PROGRAMACION LINEAL
DESIDERIO PADILLA GARCIA
Dr en Ciencias de la Educación
Docente U.P.C.
PROGRAMACION LINEAL DEFINICION Es una técnica que se vale de los modelos matemáticos lineales y la informática para resolver problemas del mundo real, tomando decisiones acertadas que garanticen optimizar los recursos
TERMINOLOGIA
Investigación de Operaciones
Es el termino mas general con el cal se conoce esta técnica, la investigación de operaciones consta de dos partes :una la Programación Lineal constituida por todos aquellos problemas que se pueden plantear con el modelo de ecuaciones de primer grado o lineales y la otra la programación no lineal que se plantea con modelos de ecuaciones de diferentes grados. También podemos encontrar la Investigación de Operaciones con los nombre de : El Estudio de los Métodos Cuantitativos
para Resolver Problemas de la
Administración y el Estudio de los Modelos Cuantitativos Problemas de la Administración.
para Resolver
JUSTIFICACIÓN
Colocar al alcance del estudiante una herramienta para
resolver problemas de la
Investigación de Operaciones con cualquier número de variables, que manualmente son muy complejos de resolver, ofreciendo soluciones con unos datos confiables, ágiles e instantáneos. El texto se hace como una guía de consulta obligatoria en la función básica de sistematización del proceso educativo en la enseñanza de la Programación Lineal y no lineal, por otra parte sirve de instrumento didáctico de la enseñanza teórica frente al desarrollo de la práctica en la solución de los modelos matemáticos de la Programación Lineal y no lineal, de esta forma se hace participe al estudiantado con una mejor preparación del desarrollo institucional y se crea un proceso dinámico para que los estudiantes puedan adaptarse al medio en el ejercicio de sus profesiones.
Se requiere para la toma de decisiones ejecutivas, que consiste en: – El arte de modelar situaciones complejas, – La ciencia de desarrollar técnicas de solución para resolver dichos modelos. – La capacidad de comunicar efectivamente los resultados en la planeación , programación y ejecución .
OBJETIVO GENERAL
El Objetivo de la Programación Lineal
es Aportar a la toma de decisiones sistemas
complejos. Estudiar la asignación óptima de recursos escasos a determinada actividad. Evaluar el rendimiento de un sistema con objeto de mejorarlo. Obtener de la información resultados
cuantitativos
para
optimizar
los
recursos.
Mejorar
procedimientos
tradicionales: opiniones de expertos, reglas simples. Lograr flexibilidad y bajos costos. Conocer las limitaciones de los modelos determinísticos. Conocer y aplicar las metodologías y herramientas científicas básicas de la Programación Lineal mediante la construcción de modelos, conllevan a la resolución de problemas y su optimización, bajo situaciones de disponibilidad de recursos escasos. .
OBJETIVOS ESPECÍFICOS
Facilitar el proceso de aprendizaje de la programación lineal y no lineal. -
Servir de herramienta práctica para la solución de problemas del mundo real, en el campo de la programación lineal, con cualquier número de variables.
-
Desarrollar en el gestor educativo cualidades y destrezas en el análisis para la toma de decisiones cuantitativas acertadas, que contribuyan a la optimización de los recursos escasos disponibles (y a su cualificación).
Ofrecer a los estudiantes una comprensión conceptual y práctica en el uso del método SIMPLEX de la programación lineal en la optimización de los recursos escasos.
Servir de guía técnica y experimental, que propenda la cualificación del profesional en la Administración de los recursos.
Servir de guía para solucionar problemas relacionados con las actividades industriales y de servicios, optimizando los costos e ingresos que permitan la dinámica efectiva del proceso en la planeación, programación y organización administrativa.
Desarrollar al estudiante la capacidad de interpretación económica del resultado obtenido en la optimización.
PROGRAMACION LINEAL
1. CONCEPTOS BÁSICOS DE LA PROGRAMACIÓN LINEAL
1.1.1.
Formulación del problema.
Un problema de programación lineal se puede formular de la siguiente manera:
Dados los números reales o parámetros Cj, bi, aij, ( i = 1, 2, 3, ....m ; j = 1, 2, 3, ... n). Se desea optimizar el objetivo. Sujeto a m restricciones, por los recursos escasos.
1.1.2.
Variables de decisión
Es el conjunto de variables cuya magnitud deseamos determinar resolviendo el modelo de la programación lineal, dan respuesta a la pregunta hecha en la formulación del problema, estas las representamos por Xj j = 1, 2, . . . n 1.1.3.
Función objetivo (F.O)
La función objetivo la denominamos las variables de decisión
Z, es la función matemática que relaciona
Xj
j = 1, 2, 3 . . . n.
1.1.4. Restricciones
Las
restricciones
están
constituidas
por
el
conjunto
de
ecuaciones
y
desigualdades que limitan los valores que puedan tomar las variables de decisión en la solución, debido a la escasez de los recursos. (m número de restricciones)
1.1.5. Linealidad
Las relaciones entre las variables en la función objetivo, al igual que en las restricciones deben ser lineales; es decir, debe formularse el problema como un modelo de programación lineal.
1.1.6. Desigualdades cerradas
Las desigualdades usadas para representar las restricciones tienen que ser cerradas o flexibles, esto quiere decir, menor o igual o mayor o igual, no se permiten restricciones abiertas.
1.1.7. Condición de no-negatividad
Las variables en el modelo matemático de la programación lineal sólo puede tomar valores de cero o positivos, no se permiten variables con valores negativos.
2.
EL MODELO MATEMÁTICO GENERAL DE LA PROGRAMACION LINEAL
El modelo matemático de la programación lineal tiene la siguiente estructura: Maximizar
Z = C1 X1 + C2 X2 + ... + Cn Xn Sujeto a:
a11x1 + a12x2 +
...
+a1xn
a21x1 + a22x2 +
...
+a2xn
. . .
. . .
am1 X1 + am2x2 +
...
+am1xn
xj 0 para j = 1, 2, …n
b1 b2
. . . bm
Éste modelo lo podemos expresar en forma condensada como sigue: haciendo uso de sumatorias o de anotación matricial.
Maximizar Z
Cj X j
j = 1, 2, ... n
Sujeto a:
ax ij
j
Xj 0 Max. Z =
bi
para i = 1, 2, ...m
J = 1,2 ...n
para j = 1, 2, ... n
c x
Sujeto a :
AX b X 0 Donde la función Z es la función objetivo que se desea optimizar sujeta a las restricciones. Xj representa las variables de decisión cuyos valores deseamos conocer.
Cj , a ij y bi son parámetros
El vector renglón
Cj =
C1 , C2 , . . . , Cn ]
Se llama el “ vector de costos unitarios “ o “vector de precios unitarios “.
El Vector
b
b1 b2 . . . bm
b
El Vector b Es el vector de disponibilidad de recursos, es un vector columna.
La matriz A de valores aij se llama “matriz de coeficientes tecnológicos” o “matriz de uso o consumo”.
A=
.a11 .a21 . . . .am1
a12 a22
. . . . . .
a1n a2n
am2
. . .
amn
X1
X Las Decisión
X es un vector columna
variables de
X2 . . . Xn
A=
a1 a2 a3 ... an
a j = Vector formado por el vector correspondiente a cada columna de la matriz A ; se denominan vectores de actividad.
Xj
0 para j = 1, 2, . . . n
Representa la condición de no-negatividad de las variables del sistema matemático.
X es un vector columna de las variables de decisión. En las m
restricciones del modelo matemático no se incluye la condición de no negatividad X 0 , ya que esta es una condición y no una restricción.
Aplicación en la construcción de modelos matemáticos de la programación lineal a partir de la formulación de problemas : Problema de producción La compañía P G. produce dos tipos de radios y compra distintas partes de los radios a otra compañía local y los arma en su planta. El radio tipo I necesita 5 horas de montaje y el tipo II necesita 3 horas. Se dispone diariamente de 105 horas en el departamento de montaje, la compañía puede gastar hasta U$ 70 para comprar los elementos de los radios. Utiliza U$ 2 de material para el radio tipo I y U$ 4 para el radio tipo II, se pueden vender todos los que se producen y gana U$ 20 netos al vender cada unidad de radio tipo I y U$ 16 al vender cada unidad tipo II.
La compañía P y G pide que se calculen cuántas unidades de cada uno de los radios se deben producir para maximizar la utilidad.
Nota: los datos están en miles de unidades.
3.1
Modelo matemático
Planteamiento Variables de decisión
Sea: x1 = Número de unidades del radio tipo I a producir. x2 = Número de unidades del radio tipo II a producir. F. O.1
Maximizar
Z = 20 X1 + 16 X2
Sujeto a: Restricciones. 1.
5 X1 + 3 X2 105
2.
2 X1 + 4 X2
N. N. 2
X1 X2 0
70
Convertir las desigualdades a igualdades o pasar a la forma estándar. Igualar.
(0)
Z = 20X1 + 16X2 + 0X3 + 0X4
(1)
5X1 + 3X2 + X3 = 105
(2)
2X1 + 4X2 + X4 = 70 X1’ X2’ X3’ X4’ 0
Problema de mezcla 1 2
Función Objetivo No Negatividad
16. La Compañía Moreno Ltda.. fabrica fertilizantes especiales para clientes del mercado de cítricos. La Compañía acaba de recibir un pedido de 1000 toneladas de un fertilizante que debe satisfacer las siguientes especificaciones.
a.
Cuando menos un 20% de nitrógeno.
b.
Cuando menos un 30% de potasio.
c.
Cuando menos un 8% de fosfato.
La Compañía ha adquirido cuatro mezclas de fertilizantes a partir de los cuales puede fabricar sus fertilizantes especiales. Los porcentajes de potasio, nitrógeno y fosfato que contienen los fertilizantes básicos son:
Porcentaje de Fertilizante Nitrógeno
Potasio
Fosfato
1
40
20
10
2
30
10
5
3
20
40
5
4
5
5
30
Básico
El porcentaje restante de cada fertilizante básico consta de ingredientes inertes. Los costos de los fertilizantes básicos respectivos son $16, $12, $15, y $ 8 por tonelada. El objetivo es minimizar los costos. Plantear el modelo matemático.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN Sea:
Xj = El número de toneladas de cada uno de los fertilizantes básicos que deben incluirse en la mezcla de las 1000 toneladas. j = 1, 2, 3, 4
FUNCIÓN OBJETIVO
Mín Z = 16X1 + 12X2 + 15X3 + 8X4
Sujeto a: 1) 0.40X1 + 0.30X2 + 0.20X3 + 0.05X4 200 2) 0.20X1 + 0.10X2 + 0.40X3 + 0.05X4 300 3) 0.10X1 + 0.05X2 + 0.05X3 + 0.30X4 80 4)
X1 +
X1 ,
X2 +
X2 , X 3 , X4
X3 +
0
X4 = 1000
Problema de publicidad El Gerente de Mercadotecnia de una compañía que vende productos
19.
alimenticios dietéticos está considerando la promoción de un nuevo producto. El presupuesto de publicidad de la compañía incluye U$ 80000 para este fin.
La compañía puede hacer publicidad al nuevo producto a través de comerciales en televisión y / o anuncios en revistas. Cada comercial de televisión cuesta U$ 10000, pero se ha estimado que esos comerciales los ven 60000 personas.
Cada anuncio de revista cuesta U$ 6500, se estima que 35000 personas ven esos anuncios. Debido a que la compañía controladora de la empresa que vende alimentos dietéticos también tiene inversiones en diversas imprentas, los administradores de primer nivel han dado instrucciones al Gerente de mercadotecnia de que coloque cuando menos tres anuncios de revistas.
El Gerente de mercadotecnia ha decidido que la compañía debería tener cuando menos tantos comerciales de televisión como anuncios en revistas.
Formule el modelo de Programación Lineal para este problema.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea : X1 X2
= Cantidad de dinero a invertir en comerciales de televisión. = Cantidad de dinero a invertir en anuncios de revistas.
