Anda di halaman 1dari 25

Programacin Lineal

La programacin lineal es un conjunto de tcnicas racionales de anlisis y de resolucin de problemas que tiene por objeto ayudar a los responsables en las decisiones sobre asuntos en los que interviene un gran nmero de variables. El nombre de programacin lineal no procede de la creacin de programas de ordenador, sino de un trmino militar, programar, que significa realizar planes o propuestas de tiempo para el entrenamiento, la logstica o el despliegue de las unidades de combate.

Antecedentes Histricos

El desarrollo de la programacin lineal se considera entre los avances cientficos ms importantes del siglo XX, pues su impacto ha sido extraordinario. Actualmente es una herramienta de uso comn que ha beneficiado a muchas organizaciones en distintos pases con ahorros de cualquier ndole, por lo que su uso se est ampliando rpidamente a todos los sectores de la sociedad. Una gran mayora de los clculos cientficos en computadoras usan la programacin lineal proliferando las publicaciones y libros sobre esta materia de gran aplicacin. Uno de sus antecedentes se registra con el mtodo de anlisis de insumoproducto que desarroll el economista W. Leontief; tambin se debe reconocer al economista y matemtico sovitico L.V. Kantorovich, quien ya en 1939 formul y resolvi un problema de programacin lineal para la organizacin y planeacin de la produccin; otro antecedente es, la interpretacin de Hitchcock a "un problema de tipo de transportacin" en 1941. El problema de la dieta, fue analizado por Stigler en 1945. El gran impulso de la programacin lineal para la industria y los negocios se identifica con el doctor George Dantzig, matemtico norteamericano de origen, que desarroll el algoritmo Simplex, un mtodo sistemtico de resolucin para problemas modelados con programacin lineal. Esto ocurri en 1947 cuando se ocup, con Marshal Wood y asociados, de un proyecto para la Fuerza Area de los Estados Unidos. Se organiz

un grupo de investigacin con el ttulo de Proyecto SCOOP (Scientific Computation of Optimum Programs). Actualmente las principales aplicaciones de la PL son del rea industrial; tambin, aunque en menor parte, en el campo urbano y social. A partir de 1950, un nmero cada vez mayor de investigadores en las ramas de matemtica y economa aislados o constituyendo grupos contribuyen al desarrollo de las diferentes ramificaciones de la programacin lineal; como la "Rand Corporation" con G. B. Dantzig y W. Orchard-Hays, despus L. R. Ford, D. R. Fulkerson, y D. Gale; el departamento de matemticas de la Universidad de Princenton con A. W. Tucker y H. W. Kun; la "Graduate School of Industrial Administration" del "Carnegie Institute of Technology" con A. Charnes y W. Cooper. Los dos primeros grupos trabajan en la teora matemtica de los programas y su instalacin en computadoras; los resultados se publicaron en la "Rand Corporation" en la serie de "Rand notes on linear programming and extensions" (desde 1953 a 1961); se deben mencionar las de Dantzig sobre los desarrollos tericos, las de W. Orchard_Hays sobre la instalacin de los programas de clculo en mquinas, las de L. R Ford y D. R. Fulkerson sobre las redes de transporte; es necesario citar especialmente en el activo del grupo de Princenton, el mtodo "hngaro" de H. W. Kun, para los problemas de asignacin, la publicacin de la notable coleccin de notas "Linear Inequalities and Related Systems" en 1956 y el mtodo de Gomory para el clculo de los problemas lineales en nmeros enteros a finales del ao 1958. El equipo del "Carnegie Tech" desarroll la PL en aplicaciones industriales, se interes en aspectos tericos particulares como: degeneracin, errores de redondeo, el Simplex revisado, variables acotadas. En los ltimos aos, lo notable y ms prometedor parece ser: La programacin lineal en nmeros enteros por R. Gomory, el principio de descomposicin de Dantzig y Wolfe, los programas lineales estocsticos, el algoritmo de punto interior de Narendra Karmarkar, con aportaciones importantes de un matemtico ruso I. Dikin en 1967, redescubierto, despus de la publicacin de Karmarkar por varios investigadores: E.R.Barnes, T. M.Cavalier y A.L.Soyster. Adems R.J.Vanderbei, M.S.Meketon y B.A.Freedman publicaron en 1986, "A modification of Karmarkar's Linear Programming Algorithm". Al inicio la programacin lineal se llam "programacin en estructura lineal". En 1948, Tjalling Koopmans sugiri a George Dantzing simplificar el nombre.

