Professional Documents
Culture Documents
INTRODUCCIÓN
Frederick S. Hiller
Mokhtar S. Bazaraa
Abarca los métodos de solución de una gran variedad de problemas de
la siguiente naturaleza: se tiene alguna cantidad (tal como un costo o un
tiempo) que tiene una función lineal de cierto número de variables
lineales. Se requiere, a su vez, que estas variables satisfagan un
sistema de igualdades y desigualdades lineales. Es necesario hallar
valores no negativos de las variables que hagan máxima o mínima a la
cantidad dada.
A. S. Basarov
“... es una técnica matemática para encontrar los mejores usos de la
organización. El adjetivo lineal se usa para describir la relación en dos o
más variables, una relación que es directa y precisamente proporcional.
El término programación se refiere al uso de ciertas técnicas
matemáticas para obtener la mejor solución posible a un problema que
involucra recursos limitados.”
Richad I. Levin
APLICACIONES DE LA PROGRAMACIÓN LINEAL
Características de la problemas de
programación lineal
● Proporcionalidad: las variables y la función
objetivo deben ser lineales
● Aditividad: Es necesario que cada variable
sea aditiva respecto a la variable objetivo
● Divisibilidad: las soluciones no deben ser
necesariamente números enteros
● Optimalidad: La solución óptima (máximo o
mínimo) debe ocurrir en uno de los vértices
del conjunto de soluciones factibles
Modelo general de PL
Coeficientes objetivo
Variables de decisión
. . . . .
. . . . .
. . . . .
Condiciones técnicas
X1,2,.....n > 0
o No negatividad
Formatos Canónico y Estándar
Formato Canónico
Sujeto a: Sujeto a:
Transformaciones al modelo general de PL
Formato Estándar
Sujeto a: Sujeto a:
Tipos de los problemas de PL
1) Problema de la dieta: este consiste en
determinar una dieta de manera eficiente, a partir
de un conjunto dado de alimentos, de modo de
satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente información:
Leche Legumbre Naranjas Requerimientos
(galon) (1 porción) (unidad) Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
Variables de decisión:
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.
Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Restricciones del problema:
Requerimientos mínimos de los nutrientes
considerados:
3.2 x1 + 4.9 x2 + 0.8 x3 ≥ 13
1.12 x1+ 1.3 x2 + 0.19 x3 ≥ 15
32 x1+ + 9 x3 ≥ 45
x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0
2) Problema de dimensionamiento de lotes: este
consiste en hallar una política óptima de producción
para satisfacer demandas fluctuantes en el tiempo,
de modo de minimizar costos de producción e
inventario, considerando la disponibilidad de
diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta
150 unidades en cada uno de los 4 periodos en que
se ha subdividido el horizonte de planificación y se
tiene adicionalmente la siguiente información:
Periodos Demandas Costo Prod. Costo de Inventario
(unidades) (US$/unidad) (US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3
Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
Variables de decisión:
xt : número de unidades elaboradas en el periodo t.
It : número de unidades de inventario al final del
periodo t.
Función objetivo:
Consiste en minimizar los costos de producción y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
Notar que en el óptimo I4 va a ser 0, así que incluso podríamos no
incluirla, pero de todos modos la consideramos.
Restricciones del problema:
1) Restricciones de cotas, que reflejan la capacidad
de producción.
xt ≤150
2) Restricciones de no negatividad
xt ≥ 0
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195 Periodo 4
3) Problema de Transporte. El problema consiste
en decidir cuántas unidades trasladar desde ciertos
puntos de origen (plantas, ciudades, etc.) a ciertos
puntos de destino (centros de distribución,
ciudades, etc..) de modo de minimizar los costos de
transporte, dada la oferta y demanda en dichos
puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
● La meta de un modelo de transporte es minimizar el
costo total de envío de un producto (o productos)
desde los puntos de existencia hasta los puntos de
demanda
● Poseen dos tipos de restricciones:
1. Cada punto de demanda recibe su requerimiento
2. Los envíos desde u punto de suministro no exceden a su
capacidad disponible
Por ejemplo, suponga que una empresa posee dos
plantas que elaboran un determinado producto en
cantidades de 250 y 450 unidades diarias,
respectivamente. Dichas unidades deben ser
trasladadas a tres centros de distribución con
demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en
$/unidad) son:
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
Diagrama: C.D.1
X11
Planta 1
X12
X13
X23
C.D.3
Orígenes Destinos
Variables de decisión:
Función Objetivo:
NP, avgas B:
RVP, avgas A:
RVP, avgas B:
Ejercicios:
Supongamos que se dispone de determinadas piezas
para la elaboración de dos productos finales. Se dispone
de 8 “piezas pequeñas” y 6 “piezas grandes”, que son
utilizadas para elaborar sillas (usando 2 piezas
pequeñas y 1 pieza grande) y mesas (usando 2 piezas
de cada tipo).
