Programación Lineal

Esquema General de la Exposición

Programación Lineal
 Introducción
 Primeros Conceptos
 Fases del Estudio de un Problema de P.L.
 Utilizando la P.L a un problema de aplicación
 Planteo General de un Modelo de P.L.
 Métodos de Resolución
 Interpretación de la Tabla Simplex
 Análisis de Sensibilidad (estudio preliminar)
 Adaptación a otras formas de Modelo
Introducción
 Objetivos de la unidad
 Origen de la Programación Lineal
Objetivos de la unidad
 Captar la idea de la programación lineal y sus
posibilidades de aplicación a problemas prácticos
 Dominar el lenguaje propio de la programación lineal:
función objetivo, restricciones, región factible, etc...
 Saber representar regiones factibles y determinar
gráficamente los puntos donde puede darse la solución
óptima. Encontrar esa solución óptima
 Plantear un problema de programación lineal partiendo de
su enunciado en términos generales
 Conocer y valorar el origen de la programación lineal y su
influencia en la historia de este siglo
 Utilizar y valorar las nuevas tecnologías.
Origen de la P. L.
 Muchas personas clasifican el desarrollo
de la Programación Lineal (PL) entre
los avances científicos más importantes
de mediados del siglo XX, su impacto
comienza desde 1947, cuando
G.B.Dantzing hizo la primera
formulación del método del Simplex
Primeros Conceptos
 Qué es la P. L.?
 Ejemplos de aplicación
Qué es la P. L.?
La Programación Lineal es una clase de
modelos de programación matemática
destinados a la asignación eficiente de
los recursos limitados en actividades
conocidas, con el objetivo de
satisfacer las metas deseadas, tal como
maximizar beneficios o minimizar costos
Ejemplos de aplicación
 Decisiones de mezcla de productos
 Decisiones de fabricación o compra
 Problemas de dietas
 Administración de cartera de valores
 Mezcla de diversos componentes
 Planificación de la Producción
Fases del Estudio de un
Problema de P.L.
 Identificación y definición del problema.
 Formulación del modelo matemático.
 Solución del modelo.
 Análisis de los resultados
 Implementación de los resultados
finales
Planteo General de un
Modelo de P.L.
 Definición funcional
 Propiedades en común de un problema
de P.L.
 Modelo General
 Otras formas del modelo
 Suposiciones de P.L.
Definición funcional
De forma general, los problemas de
programación lineal pueden definirse como el
cálculo del máximo o mínimo de una
función lineal de una o varias variables,
cuando éstas están sujetas a una serie de
restricciones de carácter lineal. De acuerdo
con esto, el objetivo de la programación no es
calcular el mayor o menor valor de una función,
sino el mayor o menor valor de esa función que
sea compatible con las restricciones que pesan
sobre sus variables.
Propiedades en común de un
problema de P.L.
1. Los problemas de PL buscan maximizar o
minimizar una cantidad. Función Objetivo
(o Función Económica) de un problema PL.
2. La presencia de Restricciones limita el grado
en que podemos perseguir el objetivo.
3. Deben existir diferentes alternativas donde
poder elegir (actividades).
4. La función objetivo y las restricciones deben
ser expresadas en términos de ecuaciones o
inecuaciones lineales
 Modelo General
Maximizar Z  c1 x1  c2 x2  ...  cn xn , ( Función Objetivo)
Sujeto a las restriccio nes :
a11x1  a12 x2  ...  a1n x n  b1 (Re stric. Funcionale s )
a21x1  a22 x2  ...  a2 n x n  b2

am1 x1  am 2 x2  ...  amn x n  bm
y:
x1  0 x2  0 ... x n  0 (Condición No Negativ.)

Forma Estándar para el problema de PL

Modelo General:
Asignación de recursos a actividades
Consumo de recursos por unidad de
actividad