Aplicaciones de la Programacin Lineal

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. 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. 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. Otros son: Optimizacin de la combinacin de dimetros comerciales en una red ramificada de distribucin de agua. Aprovechamiento ptimo de los recursos de una cuenca hidrogrfica, para un ao con afluencias caracterizadas por corresponder a una determinada frecuencia. Soporte para toma de decisin en tiempo real, para operacin de un sistema de obras hidrulicas. Solucin de problemas de transporte.

Programacin Entera
La programacin lineal entera se ocupa bsicamente de programas lineales en los que algunas o todas las variables suponen valores enteros o discretos. Se dice que la PLE es mixta o pura si alguna o todas las variables estn restringidas a tomar slo valores enteros. Aunque se han creado varios algoritmos para la programacin entera, ninguno de ellos es totalmente confiable desde el punto de vista del clculo, sobre todo, cuando el nmero de variables enteras se incrementa.

La dificultad de clculo con los algoritmos disponibles para la programacin entera ha conducido a los usuarios a buscar otros medios para resolver el problema. Uno de tales medios es resolver el modelo como un problema lineal continuo y luego redondear la solucin ptima a los valores enteros factibles ms cercanos. Sin embargo, en este caso no hay garanta de que la solucin redondeada satisfaga las restricciones. Esto es siempre cierto si la programacin entera original tiene una o ms restricciones de igualdad. Segn la teora de programacin lineal, una solucin redondeada en este caso no puede ser factible, ya que significa que la misma base (con todas las variables bsicas a nivel cero) puede generar dos soluciones distintas. La infactibilidad creada por redondeo puede tolerarse ya que, en general, los parmetros de los problemas no son exactos. Pero existen restricciones de igualdad caractersticas en los problemas enteros donde los parmetros son exactos. La restriccin de eleccin mltiple x1+x2++xn=1 , donde xj=(0,1) para toda j, no es sino un ejemplo. En tales condiciones el redondeo no puede utilizarse y ser esencial contar con un algoritmo exacto. Para destacar adems lo inadecuado del redondeo, observe que aunque las variables enteras comnmente se piensa que representan un nmero discreto de objetos (por ejemplo, mquinas, hombres, barcos), otros tipos representan cuantificaciones de algunos cdigos. Por consiguiente, una decisin para financiar o no un proyecto puede representarse por una variable binaria x=0 si el proyecto se rechaza, x=1 si el proyecto se acepta. En este caso no tiene sentido tratar con valores fraccionarios de x, y el uso del redondeo como una aproximacin lgicamente es inaceptable.

Programacin Lineal Entera

La programacin lineal tambin conocida como optimizacin lineal, es la maximizacin o minimizacin de una funcin lineal sobre un poliedro convexo definido por un conjunto de restricciones lineales no negativas. La teora de la programacin lineal cae dentro de la teora de la optimizacin convexa y es tambin considerada como parte importante de la investigacin de operaciones. La programacin lineal entera (PLE) es el conjunto de problemas de programacin lineal para los cuales todas o parte de sus variables pertenecen a los nmeros enteros.