Interesa decidir cuántas sillas y mesas fabricar de modo
de obtener la máxima utilidad, dado un beneficio neto de
U$ 15 por cada silla y de U$20 por cada mesa fabricada.
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del número de
piezas disponibles, son por ejemplo, fabricar:
● 4 sillas, que reportan una utilidad de U$60
● 1 sillas y 2 mesas , utilidad de U$55
● 3 mesas, utilidad de U$60
● 1 mesa y tres sillas, utilidad de U$65
● 2 sillas y 2 mesas, utilidad de U$70
● etc.
Solución:
Un modelo matemático para hallar la mejor solución factible a
este problema tiene tres componentes básicas:
i) Las variables de decisión, que consiste en definir cuáles son
las decisiones que se debe tomar. En el ejemplo,
x: número de sillas elaboradas.
y: número de mesas elaboradas.
ii) La función objetivo del problema, que permita tener un criterio
para decidir entre todas las soluciones factibles. En el ejemplo,
maximizar la utilidad dada por:
z = f(x,y) = 15x + 20y
iii) Restricciones del problema, que consiste en definir un conjunto
de ecuaciones e inecuaciones que restringen los valores de las
variables de decisión a aquellos considerados como factibles. En el
ejemplo, respetar la disponibilidad de piezas para la fabricación de
sillas y mesas:
Piezas pequeñas: 2x + 2y ≤ 8
Piezas grandes : x + 2y ≤ 6
Ejemplo 1.
Una planta puede fabricar cualquier combinación de cinco
productos diferentes. La fabricación de cada producto
requiere cierto tiempo en tres máquinas diferentes, como se
indica en la siguiente tabla. Todas las cifras están
expresadas en minutos por libra de producto.
TIEMPO-MÁQUINA (min/lb)
PRODUCTO 1 2 3
A 12 8 5
B 7 9 10
C 8 4 7
D 10 3
E 7 11 2
Cada máquina está disponible durante 128 horas por
semana. Los productos A, B, C, D y E son muy competitivos
y pueden venderse cualquier cantidad que se produzca a
precios por libra de $5, $4, $5, $4 y $4, respectivamente.
Los costos variables de mano de obra son $4 por hora para
las máquinas 1 y 2 y $3 por hora en la máquina 3. Los
costos de material son $2 por cada libra de los productos A
y C, y $1 por cada libra de los productos B, D y E. Lo que
se desea es maximizar las ganancias de la compañía.
A B C D E
Costo variable M.O ($/lb) Maq.1 $ 0.80 $ 0.47 $ 0.53 $ 0.67 $ 0.47
Costo variable M.O ($/lb) Maq.3 $ 0.25 $ 0.50 $ 0.35 $ 0.15 $ 0.10
Máquinas Tiempo máquina minutos por libra por producto Minutos disponibles por semana
1 12 7 8 10 7 7680
2 8 9 4 11 7680
3 5 10 7 3 2 7680
Formulación:
Variable de decisión:
Xi = Libras del producto i a fabricar por semana.
∀ i = 1, 2, 3, 4 y 5
Objetivo:
X0 = Utilidad /semana
Restricciones: Máquina 1
Tiempo disponible por semana Máquina 2
Máquina 3
Condiciones técnicas.
X1, X2, X3, X4, X5 > 0
Modelo Matemático de Programación Lineal:
Máx: Utilidad
X0 = 1.42X1 + 1.43X2 + 1.85X3 + 2.18X4 + 1.70X5
$ = $ Libras
Semana Libra Semana
Sujeto a:
minutos Libras minutos
=
Libra Semana Semana
Variable de decisión:
Xi = Número de bolsas de modelo i a fabricar por trimestre
∀ i = 1, 2
Objetivo:
X0 = Ganancia/trimestre
Corte y teñido
Restricciones:
Corte
Tiempo disponible por trimestre Terminado
Inspección y empaque
Condiciones técnicas.