Actividad Cantidad
de
recurso
Recurso 1 2 ... n disponible

1 a11 a12 ... a1n b1

2 a21 a22 ... a2n b2
. .
. .
m am1 am2 … amn bm

Contribu-
ción a Z
c1 c2 ... cn
por
unidad de
Actividad
Símbolos del Modelo
Z = valor de la medida global de efectividad.
xj = nivel de actividad j (para j = 1, 2,..,n)
cj = incremento en Z que resulta al aumentar
una unidad en el nivel de actividad j.
bi = cantidad de recurso i disponible para
asignar a las actividades (para i = 1, 2,…,m)
aij = cantidad de recurso i consumido por cada
unidad de la actividad j.
Otras formas del modelo
 Minimizar en lugar de maximizar la Func. Objetivo
Minimizar Z  c1 x1  c2 x2  ...  cn xn
 Restricciones funcionales con desigualdades ;
a11x1  a12 x2  ...  a1n x n  b1
 Algunas restricciones en forma de ecuación
a11x1  a12 x2  ...  a1n x n  b1
 Las variables de decisión sin la restricción de no
negatividad: x1 no restringida en signo
 Lados derechos negativos: b1 0
Suposiciones de P.L.
 Proporcionalidad
 Aditividad
 Divisibilidad
 Certidumbre
Utilizando la P.L:
Definición del problema
Tiempo de
producción
por lotes, horas Tiempo de
producción
Planta disponible a la
Producto semana,
horas

1 2

1 1 0 4
2 0 2 12
3 3 2 18

Ganan-
cia por $ 3000 $ 5000
lote
Utilizando la P.L:
Formulación del modelo matemático
x1  lotes de producto1 fabricados por semana
x2  lotes de producto2 fabricados por semana
Z  ganancia semanal total(miles $)
Maximizar Z  3x1  5 x2 , ( Función Objetivo)
sujeta a :
x1  4 (Re stric. Funcionale s)
2 x2  12
3x1  2 x2  18
x1 y x2  0
Métodos de Resolución
 Método Gráfico (OR Courseware)
 Método Simplex (en forma Tabular)
 Método Simplex Revisado (Planteo
Matricial)
Método Simplex (en forma
Tabular)
 Es un procedimiento algebraico . Sin embargo,
sus conceptos fundamentales son geométricos.
 Se trata de un algoritmo iterativo que converge
al óptimo en número finito de iteraciones.
 El álgebra matricial y el proceso de eliminación
de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del
método simplex
 Solo analiza las soluciones FEV. Si el modelo
tiene solución una de ellas será la óptima.
Preparación para el Método
Simplex
1. Transformar las restricciones de
desigualdad en ecuaciones
2. Igualar la función objetivo a cero
3. Preparar la Tabla Simplex inicial
(WinQSB)
4. Aplicar el algoritmo iterativo
Transformar las restricciones
de desigualdad en ecuaciones
x1 4
La variable de holgura es :
x1  x3  4
El coef. de x 3 en Z es 0
Z  3x1  5 x2  0 x3
Igualar la función
objetivo a cero

Maximizar Z  3x1  5 x2

Z  3x1  5 x2  0
Método Simplex:
algoritmo iterativo
Inicialización Encontrar Solución
Básica

Prueba de Es óptima la solución?

optimalidad
Termina
No Si

Iteración
 Solución Básica Inicial
Siempre que es posible el Método Simplex
elige el origen (variables de decisión iguales a
cero) como la solución básica inicial.

x1  0 y x2  0
x1  x3 4 x3  4
2 x2  x4  12 x4  12
3x1  2 x2  x5  18 x5  18
Solución básica factible inicial (0,0,4,12,18)
 Prueba de optimalidad
Solución BF inicial x1  0 y x2  0
Entonces Z  3x1  5 x2  0
Cualquier mejoramiento en x1 o x2 mejorará Z.
En la Tabla Simplex:
La solución es óptima si y solo si todos los
coeficientes en la fila (0) son positivos.
 Variable básica entrante
Z  3x1  5x2
Aumenta x1? Tasa de mejoramiento Z= 3.
Aumenta x2? Tasa de mejoramiento Z= 5.
5 > 3 ; se elige x2 para aumentar su valor
x2 se llama variable básica entrante
Prueba del cociente mínimo:
Variable básica saliente
x1  0
x1  x3 4 x3  4  0
2 x2  x4  12 x4  12  2 x2  0
3x1  2 x2  x5  18 x5  18  2 x2  0

12
x4  12  2 x2  0  x2   6  Mínimo
2
18
x5  18  2 x2  0  x2   9
2
 Acomodamiento del sistema
de ecuaciones: Gauss-Jordan

Ecuación Pivote:
Nueva ec. Pivote = ec. Pivote/elemento pivote
Demás ecuaciones:
Nueva ec. = (ec. Anterior) - (coef. Columna entrante)*
(Nueva ec. Pivote)
Interpretación de la Tabla
Simplex
1. La solución óptima
2. El estado de los recursos
3. Los precios sombra
4. Los costos reducidos
La solución óptima
Var. Ec. Coeficiente de Lado
Bási- Nú- Dere-
ca mero cho
Z X1 X2 X3 X4 X5

Z (0) 1 0 0 0 3/2 1 36

X3 (1) 0 0 0 1 1/3 -1/3 2

X2 (2) 0 0 1 0 1/2 0 6

X1 (3) 0 1 0 0 -1/3 1/2 2

 El estado de los recursos
Recurso Holgura Estado del
recurso

Hs. En Planta 1 X3=2 Abundante

Hs. En Planta 2 X4=0 Escasos

Hs. En Planta 3 X5=0 Escasos

Los precios sombra
Var. Ec. Coeficiente de Lado
Básica Núm. Dere.

