You are on page 1of 439

Ing.

Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

I.1. Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Antecedentes:
Durante la Segunda Guerra Mundial, el mando britnico
consult a cientficos y tcnicos sobre distintas cuestiones
militares:
Despliegue de radares.
Direccin de operaciones antisubmarinas, de minas,
bombardeos y traslado de tropas.
El resultado se llam Investigacin de Operaciones Militares,
y ms tarde Investigacin Operativa (IO)
El MIT contribuy a su puesta en marcha
El profesor Morse (MIT) fue pionero en los EE.UU.
Fund el Centro OR del MIT y colabor en la fundacin de
ORSA.
3

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

Qu son las ciencias de la gestin (investigacin


operativa)?
Hoy en da: las ciencias de la gestin y la
investigacin operativa suponen el empleo de
modelos matemticos para proporcionar pautas que
permitan a los gestores tomar decisiones efectivas
partiendo de la informacin de la que disponen, o
para hallar el modo de ampliar sta, en caso de que
sea insuficiente para llegar a la decisin adecuada.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

La investigacin operativa en la historia


1947
Proyecto Scoop (Scientific Computation of
Optimum Programs), en el que George Dantzig y
otros cientficos desarrollan el mtodo simplex de
programacin lineal.
Dcada de 1950
Aos muy interesantes: progresos matemticos,
teora de colas, programacin matemtica.
Comparar con: Inteligencia artificial (I.A.) en los 60.
Dcada de 1960
Crece el inters: ms progreso, grandes proyectos.
Comparar con: Inteligencia artificial en los 80.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

Dcada de 1970
poca de desilusin y estancamiento. NPcompleto.
Expectativas ms realistas.
Dcada de 1980
Gran expansin del uso de computadores
personales.
Acceso cada vez ms fcil a datos. Se extiende la
disposicin de los directivos al empleo de modelos.
Dcada de 1990
Uso creciente de sistemas de I.O.
Nuevos avances de la tecnologa de I.O; p.ej:
ampliaciones de optimizacin y simulacin a hojas
de clculo, lenguajes de modelacin, optimizacin a
gran escala. Mayor interconexin entre la I.A. y la I.O
6

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

La investigacin operativa en el ao 2000


CIENTOS de oportunidades para el campo de la I.O.
Datos, datos y ms datos
Datos de e-business (click stream, compras, otros
datos de transacciones, correo electrnico, etc.)
El proyecto del genoma humano y su desarrollo
Mayor automatizacin en la toma de decisiones
Necesidad de mayor coordinacin para la
utilizacin de recursos (gestin de la cadena de
suministro)

I.

Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Definicin
Aplicacin del mtodo cientfico por un grupo multidisciplinario
personas a la resolucin de un problema.
Objetivo
El principal objetivo de esta rea de conocimientos consiste en
formular y resolver diversos problemas orientados a la toma de
decisiones, mediante mtodos cientficos, que optimizan el
funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilizacin de recursos escasos.

I.

Introduccin

La naturaleza de los problemas abordados pueden ser:


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Naturaleza

Mtodos

determinsticos: Programacin lineal, programacin


entera, transporte, teora de la localizacin o redes, programacin
multicriterio, teora de inventarios, etc. (Modelos de Prog.
Matemtica)

Mtodos probabilsticos: Cadenas de markov, teora de juegos,

lneas de espera, teora de inventarios, etc.

Mtodos

hbridos:
probabilsticos.

Conjugan

mtodos

determinsticos

Mtodos heursticos: soluciones basadas en la experiencia.


9

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

Gran cantidad de problemas reales cada ms


complejos y especializados requieren de:
Uso

de metodologas para
matemtica de estos problemas.

la

formulacin

Mtodos y herramientas de resolucin, como los

que provee la Investigacin de Operaciones.

10

I.

Introduccin

I.1.1 Formulacin del Problema


1.
Definir el Problema

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

2.

Observar el Sistema

3.

7.

Estimar el Grado de Acercamiento del Modelo a la Realidad

Seleccionar la Alternativa Adecuada

6.

Representacin Idealizada del Problema

Verificar el Modelo y usar el Modelo para Predicciones

5.

Reunir Datos
Estimar Valores de Parametros

Formular el Modelo Matemtico para el Problema

4.

Definir el Problema
Especificacin de Objetivos

Escoger el modelo que mejor se adapta a los objetivos

Presentar los Resultados y Conclusiones del Estudio a la


Organizacin
Implantar y Evaluar las Recomendaciones

11

I.

Introduccin

Observar el Sistema
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Formular el Problema

Formular el Modelo Matemtico


Verificar el Modelo y usar para predicciones
Seleccionar la Alternativa
Presentar Resultados y Conclusiones
Implantar y Evaluar
Recomendaciones
12

I.

Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.2 Elementos de un modelo de optimizacin.


optimizacin
Supongamos que se dispone de determinadas piezas para la
elaboracin de dos productos finales. Se dispone de 8 piezas
pequeas y 6 piezas grandes, que son utilizadas para elaborar
sillas (usando 2 piezas pequeas y 1 pieza grande) y mesas
(usando 2 piezas de cada tipo).
Interesa decidir cuntas sillas y mesas fabricar de modo de obtener
la mxima utilidad, dado un beneficio neto de U$ 15 por cada silla y
de U$20 por cada mesa fabricada.

13

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

Posibles soluciones factibles a considerar, esto es soluciones


que respetan las restricciones del nmero 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.

14

I.

Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Componentes de un modelo matemtico:


i) Las variables de decisin, que consiste en definir cules son las
decisiones que se debe tomar. En el ejemplo,
x: nmero de sillas elaboradas. y: nmero de mesas elaboradas.

Qu puedes decidir?
Ej: cuanto producir; cuanto invertir, y en qu, son variables de
decisin

ii) La funcin objetivo del problema, que permita tener el mejor


criterio para decidir entre todas las soluciones factibles. En el
ejemplo, maximizar la utilidad dada por:
z = f(x,y) = 15x + 20y

Qu quiere decir mejor?


Ej: maximizar beneficio, minimizar coste, son objetivos
15

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

I.

Introduccin

iii) Restricciones del problema, que consiste en definir un conjunto


de ecuaciones e inecuaciones que restringen los valores de las
variables de decisin a aquellos considerados como factibles. En el
ejemplo, respetar la disponibilidad de piezas para la fabricacin de
sillas y mesas:
Piezas pequeas:
2x + 2y 8
Piezas grandes :
x + 2y 6
Tambin se impone restricciones de no negatividad:
x,y 0

Qu restricciones limitan las decisiones?


Ej: no exceder presupuesto, no usar ms piezas que las disponibles,
etc. son restricciones
iv) Resolucin del Modelo y Anlisis de la Solucin

16

I.

Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

En resumen:

Max
sa:

15x + 20y
2x + 2y 8
x + 2y 6
x,y 0

El ejemplo corresponde a un modelo de Programacin Lineal.


Si adems restringimos los valores de x e y a nmeros
enteros, tendramos un modelo de Programacin Entera. Por
otra parte, si hubiese retornos crecientes a escala,
deberamos emplear una funcin objetivo no lineal como
f(x,y) = cxa + dyb con a,b >1, y tendramos un modelo de
Programacin No Lineal.

17

I.

Introduccin

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

BIBLIOGRFIA EN INVESTIGACIN DE OPERACIONES


1. Introduccin a la Investigacin de Operaciones, F.S. Hillier y
G.J. Lieberman, McGraw Hill, Sexta Edicin, 1997.
2. Investigacin de Operaciones, una introduccin, H.A. Taha,
Prentice Hall, Mxico, Sexta Edicin, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier and
G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction. M.W.
Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling and
Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.

18

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Temario:
II.1. Introduccin
II.2. Definiciones
II.3. Suposiciones de la PL
II.4. Ejemplos de modelamiento.
II.5. Resolucin grfica de problemas.
II.6. Anlisis de Sensibilidad.
II.7. El Mtodo Simplex.
II.8. Dualidad en Programacin Lineal.
II.9. Anlisis de Sensibilidad o Post-Optimal
20

II. Modelos de Programacin Matemtica


Programacin Lineal
II.1 INTRODUCCIN

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La programacin lineal es un caso especial de la programacin

matemtica, en donde todas las funciones que participan en el


modelo son lineales.

Utilizacin:
Planificacin
Gestin de recursos humanos y materiales
Transporte
Planificacin financiera
Organizacin de la produccin.
Una extensa gama de problemas que aparecen en las reas

de tipo industrial, econmico, administrativo, militar, etc.

21

II. Modelos de Programacin Matemtica


Programacin Lineal
II.2 DEFINICIONES

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Funcin Lineal.- una funcin f(x1, x2, x3,. xn) es una funcin

lineal de x1, x2, x3,. xn, si y solo si para algn conjunto de


constantes c1, c2, c3,. cn, existe una funcin f(x1, x2, x3,. xn)
= c1 x1+ c2 x2, c3 x3,. cn xn

Desigualdad Lineal.- una desigualdad f(x1, x2, x3,. xn) b

f(x1, x2, x3,. xn) b es lineal, si y solo si la funcin f(x1, x2, x3,
. xn) es lineal y b es cualquier nmero real.