FUNCIÓN OBJETIVO
Max Z
= 60000X1 + 35000X2
Sujeto a: 1)
10000X1 + 6500X2 80000 X2 3
2) 3)
X1 -
X2 = 0
X1 ,
X2 0
UN PROBLEMA DE INVERSION
Problema 1. Disponemos de 210.000 euros para invertir en bolsa. Nos recomiendan dos tipos de acciones. Las del tipo A, que rinden el 10% y las del tipo B, que rinden el 8%. Decidimos invertir un máximo de 130.000 euros en las del tipo A y como mínimo 60.000 en las del tipo B. Además queremos que la inversión en las del tipo A sea menor que el doble de la inversión en B. ¿Cuál tiene que ser la distribución de la inversión para obtener el máximo interés anual? Solución Plantear el modelo matemático de programación lineal. Sea x a la cantidad que invertimos en acciones de tipo A , y a la cantidad que invertimos en acciones de tipo B
Acciones
Inversión
rendimiento
Tipo A
X
0,1x
Tipo B
Y
0,08y
Función objetivo Maximizar
z = 0,1x+0,08y
Sujeto a: Condiciones que deben cumplirse (restricciones):
R1 X + y <= 210.000 inversión total
<=
R2 X
130.000 inversión tipo A
R3 y > = 60.000 inversión tipo B R4
x -2y <= 0 relación de inversiones
Condición de no negatividad
El problema de las vitaminas 11.
Se quiere obtener la cantidad de leche, carne y huevos que satisfacen
determinada dieta nutritiva en cuanto a vitamina A, B y C. Suponga que el número de miligramos de cada una de estas vitaminas, contenidas por unidad de producto se muestra en la siguiente tabla:
VITAMINAS
Gl. de LECHE
Lb. DE CARNE
Doc. De HUEVOS
A
1
1
10
B
100
10
10
C
10
100
10
Las cantidades mínimas requeridas diariamente son :
Vitamina A un miligramo; Vitamina C 50 miligramos y Vitamina D 10 miligramos. Los costos son: Galón de leche U$ 4; libra de carne U$ 10 y huevos U$ 1.5 la docena.
Formule el modelo de Programación Lineal para este problema. MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea:
X1 = Cantidad de galones de leche a comprar para producir la dieta.
X2 = Cantidad de libras de carne a comprar para producir la dieta. X3 = Cantidad de docenas de huevos a comprar para producir la dieta.
FUNCIÓN OBJETIVO
Min Z = 4X1 + 10x2 + 1.5X3
Sujeto a : Restricciones
1) 2) 3)
X1 +
X2 + 10X3 1
100X1 + 10X2 + 10X3 50 10X1 +100X2 + 10X3 10 X1 , X2 , X3 0
LA SOLUCION GRAFICA
SOLUCIONES GRAFICAS Gráficamente Se puede resolver un problema de programación lineal que tenga sólo dos variables de decisión, ya que en un plano solamente contamos con dos dimensiones, el método de solución grafico es restringido, pero lo utilizamos pedagógicamente como un método apropiado para el aprendizaje, con el cual podemos apropiarnos de de los conocimientos,(saber),actitudes (querer hacer ) y las habilidades(saber hacer),sobre lo que se refiere a las soluciones de un modelo matemático de la Programación Lineal.
PROCEDIMIENTO 1. Graficar todas las restricciones, una por una y de finir el área de soluciones factibles para cada restricción. 2. simultáneamente, en la medida que vamos haciendo la gráfica vamos construyendo el área de soluciones factibles (Esta es el área común a todas las restricciones). 3.
Encontramos la solución optima
Se comienza: 1. graficando todas las restricciones una a una, sobre un sistema de ejes coordenados, colocamos los valores de X1, (x) en el eje horizontal y los valores de X2,(y) en el eje vertical.( la gráfica de una igualdad es una recta, la gráfica de una desigualdad es un semiplano, a un lado de la recta) El siguiente paso consiste en determinar qué puntos solución corresponden al área de soluciones factibles para el programa lineal. Se requiere que tanto X1 (x)como X2
(y)
: sean no negativas, y por ello sólo es necesario
considerar la porción de la gráfica en la que
X1 ≥0
y
X2 ≥0.
Solo nos interesa la Grafica en el cuadrante
X 1 ≥0
y
X2 ≥0. Es el
único cuadrante del sistema coordenado que cumple con el concepto de no negatividad.
Que corresponde al primer cuadrante o cuadrante de arriba a la derecha del sistema de ejes coordenados , éste cuadrante en su totalidad señala la porción de la región de soluciones en donde se satisfacen esos requisitos de no negatividad , en términos generales. Como siempre se requiere que las variables decisorias de la programación lineal sean no negativas. la gráfica que se obtengan en cada restricción o general, mostrarán sólo la porción de la región de soluciones factibles que corresponde a los valores no negativos de las variables de decisión. Una solución factible es aquella que cumple con la condición de no negatividad.
LA grafica de una igualdad son los puntos sobre esa recta. Para trazar una recta buscamos dos puntos solución que satisfagan la ecuación y trazamos una recta por tales puntos.
Para buscar un punto solución le damos un
valor cualquiera a una de las variable y
despejamos la otra. Luego le damos un
valor cualquiera
a la otra variable y
despejamos la anterior. Por conveniencia le podemos dar valores cero a las variable para obtener los dos puntos cuando la recta no pasa por el origen. Si la recta pasa por el origen ( por ejemplo 2x ≥0. 0 sea que el valor a la derecha del signo sea cero ) solo para el primer valor le podemos dar un valor de cero, para el segundo valor debe dársele un valor diferente de cero Y obtenemos los dos puntos solución para trazar la recta. coordenados(por conveniencia).
NOTA: LA grafica de una desigualdad es un semiplano a un lado de la recta
Para encontrar el semiplano solución, tomamos un punto cualquiera a un lado de la recta y remplazamos el valor de sus coordenadas en la ecuación, si el resultado es consecuente el punto pertenece al semiplano solución. Por ejemplo si tomamos la ecuación 25X1 + ½ X2 <= 20 Trazamos la recta 25X1 + ½ X2 = 20,tomamos un punto a un lado de la recta por ejemplo p (40, 30 ) , remplazamos estos valores en la ecuación 25 x 40 + ½ x 30 <= 20 200
+ 15
<= 20
215 <= 20 no es consecuente por que 215 no es menor que 20 el punto p (40, 30) no pertenece al semiplano solución luego la el semiplano solución es el del otro lado de la recta
Grafica de la desigualdad
25 x 40 + ½ x 30 <= 20
Grafica de la inecuación
1/5 X2 <= 5
Grafica de la inecuación 2X1 – X2 <= 100
Grafica de la inecuación X1 - X2 < =
0
SOLUCION ÓPTIMA
Para encontrar la solución optima buscamos los valores de la función objetiva f(z) en los puntos extremos del aérea de las soluciones factibles y si estamos maximizando la solución optima será el mayor valor encontrado ., pero si estamos minimizando será el menor valor la solución optima.
ANALISIS
Luego hacemos el análisis de la solución optima tomando los valores optimos
y
remplazándolos en cada restricción podemos ver que holgura nos resulta si se trata de una ecuación con signo
o que excedente si se trata de una restricción del
cumplen las proporcionalidades en la igualdad.=
APLICACIÓN DE LA SOLUCION GRAFICA
o si se
UN PROBLEMA DE INVERSION
Problema 1. Disponemos de 210.000 euros para invertir en bolsa. Nos recomiendan dos tipos de acciones. Las del tipo A, que rinden el 10% y las del tipo B, que rinden el 8%. Decidimos invertir un máximo de 130.000 euros en las del tipo A y como mínimo 60.000 en las del tipo B. Además queremos que la inversión en las del tipo A sea menor que el doble de la inversión en B. ¿Cuál tiene que ser la distribución de la inversión para obtener el máximo interés anual? Solución Plantear el modelo matemático de programación lineal. Sea x a la cantidad que invertimos en acciones de tipo A , y a la cantidad que invertimos en acciones de tipo B
Acciones
Inversión
rendimiento
Tipo A
X
0,1x
Tipo B
Y
0,08y
Función objetivo Maximizar
z = 0,1x+0,08y
Sujeto a: Condiciones que deben cumplirse (restricciones):
R1 X + y <= 210.000 inversión total R2 X
<=
130.000 inversión tipo A
R3 y > = 60.000 inversión tipo B R4
x -2y <= 0 relación de inversiones
Condición de no negatividad Dibujamos las rectas auxiliares asociadas a las restricciones para conseguir el área de soluciones factibles (conjunto de puntos que cumplen esas condiciones) r1
r2 (paralela a OY)
r3(paralela a Ox
r4
X
y
X
y
x
y
x
y
0
210000
130000
0
0
60000
0
0
210000
0
130000
65000
E
D A B
C
Grafica N° 1
A(0, 60000), B(120000, 60000), C(130000, 65000), D(130000, 80000) y E(0, 210000) La región factible, o el área de soluciones factibles es la pintada de amarillo, de vértices A, B, C, D y E o el polígono ABCDE.
La función objetivo es;
F(x, y) Maximizar Z = 0,1x+0,08y Si dibujamos la recta F(x, y) =0 (en rojo) y la desplazamos se puede comprobar gráficamente que el vértice mas alejado es el D, y por tanto es la solución óptima. Comprobarlo analíticamente (es decir comprobar que el valor máximo de la función objetivo, F, se alcanza en el vértice D)
ENCONTRAR LA SOLUCION OPTIMA EXPLORANDO LOS VALORES DE LA FUNCION OBJETIVA EN LOS PUNTOS EXTREMOS
PUNTOS EXTREMOS
X
Y
Z
A
0
60 000
4 800
B
120 000
60 000
16 800
C
130 000
65 000
18 200
D
130 000*
80 000*
19 400*
E
0
21 0000
16 800
NB. Para encontrar las coordenadas del punto de corte de
dos rectas, se resuelve el sistema de las dos ecuaciones Z(A)=
4.800
Z(E) = 16.800
Z(B) = 16.800 Z(C) = 18.200 Z(D) = 19.400
Tomamos los valores de la mayor Z porque estamos maximizando
La solución optima es : Z*(C) = 19.400
X* = 130.000
Y* = 80.000
ANALISIS
Tomamos la R1 R1 X + y <= 210.000 inversión total
Remplazamos los valores de la solucion optima en ella X*= 130.000
y*= 80.000
Tenemos : Consumo de la solución optima 130.000 + 80.000 210.000
<=
disponibilidad
<=
210.000
<=
210.000
210.000
=
210.000
Significa: La Solución óptima Consumió exactamente
los 2100 disponible
Sigue la R2
R2 X
<=
130.000 inversión tipo A
Remplazamos los valores de la solucion optima en ella X*= 130.000
y*= 80.000
Tenemos :
130.000 <= 130.000 130.000=130.000 la inversión tipo A fue exactamente
En estos casos no existe holgura, la holgura es cero Sol optima + holgura
= disponibilidad
Para todos los casos <=
Sigue la R3
R3 y > = 60.000 inversión tipo B
130.000
Remplazamos los valores de la solucion optima en ella X*= 130.000
y*= 80.000
Tenemos
80.000 >= 60.000 Entonces 80.000
igualamos al lado derecho -
20.000
= 60.000
Solución - excedente
= disponibilidad
Óptima
O sea : la solución optima consume 80.000 excede en 20.000 de lo que se dispone.
quiere decir que se
Cuando una restricción es de signo >= existe un excedente igual a la diferencia entre el con sumo optimo y la disponibilidad. Cuando las dos cantidades son iguale disponibilidad ) el excedente es igual a cero.