X1, X2 > 0
Modelo Matemático de Programación Lineal:
Máx: Ganancia
X0 = 1.42X1 + 1.43X2
$ = $ Bolsa
Trimestre Bolsa Trimestre
Sujeto a:
Hora Bolsas Horas
=
Bolsa Semana Semana
Onzas/recipiente
Tomates Salsa de Pasta de
Salsa enteros tomate tomate
Wastern Foods Salsa 5 3 2
Mexico City Salsa 5 3 2
Disponibilidad Mat. Prima (lb) 280 130 100
Costo por libra $ 0.96 $ 0.64 $ 0.56
Costo por onza ocupada $ 0.30 $ 0.12 $ 0.07
Resumen de información relevante:
costo
Costo de Etiquetado Precio
especias Utilidad
tarros vacíos ($/recip) venta($/recip)
Salsa ($/recip)
Wastern Foods Salsa $ 0.10 $ 0.02 $ 0.03 $ 1.64 $ 1.00
Mexico City Salsa $ 0.10 $ 0.02 $ 0.03 $ 1.93 $ 1.29
Utilidad = PV-[(CMPte)+(CMPst)+(CMPpt)+(Ce)+(Ct)+(Cet)]
Donde:
PV = Precio de venta
CMPte = Costo de la materia prima (tomates enteros)
CMPst = Costo de la materia prima (salsa de tomate)
CMPpt = Costo de la materia prima (pasta de tomate)
Ce = Costo de las especias
Ct = Costo del tarro
Cet = Costo del etiquetado.
Formulación:
Variable de decisión:
X1 = Número de recipientes a producir de Western Foods Salsa por periodo.
X2 = Número de recipientes a producir México City Salsa por periodo
Objetivo:
X0 = Utilidad /periodo
Restricciones:
Tomates enteros
Materia Prima Salsa de tomate
Pasta de Tomate
Condiciones técnicas.
X1, X2 > 0
Modelo Matemático de Programación Lineal:
Máx: Utilidad
X0 = X1 + 1.29X2
$ = $ Recipiente
Periodo Recipiente Periodo
Sujeto a:
onzas recipiente onzas
=
recipiente periodo periodo
6 7
Oferta ≠ Demanda
Formulación:
Variable de decisión:
Xij = Número de consultores en el país i enviados al país j.
i = 1, 2 y 3 y j = 1, 2 y 3 (EU, R y N) (AS, V e I)
Objetivo:
X0 = Utilidad
Utilidad = Tarifa – (Gastos + Viaje redondo en avión)
Restricciones:
Estados Unidos Arabia Saudita
Oferta Rusia Demanda Venezuela
Nigeria Indonesia
Condiciones técnicas.
∀ i = 1, 2, 3
Xij > 0
∀ j = 1, 2, 3
Modelo matemático de PL:
Ejemplo 5.
Objetivo:
X0 = Tasa de rendimiento total
Restricciones:
Presupuestal.
Máxima inversión por industrial
Mínima inversión en CETES
Administrativas
Máxima inversión en Industria Petrolera, S. A.
Inversiones en industria siderúrgica y petrolera.
Condiciones técnicas.
Xi > 0 ∀ i = 1, 2, 3, 4, 5, 6, 7
Modelo matemático de PL:
Maximizar
X0 = 0.25X1 + 0.33X2 + 0.20X3 + 0.35X4 + 0.23X5 + 0.27X6 + 0.30X7
Sujeto a:
X1 + X2 + X3 + X4 + X5 + X6 + X7 < 100,000,000 Presupuesto
X1 + X2 + X3 < X4 + X5 + X6
X1 + X2 + X3 - X4 - X5 - X6 < 0
Condiciones técnicas.
Xi > 0 ∀ i = 1, 2, 3, 4, 5, 6, 7
Resumen del modelo:
Maximizar
X0 = 0.25X1 + 0.33X2 + 0.20X3 + 0.35X4 + 0.23X5 + 0.27X6 + 0.30X7
Sujeto a:
X1 + X2 + X3 + X4 + X5 + X6 + X7 < 100,000,000 Presupuesto
X1 + X2 + X3 < 50,000,000 Petrolera
X4 + X5 + X6 < 50,000,000 Siderúrgica
- 0.25X4 - 0.25X5 - 0.25X6 + X7 < 0 Mínima inversión en CETES
Ejemplo 5.