Z X1 X2 X3 X4 X5

Z (0) 1 0 0 0 3/2 1 36

y*1= 0 precio sombra del recurso 1

y*2= 3/2 precio sombra del recurso 2
y*3= 1 precio sombra del recurso 3
 Los costos reducidos (Ej.)
Var. Ec. Coeficiente de Lado
Básica Núme. derecho
Z X1 X2 X3 X4 X5 X6

Z (0) 1 0 1/2 0 5/2 0 0 20

X3 (1) 0 0 3/2 1 -1/2 0 0 2

X1 (2) 0 0 1/2 0 1/2 0 0 4

X5 (3) 0 1 3/2 0 1/2 1 0 5

X6 (4) 0 0 1 0 0 0 1 2
 Análisis de Sensibilidad

•El propósito principal del análisis de sensibilidad es

identificar los parámetros sensibles, esto es,
aquellos que no pueden cambiar sin cambiar la
solución óptima.
•En general se estudian bi, cj y aij debido a la
suposición de certidumbre.

(OR Courseware)
Otras formas del modelo
 Restricciones funcionales con desigualdades ;
a11x1  a12 x2  ...  a1n x n  b1
 Algunas restricciones en forma de ecuación
a11x1  a12 x2  ...  a1n x n  b1
 Minimizar en lugar de maximizar la Func. Objetivo
Minimizar Z  c1 x1  c2 x2  ...  cn xn
 Lados derechos negativos: b1 0
 Las variables de decisión sin la restricción de no
negatividad: x1 no restringida en signo
Restricciones funcionales con
desigualdades  (OR Courseware)
x1 4
La variable de " exceso"es x 3 :
x1  x3  4 para x3  0
para encontrar la solución BFinicial
se agrega una variable artificial λ :
x1  x3    4 para x3 y   0
En la func. objetivo el coef. de
x3 es 0 y el de  es  M
para M tan grande como se pueda. Quedando
Maximizar Z  3 x1  5 x2  0 x3  M
Algunas restricciones en forma de
ecuación
Considerem os el siguiente modelo :
Maximizar Z  3 x1  5 x2
x1 4
2 x2  12
3 x1  2 x2  18
Introducie ndo las var. de holgura :
x1  x3 4
2 x2  x4  12
3 x1  2 x2  18
Sin sol. BF inicial debido a que la última ec. holgura
Algunas restricciones en forma de
ecuación (cont.)
Se procede de la siguiente forma :
1. Se introduce una var. artificial a la última ec.
3 x1  2 x2    18
2. Se asigna una gran penalizaci ón (-M) para  en el funcional.
El modelo final nos queda :
Maximizar Z  3x1  5 x2  0 x3  0 x4  M
x1  x3 4
2 x2  x4  12
3x1  2 x2    18
La sol. BF inicial nos queda :
Var. Básicas x1  x2  0
Var. No Básicas x3  4, x4  12 y   18
Minimizar en lugar de maximizar
la Func. Objetivo
Una manera sencilla de convertir
cualquier problema de minimizaci ón
en un problema equivalent e de maximizaci ón :
n
Minimizar Z   C j x j
j 1

Es equivalent e a
n
Maximizar - Z   (C j ) x j
j 1

Las dos formulacio nes llevan a la misma solución óptima.

Lados derechos negativos: bj 0
La técnica a seguir es multiplica r
ambos lados de la restricció n por - 1
invirtiend o lógicament e el sentido de la
desigualda d.
Por ejemplo :
x1  x2  1
Multipl. por - 1
 x1  x2  1
Luego se sigue con el Met. Simplex
Las variables de decisión sin la
restricción de no negatividad
1. Variable acotada
x1  10 donde - 10 es la cota
Sustituyo x1  x1 * 10
x1 * 10  10  x1*  0
2. Variable No Acotada
 
Sustituyo x1  x1  x1
 
Donde x1  0 y x1  0