Sol optima – excedentes Para todos los casos
PROBLEMA 2
>=
= disponibilidad
(consumo
optimo
=
En una pastelería se hacen dos tipos de tortas: Vienesa y Real. Cada torta Vienesa necesita un cuarto de relleno por cada Kg. de bizcocho y produce un beneficio de $,250 mientras que una torta Real necesita medio Kg. de relleno por cada Kg. de bizcocho y produce $400 . de beneficio. En la pastelería se pueden hacer diariamente hasta 150 Kg. de bizcocho y 50 Kg. de relleno, aunque por problemas de maquinaria no pueden hacer mas de 125 tortas de cada tipo. ¿Cuántas tortas Vienesas y cuantas Reales deben vender al día para que sea máximo el beneficio? Solución En primer lugar hacemos una tabla para organizar los datos: Tipo
Nº
Bizcocho
Relleno
Beneficio
T. Vienesa
x
X
0,250x
$250
T. Real
y
Y
0,500y
$400
150
50
Función objetivo máximo beneficio: f(x, y) z=250x+ 400y
Sujeta a : LAS RESTRICCIONES
150
r1
x+y
r2
0,25x + 0,5y
r3
x
50
125 biscocho
125 relleno
r4
y
CNN
X ≥0
y ≥0.
Consideramos las restricciones y dibujamos la región factible: Se buscan los puntos de corte de cada recta con el sistema de ejes coordenado y trazamos cada recta, NB. ninguna reta pasa por el origen. Para X
Y
0
150
r1
x + y =150
150 0
Para
r2 0.25x + 0.5y=50, ó x + 2y=200
Multiplicando x40 todos los términos
x
Y
0
100
200
0
La otras dos son paralelas a los ejes
Al eje OY
x=125
Al eje Ox
y =125
La región factible o area de soluciones factibles se ha coloreado de amarillo: r3 r4 D
C B r2
O A
r1
Grafica N° 2
Encontremos los vértices: El O(0,0), el A(125, 0)
y el D(0, 100) se encuentran directamente
(son las intersecciones con los ejes coordenados) Se observa que la restricción y
es redundante (es decir “sobra”)
Las coordenadas de B se obtienen resolviendo el sistema: X+y=150 X=125 Cuya solución es: X=125, Y=25 B(125, 25)
Las coordenadas de C se obtienen resolviendo el sistema
150
r1
x+y
r2
x + 2y
200
por reducción obtenemos y=50, x=100 C( 100,50)
Los vértices de la región son O(0,0), A(125,0), B(125,25) y C(100,50) y D(0,100), que constituyen el area de soluciones factibles , el polígono OABCD ( grafica color amarillo)
BUSCAMOS LA SOLUCIÓN OPTIMA
SE ENCUENTRA LA SOLUCION OPTIMA EXPLORANDO LOS VALORES DE LA FUNCION OBJETIVA EN LOS PUNTOS EXTREMOS
Lo comprobamos con el método analítico, es decir usando el teorema que dice que si existe solución única debe hallarse en uno de los vértices o puntos extremos del área de soluciones factibles
PUNTOS EXTREMOS
X
Y
Z
0
0
0
0
A
125
0
31.250
B
125
25
41.250
C
100*
50*
45.000*
D
0
100
40.000
Encontramos :
Z(O) = 0
Z(A) = 31.250
Z(B) = 41,250
Z(C) =45,000
Z(D) = 40.000
La solución optima es : Z*(C) = 45.000
Y* = 50
X* = 100
Se ve gráficamente que la solución es el punto C* (100, 50), ya que es el vértice mas alejado (el último que nos encontramos al desplazar la rectas 250x+400y=0 ) Lo comprobamos con el método analítico, es decir usando el teorema que dice que si existe solución única debe hallarse en uno de los vértices La unción objetivo era: f(x, y)=250x+400y, sustituyendo en los vértices obtenemos Z(A) =f(125,0)=31.250(D) = (0,100)=40.000
El máximo beneficio es 45.000 y se obtiene en el punto (100, 50) Conclusión: se tienen que vender 100 tortas vienesas y 50 tortas reales.
ANALISIS: Tomamos la r1 En las restricciones siempre consideramos el lado izquierdo del signo como lo consumido por la solución optima y el lado derecho la disponibilidad y si el signo es
la forma general es :
r1
x+y
consumo de la solución optima
+ holgura
=
150 disponibilidad
Remplazamos los valores de la solución optima en ella X*= 100
y*= 50
Tenemos : 100 + 50 <= 1500 150 Consumo de la Solución optima
+ 0
150
holgura
=
Solución optima
<=
150
=
disponibilidad
150 disponibilidad
Consumió Significa que la solución optima consumio exactamente igual a los 150 disponible
de biscocho 150
Sigue la r2 r2
0,25x + 0,5y
50
Remplazamos los valores de la solución optima en ella X*= 100 Tenemos :
y*= 50
25 + 25 <= 50 50=50 la solución optima consumio 50 exactamente igual a los 50 disponibles.
Sigue la R3 r3
x
125
Remplazamos los valores de la solución optima en ella X*= 100
y*= 50
Tenemos :
100
125 tortas
100
Solución
+
25
=
Holgura
125
Disponibilidad
Optima
O sea : la solución optima consume 100 quiere decir que tenemos una holgura de 25 en la disponibilidad de 125. Cuando una restricción es de signo <= existe una holgura igual a la diferencia entre el con sumo optimo y la disponibilidad.
Cuando las dos cantidades son disponibilidad ) la holgura es cero.
iguale
(consumo
optimo
=
Nota la holgura se considera un sobrante.
r4
y
125 vienesa
Remplazamos los valores de la solución optima en ella X*= 100
y*= 50
Tenemos :
50
125 tortas
50
Solución
+
75
=
Holgura
125
Disponibilidad
Optima
O sea : la solución optima consume 50 quiere decir que tenemos una holgura de 75 en la disponibilidad de 125.
En el caso de signo mayor o igual la holgura se combierte en un excedendte consumido por la solución optima comparada con la disponibilidad.
Problema 3. Una escuela prepara una excursión para 400 alumnos. La empresa de transporte tiene 8 autocares de 40 plazas y 10 autocares de 50 plazas, pero solo dispone de 9 conductores. El alquiler de un autocar grande cuesta 80 euros y el de uno pequeño, 60 euros. Calcular cuantos de cada tipo hay que utilizar para que la excursión resulte lo mas económica posible para la escuela. Solución Es un problema de programación lineal, en este caso lo que queremos es hacer mínima la función objetivo. Llamamos x al nº de autocares de 40 plazas e y al nº de autocares de 50 plazas que alquila la escuela.
Entonces se tiene x
,y
Como sólo hay 9 conductores se verifica que: x +y Como tienen que caber 400 alumnos se debe de verificar: 40x +50y
, que simplificada quedaría 4 x +5y
Por lo tanto las restricciones que nos van a permitir calcular la región factible (conjunto de puntos solución donde se cumplen todas las condiciones) son Función objetivo de mínimo costo: Minimizarf(x, y) z=60x+ 80y
Sujeta a : LAS RESTRICCIONES
r1
x
8
r2
y
10
r3 r4
CNN
x+ y
9
4x + 5y ≥ 40.
X ≥0
y ≥0.
Dibujamos las restricciones
r1
r2
r4
r3
X
y
X
y
X
y
X
y
8
0
0
10
0
9
0
8
9
0
10
0
8
r1
x
r1
x =8
Se encuentra la región factible o el área de soluciones factibles en el dibujo es la parte amarilla.
r2
B C
r1
A
r4
r3
10
r2
y
r2
y = 10
El area de soluciones factibles es el polígono ABC (amarillo) Los vértices son C(0, 8) de la recta r4,B(0, 9) de r3 y el A(5, 4), este último es el punto de intersección de las rectas r3 y r4 r3 r4
x+ y
9
4x + 5y ≥ 40.
A sus coordenadas salen al resolver el sistema r3 y r4
restando ambas ecuaciones se tiene x =5 y sustituyendo en la 1ª ecuación, y =4 Resolviendo gráficamente se llega a que el punto (5, 4) es la solución del problema. La solución óptima . Comprobarlo sustituyendo en F(x, y) todos los vértices y que este es el que da menor valor (método analítico).
SE ENCUENTRA LA SOLUCION OPTIMA EXPLORANDO LOS VALORES DE LA FUNCION OBJETIVA EN LOS PUNTOS EXTREMOS
Lo comprobamos con el método analítico, es decir usando el teorema que dice que si existe solución única debe hallarse en uno de los vértices o puntos extremos del área de soluciones factibles
Minimizar
z=60x+ 80y
Z(A)= 60x 5 + 80x4 = Z (C) = 80x8 Z (B) = 80 x 9 =
= 640 720
300+ 320 =
620
PUNTOS EXTREMOS
X
Y
Z
A
5*
4*
B
0
9
720
C
0
8
640
La solución optima es Z minima : Z*(A) = 620
Y* = 4
620*
X* = 5
PROBLEMA 4 4. Una compañía posee dos minas: la mina A produce cada día 1 tonelada de hierro de alta calidad, 3 toneladas de calidad media y 5 de baja calidad. La mina B produce cada día 2 toneladas de cada una de las tres calidades. La compañía necesita al menos 80 toneladas de mineral de alta calidad, 160 toneladas de calidad media y 200 de baja calidad. Sabiendo que el costo diario de la operación es de 2000 euros en cada mina ¿cuántos días debe trabajar cada mina para que el coste sea mínimo?. Solución Organizamos los datos en una tabla:
días
Alta calidad
Calidad media
Mina A
x
1x
3x
5x
2000x
Mina B
y
2y
2y
2y
2000y
80
160
200
La función objetivo C(x, y)=2000x + 2000y
Las restricciones son:
Baja calidad
Coste diario
La región factible la obtenemos dibujando las rectas auxiliares: r1 + 2y=80, r2
x
3x + 2y= 160 y r3 5x + 2y=200 en el primer cuadrante y
considerando la región no acotada que determina el sistema de restricciones:
Los vértices son los puntos A(0, 100), B(20, 50), C(40, 20), D(80, 0), que se encuentran al resolver el sistema que determinan dos a dos las rectas auxiliares y (y que estén dentro de la región factible).
r1
r2
que nos da el punto (40, 20) (comprobarlo)
r2
r3
que nos da el punto (20, 50)
r1
r3 no hace falta calcularlo pues queda fuera de la región factible.
En la gráfica se aprecia que el primer punto que se alcanza al desplazar la recta C(x, y)=0 es el (40, 20). Luego la solución es trabajar 40 días en la mina A y 20 en la B. (método gráfico) Lo comprobamos aplicando el método analítico: C(0, 100)=2000.100=200000 C(20, 50)=2000.20+2000.50=40000 + 100000= 140000 C(40, 20)= 2000. 40+2000.20=80000 + 40000= 120000
coste
mínimo C(80, 0)= 2000.80 =160000
5. Se va a organizar una planta de un taller de automóviles donde van a trabajar electricistas y mecánicos. Por necesidades de mercado, es necesario que haya mayor o igual número de mecánicos que de electricistas y que el número de mecánicos no supere al doble que el de electricistas. En total hay disponibles 30 electricistas y 20 mecánicos. El beneficio de la empresa por jornada es de 250 euros por electricista y 200 euros por mecánico. ¿Cuántos trabajadores de cada clase deben elegirse para obtener el máximo beneficio y cual es este? Sea
x = nº electricistas y = nº mecánicos
La función objetivo
f (x, y)=250x+ 200y , las restricciones
La región factible sería para estas restricciones:
Se aprecia gráficamente (línea en rojo) que la solución óptima está en el punto (20, 20). Por tanto: 20 electricistas y 20 mecánicos dan el máximo beneficio, y este es 9000 euros, ya que f(x, y) =250.20+200.20=9000
6. Para recorrer un determinado trayecto, una compañía aérea desea ofertar, a lo sumo, 5000 plazas de dos tipos: T(turista) y P(primera). La ganancia correspondiente a cada plaza de tipo T es de 30 euros, mientras que la ganancia del tipo P es de 40 euros. El número de plazas tipo T no puede exceder de 4500 y el del tipo P, debe ser, como máximo, la tercera parte de las del tipo T que se oferten. Calcular cuántas tienen que ofertarse de cada clase para que las ganancias sean máximas. Solución Sea x el nº que se ofertan de tipo T, y el nº que se ofertan de tipo P. nº
Ganancia
Turista
x
30x
Primera
y
40y
Total
5000
30x +40y
La función objetivo es: f(x, y)=30x +40y
Las restricciones:
La región factible:
Los vértices, A(0, 5000), B(3750, 1250), C(4500, 500) y D(4500, 0) (comprueba el punto B resolviendo el sistema correspondiente) El método gráfico nos da que el punto solución es el B (3750, 1250)
Comprueba los resultados usando el método analítico (sustituyendo los puntos vértices en f y viendo q el máximo valor se obtiene en B)
APLICACIÓN COMPUTARIZADA DEL METODO SIMPLEX
INTRODUCCIÓN
Muchos problemas de la administración de empresas y negocios son formulados y desarrollados como o modelos matemáticos de la programación lineal, con un número cualquiera de variables de decisión y de restricciones. El algoritmo que explicaremos es un procedimiento interactivo denominado el MÉTODO SIMPLEX.