Un problema de PLE puede describirse de la siguiente forma: Optimizar una funcin objetivo z=c. Bajo las restricciones Ax = = b, x = 0

Donde: x -Vector con variables enteras c -Vector de coeficientes de la funcin objetivo A -Matriz de coeficientes de las restricciones b -Vector de trminos independientes Los modelos de programacin lineal entera pudieran clasificarse en tres grupos:

Entero completamente. Todas las variables de decisin son enteras. Mixto. Algunas de las variables son enteras, las otras no. Binario. Las variables solo toman los valores 0 1.

Un modelo de Programacin Entera (PE) permite abordar aplicaciones donde la solucin tiene sentido si una parte o todas las decisiones toman valores restringidos a nmeros enteros. Por ejemplo, consideremos que tenemos el siguiente problema de programacin lineal:

Max s.a

cTx Ax=b x0

Si todas las variables restringen sus valores a nmeros enteros, entonces estamos frente a un modelo de PE pura; por el contrario si al menos algn conjunto de variables no est acotado a adoptar valores o nmero enteros, se trata de un PE mixta.

Parte del problema de la programacin entera radica en la diferencia esencial que existe entre este y la programacin lineal. En la programacin lineal se maximiza o minimiza una funcin sobre una regin de factibilidad convexa, mientras que en la programacin entera se maximiza una funcin sobre una regin de factibilidad que generalmente no es convexa. Por lo tanto, la solucin de problemas enteros, es de muchos rdenes de magnitud ms complicada que la programacin lineal. A continuacin se presentan los tres problemas de estructura entera: 1. Problema entero (PE): Opt Z=cX sujeto a AXb X0, entero 2. Problema entero mixto (PEM): Opt Z=cX+dY sujeto a AX+BYb X0 0, entero. 3. Problemas entero cero uno (PECU) o problema binario (PB): Opt Z=cX sujeto a AXb =0 1 Estos tres tipos de problemas requieren de tcnicas especiales de solucin, ya que los mtodos de solucin de los programas lineales (simplex, dual simplex, revisado, etc.), por lo general, no trabajan en estos casos. En efecto, dado el siguiente problema entero: Mx Z= X1+3X2 sujeto a X11.87 22X1+34X2105 0, X20 X1,X2 enteros Si se resuelve por el mtodo simplex, ignorando las restricciones enteras, se obtienela solucin X1=1.87, X2=1.87, Z=7.5. Redondeando al entero ms cercano quedara X1=2, X2=2, Z=2. Sin embargo, esta solucin viola las restricciones, porque: X1=21.87 El tratar de redondear al entero inmediato menor o mayor crea el problema combinatorio, de que si hay n variables de decisin, se deben analizar las 2n diferentes posibilidades. As, si hay 100 variables, el nmero de posibilidades a analizar es del orden de 1.2610030. Por lo tanto se requieren tcnicas ms eficientes que el anlisis exhaustivo de todas las alternativas posibles. Se hace notar que si al resolver un PE, por medio de alguna tcnica de programacin lineal, el resultado

