INTRODUCCIÓN
MODELO DE OPTIMIZACIÓN
Están diseñados para proporcionar los "mejores" valores de diseño del sistema y las variables de
política operativa - valores que conduzcan a los más altos niveles de rendimiento del sistema.
Conformados por:
Funciones objetivo
Variables de decisión
Restricciones
CLASIFICACIÓN
MÉTODOS
3. Método de transporte: Analiza los costos de transporte tanto de la materia prima como
de los productos terminados
4. Método de asignación: El objetivo es asignar los trabajos a las máquinas (un trabajo por
máquina) con el costo mínimo total.
5. Programación no lineal: Los problemas no lineales se caracterizan por tener relaciones no
lineales; es decir, no existe una relación directa y proporcional entre las variables que
intervienen.
En la teoría puede ser fácil de aplicar, sin embargo, no es conveniente su uso desde el
punto de vista práctico. La razón para esto es que las restricciones serán no lineales para la
mayoría de los problemas prácticos, y muchas veces son muy complicados de resolver.
8. Método de LaGrange: Este método se usa para resolver PNL en los que las restricciones,
son las restricciones igualdades.
Programación Lineal
Consiste en optimizar una función lineal, denominada función objetivo que esta sujeta a una serie
de restricciones. Se verán 3 métodos para resolver un problema de programación lineal
MÉTODO GRÁFICO
El método gráfico se emplea para resolver problemas que presentan sólo 2 variables de decisión.
El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas
X1, X2 para tratar de identificar el área de soluciones factibles (soluciones que cumplen con todas
las restricciones). La solución óptima del problema se encuentra en uno de los vértices de esta
área de soluciones creada, por lo que se buscará en estos datos, el valor mínimo o máximo del
problema.
El valor de la función objetivo en cada una de las esquinas del área de soluciones factible es:
Algoritmo Simplex
2. Encuentre una solución factible básica (sfb), si es posible, a partir de la forma estándar.
5. Aplicar Operaciones de renglón (OER) para encontrar la nueva sfb. Regresar al paso 3.
La “Dakota Furniture Company” fabrica escritorios, mesas y sillas. Para la manufactura de cada
tipo de mueble se requiere madera y dos tipos de manos de obra calificada: acabado y carpintería.
La cantidad de recursos necesarios para elaborar cada tipo de muebles se proporciona en la tabla
1.
Para comenzar con el paso dos, se eligen las variables básicas (VB) y las variables no básicas
(VNB). Quedando de la siguiente manera:
De esta manera obtenemos nuestra primera solución factible (con x1, x2 y x3 igual a cero), pero no
óptima.
VB x1 x2 x3 s1 s2 s3 s4 Solución RMC
z -60 -30 -20 0 0 0 0 0
s1 8 6 1 1 0 0 0 48
s2 4 2 1,5 0 1 0 0 20
s3 2 1,5 0,5 0 0 1 0 8
s4 0 1 0 0 0 0 1 5
𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛
𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑝𝑖𝑣𝑜𝑡𝑒
“La restricción con el cociente más pequeño se denomina ganador de la prueba de cociente, este
indicará que variable básica deberá salir”
VB x1 x2 x3 s1 s2 s3 s4 Solución RMC
z -60 -30 -20 0 0 0 0 0
s1 8 6 1 1 0 0 0 48 6
s2 4 2 1,5 0 1 0 0 20 5
s3 2 1,5 0,5 0 0 1 0 8 4
s4 0 1 0 0 0 0 1 5 -
VB x1 x2 x3 s1 s2 s3 s4 Solución RMC
z 0 15 -5 0 0 30 0 240
s1 0 0 -1 1 0 -4 0 16
s2 0 -1 0,5 0 1 -2 0 4
x1 1 0,75 0,25 0 0 0,5 0 4
s4 0 1 0 0 0 0 1 5
VB x1 x2 x3 s1 s2 s3 s4 Solución RMC
z 0 15 -5 0 0 30 0 240
s1 0 0 -1 1 0 -4 0 16 -16
s2 0 -1 0,5 0 1 -2 0 4 8
x1 1 0,75 0,25 0 0 0,5 0 4 16
s4 0 1 0 0 0 0 1 5 -
VB x1 x2 x3 s1 s2 s3 s4 Solución RMC
z 0 5 0 0 10 10 0 280
s1 0 -2 0 1 2 -8 0 24 -16
x3 0 -2 1 0 2 -4 0 8 8
x1 1 1,25 0 0 -0,5 1,5 0 2 16
s4 0 1 0 0 0 0 1 5 -
z 280
x1 2
x2 0
x3 8
Si el caso hubiese sido de minimización, tomamos como referencia que todos los coeficientes de la
fila cero sean negativos.