En el transcurso del desarrollo del método SIMPLEX, para cada problema se hace la formulación, se definen las variables de decisión y se construye el modelo matemático. Para la aplicación del programa sistematizado se prepara la tabla inicial y se somete a la generación de la solución óptima, a través del programa computarizado.
Este método, encuentra una solución básica factible del problema y una sucesión de soluciones básicas factibles nuevas en cada una de sus interacciones; de tal forma, que los valores de la función lineal objetiva que estamos tratando llega progresivamente hasta su valor óptimo (máximo o mínimo) para dar así una decisión óptima, escogida de un gran número de decisiones posibles. La decisión óptima es la que satisface un objetivo de administración sujeta a varias restricciones.
El método SIMPLEX con el uso del computador encuentra amplias aplicaciones efectivas, empleadas exitosamente en la administración de las industrias petroleras, automotriz, químicas, forestales, metalúrgicas, agrícolas, militares, de servicios, financieras y otras. Al ser desarrollado en el centro de información durante el transcurso del programa de programación lineal; en la Universidad Popular del Cesar, pretendo que los estudiantes aprendan a aplicar e
interpretar los modelos matemáticos y sigan la dinámica para
adaptarse a los cambios frecuentes del medio en el que los profesionales actúan.
1. ESTANDRIZACIÓN DEL MODELO MATEMÁTICO O IGUALAR
Un modelo de programación lineal se dice que esta en forma estándar, cuando se convierte en un problema equivalente donde el objetivo es maximizar, todas las restricciones son ecuaciones y todas las variables del modelo son negativas.
NOTA: Minimizar Z = - Máx Z
TABLA PARA ESTANDARIZAR EL MODELO MATEMÁTICO O IGUALAR
TABLA 1
TIPO
Agregar a:
DE
La
RESTRICCIÓN
Restricción
Menor o igual
V. De Holgura
+S
La Función Maximizar
Objetivo Minimizar
+OS
+OS
+OS-MA
+OS+MA
-M*A
+MA
V. Excedente y Mayor o igual
Artificial
-S+A
Igualdad
Variable Artificial
=
A
V
Variable
Para estandarizar nuestro modelo matemático debemos utilizar variables de relleno y variables artificiales. Como se ilustra en la tabla número uno, si la restricción en el modelo es del tipo (menor o igual), agregamos una variable de relleno al lado izquierdo de la restricción con signo (+) más, para convertirla en una igualdad, se llama variable de relleno de holgura, porque toma la diferencia entre la parte derecha de la ecuación de los recursos disponibles, para convertirla en una igualdad, y esta variable de holgura modifica a la función objetivo agregándole cero por la variable de holgura. Si la restricción es de tipo (mayor o igual) debemos agregar al lado izquierdo de la restricción una variable de relleno con el signo (-) o variable de excedente, para que asuma el exceso de la desigualdad de los recursos
disponibles y una variable artificial para conservar la condición de no-negatividad, de la variable de excedente; estas variables agregan a la función objetivo cero por la variable de excedente, y -M por la variable artificial, si estamos maximizando o +M por la variable artificial si se trata de minimizar.
Los signos del coeficiente M nos garantiza que la variable artificial no este en la solución final. Si la restricción es del tipo igual se agrega una variable artificial al lado izquierdo de la restricción y la función objetivo se afecta en
-M por la
variable artificial si estamos maximizando o +M por la variable artificial si se trata de minimizar.
El valor de los coeficientes de las variables de relleno en la función objetivo siempre son cero porque los recursos de holgura no contribuyen en nada en las utilidades, el valor de los coeficientes de las variables artificiales en la función objetivo depende de que el problema sea maximización o minimización. Para asegurarnos de que ninguna variable artificial este en la solución final en la función objetivo, damos el coeficiente M anotado, lo que hacemos es restar o sumar M veces la variable artificial, donde M es un número mil veces mayor que cualquiera de los coeficientes del modelo. Digamos (999´999.999.999). número comparado con M para el computador.
LA SOLUCIÓN INICIAL tabla 2
CB
CB1
X1
X2
. . .
Xn
Solución
Cj
C1
C2
. . .
Cn
bi
LA BASE
a1
a2
. . .
an
XB1
a11
a12
a1n
b1 b2
CB2
XB2
a21
a22
a2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CBm
XBm
am1
am2
amn
-C1
-C2
-Cn
bm
Zj - Cj Max
Zj
=
CB
0
CB x a j
= Vector fila formado por todos los coeficientes de las variables en la base
de la función objetivo.
Fila de Decisión Simplex: Zj - Cj, son los coeficientes para la función objetivo en la tabla inicial y sucesivas se llama z.
4. ALGORITMO SIMPLEX
2.1
PROCESO BÁSICO DE SOLUCIÓN
2.1.1 Solución Básica factible y solución óptima
Podemos notar que en un problema o modelo matemático de la programación lineal existen n variables y m ecuaciones, donde n > m entonces podemos tener una solución Básica haciendo (n –m) variables iguales a cero y resolviendo
en forma simultánea las
m
ecuaciones
restantes,
m ecuaciones con
m
variables.
A las n-m variables se le denominan NO BÁSICAS o fuera de la base y las m variables que se usan en el proceso de solución son las variables BÁSICAS o dentro de la base. Cuando todas las variables básicas de una solución básicas son no negativas entonces la solución se denomina Solución Básica Factible.
La solución básica factible que tiene el mejor valor para la función objetivo se llama la solución óptima.
La solución óptima cumple las condiciones de todas las restricciones incluyendo la condición de no negatividad.
La importancia del algoritmo SIMPLEX es que proporciona solución etapa por etapa, donde podemos analizar cada solución básica factible y en cada etapa podemos obtener una mejor solución, hasta encontrar la solución óptima.
En cada etapa podemos analizar si la solución es óptima, si no, proseguimos con la operación hasta encontrar la solución óptima o la mejor solución. Para la tabla inicial debemos hacer n – m variables iguales a cero o no básicas, y resolver para las m variables m ecuaciones con m variables.
n número total de variables y m número total de restricciones ; las variables no básica en la solución inicial son las originales y de excedentes. Las de holgura y artificiales son BÁSICAS.
El proceso de eliminación de
GAUSS-JORDAN, para resolver un sistema de
ecuaciones simultáneas lineales son la base del proceso para el algoritmo
SIMPLEX de la programación lineal.
El proceso de eliminación completa de
Gauss-Jordan, pasa una matriz inicial (A / I / B /) en la forma ( I / A-1/ X).
Al llegar al final de la transformación se dice que la matriz se ha invertido y de esa manera se obtiene la solución al sistema de ecuaciones, lo cual aplicado al método SIMPLEX permite llegar a una solución factible y / u óptima.
3. APLICACIÓN PROBLEMAS
Utilicemos un ejemplo para la construcción de la tabla.
La compañía P G. produce dos tipos de radios y compra distintas partes de los radios a otra compañía local y los arma en su planta. El radio tipo I necesita 5 horas de montaje y el tipo II necesita 3 horas. Se dispone diariamente de 105 horas en el departamento de montaje, la compañía puede gastar hasta U$ 70 para comprar los elementos de los radios. Utiliza U$ 2 de material para el radio tipo I y U$ 4 para el radio tipo II, se pueden vender todos los que se producen y gana U$ 20 netos al vender cada unidad de radio tipo I y U$ 16 al vender cada unidad tipo II.
La compañía P y G pide que se calculen cuántas unidades de cada uno de los radios se deben producir para maximizar la utilidad.
Nota: los datos están en miles de unidades.
3.2
Modelo matemático
Planteamiento Variables de decisión
Sea: x1 = Número de unidades del radio tipo I a producir. x2 = Número de unidades del radio tipo II a producir. F. O.3
Maximizar
Z = 20 X1 + 16 X2
Sujeto a: Restricciones. 1.
5 X1 + 3 X2 105
2.
2 X1 + 4 X2
N. N. 4
X1 X2 0
70
Convertir las desigualdades a igualdades o pasar a la forma estándar. Igualar.
(3)
Z = 20X1 + 16X2 + 0X3 + 0X4
(4)
5X1 + 3X2 + X3 = 105
(5)
2X1 + 4X2 + X4 = 70 X1’ X2’ X3’ X4’ 0
Función objetivo igualada a cero. Z – 20 X1 - 16 X2 = 0
3 4
Función Objetivo No Negatividad
SOLUCIÓN INICIAL SIMPLEX
Cj
TABLA 3
X1
X2
X3
X4
20
16
0
0 Sale X3
CB
LA BASE
a1
a2
0
X3
5
3
0
X4
2
4
Máx
ZJ - CJ ZJ
-20 0
-16 0
a4
Solución
1
0
105
0
1
70
0
0 0
a3
0
0
Entra
0
X1
ZJ
=
CB a j 3.3
Variable que entra en la base
La tabla inicial nos enseña que la solución inicial es el origen del sistema, puesto Entraes cero y las variables de holgura X3 y X4 presentan toda la que la ganancia
disponibilidad de recursos; ya que estos no han sido utilizados. Para resolver el problema tenemos que utilizar las disponibilidades, por lo tanto , se debe entrar alguna de las variables de decisión a la base y sacar una variable de holgura.
El criterio para seleccionar la variable que entra en la base, es la de escoger aquella variable que nos aumenta más rápidamente el valor de la función objetivo Z, es decir, la que da el máximo valor para la función objetivo.
Si examinamos la función objetivo
Z - 20 X1 - 16 X2 = 0
Si damos un valor positivo a cualquiera de las variables
X1, X2
la función
aumenta de valor; pero cual de las dos escogemos: por ejemplo,
1. damos a X1 = 1
X2 = 0
Z - 20 X1 - 6 X 0 = 0 Z = 20
La función Z nos aumenta 20 veces el valor tomado. Si tomamos X2 y damos el mismo valor X2 = 1 X1 = 0 Entonces: Z – 20 X 0 - 16 X 1 = 0 Z = 16 La función Z aumentaría 16 veces el valor tomado. Luego, debemos entrar a la base X1 ya que es la variable que nos aumenta más rápidamente el valor de Z comparado con X2, o sea que escogemos aquella con el coeficiente más negativo, es decir, la variable que nos da la mayor utilidad por unidad.
A la columna de la variable que entra en la base, la llamamos la columna pivote (K). Columna 1. Escogemos el mínimo Zk – Cj < 0 y para al menos una aij >0 (para i = 1, 2, . . . m ; j = 1, 2, . . . n ).
3.4
Variable que sale de la base
Encontramos la razón para cada elemento de la columna solución entre su correspondiente elemento de la columna pivote aik > 0.
Encontrar el mínimo
bi a ik
i = 1, … m
aik > 0 105 , 5
70 , 2
21,
35
Sale X4 este renglón se llama el renglón (r). En este caso el renglón (r) en la intersección con la columna (k) encontramos el pivote, para este caso el 5.
3.5
Encontrar los coeficientes de la nueva tabla (proceso manual)
3.4.1. Encontramos los nuevos valores
de los coeficientes del renglón de la
variable que salió de la base i = r, con ellos seguimos nuestro proceso de eliminación completa.
Realizamos esta operación dividiendo todos los coeficientes del renglón r entre el pivote operacional. ark
arj a rj
arj ark
5 3 1 Coeficient e 5 Nuevo 5 5
aij
1
3/5
1/5
0 5
0
5 105
21
Los nuevos valores del renglón X1 renglón 1.