ptimo del PL (generado por el PE, al ignorar las restricciones de integralidad de las variables del mismo) es entero, entonces, es tambin una solucin ptima del problema entero original PE. A continuacin se ve qu variedad de problemas caen dentro de esta familia de Problemas Enteros: a. Todos los problemas de programacin lineal, donde las actividades, por su estructura deben se no divisibles, son Programas Enteros. Por ejemplo, problemas de produccin de automviles, prendas de vestir. Qu significado tendra la produccin de 577.83 automviles? b. Todos los problemas de transporte, asignacin y redes de optimizacin, son Problemas Enteros. Sin embargo, dada la estructura tan especial de estos problemas, tienen mtodos de solucin propios. c. Problemas de secuenciacin. Este tipo de problemas, aunque son fciles de formular, resultan bastante difciles de resolver. Se supone, por ejemplo, el caso de un taller que puede efectuar un solo tipo de trabajo a la vez (orden i), el que se tiene contratado a entregar en gi das, a partir de una cierta fecha base, y que adems tiene una duracin de trabajo de di(di>0) das y al cual se asocia una multa de pi pesos por da de retraso despus de los gi das estipulados. Se supone que el taller recibe n rdenes diferentes de trabajo en la fecha base. Cul debe ser el orden de secuenciacin de trabajos que minimice el costo penal total?. Sin entrar en mucho detalle en la formulacin de este problema, se puede demostrar que el siguiente modelo del tipo cero uno o binario, resuelve este problema de secuenciacin. Sea Yi,t una variable de decisin definida de la siguiente manera: 1, si el trabajo i se completa al finalizar el periodo 0, si el trabajo i no se completa al finalizar el periodo t, Yi,t Y sea: T=i=1ndi d. El problema del agente viajero. Este problema concierne a un agente viajero que, saliendo de una determinada ciudad, debe visitar una sola vez n-1 ciudades diferentes, y regresar al punto de partida. Si el costo de dirigirse a la ciudad j desde la ciudad i es cij (cijcji), se debe determinar la secuencia de visita de ciudades, tal que el costo total asociado sea mnimo.

Este problema se present por primera vez en 1960, en un artculo de Miller, Ticker y Zemlin, pero hay una variedad de mtodos que resuelven el problema, dependiendo del tamao de n, el nmero de ciudades. Una formulacin de este problema es la siguiente: -Sean: 1, si se visita a la ciudad j despus de visitar la ciudad i 0, si no se visita a la ciudad j despus de visitar la ciudad i. Xij = cij= el costo asociado a la visita de la ciudad j despus de visitar la ciudad i ui= un nmero real arbitrario. Entonces se requiere: Mn Z=i=0nj=0ncijXij sujeto a i=0nXij=1, j=0, 1, 2,, n. j=0 nXij=1, i=1, 2, , n. ui-uj+nXijn-1, 1ijn, Xij=0 1 para toda i, j.

e. Problema tipo mochila. Este tipo de problemas de optimizacin de carcter entero puede darse en dos versiones. En la primera nos proporciona un cierto espacio con determinado volumen o capacidad, y este debe ser llenado con objetos de valor y volumen o capacidad especificados. El problema consiste en llenar ese espacio con el conjunto de objetos ms valioso, sin exceder los lmites fsicos de dicho espacio. La segunda versin consiste en dividir a un objeto en porciones de diferente valor. El problema consiste en encontrar la divisin de mayor valor. El problema se formula como: Mx Z= i=0nviXi sujeto a i=0nkiXiK Xi0, entero, i=1, 2, , n Donde: -vi: es el valor del objeto i, i =1, 2,, n, -ki: es la capacidad o volumen del objeto i, i = 1, 2,, n, -K: es la capacidad o volumen del espacio. f. Dicotomas y problemas de aproximacin. Una dicotoma ocurre en un programa matemtico, cuando se tienen condiciones del tipo esta restriccin o la otra restriccin, pero no ambas. Este tipo de condiciones se pueden representar por medio de una estructura entera.

Esta situacin puede considerarse como sigue: -Sean las m restricciones de la forma: gix1, x2, ,xnbi, i=1, 2, , m Por definicin 0, si la i-sima restriccin es activa 1, si la i-sima restriccin es inactiva yi = Por consiguiente, cualesquiera k de las m restricciones se garantiza que son activas si, para una M suficientemente grande: gix1,x2,,xnbi+Myi, i=1, 2, ,m Y y1+y2++ym=m-k Donde yi=0 1 para toda i. Esto demuestra que para m-k restricciones, su segundo miembro asociado ser de la forma bj+M, lo cual hace la restriccin redundante. Es importante notar que la formulacin anterior elegir el conjunto de restricciones activas que proporcionen el mejor valor de la funcin objetivo.

