn 500 toneladas de potasio, que puede considerarse en el prximo plan de produccin. Comparando las iteraciones ptimas del primal y del dual, se aprecian las similitudes:
X1 X2 X5 Z 1 0 0 0 0 1 0 0 40 -2 0 -3 340 -2 0 20 1 30 0 0 1 0 0 0 0 1 8000 14000 500 428000

Y1 Y2 Z

Y1 1 0 0

Y2 0 1 0

Y3 3 -1 -500

Y4 -40 20 -8000

Y6 20 -20 -14000

Z 0 0 1

B 340 30 428000

2.6.1

Interpretacin econmica del dual

Las variables duales tambin tienen importantes interpretaciones econmicas. Con Y1=340 implica que cada tonelada adicional de nitrato, produce $340.00 adicionales de utilidad; Y2=30 implica que cada tonelada adicional de fosfato produce $30.00 adicionales de utilidad; y Y3=0 implica que no se obtienen utilidades adicionales al aadir toneladas extra de potasio.

Cada uno de estos valores presupone que los dems permanecen iguales. Desde el punto de vista de la toma de decisiones, las variables duales indican la cantidad extra que se estara en disponibilidad de pagar por una unidad adicional de un recurso especfico. En otras palabras, se estara dispuesto a pagar un precio ms elevado por un recurso escaso, hasta por el valor de la variable dual. Solo interesa el excedente sobre el precio normal, puesto que el precio original del recurso se incluye en el clculo de las variables. Por ejemplo, cada tonelada adicional de fosfato vale $30.00, y por ello se estara dispuesto a pagar al proveedor hasta $110.00 por tonelada ($80.00 del precio actual ms $30.00 adicionales) por cada tonelada adicional de fosfato. En este caso, el aumento neto en la utilidad por tonelada adicional de recurso ser la diferencia entre $30.00 y el precio ms elevado que se pague. Si el proveedor cobrara $10.00 adicionales por todo el fosfato que exceda 1800 toneladas, se obtendran $20.00 por cada tonelada adicional de fosfato. Si el cargo extra fuera $31.00, no se estara dispuesto a comprar el fosfato puesto que el excedente del precio estara por encima de las utilidades adicionales que se obtendran. Se utiliza el trmino precio sombra para designar a las variables duales.

Solucin empleando Solver:

Del modelo primal de programacin lineal: Maximizar Z = 18.5 X1 + Sujeto a: 0.05 X1 + 0.05 X2 + X3 = 1100 0.05 X1 + 0.10 X2 + X4 = 1800 0.10 X1 + 0.05 X2 + X5 = 2000 X1, X2 0 20 X2

Informes generados en Excel:

M ic ro s o ft E x c e l 1 1 .0 I n fo rm e d e re s p u e s ta s H o ja d e c lc u lo : [ A G R O .x ls ] H o ja 1 I n fo rm e c re a d o : 2 5 / 0 7 / 2 0 0 8 1 2 :1 1 :2 3 p .m .

C e ld a o b je tiv o (M x im o ) C e ld a $D$3 N o m b re F u n ci n o b je tiv o V a lo r o rig in a l 0 V a lo r fin a l 428000

C e ld a s ca m b ia n te s C e ld a $B$2 $C$2 N o m b re F e rtiliz a n te X 1 F e rtiliz a n te X 2 V a lo r o rig in a l 0 0 V a lo r fin a l 8000 14000

R e striccio n e s C e ld a $D$5 $D$6 $D$7 $B$2 $C$2 N o m b re V a lo r d e la c e ld a 1100 1800 1500 8000 14000 f rm u la E s ta d o D iv e rg e n c ia 0 0 500 8000 14000 R e striccio n e s L I LI LI F e rtiliz a n te X 1 F e rtiliz a n te X 2 $ D $ 5 < = $ E $ 5 b lig a to rio O $ D $ 6 < = $ E $ 6 b lig a to rio O $ D $ 7 < = $ E $ 7 p cio n a l O $B$2>=0 O p cio n a l $C$2>=0 O p cio n a l

M ic ro s o ft E x c e l 1 1 .0 In fo rm e d e s e n s ib ilid a d H o ja d e c lc u lo : [AG R O .x ls ]H o ja 1 In fo rm e c re a d o : 2 5 /0 7 /2 0 0 8 1 2 :2 2 :4 2 p .m .

C e ld a s c a m b ia n te s C e ld a $B$2 $C $2 N o m b re F e rtiliza n te X 1 F e rtiliza n te X 2 V a lo r Ig u a l 8000 14000 G ra d ie n te re d u c id o 0 0 C o e fic ie n te o b je tiv o 1 8 .5 20 Au m e n to p e rm is ib le 1 .5 17 Au m e n to p e rm is ib le 8 .5 1 .5

R e s tric c io n e s C e ld a $D $5 $D $6 $D $7 N o m b re R e s tric c io n e s L I LI LI V a lo r Ig u a l 1100 1800 1500 S o m b ra p re c io 340 30 0 R e s tric c i n la d o d e re c h o 1100 1800 2000 Au m e n to p e rm is ib le 1 6 6 .6 6 6 6 6 6 7 400 1E+30 Au m e n to p e rm is ib le 200 500 500

M ic ro s o ft E x c e l 1 1 .0 In fo rm e d e lm ite s H o ja d e c lc u lo : [A G R O .x ls ]In fo rm e d e lm ite s 1 In fo rm e c re a d o : 2 5 /0 7 /2 0 0 8 1 2 :2 4 :2 2 p .m .

C e ld a $D $3

C e ld a o b je tiv o N o m b re F u n c i n o b je tivo

Ig u a l 428000

C e ld a $B$2 $C $2

C e ld a s c a m b ia n te s N o m b re F e rtiliza n te X 1 F e rtiliza n te X 2

Ig u a l 8000 14000

L m ite C e ld a in fe rio r o b je tiv o 0 0 280000 148000

L m ite s u p e rio r 7 9 9 9 .9 9 9 9 9 8 14000

C e ld a o b je tiv o 428000 428000