3.4.2. Para encontrar los nuevos valores de los demás renglones diferente al de la
variable que entra i
seguimos el siguiente procedimiento:
Le restamos al elemento que deseamos encontrar al producto de 1 multiplicado por el respectivo elemento en la columna pivote.
a
(i,j) = a (i,j) - a ( i,k ) * a ( r,j )/ark
Para la fila 2 a 21 2
2 x5 0 5
a 22 4
2 x3 14 5 5
a 23 0
2 x1 2 5 5
a 24 1
2 x0 1 5
a 20 70
2 x105 28 5
La nueva fila dos es: 0
14/5
-2/5
1
28
De la misma manera encontramos los nuevos coeficientes de la función objetivo para la fila 3:
a ij a ij a ik x
a
a
5 x 20 20 0 31 5
32
16
20 x3 4 5
a rj a rk
a a
a
33
0
20 x1 4 5
34
0
20 x0 0 5
30
0
20 x105 420 5
Luego tenemos la nueva solución en la tabla siguiente.
PRIMERA INTERACCIÓN
X1 Cj
20
CB
LA BASE
a1
20
X1
0
X5
TABLA 4
X2 16
X3
X4
LA
0
0
SOLUCION
a2
a3
a4
b
1
3/5
1/5
0
21
0
14/5
-2/5
1
28
Máx
Zj - Cj
0
-4
0
420
Ahora en nuestra nueva solución solo hay un coeficiente negativo en el renglón de Zj-Cj. Hay una sola posibilidad de incrementando el valor de Z, o sea que X 2 entra a la base tomando valores positivos, luego la columna bajo esta variable es la columna pivote.
Sacamos las razones de los renglones 1 y 2 y escogemos el mínimo. X Bi a ik
i 1,...m
aik > 0 21 3 5
y 28 14 5
Para el caso escogemos la fila 2 , la del menor valor positivo 10 sale X5, el pivote operativo es entonces 14/5, luego aplicamos el criterio para encontrar los nuevos valores para i = r e i
r.
Encontramos la nueva solución .
SEGUNDA INTERACCIÓN
CB
CJ
LA BASE
1 2
TABLA 5
X1
X2
X3
X4
20
16
0
0
a1
a2
a3
La Solución
a4
b
20
X1
1
0
2/7
-3/14
15
6
X2
0
1
-1/7
5/14
10
Máx
Zj-Cj
0
0
30/7
10/7
460
SOLUCIÓN ÓPTIMA
Como el renglón de decisión SIMPLEX o Zj-Cj no tienen coeficientes negativos hemos llegado a la solución óptima en la cual se deben producir :
X1 = 15 unidades de radios tipo I X2 = 10 unidades de radios tipo II
Para una ganancia total de Z = 460. Siempre debemos tener en cuenta :
1.
Que los coeficientes de las variables que están en la base constituyen los elementos de una matriz identidad en cada etapa del proceso simplex.
2.
llegaremos a la solución óptima cuando los coeficientes de la función objetivo en la tabla SIMPLEX sean positivos o cero
Zj
-
Cj
4.
0
MINIMIZACIÓN
Para resolver este caso directamente lo hacemos similar al procedimiento maximizar; teniendo en cuenta lo siguiente:
1. El criterio para escoger la variable que entra en la base es seleccionar el coeficiente de la función objetivo con mayor valor positivo en el renglón de criterio SIMPLEX (m+1), para ello:
Zj = C B x
aj
j = 1, 2 . . . n
C B = vector fila de los coeficientes de las variables en la base en la función
objetivo.
aj
cualquier vector columna de la matriz A para j = 1, 2, . . .n
renglón de criterio simplex Zj - Cj (m+1).
2. El valor del coeficiente de la variable artificial es +M. El resto del procedimiento es similar al de maximización y tendremos una solución óptima cuando todos los coeficientes Zj - Cj 0 del renglón de criterio simplex sean negativos o ceros. Ejemplo: La compañía D. C recibió la orden de una mezcla de 20.000 lbs que lleva cereal y carne de res como alimento para perros. El cereal cuesta $300 c/lbs y $800 la libra de carne. Solamente hay 8000 lbs de cereal y hay que usar al menos 6000 lbs de carne en la mezcla. Que cantidad de cada ingrediente se debe utilizar, de tal manera que se minimice el costo y cumplir con los requisitos al mismo tiempo.
5. Modelo Matemático
Desarrollo: Sea
X1 = Cantidad de libras de cereal en la mezcla. X2 = Cantidad de libras de carne de res en la mezcla.
F.O. Min.
Z = 300 X1 + 800 X2
Sujeto a: Restricciones X1 8000 X2
6000
X1
+
X2 = 20.000 X2
X1,
0
Estandarización o igualación.
(0) Z = 300 X1 + 800 X2 + 0 X3 + 0 X4 + M As + M A6
Sujeto a: Restricciones
1)
X1
X3
2)
X2
3)
X1 + X2
= 8000 -X4 + A5
= 6000
A5 = X5
+ A6 = 20000
X1, X2, X3, X4, A5, A6
A6 = X6
0.
SOLUCIÓN INICIAL SIMPLEX
TABLA 6
300
800
0
0
LA BASE
X1
X2
X3
X4
X5
0
X3
1
0
1
0
0
0
M
A5
0
1
0
-1
1
0
6000
M
A6
1
1
0
0
0
1
20000
Min
Zj - Cj
0
-M
0
0
26000M
0
-M
M
M 26000M
Cj CB
M-300 2M-800
Zj
M
2M
+M
+M X6 Solución 8000
El problema de minimización lo podemos convertir en n problema de maximización mediante la fórmula:
Minimizar
Z = - Máx Z
Entonces el procedimiento para resolver este problema es como el caso maximizar anterior, lo que quiere decir, que debemos hacer el cambio de signo para el renglón de decisión simple.x (renglón m+a) de la función objetivo y como consecuencia terminaremos cuando todos los ZJ - CJ 0, allí estaremos en la solución óptima.
TABLA TRANSFORMADA A MAXIMIZAR
TABLA 7
300
800
0
0
+M
+M
La
X1
X2
X3
X4
X5
X6
Solución
LA BASE
a1
a2
a3
a4
a5
a6
0
X3
1
0
1
0
0
0
+M
X5
0
1
0
-1
1
0 6000
+M
X6
1
1
0
0
0
1 20000
-Max
Zj - Cj
0
M
0
0 -26000M
Cj CB
300-M 800-2M
b 8000
Tabla inicial transformada a - Maximizar Z = MINIMIZAR PARA M = 1000 -Max
-Zj
-
Cj
-700
-1200
0
1000
0
ENTRA X2
INTERACCIÓN Nro. 1 CMAX = -1200
V. B. X3
1
0
1
0
0
0
=
8000
X2
0
1
0
-1
1
0
=
6000
X6
1
0
0
1
-1
1
=
14000
0 -26000000
C =
-700 0
0
-2000
1200
Variable básica que entra =
2
Variable básica que sale =
5
0
Z = -1 . 88E + 07
INTERACCIÓN Nro.
2
CMAX = -700
V. B.
X1
1
0
1
0
0
0
=
8000
X2
0
1
0
-1
1
0
=
6000
X6
0
0
-1
1
-1
1
=
6000
0
700
-200 1200 0
C = 0
Variable básica que entra = 1 Variable básica que sale
= 3
Z = -1 .32E+07
INTERACCIÓN Nro.
3
CMAX = -200
V. B. X1
1
0
1
0
0
0
=
8000
X2
0
1
-1
0
0
1
=
12000
X4
0
0
-1
1
-1
1
=
6000
C = 0
0
500
0
1000 200
Variable básica que entra = 4 Variable básica que sale
= 6
Z = -1 . 2E+07 = -1.2 x 107 = -12’000.000 Como minimizar = - Maximizar el resultado es positivo
SOLUCIÓN ÓPTIMA FUNCIÓN OBJETIVA MÁXIMA Z = 12’000.000 VARIABLES BÁSICAS DE LA SOLUCIÓN MÁXIMA
X(1) =
8000
X(2) =
12000
X(4) =
6000
6. APLICACIÓN DEL PROBLEMA
PROBLEMA No. 1
1. Considere que se han aislado 4 nutrientes para ganado; designados A, B, C y D. El I.C.A. especifica que el requerimiento mínimo diario por animal es de 6 libras de A, 8 libras de B, 4 libras de C y 5 libras de D exactamente, se dispone de dos alimentos, Maíz y Alfalfa. Los análisis de estos alimentos son:
NUTRIENTES
ALIMENTOS MAIZ(%) ALFALFA(%)
A
10
45
B
40
20
C
30
15
D
20
20
El maíz cuesta 4 centavos la libra y la alfalfa 3 centavos la libra. Qué cantidad de cada alimento se debe comprar para obtener EL COSTO MÍNIMO.
Sea:
X1 = Número de libras de Maíz por animal DESARROLLO
DEL MODELO MATEMÁTICO DE LA PROGRAMACIÓN LINEAL
VARIABLES DE DECISIÓN
a consumir diariamente.
X2 = Número de libras de Alfalfa a consumir por animal diariamente.
FUNCIÓN OBJETIVO
Min Z = 4X1 + 3X2
(Costo Mínimo)
Sujeto a: Restricciones 1)
10X1 + 45X2
6 (Nutriente A )
2)
40X1 + 20X2
8 (Nutriente B )
3)
30X1 + 15X2
4 (Nutriente C )
4)
20X1 + 20X2
=
5 (Nutriente D )
X1 , X2 0
2.
Federaltex
enfrenta el problema de determinar
qué problemas de
“crecimiento” debe emprender en los 4 años. La compañía tiene una cantidad limitada de fondos para inversiones de capital; por tanto, no puede financiar todos los proyectos.
A cada uno de estos se ha caracterizado determinando su valor presente y el requerimiento ( costo )
asociado de capital.
Cada proyecto tiene diferentes
requerimientos de capital para los próximos 4 años.
En la tabla siguiente se
muestra el valor presente estimado, los requerimientos de capital y el capital disponible proyectado para cada uno de ellos.
VALOR ACTUAL, REQUERIMIENTOS DE CAPITAL Y CAPITAL DISPONIBLE PARA FEDERALTEX.
REQUERIMIENTOS DE
TIPO DE PROYECTO
VALOR PRESENTE
CAPITAL
Estimado
AÑO 1 AÑO2 AÑO3 AÑ04 Expansión de la planta Nueva Maquinaria
$180.000
$300.000
$40.000
$40.000
$30.000
20.000
12.000
8.000
0
4.000
72.000
30.000
20.000
20.000
20.000
80.000
20.000
30.000
40.000
10.000
$65.000
$80.000
$80.000
$50.000
Investigación sobre nuevos productos Ampliación del Fondos capital
disponibles
de
A los administradores de Federaltex les gustaría desarrollar un plan de asignación de capital que muestre las erogaciones que debe hacer par cada uno de los cuatro años y que proyectos se deben financiar bajo el plan general. El objetivo de Federaltex es determinar que proyectos se pueden “financiar por completo”, es decir, financiar para el período completo de cuatro (4) años, reconociendo que cada año existen disponibles fondos limitados de capital.
El proceso de financiamiento debe ser tal que se maximice el valor actual estimado total de los proyectos.
DESARROLLO DEL MODELO MATEMÁTICO. P.L. VARIABLES DE DECISIÓN
Sea: Xj
= Valor proporcional que indica la medida en que se financiará el
proyecto
j ( Xj = 1 indica que se financia completo, Xj < 1 señala que no se
financia).
J = 1, 2, 3, 4 FUNCIÓN OBJETIVO
Máx Z = 180000X1 + 20000X2 + 72000X3 + 80000X4 Sujeto a : Restricciones
1)
30000X1 + 12000X2 + 30000X3 + 20000X4 65000
2)
40000 X1 + 8000 X2 + 20000 X3 + 30000 X4 80000
3)
40000 X1 +
4)
30000 X1 +
5)
X1
1
6)
X2
1
7)
X3
1
8)
X4
1
0 X2 + 20000 X3 + 40000 X4 80000 4000 X2 + 20000 X3 + 20000 X4 50000
X1 , X2 , X3 , X4
0
4. La dietista de un hospital debe encontrar la combinación más barata de dos productos A y B que contienen al menos 0.5 miligramos de Tiamina y al menos 600 calorías. Cada onza de A contiene 0.12 miligramos de Tiamina y 100 calorías mientras que cada onza de B contiene 0.08 miligramos de Tiamina y 150 calorías. Si el costo de cada alimento es de U$ 10 por onza. Cuántas onzas de cada uno deberían combinarse?