Programacin No Lineal
La programacin no lineal (PNL) es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con un funcin objetivo a maximizar (o minimizar), cuando alguna de las restricciones o la funcin objetivo no son lineales. Los problemas de programacin no lineal se presentan de muchas formas distintas. Al contrario del mtodo simplex para programacin lineal, no se dispone de un algoritmo que resuelva todos estos tipos especiales de problemas. En su lugar, se han desarrollado algoritmos para algunas clases (tipos especiales) de problemas de programacin no lineal. Se introducirn las clases ms importantes y despus se describir cmo se pueden resolver algunos de estos problemas. Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal. Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de Optimizacin convexa. Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin.

Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor lmite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de fiabilidad apropiado.

Mtodo de la Programacin No Lineal Programacin Cuadrtica

Los problemas de programacin cuadrtica tienen restricciones lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la nica diferencia entre stos y un problema de programacin lineal es que algunos trminos de la funcin objetivo incluyen el cuadrado de una variable o el producto de dos variables. Es un tipo especial de matemtico optimizacin problema. Es el problema de optimizar (reduciendo al mnimo o maximizando) una funcin cuadrtica de varias variables conforme a apremios lineares en estas variables. El problema de la programacin cuadrtica se puede formular como: [Asuma x pertenece a espacio. nn matriz Q es simtrico, y c es cualquiera n vector 1. Reduzca al mnimo (con respecto a x) Conforme a unos o ms apremios de la forma (constreimiento de la desigualdad) Ex = d (constreimiento de la igualdad) donde indica el vector transporte de la notacin significa que cada entrada del vector Hacha es inferior o igual la entrada el corresponder del vector b.

Si Q es a matriz semidefinitiva positiva, entonces f(x) es a funcin convexa. En este caso el programa cuadrtico tiene un minimizar global si existe por lo menos un vector x satisfaccin de los apremios yf(x) se limita abajo en la regin factible. Si la matriz Q es definido positivo entonces este minimizar global es nico. Si Q es cero, despus el problema se convierte en a programa linear. De

teora de la optimizacin, una condicin necesaria para un punto x ser un minimizar global est para que satisfaga Karush-Kuhn-TuckerCondiciones (KKT). Las condiciones de KKT son tambin suficientes cuando f(x) es convexo. Si hay solamente apremios de la igualdad, despus el QP se puede solucionar por al sistema linear. Si no, una variedad de mtodos para solucionar el QP es de uso general, incluyendo punto interior, sistema activo y gradiente conyugal mtodos. La programacin cuadrtica convexa es un caso especial del campo ms general de optimizacin convexa.

Mtodo De Programacin No Lineal


Si la funcin objetivo f es lineal y el espacio restringido es un politop, el problema es de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos algoritmos de programacin lineal. Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el mtodo general de Optimizacin convexa. Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos consiste en utilizar formulaciones especiales de problemas de programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se divide en subdivisiones a resolver mediante aproximaciones que forman un lmite inferior del coste total en cada subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual o inferior que el mejor lmite inferior obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser estimada en un grado de fiabilidad apropiado. Las condiciones de Karush-Kuhn-Tucker proporcionan necesarias para que una solucin sea ptima. Se presenta un ejemplo de la problemtica de transporte: las condiciones

Las tcnicas de anlisis urbano consideran a la ciudad como un sistema de interrelaciones anteriormente definido- en el cual cualquier decisin que afecte a una de sus partes, repercute en mayor o menor grado en las restantes. Dentro de los mecanismos que regulan el funcionamiento de la ciudad como sistema de interrelaciones, el transporte y la circulacin urbana desempean un rol fundamental: sea por sus efectos directos, al posibilitar el desplazamiento de personas o bienes, o bien sea por sus efectos indirectos al inducir transformaciones en la estructura urbana. A su vez, infrestuctura y servicios de transporte ejercen una influencia decisiva en la morfologa y el funcionamiento urbano.