La principal sucursal de un Banco requiere de 8 a 15 cajeros
de servicio, dependiendo de la hora del día, como se indica
en la tabla 1. Los cajeros de tiempo completo trabajan 8
horas consecutivas a $15 la hora, comenzando con a las 8 A.
M. Los cajeros de tiempo parcial trabajan 4 horas
consecutivas a $8 la hora, comenzando a las 8 A. M., 10 A. M.
o 12 del mediodía. Las regulaciones sindicales requieren que
a toda hora al menos 60% de los cajeros sean de tiempo
completo. Como gerente del personal, haga una
recomendación respecto al número de empleados de tiempo
completo y de tiempo parcial requeridos a lo largo del día
para minimizar el costo diario total.
Requerimientos de cajeros del Banco.
Variables de decisión:
X1 = Número de cajeros de tiempo completo a contratar por día.
Yi = Número de cajeros de tiempo parcial i a contratar por día.
i = 1, 2, 3. ( hora de entrada 8, 10 y 12 del mediodía)
Objetivo:
X0 = Costo total diario
Ct = Salario cajeros TC + salario cajeros TP
Restricciones:
8 – 10 am
Condiciones técnicas.
X1 > 0
Enteras
Yi > 0 ∀ i = 1, 2, 3
Modelo matemático de PL:
$ = $ cajeros
día cajero día
Sujeto a:
Requerimiento de cajeros por periodo
X1 + Y1 =8 Periodo de 8 – 10 a.m.
X1 > 0
Enteras
Yi > 0 ∀ i = 1, 2, 3
Resumen del modelo:
Sujeto a:
X1 + Y1 = 8 Periodo de 8 – 10 a.m.
X1 + Y1 + Y2 = 10 Periodo de 10 – 12 del mediodía
X1 + Y2 + Y3 = 15 Periodo de 12 – 2 p.m.
X1 + Y3 = 12 Periodo de 12 – 2 p.m.
0.40X1 - 0.60Y1 > 0 Periodo de 8 – 10 a.m.
0.4X1 - 0.60Y1 - 0.60Y2 > 0 Periodo de 10 – 12 del mediodía
Método grafico
DEFINICIÓN DEL PROBLEMA
✓ Función objetivo
✓ Maximizar la ganancia semanal:
Max 8X1 + 5X2 (ganancia semanal)
✓ Sujeto a siguientes restricciones:
2X1 + 1X2 <= 1200 (Cantidad de plástico)
3X1 + 4X2 <= 2400 (Tiempo de producción)
X1 + X2 <= 800 (Limite producción total)
X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
SOLUCIÓN:
X Paso 1: Graficar las restricciones
2
120
0 Restricción del plástico:
2X1+X2<=1200
Restricción del total de producción:
X1+X2<=800
60 No Factible
0
Restricción del
exceso de
Horas de Factibl producción:
Producción
3X1+4X2<=240 e X1-X2<=450
X
0 Punto 60 80
1
0 0
Inferior
• Tipos de puntos de factibilidad Punto Medio Punto
SOLUCIÓN:
Paso 2: Graficar la función objetivo
Utilid. = $ 4,000
Ganancia 2,000
3,000
=$5040
80
0
60
0
X1
40 60 80
SOLUCIÓN:
4 6 x1
En primer lugar, se debe obtener la región de puntos factibles en el
plano, obtenida por medio de la intersección de todos los
semiespacios que determinan cada una de las inecuaciones
presentes en las restricciones del problema.
Enseguida, con el desplazamiento de las curvas de nivel de la
función objetivo en la dirección de crecimiento de la función (que
corresponde a la dirección del vector gradiente de la función,
∇z(x1,x2) = (3,5)T), se obtiene la solución óptima del problema en la
intersección de las rectas: 2x2 = 12 y 3x1+2x2 = 18 (restricciones
activas). Esto es:
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
Notar que se pueden dar otras situaciones en la búsqueda de una
solución óptima para esta clase de problemas:
1) La solución óptima exista pero haya más de una. En el
ejemplo, considere la nueva función objetivo: z = 6x1+4x2.
2) El problema no tenga solución, dada una región de puntos
factibles n
o - acotada. En el ejemplo, reemplace cada desigualdad ≤ por una
≥.