PRODUCTO
TIAMINA
CALORÍAS
A
0.12 mg.
100
U$ 10
B
0.08 mg.
150
10
0.5
600
Disponibilidad
COSTO
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea : X1 = Número de onzas del producto A a combinarse para producir la dieta. X2 = Número de onzas del producto B a combinarse para producir la dieta.
FUNCIÓN OBJETIVO
Min Z = 10X1 + 10X2 Restricciones Sujeto a: 1) 0.12X1 + 0.08 0.5 2) 100X1 + 150X2 600
X1 , X2 0
5. Una compañía produce dos tipos de calculadoras electrónicas, un modelo estándar cuya utilidad es de U$ 5 y un modelo de lujo cuya utilidad es de U$ 8. La compañía estima que su red de distribuidores a lo más puede manejar 1000 calculadoras a la semana.
Debido al
rápido crecimiento de la industria de las calculadoras, existe
disminución tanto en las partes como en la mano de obra calificada necesaria a fin de ensamblar las calculadoras. La compañía puede obtener un suministro semanal regular de solo 5000 circuitos electrónicos (Chips) necesarios para las calculadoras; cada calculadora estándar necesita 3 de estos chips y cada calculadora de lujo requiere 6 chips. Más aún, la compañía dispone de 2500 horas-hombre de mano de obra calificada a la semana, cada calculadora estándar demanda 3 horas-hombre y cada calculadora de lujo necesita 2 horas-hombre.
Cuántas calculadoras de cada tipo deberían producirse a la semana a fin de maximizar la utilidad total?
CALCULADORAS
CHIPS MANO DE OBRA
BENEFICIO
Regular
3
3
U$ 5
Lujo
6
2
U$ 8
Disponibilidad
5000
2500 H/H
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea:
X1 = Número de calculadoras regular a producir a la semana. X2 = Número de calculadoras de lujo a producir a la semana.
FUNCIÓN OBJETIVO
Max Z = 5X1 + 8X2 Restricciones Sujeto a:
X1
2)
3X1 + 6X2 5000
3)
3X1 + 2X2 2500
X1 , X2 0
+ X2
1000
1)
6. La ladrillera lacera desea obtener una mezcla de arena y cemento que tenga 30% de arena
y 70% de cemento.
En el mercado venden tres clases de
productos: Producto 1 tiene 25% de arena y 75% de cemento y vale U$ 600 ton; el producto 2 tiene 40% de arena y 60% de cemento y vale U$ 400 ton y la producto 3 tiene 50% de arena y 50% de cemento y vale U$ 150 ton.
Qué cantidad de cada producto se debe comprar para producir una tonelada de la mezcla deseada? MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea :
X1 = Número de toneladas de producto 1 a comprar para producir la mezcla deseada. X2
= Número de toneladas de producto 2 a comprar para producir la mezcla
deseada. X3
= Número de toneladas de producto 3 a comprar para producir la mezcla
deseada.
FUNCIÓN OBJETIVO
Min Z = 600 X1 + 400X2 + 150X3 Restricciones Sujeto a : A4 = X4 1)
25X1 + 40X2 + 50X3 = 30
2)
75X1 + 60X2 + 50X3 = 70
3)
X1 +
X2 +
X3 = 1
A5 = X5 A6 = X6
Xj 0,
i = 1, 2, 3
7. La compañía tropical fabrica y vende tres productos A, B, y C. la información relacionada con los tres productos se presenta a continuación en la siguiente tabla.
INFORMACIÓN DE PRECIO Y COSTO ( Por unidad ) A Precio de venta Mano de obra directa
U$ 25 7.50
B
C
30
40
10
12.50
Materiales Directos
9
6
10.50
Costos Variables
6
6
6
Costos Fijos
6
6
6
Los tres productos utilizan el mismo tipo de material directo, el cual cuesta U$ 1.50 por libra de material. La mano de obra directa se paga a la tasa de U$ 5 por hora. Hay 2.000 horas de mano de obra directa y 20.000 libras de materiales directos disponibles en un mes. Cuanto debe fabricar de cada producto, para maximizar la contribución. Plantear el modelo matemático de la P.L.
PRODUCTOS A Mat Dir.
9.0
B 6.0
C 10
M. O. Dir
7.5
10
12.5
Cost. Var
6.0
6.0
6.0
22.5
22
Cost. Var. Total Pvta – Cvatot = Marg Cont
Margen de contribución Horas M. O. D Tasa ( U$ 5 / H )
B
C
2.5
8
11
7.5 / 5= 1,5
10 / 5 = 2
12.5/5 = 2.5
Relación de consumo de Mod/Producto
Materiales Directos ( en U$ 1.5 / lib )
A
9 / 1.5 = 6
6 / 1.5 = 4
10.5 / 1.5 =7
Relación de consumo de materiales/prod
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea:
X1 = Número de unidades del producto A a producir en el mes. X2 = Número de unidades del producto B a producir en el mes. X3 = Número de unidades del producto C a producir en el mes.
29
FUNCIÓN OBJETIVO
Max Z = 2.5X1 + 8X2 + 11X3
Sujeto a : 1) 2)
1.5X1 + 2X2 + 2.5X3 2000 (Horas- H) 6X1 + 4X2 + X1 , X2 , X3
7X3 20.000 (Libras)
0
8. Una compañía fabrica y ensambla dos productos A y B. Toma tres minutos para fabricar cada unidad de A y seis minutos para fabricar cada unidad de B. El tiempo de ensamble por unidad para el producto A es de dos minutos y para el producto B de 9 minutos. Están disponibles 10 horas de tiempo de fabricación y 30 horas de tiempo de ensamble. La compañía logra un margen de contribución de U$ 2 en cada unidad de A que vende y U$ 1 en cada unidad de B. Cuanto debe ensembrar de cada producto para maximizar la contribución.
Formule el problema como un modelo de programación lineal.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea: X1 = Número de unidades del producto A a producir. X2 = Número de unidades del producto A a producir.
10 X 60 = 600 Minutos
30 X 30 = 1800 Minutos
FUNCIÓN OBJETIVO
Max Z = 2X1 + X2
Sujeto a:
1)
3X1 + 6X2
2)
2X1 + 9X2 1800
600
X1 , X2 0
SOLUCIÓN INICIAL SIMPLEX
TABLA No. 18
Cj
2
1
0
0
Cb
La Base
X1
X2
X3
X4
SOLUCIÓN
0
X3
3
6
1
0
600
0
X4
2
9
0
1
1800
Max
Zj - C j
-2
-1
0
0
0
9.
La compañía Químicos Unidos S. A. fabrica un limpiador industrial para
alfombras. Este químico se hace de una mezcla de otros dos químicos que contienen ambos el agente limpiador W5 y el agente limpiador Q2. su producto debe contener 175 unidades del W5 y 150 unidades del Q2, y pesar al menos 100 libras.
El químico A cuesta U$ 8 por libra, mientras que el químico B cuesta U$ 6 por libra. El químico A contiene una unidad del agente W5 y tres unidades del agente Q2; el químico B contiene siete unidades y una unidad de los agentes respectivos.
PRODUCTO
W5
Q2
COSTO
A
1
3
U$ 8
B
7
1
U$ 6
Disponibilidad
175
150
Formule el problema como un modelo de Programación lineal.
VARIABLES DE DESICION
Sea
X1 = Número de libras del químico A a producir. X2 = Número de libras del químico B a producir.
Min Z = 8X1 + 6X2
Sujeto a : 1)
X1 + 7X2 175
A6 = X6 A7 = X6
2)
3X1 +
X2 150
3)
X1 +
X2 100
X1 , X2 0
A8 = X8
10. La compañía la Muñeca fabrica dos tipos de juguetes A y B. Para producir el juguete B se gasta el doble de tiempo que para producir el juguete tipo A y la compañía tiene tiempo para hacer por día un máximo de 2000 juguetes tipo A.
El suministro de materia prima es suficiente para producir por día 1500 juguetes de A y B combinados. El juguete tipo B requiere de un aditamento especial del cual solo se dispone de 600 unidades por día. El gerente de la compañía se comprometió a entregar a un cliente 200 unidades del juguete tipo A.
Es política de la compañía que el número de juguetes tipo B que se haga no debe ser mayor a 1.5 veces el número de juguetes tipo A. los costos de producción son de U$ 30 y U$ 40 para los juguetes A y B respectivamente, y los precios de venta respectivamente U$ 60 y U$ 90 para A y B respectivamente. Formule el modelo de Programación Lineal para este problema.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea :
X1 = Cantidad de juguetes tipo A a producir por día. X2 = Cantidad de juguetes tipo B a producir por día.
Pv - C = Ut A
60 - 30 = 30
B
90 - 40 = 50
FUNCIÓN OBJETIVO Max
Z = 30X1 + 50X2
Restricciones Sujeto a :
1)
X1 + 2X2 2000
2)
X1 + X2 1500 X2 600
3) 4)
200
X1
5) –1.5X1 + X2 0 X1 , X2 0
11.
Se quiere obtener la cantidad de leche, carne y huevos que satisfacen
determinada dieta nutritiva en cuanto a vitamina A, B y C. Suponga que el número de miligramos de cada una de estas vitaminas, contenidas por unidad de producto se muestra en la siguiente tabla:
VITAMINAS
Gl. de LECHE
Lb. DE CARNE
Doc. De HUEVOS
A
1
1
10
B
100
10
10
C
10
100
10
Las cantidades mínimas requeridas diariamente son :
Vitamina A un miligramo; Vitamina C 50 miligramos y Vitamina D 10 miligramos. Los costos son: Galón de leche U$ 4; libra de carne U$ 10 y huevos U$ 1.5 la docena.
Formule el modelo de Programación Lineal para este problema.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea:
X1 = Cantidad de galones de leche a comprar para producir la dieta.
X2 = Cantidad de libras de carne a comprar para producir la dieta. X3 = Cantidad de docenas de huevos a comprar para producir la dieta.
FUNCIÓN OBJETIVO
Restricciones Min Z = 4X1 + 10x2 + 1.5X3
Sujeto a :
1) 2) 3)
X1 +
X2 + 10X3 1
100X1 + 10X2 + 10X3 50 10X1 +100X2 + 10X3 10 X1 , X2 , X3 0
12. Un agricultor tiene 500 hectáreas y dispone de 4000 horas-hombre que asignará a cultivar los siguientes productos: maíz, trigo y soya. El agricultor debe producir al menos 150 ton. de trigo debido a un contrato especial firmado con un cliente y al menos 400 toneladas de maíz.
En la siguiente tabla se asume el tonelaje y la mano de obra en horas-hombre por hectárea para los diferentes productos:
Ton / Hect.
MAÍZ
TRIGO
15
8
Horas hombre / hect. 120
135
SOYA 10 105
El maíz, trigo y soya lo comercializan a U$ 200, 300 y 145 / ton. cuántas hectáreas se deben producir de cada producto por cosecha para maximizar los ingresos.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN
Sea:
X1 = Número de hectáreas asignadas al cultivo de maíz por cosecha. X2 = Número de hectáreas asignadas al cultivo de trigo por cosecha. X3 = Número de hectáreas asignadas al cultivo de soya por cosecha.
FUNCIÓN OBJETIVO
Máx Z = 15x200X1 + 8x300X2 + 10x145X3
Ingresos Totales
Sujeto a: 1)
X1 +
X2 +
X3 + 500
120X1 + 135 X2 + 105X3 + 40000 (Simplificado al pasar a la tabla)
2)
3)
15X1 400
4)
8 X2x 150 X1 , X2 , X 3 0
13.