El problema del transporte no puede resolverse en s mismo; al actuar en el mbito de la ciudad es preciso conocer a fondo sus caractersticas para llegar a determinar no slo la demanda de transporte previsible sino tambin los medios ms adecuados para satisfacerla, quienes estarn en estrecha relacin con las caractersticas estructurales de la ciudad y con la deseada coordinacin de los diferentes medios actuantes. Finalmente cabe sealar que los transportes son un instrumento de poder de la autoridad para regular el desarrollo urbano de acuerdo con planes trazados, dando prioridad a la relacin entre el desarrollo urbano y el transporte, a las caractersticas de la ciudad y su relacin con la regin y las necesidades de relacin que ello plantea, para satisfacer la adecuada movilidad de sus habitantes. La experiencia internacional confirma la postura que, se entiende, debe asumirse, en el sentido de que las polticas deben estar dirigidas a inducir el uso de medios de transporte masivos, tendientes a minimizar los costos intervinientes en tal decisin.

Mtodo Simplex

El Mtodo Simplex es un mtodo analtico de solucin de problemas de programacin lineal capaz de resolver modelos ms complejos que los resueltos mediante el mtodo grfico sin restriccin en el nmero de variables. El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en cada paso. La razn matemtica de esta mejora radica en que el mtodo

consiste en caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar), dado que el nmero de vrtices que presenta un poliedro solucin es finito siempre se hallar solucin. Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de crear un algoritmo capaz de solucionar problemas de m restricciones y n variables.

Variables de Holgura y Exceso


El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones iniciales que se modelan mediante programacin lineal no lo son, para ello hay que convertir estas inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso relacionadas con el recurso al cual hace referencia la restriccin y que en el tabulado final representa el "Slack or surplus" al que hacen referencia los famosos programas de resolucin de investigacin de operaciones, estas variables adquieren un gran valor en el anlisis de sensibilidad y juegan un rol fundamental en la creacin de la matriz identidad base del Simplex. Estas variables suelen estar representadas por la letra "S", se suman si la restriccin es de signo "<= " y se restan si la restriccin es de signo ">=". Por ejemplo:

Variable Artificial o Mtodo de la "M"

Una variable artificial es un truco matemtico para convertir inecuaciones ">=" en ecuaciones, o cuando aparecen igualdades en el problema original, la caracterstica principal de estas variables es que no deben formar parte de la solucin, dado que no representan recursos. El objetivo fundamental de estas variables es la formacin de la matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las restricciones, su coeficiente es M (por esto se le denomina Mtodo de la M grande, donde M significa un nmero demasiado grande muy poco atractivo para la funcin objetivo), y el signo en la funcin objetivo va en contra del sentido de la misma, es decir, en problemas de Maximizacin su signo es menos (-) y en problemas de Minimizacin su signo es (+), repetimos con el objetivo de que su valor en la solucin sea cero (0).

Mtodo Karmarkar
Es un algoritmo de tipo Polinmico, se utiliza una transformacin de la geometra proyectiva para crear un conjunto de variables transformadas y1,y2 yn. Esta transformacin llammosla f .transforma siempre el punto actual en el centro de la regin factible en el espacio definido por las transformadas. Si la transformacin se convierte en al punto x en el punto y, se escribe f(x) = y. En el espacio transformado, el algoritmo empieza con el desplazamiento desde f(x^0) en una buena direccin que tiende a mejorar z y conserva la factibilidad del PL.

Problema de transporte

El problema consiste en decidir cuntas unidades trasladar desde ciertos puntos de origen (platas, ciudades, etc) a ciertos puntos de destino (centros de distribucin, ciudades, etc) de modo de minimizar los costos de transporte, dada la oferta y demanda en dichos puntos. Se suponen conocidos los costos unitarios de transporte, los requerimientos de demanda y la oferta disponible. Por ejemplo, suponga que una empresa posee dos plantas que elaboran un determinado producto en cantidades de 250 y 400 unidades diarias, respectivamente. Dichas unidades deben ser trasladadas a tres centros de distribucin con demandas diarias de 200, 200 y 250 unidades, respectivamente. Los costos de transporte (en $/unidad) son:

Se requiere formular un modelo de Programacin Lineal que permita satisfacer los requerimientos de demanda al mnimo costo. -Solucin:

Variables de Decisin: Xij : Unidades transportadas desde la planta i (i=1, 2) hasta el centro de distribucin j (j=1, 2, 3) Funcin Objetivo: Minimizar el costo de transporte dado por la funcin: 21X11 + 25X12 + 15X13 + 28X21 + 13X22 + 19X23 Restricciones: Satisfacer los requerimientos de Demanda: X11+ X21 = 200 X12 + X22 = 200 X13 + X23 = 250 Sujeto a la Oferta de las plantas:: X11+ X12 + X13 = 250 X21 + X22+ X23 = 400 No Negatividad: Xij >= 0

El siguiente diagrama permite una visualizacin de la situacin anterior:

Modelo Dertministico y Probalistico

Un modelo determinstico es un modelo matemtico donde las mismas entradas producirn invariablemente las mismas salidas, no contemplndose la existencia del azar ni el principio de incertidumbre. Est estrechamente relacionado con la creacin de entornos simulados a travs de simuladores para el estudio de situaciones hipotticas, o para crear sistemas de gestin que permitan disminuir la incertidumbre. La inclusin de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinstico har posible que ste se aproxime a un modelo probabilsticoo de enfoque estocstico. Un modelo probabilistico, es como su nombre lo indica un Modelo en que las acciones o alternativas posibles estn signadas por el azar, es decir dependen de eventos aleatorios; y que estos han sido estudiados y medidos con auxilio de la estadstica, lo que te permite estimar la probabilidad de ocurrencia de un evento concreto. Estos modelos se usan en el anlisis de Teoras de Cola, rboles de Decisin, etc.

Programacin Dinmica

Anteriormente se destacaba que el nombre de Programacin Matemtica no era muy representativo de la propia tcnica, el de Programacin Dinmica no lo mejora.Cuando el nombre Programacin Matemtica haba adquirido cierto auge, Bellman plante en la dcada de los 50 (del siglo XX) la herramienta denominada Programacin Dinmica, a travs de su libro del mismo ttulo para la resolucin de problemas de carcter secuencial (inicialmente econmicos pero tambin fsicos y matemticos). El fundamento de este procedimiento se encuentra en el principio de optimalidad que Bellman- enunci del siguiente modo: Una poltica es ptima si en un periodo dado, cualesquiera que sean las decisiones precedentes, las decisiones que queden por tomar constituyen una poltica ptima teniendo en cuenta los resultados precedentes. La Programacin Dinmica es un mtodo de optimizacin de los sistemas o de su representacin matemtica, sobre la que se opera por fases o secuencias (Kauffman, 1972).

El mtodo de resolucin denominado Programacin Dinmica consiste en buscar las sub-polticas ptimas que comprendan cada vez ms fases unitivas (Denardo, 1982), hasta encontrar la, o las, polticas ptimas. En ciertos problemas los clculos se vuelven mucho ms simples cuando se hace la optimizacin en un cierto sentido privilegiado o a partir de cierta fase (Companys, 2002). Las variables utilizadas pueden ser discretas o continuas. Adems los parmetros pueden ser deterministas o estocsticos. Cuando el futuro es aleatorio (parmetros estocsticos), la optimizacin de la esperanza matemtica del valor total slo puede llevarse a cabo en un sentido, remontndose desde el futuro hacia el pasado(Kauffman, 1972). Si al concepto de Programacin Dinmica se le une la consideracin de los mtodos de Ramificacin y Corte, aparece el concepto de Programacin Dinmica Acotada, por el cual se utilizan cotas en un esquema de Programacin Dinmica, limitando el nmero de vrtices que se pueden almacenar(Bautista, Companys, and Corominas, 1992) Por las propias caractersticas de la aproximacin a la resolucin de problemas de Programacin Dinmica (analizar el problema desde el final y retroceder por el camino hacia el principio) se puede compartir la afirmacin de que la Programacin Matemtica, adems de un modo de modelar es un modo de vida.