1. La SAVE IT COMPANY opera un centro de reciclado que recoge 4 tipos de materiales de desecho
sólido y lo trata para amalgamarlo en un producto comercializable. (El tratamiento y el
amalgamiento son dos procesos diferentes). Se puede hacer tres grados diferentes de este
producto (Vea la Tabla 1), según la mezcla de materiales que se use. Aunque existe alguna
flexibilidad para esta mezcla en cado grado, los estándares de calidad especifican una cantidad
mínima y máxima para la proporción de los materiales permitidos en ese grado. (Esta proporción
es el peso del material expresado como un personaje del peso total del producto de ese grado).
Para los dos grados más altos se especifica un porcentaje fijo de uno de los materiales. Estas
especificaciones se dan en la Tabla 1 junto con el costo de amalgamado y el precio de venta de
cada producto.
El centro de reciclado recoge los materiales de desecho sólido de ciertas fuentes habituales por lo
que casi siempre puede mantener una tasa de producción estable para tratarlos. En la Tabla 2 se
dan las cantidades disponibles para la recolección y tratamiento semanal, al igual que el costo de
proceso para cada tipo de material.
La Sav-It Co. Es propiedad de Green Earth, una organización dedicada a asuntos ecológicos. Esta
organización ha logrado contribuciones y apoyos por la cantidad de $30,000 semanales, que
deben usarse sólo para cubrir el costo del tratamiento completo de los desechos sólidos. El
consejo directivo Green Earth ha girado instrucciones a la administración de la Save-It para que
divida este dinero entre los materiales de manera tal que se recolecte y se trate al menos la mitad
de la cantidad disponible de cada material. Esta restricción se muestra en la Tabla 2.
Variable de decisión
Xij= proporción del material j usado por semana en el producto de grado i producido por semana
(i=A=1, B=2, C=3; j=1, 2, 3, 4)
Función objetivo
Max z=8.5(X11+ X12+ X13+ X14)+ 7.0(X21+ X22+ X23+ X24)+ 5.5(X31+ X32+ X33+ X34)-3.0 (X11+ X12+ X13+
X14)- 2.5(X21+ X22+ X23+ X24)- 2.0(X31+ X32+ X33+ X34)
Restricciones
Especicificaciones de la mezcla
Disponibilidad de materiales
3.0 (X11+ X21+ X31)+ 6.0(X12+ X22+ X32)+ 4.0(X13+ X23+ X33)+ 5.0 (X14+ X24+ X34)=30,000
Restricciones de no negatividad
N,N
Los compromisos actuales con los distribuidores requiere que se fabriquen cuando menos 10 000
galones de gasolina normal.
Variable de decisión.
Función objetivo
Restricciones
• Disponibilidad de componentes.
El mayorista comprara cualquier cantidad de ambas mezclas de fertilizante que la compañía pueda
fabricar. Esta dispuesto a pagar a $71.50 la tonelada de (5.5.10) y a $69 la tonelada de (5.10.5).
Variables de decisión
Función objetivo:
Restricciones
Corrida en lindo:
Programación Entera: Los programas lineales enteros son aquellos en los que algunas o
todas las variables están restringidas a tener valores enteros (o discretos).