La junta de planeación del municipio de Valledupar tiene tres proyectos para la
comunidad de Pueblo bello. Construir un colegio, un puesto de salud y una casa comunal. Abre una licitación para construir estas obras, cuyo número de pliegos presentados por los contratistas muestra las siguientes cotizaciones para las obras en millones de pesos: PROYECTOS CONTRATISTAS
A
B 200
C
1
500
50
2
480
210
45
3
450
180
42
Dentro de las condiciones del pliego la Junta de Planeación especifica que se debe asignar un proyecto a un contratista. Que proyectos adjudican a que contratista? Para minimizar los costos.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN Sea:
Xi j = contratista i que se le adjudica el proyecto j.
.i = 1, 2, 3
j = 1, 2, 3
FUNCIÓN OBJETIVO Min Z = 500X11 + 200X12 + 50X13 480X21 + 210X22 + 45X23 450X31 + 180X23 + 42X33 Sujeto a: 1)
X11 + X12 + X13 = 1
2)
X21 + X22 + X23 = 1
3)
X31 + X32 + X33 = 1
4)
X11 + X21 + X31 = 1
5)
X12 + X22 + X32 = 1
6)
X13 + X23 + X33 = 1
Xi j 0 14. El comando de bombardeo estratégico recibe instrucciones de interrumpir la destrucción de tanques del enemigo.
Este tiene 4 plantas de gran importancia localizadas en distintas ciudades y la destrucción de cualquier planta detendrá efectivamente la producción de tanques. Hay una aguda escasez de combustible, que limita la
provisión a
48000 galones para esta misión
particular.
Cualquier bombardeo enviado a determinada ciudad particular debe llevar cuando menos el combustible suficiente para el viaje redondo, mas una reserva de 100 galones. El número de bombarderos de que dispone el comandante, así como las descripciones, se presentan en la siguiente tabla:
TIPO BOMBARDERO
DESCRIPCIÓN
MILLAS/GLS
DISPONIBLE
1
Pesado
2
48
2
Liviano
3
32
La información a cerca de la localización de las plantas y de su vulnerabilidad al ataque de un bombardero liviano y uno pesado, se da enseguida.
PLANTA
DISTANCIA DE LA BASE EN MILLAS
PROBABILIDAD DE DESTRUCCIÓN PESASADO
LIVIANO
1
450
0.10
0.08
2
480
0.20
0.16
3
540
0.15
0.12
4
600
0.25
0.20
Cuántos bombarderos de cada tipo deben ser despachados a las diferentes fábricas y cómo deben repartirse en los cuatro blancos, para hacer máxima la probabilidad de éxito ?.
PLANTAS 1
2
3
MILLAS / GALÓN
DISPONIBILIDAD
4
BOMBARDERO 1
X11
X12 X13 X14
2
48
2
X21
X22
3
32
X23 X24
MODELO MATEMATICO P.L. VARIABLES DE DECISIÓN
Sea: Xij = El número de bombero de tipo i enviado a la ciudad j.
i = 1, 2
j= 1,2,3,4
FUNCION OBJETIVO
Max Z = 0.10X11 + 0.20X12 + 0.15X13 + 0.25X14 + 0.08X21 + 0.16X22 + 0.12X23 + 0.20X24
Sujeto a :
1)
2 x 450 2 x 480 2 x540 2 x600 X 11 X 12 X 13 X 14 2 2 2 2
2 x 450 2 x 480 2 x540 2 x600 X 21 X 22 X 23 X 12 3 3 3 3
100 (X11 + X12 + X13 + X14 + X21 + X22 + X23 + X24 ) 48000 (Combustible)
2) X11 + X12 + X13 + X14 48 (aviones pesados)
3) X21 + X22 + X23 + X24 32 (aviones livianos)
X11 0
15. Cervecería Leona tiene tres plantas que embotellan cerveza de marca genérica. La cerveza se distribuye desde tres plantas a cuatro (4) bodegas. Los gerentes de producción de cada una de las plantas han estimado la producción mensual esperada para sus respectivas plantas.
Se fabricará en total en las tres plantas una cantidad
suficiente de cerveza para cargar 300 camiones.
La gerencia general ha asignado la producción total a las respectivas bodegas examinando datos de meses anteriores. En la tabla siguiente se presenta la información de oferta (producción) y demanda (asignación), junto con los costos de transporte para cada combinación de oferta y demanda.
Debe observarse que las unidades de oferta y demanda se expresan en camiones de cerveza, en tanto que las cifras de costo que aparecen en el cuerpo de la tabla se expresan en dólares por camión.
BODEGAS PLANTAS U$
1 464
513
2 654
3
4
867
PRODUCCIÓN (OFERTA) 75
2
352
416
690
791
125
3
995
682
388
685
100
ASIGNACIÓN (DEMANDA)
1
----------80
65
70
85
300
Formule el modelo de programación lineal para un programa de transporte con costo mínimo.
MODELO MATEMÁTICO P. L.
VARIABLES DE DECISIÓN
Sea:
Xij
= Número de camiones que se enviaron de la planta i a la bodega j.
i
= 1, 2, 3
j
= 1, 2, 3, 4
FUNCIÓN OBJETIVO
Min
Z =
464X11 + 513X12 + 654X13 + 867X14
+
352X21 + 416X22 + 690X23 + 791X24
+
995X31 + 682X32 + 388X33 + 685X34
Sujeto a: 1)
X11 + X12 + X13
+ X14 = 75
2)
X21 + X22 + X23
+ X24 = 125
3)
X31 + X32 + X33
+ X34 = 100
4)
X11 + X21 + X31
=
80
5)
X12 + X22 + X32
=
65
6)
X13 + X23 + X33
=
70
7)
X14 + X24 + X34
=
85
Xi j 0
16. La Compañía Moreno Ltda.. fabrica fertilizantes especiales para clientes del mercado de cítricos. La Compañía acaba de recibir un pedido de 1000 toneladas de un fertilizante que debe satisfacer las siguientes especificaciones.
a.
Cuando menos un 20% de nitrógeno.
b.
Cuando menos un 30% de potasio.
c.
Cuando menos un 8% de fosfato.
La Compañía ha adquirido cuatro mezclas de fertilizantes a partir de los cuales puede fabricar sus fertilizantes especiales. Los porcentajes de potasio, nitrógeno y fosfato que contienen los fertilizantes básicos son:
Porcentaje de Fertilizante Nitrógeno
Potasio
Fosfato
Básico
1
40
20
10
2
30
10
5
3
20
40
5
4
5
5
30
El porcentaje restante de cada fertilizante básico consta de ingredientes inertes. Los costos de los fertilizantes básicos respectivos son $16, $12, $15, y $ 8 por tonelada. El objetivo es minimizar los costos. Plantear el modelo matemático.
MODELO MATEMÁTICO P. L. VARIABLES DE DECISIÓN Sea:
Xj = El número de toneladas de cada uno de los fertilizantes básicos que deben incluirse en la mezcla de las 1000 toneladas. j = 1, 2, 3, 4
FUNCIÓN OBJETIVO
Mín Z = 16X1 + 12X2 + 15X3 + 8X4
Sujeto a: 1) 0.40X1 + 0.30X2 + 0.20X3 + 0.05X4 200 2) 0.20X1 + 0.10X2 + 0.40X3 + 0.05X4 300 3) 0.10X1 + 0.05X2 + 0.05X3 + 0.30X4 80
4)
X1 +
X1 ,
X2 +
X2 , X 3 , X4
X3 +
0
X4 = 1000
EL PROBLEMA DE TRANSPORTE Y ASIGNACION
EL PROBLEMA DE TRANSPORTE
El problema de transporte se presenta cuando se planea la distribución de bienes y servicios a partir de varios lugares de suministro, producción, ofertas u orígenes y son transportados a diferentes ubicaciones de demandas clientes o destinos. El Objetivo del problema es minimizar los costos de transportar los artículos desde los orígenes hasta los destinos.
Utilizamos el problema de la programación lineal para resolver el problema de Transporte , para ello definimos los siguientes parámetros y variables, Sea:
i = Índice para los orígenes, i = 1, 2, 3, …..m
j = índice para los destinos
j = 1, 2, 3 … n
X ij = Número de unidades que se envían del origen i al destino j
C ij = Costo por unidad que se envía del origen i al destino j
ai
= Oferta o capacidad de unidades del origen
bj =
Demanda de unidades en el destino
El modelo general de programación lineal de un problema de transporte con m orígenes y n destinos es :
m n
Minimizar Z =
Cij X ij 1 1
Sujetos :
n
X ij ai
i= 1, 2, 3, ..
m
1
m
X ij b j j= 1, 2, 3, .. n 1
m
n
1
1
ai = bj
Xij 0 para toda
condición necesaria
i = 1, 2, 3, . . . m
y
toda
j = 1, 2, 3, …n
Ejemplo:
Postobón tiene tres fabricas la de Valledupar, Bucaramanga y Barranquilla respectivamente y desea distribuir sus productos en tres poblaciones :El Banco ,Caucacia y Aguachica, en la tabla siguiente se definen las cantidades a transportar en cada una de las variables, los costos por unida en pesos por unidad, la producción y las demadas en millones de botellas semanales. Cual es el programa de costo mínimo semanal.
ui
CLIENTE 1
2
3
1
X 11 6
X 12
7
X 13
5
60
2
X 21
X 22
20
X 23
1
80
3
X 31
X 32
4
X 33
3
40
PLANTA
8
5
Bj
50
90
70
180
210
Solución
1.
Construimos la red de distribución
PLANTAS
CLIENTES
6 1
1 7 5
8 20 2
2 1
5
4
3
3 3
2. IGUALAR OFERTAS Y DEMANDAS Si las ofertas son mayores agregamos un cliente ficticio con costos cero, para que asuma la diferencia de las demandas, en caso contrario agregamos una planta ficticia con costos cero para que asuma la diferencia de las ofertas, de esta forma tenemos la tabla equilibrada o igualada o estandarizada.
TABLA IGUALADA O ESTANDARIZADA
ui
CLIENTE 1
2
3
1
X 11 6
X 12
7
X 13
5
60
2
X 21
X 22
20
X 23
1
80
PLANTA
8
3
X 31 5
X 32
4
X 33
4 FICTICIA
X 41 0
X 42
0
X 43
Bj
50
90
3
0
70
40
30
210
210
3. Construir
el modelo programación lineal
matemático
de
la
MODELO MATEMATICO DE LA PROGRAMACION LINEAL
Minimizar Z = 6X 11 + 7 X 12 + 5 X + 8 X 21 +20 X 22 + X +5X + 13
23
31
+4X +3 X +0 X 41 + 0 X 42 + 0 X 32
33
43
Sujeto a :
1.
X 11 + X 12 +
X
=
13
60
0ferta
2.
X 21 + X 22 +
X
23
=
80
0ferta
3.
X + X
X
33
=
40
oferta
4.
X 41 + X 42 +
=
30
oferta
31
32
+
X
43
5.
X 11 . + X 21 . +
X . +
6. X 12 + X 22 + demanda
X
32
7. X + X demanda
X
33
13
Xij
0
23
+
i = 1, 2, 3,4
X 41 =
31
+
X 42
=
90
+
X
=
70
43
y
j = 1, 2, 3
4. EQUIVALENCIA DE VARIABLES X 11 = X1
X 12 = X2
X 21 = X4
X 22 = X5
50 demanda
X = X3 13
X = 23
X6
X = X7
X = X8 32
31
X 41 = X10
X13 = A13
X 42 = X11
33
X = X12 43
X14 = A14
X15 = A15
X16 = A16
X17 = A17
X18 =A18
5.
X = X9
X19 = A19
MODELO MATEMÁTICO EQUIVALENTE PARA CONSTRUIR LA FORMA SIMPLEX
Minimizar X6
Z = 6 X1 + 7 X2 +5 X3 + 8X4
+ 20 X5 +
+ 5 X7 + 4 X8 + 3 X9 + 0X10 + 0 X11 + 0X12
Sujeto a :
1.
X1 + X2 + X3
2.
X4 + X5 + X6 = 80
3.
X7 + X8 + X9
4.
X10 + X11 + X12=
5. X1. + demanda
6.