Teora de Grafos

Segn Kauffman (Kauffman, 1972), la Teora de Redes es una rama de la teora de conjuntos basada en los trabajos de Kning. En aquel momento, era para el autor, la rama de la teora de conjuntos con ms futuro. De hecho aporta una ayuda eficaz para modelar y resolver determinados problemas de carcter combinatorio que aparecen en los ms diversos dominios (Companys, 2003).La teora de redes, o de grafos, incluye un modo de representar y un soporte matemtico para resolver. El modo de representar es intuitivo en su forma ms simple, por su relacin con la realidad fsica, de determinados tipos de problemas. El soporte matemtico es especial para cada tipo de problema, que suelen ser complejos problemas de combinatoria, permite resolverlo de modo ms simple que al utilizar la Programacin Matemtica convencional. Es relativamente sencillo traducir un modelo de red a un modelo de Programacin Matemtica, es un poco ms complicado hacer la traduccin a la inversa. La decisin sobre qu modo de modelar se debe utilizar, debe tomarla el modelador teniendo en cuenta la necesidad de transmitir el modelo (donde la teora de grafos es claramente superior), la disponibilidad de herramientas y la realidad concreta a modelar. En lneas generales se puede decir que los componentes bsicos de la denominada Teora de Grafos son los vrtices (o nodos o puntos) y los arcos que los unen. A un conjunto determinado de vrtices y arcos se le denomina red. A partir de estos conceptos s e desarrollan otros como camino, corte, rbol, etc.

Algunos de los principales modelos que de este modo se plantean son: los problemas de rbol mnimo, de camino mnimo, de flujo mximo o de permutacin ptima. El poder reducir un problema real a un problema clsico de grafos implica la posibilidad de conocer mtodos eficaces de resolucin, para muchos de ellos (siempre dependiendo del tamao y la complejidad). Algunos de los problemas de Gestin Industrial que se pueden abordar con estos mtodos son la programacin de Proyectos, la Gestin de Inventarios, Diseo de Rutas, Secuenciacin y Temporizacin, etc.

Bibliografa
Investigacion de Operaciones. Disponible: http://148.204.211.134/polilibros/portal/Polilibros/P_terminados/Investigacion_de_O peraciones_Careaga/Common/IO-modulo1-antecedenteshistoricos.htm Modelos y mtodos de investigacin de operaciones. Procedimientos para pensar. Disponible: http://personales.upv.es/jpgarcia/LinkedDocuments/modeladomatematico.pdf Comparativo del mtodo de Karmarkar y el mtodo Simplex para resolver PL. Disponible: http://es.scribd.com/doc/73315129/Comparativo-Simplex-y-Karmarkar Programacion entera. Disponible: http://www.investigaciondeoperaciones.net/programacion_entera.html Hillier-Lieberman.(1995). Introduccin a la investigacin de operaciones. MacGraw-Hill.

Introduccin

La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas

para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten. En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones. Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes de una organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda la organizacin. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la Investigacin De Operaciones (Io). Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares prestados

a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaa en el pacfico. Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que haban participado en los

equipos de IO o que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo antes del trmino de la dcada de 1950. Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de las computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama e computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin de operaciones.

Repblica Bolivariana de Venezuela Ministerio del Poder Popular para la Educacin Universitaria Instituto Universitario Jess Obrero Ctedra: Investigaciones de Operaciones 5to Semestre de Informtica A Los Flores-Catia

Programacin Lineal

Profesor: David Hernndez

Integrante: Abigail Nelo C.I. 22.029.626

Caracas, 11 de diciembre del 2012