La empresa Telfa Corporation se dedica a la fabricación de mesas y sillas. Para la fabricar una mesa
se requieren una hora de mano de obra y 9 pies de tablón de madera, en tanto que para una silla
se necesitan 1 hora de mano de obra y 5 pies de tablón de madera. En la actualidad, están
disponibles 6 horas de mano de obra y 45 pies de tablón de madera al mes. Cada mesa contribuye
con 8 dólares a las utilidades y cada silla con 5 dólares. Formule y resuelva un PE para maximizar
las utilidades de Telfa .
Max
( )( ) ( )( )
Paso 4.- Establecer Restricciones.
Restricción de la madera
( )( ) ( )( )
( )( ) ( )( )
Si todas las variables de decisión asumieran valores enteros la solución óptima del
problema de PL sería la solución óptima del problema de PE.
Como no sucede lo antes mencionado en este caso se debe continuar al paso número 6.
Se elige de modo arbitrario una variable fraccionaria de la solución óptima del problema de PL
para generar dos zonas de posibles soluciones. En este caso se elige y a continuación se
presentan 2 opciones diferentes.
Paso 7.-Se realiza un árbol (que es la representación de todos los subproblemas que se
proponen).
S 2 Subproblema 1 + restricción
S 3 Subproblema 1 + restricción
A esto se le conoce como ramificación sobre
La solución optima del subproblema 2 no ofreció una solución de enteros únicamente por
lo cual se repítela metodología del paso 6.
S 4 Subproblema 2 + restricción
S 5 Subproblema 2 + restricción 1
Paso 10.- Escoger un subproblema y resolverlo.
El subproblema 4 no es factible.
Z= 365/9
X1=40/9
X2=1
S 6 Subproblema 5 + restricción
S 7 Subproblema 5 + restricción
Z= 37
X1=4
X2=1
Dado que los valores de la solución son enteros, estos representan una solución factible
para el problema de PE.
Ejemplos
Sujeto a
0 y enteros
PL1:
Sujeto a
PL2:
Sujeto a
0
Aún se puede hacer un PL3 ya que en el PL2 no se cumple que las variables sean
números enteros, entonces:
Sujeto a
St
X1+x2<=6
5x1+9x2<=45
NN
St
X1+x2<=6
5x1+9x2<=45
X1,x2>=0
Tenemos ahora que la lista está compuesta por 2 problemas pendientes: L={(P1),(P2)}. Sin
embargo, aún no encontramos una solución entera por lo que no actualizamos el
incumbente.
Escogemos (P3) para ser resuelto obteniendo que es infactible. Esto significa que
eliminamos a (P3) sin ser ramificado.
que es una solución entera mejor que la anterior por lo que actualizamos el incumbente:
z¯ = −40.
Como no quedan problemas en la lista, hemos encontrado que el óptimo entero del
problema viene dado por z = −40; x 1 = 0 y x 2 = 5
Programación entera binaria
A continuación se muestran los datos para tomar la decisión, incluido el valor presente
neto de cada alternativa y el capital requerido para sus respectivas inversiones. El objetivo
es encontrar la combinación factible de alternativas para maximizar el valor presente neto
total.
Solucion:
ó
{
ó
… [VPN total]
st
1. .
2. La compañía quiere construir cuando mucho un almacén nuevo.
es binaria, para
Acotamiento. Hay que obtener una cota que muestre qué tan buena puede ser la
solución factible, resolviendo una soltura [aquella que elimina restricciones que hacen que
el problema sea difícil; en este caso son aquellas que hacen que las variables sean
enteras].
Problema Completo:
Sub-problema 1 y Sub-problema 2:
Soltura: Sustituir que es binaria, para por y para los mismos
valores de j.
Una vez hecho el acotamiento, se resuelve el problema y los sub-problemas por métodos
de programación lineal
1. Su cota ≤ z*
Minimizar
Variables
Z=costo a minimizar.
de demanda.