X2 +
=
60
0ferta
0ferta
= 40
X4
X5 + X8 +
30
+
oferta
oferta
X7 +
X10 =
50
X11 = 90 demanda
7. X3 demanda
Xj
0
+
X6 + X9
+ X12
=
70
j = 1, 2, 3,4,5,6,7,8,9,10,11,12
6. APLICACIÓN DE LA LA TABLA DE IGUALAR DEL SIMPLEX
TABLA DE IGUALAR SIMPLEX TIPO
Agregar a:
DE
La
RESTRICCIÓN
Restricción
Menor o igual
V. De Holgura
+S
La Función Objetivo Maximizar
+OS
Minimizar
+OS
V. Excedente y Mayor o igual
Artificial
-S+A
Igualdad
Variable Artificial
=
A
+OS-MA
+OS+MA
-M*A
+MA
MODELO MATEMATICO SIMPLEX IGUALADO
Minimizar X6
Z = 6 X1 + 7 X2 +5 X3 + 8X4
+ 20 X5 +
+ 5 X7 + 4 X8 + 3 X9 + 0X10 + 0 X11 + 0X12+MX13 + MX14 + MX15 + MX16 + MX17 + MX18 + MX19
Sujeto a :
1.
X1 + X2 + X3 +
X13 =
60
2. X4 + X5 + X6 +
3. X7 + X8 + X9 +
4. X10 + X11 + X12 +
X14 =
X15 =
X16 =
80
40
30
5.
X1. + X4. +
X7. + X10 + X17 =
6.
X2 + X5 +
X8 +
7.
X3 + X6 +
X9
+
50
X11 + X18 =
X12 + X19
=
90
70
Xj 0 j = 1, 2,3,4,5,6,7,89,10,11,12,13,14,15,16,17,18,1
7. CONSTRUCCION DE LA TABLA DE LA SOLUCION INICIAL
SOLUCIÓN INICIAL SIMPLEX
Cj
6
7
5
8
20
1
5
4
3
0
M 0
M
M
M
M
M
b
M
0
Cb
Base
X1
X2
X3
X4
X5
X6
X7
X8
X9
M
X13
1
1
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
60
M
X14
0
0
0
1
1
1
0
0
0
0
0
0
0
1
0
0
0
0
0
80
M
X15
0
0
0
0
0
0
1
1
1
0
0
0
0
0
1
0
0
0
0
40
M
X16
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
1
0
0
0
30
M
X17
1
0
0
1
0
0
1
0
0
1
0
0
0
0
0
0
1
0
0
50
M
X18
0
1
0
0
1
0
0
1
0
0
1
0
0
0
0
0
0
1
0
90
M
X19
0
0
1
0
0
1
0
0
1
0
0
1
0
0
0
0
0
0
1
70
2M
0
0
0
0
0
0
0
420M
2M
0
0
0
0
0
0
0
420M
Min Zj - Cj 2M-6 2M-7 2M-5 2M-8
Zj
2M
2M
2M
2M
2M20
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19
2M-5 2M-4 2M-3 2M 2M-1
2M
Solución
2M
2M
2M
2M
2M
2M
2M
Min = - Max y para M = 100 (Multiplicamos la ultima fila por -1 y remplazamos a M por 100). Sigue:
M
ZjCj
1
-
1
1 ax
9
-
-
-
-
-
-
-
-
-
1
1
1
1
1
1
2
2
2
9
8
9
9
9
9
0
0
0
2
0
9
5
6
7
0
0
0
9 9
4
5 3
0
0
0
0
0
0
0
-42000
Aplicar el software y obtiene la solución optima.
EL PROBLEMA DE ASIGNACION
El problema de asignación se presenta en diversos casos de toma de decisiones.Por ejemplo los problemas típicos de asignación implican asignar tareas a máquinas. trabajadores a tareas y proyectos ,personas de ventas a territorios de ventas, contratos a licitantes . Una característica es que se asignan uno a uno . por ejemplo una maquina a un obrero, un trabajador una tarea , un proyecto a un analista, un contrato a un licitante, se busca el conjunto de asignaciones que optimice el objetivo planteado tal como minimizar costos, minimizar tiempos o maximizar utilidades
Utilizamos el problema de la programación lineal para resolver el problema de Asignación, para ello definimos los siguientes parámetros y variables, El problema de asignación implica n agentes y m tareas si se hace que:
i = Índice para los orígenes o tareas i = 1, 2, 3, …..m
j = índice para los destinos o agentes
j = 1, 2, 3 … n
X ij = 1 Número de unidades que se asignan del origen i al destino j
C ij = Costo de asignar el agente i
ai
= 1
bj =
a la tarea j
unidad ofrecida
1 unidad
Demandada
El modelo general de programación lineal problema de asignación es :
m n
Minimizar Z =
Cij X ij 1 1
Sujetos:
n
X ij 1 i= 1, 2, 3, ..
m
1
m
X ij 1 j= 1, 2, 3, .. n 1
m
n
1
1
ai = bj
condición necesaria
Xij 0 para toda
i = 1, 2, 3, . . . m
y
toda
j = 1, 2, 3, …n
Ejemplo: La empresa EVA tiene tres maquinas y tres trabajadores respectivamente y desea asignar una maquina a cada trabajador, en la tabla siguiente se definen las variables y los costos de asignación por unida en miles de pesos , Cual es el programa de costo mínimo optimo . 2
Trabaj 1
ui 3
Maquinas 1
X 11 7
X 12
5
X 13
6
1
2
X 21
8
X 22
10
X 23
9
1
3
X 31
5
X 32
3
X 33
4
1
Bj
1
1
1
3
3
Solución
1.
Construimos la red de distribución
MAQUINAS
TRABAJADORES
7 1
1 5 6
8 10 2
2 9
5
3
3
3 4
2.
IGUALAR OFERTAS Y DEMANDAS
Si las ofertas son mayores agregamos un cliente ficticio con costos cero, para que asuma la diferencia de las demandas, en caso contrario agregamos una planta ficticia con costos cero para que asuma la diferencia de las ofertas, de esta forma tenemos la tabla equilibrada o igualada o estandarizada. En este caso ya esta igualada o estandarizada tres maquinas y tres trabajadores.
TABLA ESTANDARIZADA O IGUALADA
ui
TRABAJADORES
1
2
3
X 11
X 12
5
X 13
6
1
X 22
10
X 23
9
1
X 32
3
X 33
4
1
MAQUINAS 1
7 2
X 21 8
3
X 31 5
Bj
1
1
1
3
3
3. CONSTRUIR EL MODELO MATEMÁTICO DE LA PROGRAMACIÓN LINEAL MODELO MATEMATICO DE LA PROGRAMACION LINEAL
Minimizar Z = 7X 11 + 5 X 12 + 6 X + 8 X 21 +10 X 22 + +9X + 5 X + 3X +4 X 13
23
31
32
33
Sujeto a :
1.
X 11 + X 12 +
X
13
=
1
0ferta
2.
X 21 + X 22 +
X
3.
X + X
X
31
32
+
23
33
=
1
0ferta
=
1
oferta
4.
X 11 . + X 21 . +
X . = 1 demanda
5.
X 12 + X 22 +
X
32
= 1 demanda
6.
X
X
33
= 1 demanda
Xij
13
0
+ X
23
+
i = 1, 2, 3
31
y
j = 1, 2, 3
4. EQUIVALENCIA DE VARIABLES
X 11 = X1
X 12 = X2
X = X3 13
X 21 = X4
X = X7 31
X10 = A10
X14 = A14
X 22 = X5
X = X8 32
X = 23
X6
X = X9 33
X11 = A11 X12 = A12
X13 = A13
X15 =A15
MODELO MATEMATICO DE LA PROGRAMACION LINEAL EQUIVALENTE
Minimizar Z = 7 X1 + 5 X2 +6 X3 + 8X4 X6
+ 10 X5 + 9
+ 5 X7 + 3 X8 + 4 X9
Sujeto a :
1.
X1 + X2 + X3
= 1
0ferta
2.
X4 + X5 + X6
= 1
oferta
3.
X7 + X8 + X9
= 1
oferta
4.
X1. +
X4 + X7
=
5.
X2 +
X5 + X8
= 1 demanda
6.
X3 +
X6 + X9
=
1 demanda
1
demanda
Xj
0
j = 1, 2, 3,4,5,6,7,8,9
6. APLICACIÓN DE LA TABLA DE IGUALAR DEL SIMPLEX
TABLA DE IGUALAR DEL SIMPLEX
TIPO
Agregar a:
DE
La
La Función Objetivo
RESTRICCIÓN
Restricción
Menor o igual
V. De Holgura
+S
Maximizar
Minimizar
+OS
+OS
+OS-MA
+OS+MA
-M*A
+MA
V. Excedente y Mayor o igual
Artificial
-S+A
Igualdad
Variable Artificial
=
A
MODELO MATEMATICO SIMPLEX
Minimizar 9X6
Z = 6 X1 + 7 X2 +5 X3 + 8X4
+ 10 X5 +
+ 5 X7 + 3 X8 + 4 X9 + MX10 MX12+MX13 + MX14 + MX15
+M X11 +
Sujeto a :
1.
X1 + X2 + X3 +
X10 =
2. X4 + X5 + X6 +
3. X7 + X8 + X9 +
4.
X1. + X4. +
1
X11 =
X12 =
1
1
X7. + X13 =
1
5.
X2 + X5 +
X8 +
X14 =
6.
X 3 + X6 +
X9
X15
Xj
0
+
1
= 1
j = 1, 2, 3,4,5,6,7,8,9,10,11,12,13,14,15
7. CONSTRUCCION DE LA TABLA DE LA SOLUCION INICIAL SOLUCIÓN INICIAL SIMPLEX
Cj
6
7
5
8
10
9
5
3
4
M
M
M
M
M
M
b
Cb
Base
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
solución
M
X10
1
1
1
0
0
0
0
0
0
1
0
0
0
0
0
1
M
X11
0
0
0
1
1
1
0
0
0
0
1
0
0
0
0
1
M
X12
0
0
0
0
0
0
1
1
1
0
0
1
0
0
0
1
M
X13
1
0
0
1
0
0
1
0
0
0
0
0
1
0
0
1
M
X14
0
1
0
0
1
0
0
1
0
0
0
0
0
1
M
X15
0
0
1
0
0
1
0
0
1
0
0
0
0
0
1
1
2M-5
2M-3
2M-4
0
0
0
0
0
6M
M
M
M
M
Zj - C j Min
Zj
2M2M-7 2M-5 2M-8 2M-10 6 2M
2M
2M
2M
2M-9
2M
0
1
0
2M
2M
2M
2M
M
M
Min = - Max y para M = 100 (Multiplicamos la ultima fila por -1 y remplazamos a M por 100). Sigue:
-Máx.
Zj-Cj
1
-
-1
-
-
-
-
-
-
1
9
1
1
1
1
1
1
9
5
9
9
9
9
9
9
2
9
1
5
7
6
0 0
0
0
9 4 3
Aplicar el software y obtiene la solución óptima.
0
0
-600
REFERENCIAS BIBLIOGRÁFICAS
Hamdy A. Taha, Investigación de Operaciones, México, Ediciones Alfa
Omega
S.A, 1991.
G. D Eppen/ F. J Gould, Investigación de Operaciones en las Ciencias Administrativas, México, Editorial PRENTICE – Hall Hispanoamericana S. A, 1992
David R. Anderson, Dennis J. Sweeney, Thomas A. Williams, Introducción a los modelos cuantitativos para administración, México, Grupo Editorial Iberoamérica, 1993.
Frederick S.
Hillier / Gerald J. Lieberman, Introducción a la investigación de
operaciones, México, editorial McGraw-Hill, 1998.
Mokhtar S. Bazaraa / Jhon J. Jarvis, programación lineal y flujo en redes, México, editorial Limusa S. A, 1992.
Herbert Moskowitz / Gordon P. Wright, Investigación de operaciones, Colombia, editorial Prentice / Hall Internacional, 1982.
investigacion de operaciones Mohammad Naghi Namakforoosh Editorial Limusa 1989 Dr. ciencias admitivas UAM Universidad Autonoma De Mexico