3) El problema no tenga solución, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la restricción:x1≥5.
Ejemplo
Objetivo:
X0 = Utilidad por semana
Restricciones:
Departamento corte
Tiempo disponible por departamento a la semana Departamento costura
Departamento empaque
Condiciones técnicas.
X1, X2 > 0
Modelo matemático de PL:
$ = $ camisas + $ blusas
semana camisa semana blusas semana
Sujeto a:
Cálculo del tiempo disponible por semana
Departamento
horas días horas
25 obreros 8 5 = 1000 corte
día-obrero semana semana
Departamento
horas días horas
35 obreros 8 5 = 1400 costura
día-obrero semana semana
Departamento
horas días horas
5 obreros 8 5 = 200 empaque
día-obrero semana semana
20X1 + 60X2 < (1000)(60) Departamento corte
X1, X2 > 0
Resumen del modelo:
Maximizar
X0 = 2.50X1 + 3.20X2
Sujeto a:
20X1 + 60X2 < 60,000 Departamento corte
70X1 + 60X2 < 84,000 Departamento costura
12X1 + 4X2 < 12,000 Departamento empaque
X1, X2 > 0
Método Gráfico:
X1
Camisas
Método Gráfico:
A B C D
Utilidad
0 $3,200 $3,888 $2,500
X0 =
Camisas
X1 = 0 0 480 1,000
Blusas X2
= 0 1,000 840 0
60000 + s1 = 60,000
s1 = 0
70X1 + 60X2 + s2 = 84,000 Departamento costura
70(480) + 60(840) + s2 = 84,000
84,000 + s2 = 84,000
s2 = 0
9,120 + s3 = 12,000
s3 = 2,880
Interpretación de los resultados del modelo.
X2
Máx. 2X1 + 3X2 = 12
Sujeto a: ( 0, 4) ( 6, 0) 2X2 = 4
2X1 + 3X2 < 12 ( 0, 8) ( 4, 0) X2 = 2
2X1 + X2 < 8 2X1 + X2 = 8
Región B
X1, X2 > 0 C 2X1 + 2= 8
Factible
Evaluación de vértices X1 = 3
A D X1
A B C D
X0 = 0 16 17 12
X1 = 0 0 3 4
La solución óptima se presenta
X2 = 0 4 2 0
en el vértice C
s1 = 12 0 0 4
s2 = 8 4 0 0
CASOS ESPECIALES
Solución óptima múltiple ó alternativa
X2
Máx. Puntos óptimos
La pendiente de la
Solución B Solución C
función objetivo es igual
X0 = 30 s2 = 0 X0 = 30 s2 = 35/3 a la pendiente de alguna
X1 = 3 S3 = 6 X1 = 10 S3 = 25/3 de sus restricciones
Máx.
Coordenadas
X0 = X1 + 2X2
X2
Sujeto a: (0, 4) (-2 , 0)
-2X1 + X2 < 4 (0, -1) ( 3, 0)
X1 - 3X2 < 3
X1, X2 > 0
X1
Solución Infactible
Máx.
Coordenadas
X0 = X1 + 2X2
Sujeto a: (0, 2) (4, 0) X2
X1 + 2X2 < 4 (0, 4) (6, 0)
2X1 + 3X2 < 12
X1, X2 > 0
X1
Análisis de sensibilidad para la solución optima.
▪ Rango de optimalidad
▪ La solución óptima permanecerá inalterable mientras:
▪ Un coeficiente de la función objetivo se encuentre dentro
del rango de optimalidad.
▪ No hay cambios en ningún otro parámetro.
X2
1200
80
0
60
0
X1
40 60 80
0 0 0
Los efectos del cambio de un coeficiente de la función objetivo,
sobre la solución óptima
X2
1200
Rango de optimalidad
80
0
60
0
Holgura complementaria
● Existe holgura en la solución óptima, cuando cada variable
está en su cota inferior o el costo reducido es 0.
Análisis de Sensibilidad del coeficiente del
lado derecho
Restricción materiales
(plásticos)
Nueva restricción materiales
(plásticos)
Ganancia máxima=
600
5040
Combinación de restricciones
en la producción
Restricción del
Feasible
tiempo de Puntos extremos
X
producción 1
600 800
Interpretación correcta del precio sombra