Las demandas mensuales del producto en cada uno de los 4 puntos de distribución son:
Los costos del transporte, en $/unidad, entre las diversas combinaciones de fábricas y
almacenes son:
Función objetivo:
Restricciones
Resolviendo en lindo
El entrenador quiere determinar cómo asignar cuatro nadadores a los cuatro estilos de
nado para minimizar la suma de los mejores tiempos correspondientes.
El número de asignados (cinco) debe ser igual al número de estilos (cuatro) así que se
introduce una asignación ficticia (estilo) como Crol. El papel de esta asignación es
proporcionar un estilo a la persona adicional. No se incurre en tiempos del estilo así que
serán ceros.
Variables de decisión
Función Objetivo
Minimizar
Restricciones:
Asignados Asignación
No negatividad
Resolviendo en lindo:
GRADOS DE LIBERTAD
Los grados de libertad son un indicador para identificar los casos en los que probablemente el
problema de balance de materia no producirá una solución.
Redefiniendo:
(Composiciones o flujos)
Posibilidades:
, no hay solución
Relación de ecuaciones
-Balance de materia
-Balance de energía
-Relaciones estequiométricas
Ejemplo.
Se tiene un sistema de intercambiadores de calor que se lleva a cabo en dos equipos en serie.
INTERCAMBIADOR 1
….(7)
( )….(8)
….(9)
( )….(10)
( )
….(11)
INTERCAMBIADOR 2
( )
( )……(13)
( )…(15)
( ) ( )
…..(16)
Se forma la matriz de incidencia, donde los renglones representan las ecuaciones y las columnas
las variables involucradas. El sistema consiste de 10 ecuaciones con 13 incógnitas, lo cual implica
que se tienen 3 grados de libertad.
Fijar las variables Q1, m1, m2
Programación no lineal
Para un PL, el objetivo era maximizar o minimizar una función lineal sujeta a restricciones lineales.
Pero en muchos problemas interesante de maximización y minimización, la función objetivo es
una función lineal, o bien es posible que algunas de las restricciones no sean lineales. A este tipo
de problemas de optimización se le llama problemas de programación no lineal (PNL).
Método de Newton
La idea básica detrás del método de Newton es aproximar f(x) a la vecindad de prueba inicial
mediante una función cuadrática y después maximizar (o minimizar) la función aproximada
exactamente para obtener la nueva solución de prueba y así iniciar la siguiente iteración.
a. Seleccione . Encuentre una solución de prueba inicial por inspección. Establezca i=1.
b. Para la iteración i:
a. Calcule y .
b. Establezca .
Ejemplo
Maximizar
2.
3.
Ejemplo
[ ]
[ ]
Evaluar x en el gradiente
* +‖ ‖
Obtener la Hessiana
* +* + * +
* + * + * + * +
Se obtuvo la nueva x
* + * +
Evaluando en el gradiente
* + ‖ ‖
Método:
Al evaluar la función en esos puntos se rechaza alguna región dependiendo del peor valor para la
función objetivo.
Región eliminada
Ensayo de
Ensayo de
Está dado por la siguiente ecuación:
Donde:
Ejemplo
Método de Fibonacci
Este método es similar al método de la Sección Dorada, la diferencia es que el valor del factor de
contracción no es constante, sino que cambia con cada iteración.
Construcción de la busqueda
Ejemplo
Iteración 0:
Evaluamos la función:
Suponemos que la función es unimodal, rechazamos la región comprendida al lado derecho del
punto r0.
Iteración 1:
Iteración 2
Por lo tanto se detecta que el óptimo esta entre 3,6 y 5,4. La solución exacta implica x*=4
0.010
y
0.009
0.008
0.007
0.006
0.005
0.004
0.003
0.002
0.001
0.000
3.90 3.92 3.94 3.96 3.98 4.00 4.02 4.04 4.06 4.08 4.10
x
BIBLIOGRAFÍA