Un problema de Programacin Lineal.- es un problema de

optimizacin, para el cual:

Se busca maximizar o minimizar una funcin lineal de variables de

decisin.
Los valores de las variables de decisin satisfacen un conjunto de
restricciones. Cada restriccin es una ecuacin o una desigualdad
lineal.
22

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin Factible.- Es el conjunto de todos los puntos que


satisfacen todas las restricciones del problema de PL.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La Regin Factible y la Solucin ptima:

Solucin ptima.- Para un problema de maximizacin en PL la


solucin ptima es el punto o conjunto de puntos de la regin
factible con mayor valor de la funcin objetivo. Para un problema
de minimizacin en PL la solucin ptima es el punto o conjunto
de puntos de la regin factible con menor valor de la funcin
objetivo.

23

II. Modelos de Programacin Matemtica


Programacin Lineal

El hecho de que la funcin objetivo de un problema de PL tiene


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Suposiciones de Proporcionalidad y Aditividad.-

que ser una funcin lineal de las variables de decisin, tiene dos
implicaciones:
La contribucin de cada variable de decisin a la funcin objetivo es

proporcional al valor de la variable de decisin.


La contribucin a la funcin objetivo por parte de cualquier variable
de decisin es independiente de los valores de las otras variables
de decisin.

El hecho de que cada restriccin de un problema de PL tiene

que ser una desigualdad o igualdad lineal de las variables de


decisin, tiene tambin dos implicaciones:
La contribucin de cada variable al lado izquierdo de cada

restriccin es proporcional al valor de la variable de decisin.


La contribucin de cada variable al lado izquierdo de cada
restriccin independiente de los valores de las otras variables de
decisin.
24

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Suposicin de Divisibilidad. La suposicin de divisibilidad requiere que cada variable de


decisin pueda tomar valores fraccionarios.
En muchas situaciones donde no se presenta la divisibilidad,
redondear cada variable de la solucin ptima del problema de PL
a un valor entero, puede proporcionar una solucin razonable ms
no necesariamente ptima.

Suposicin de Certidumbre. La suposicin de certidumbre significa que tiene que conocerse


con certidumbre cada parmetro (coeficiente de la funcin objetivo,
coeficientes de las variables de las restricciones, lado izquierdo de
las restricciones).

25

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.4 Ejemplos de modelamiento.


i) Problema de Transporte (ENERGIA). El
problema consiste en decidir cuntas unidades
trasladar desde ciertos puntos de origen (plantas,
ciudades, etc.) a ciertos puntos de destino (centros
de distribucin, ciudades, etc..) de modo de
minimizar los costos de transporte, dada la oferta y
demanda en dichos puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
26

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

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 distribucin 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

27

II. Modelos de Programacin Matemtica


Programacin Lineal

C.D.1

X11
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Diagrama:
Planta 1
X12
X21

X22

C.D.2

Planta 2
X13
X23
C.D.3

Orgenes

Destinos

28

II. Modelos de Programacin Matemtica


Programacin Lineal

xij = Unidades transportadas desde la planta i (i=1,2), hasta el


centro de distribucin j (j=1,2,3)
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de decisin:

Funcin Objetivo:
Minimizar el costo total de transporte dado por la funcin:
21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del problema:
1) No Negatividad:

xij 0

2) Demanda:
CD1 : x11
+x21
CD2 :
x12
+x22
CD3 :
x13
+ x23

= 200
= 200
= 250
29

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

3) Oferta :
P1 : x11 + x12 + x13
P2

250

x21 + x22 + x23 450

Las variables de decisin deben aceptar soluciones como


nmeros reales para tener un modelo de P.L.

30

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

ii) 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 informacin:
Leche Legumbre Naranjas Requerimientos
(galon) (1 porcin) (unidad)
Nutricionales
Niacina

3,2

4,9

0,8

13

Tianina

1,12

1,3

0,19

15

Vitamina C

32

93

45

Costo

0,2

0,25

31

II. Modelos de Programacin Matemtica


Programacin Lineal
Variables de decisin:
x2 : porciones de legumbre utilizadas en la dieta.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

x1 : galones de leche utilizados en la dieta.


x3 : unidades de naranja utilizadas en la dieta.
Funcin Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Restricciones del problema:
Requerimientos mnimos 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+

93 x3 45

x 1 0 ; x 2 0 ; x3 0
32

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

iii) Problema de dimensionamiento de lotes:


Este consiste en hallar una poltica ptima de produccin para
satisfacer demandas fluctuantes en el tiempo, de modo de
minimizar costos de produccin e inventario, considerando la
disponibilidad de diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta 150
unidades en cada uno de los 4 perodos en que se ha
subdividido el horizonte de planificacin y se tiene
adicionalmente la siguiente informacin:

33

Periodos Demandas Costo Prod. Costo de Inventario


(unidades) (US$/unidad)
(US$/unidad)
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

130

80

125

2.5

195

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).

34

II. Modelos de Programacin Matemtica


Programacin Lineal

xt : nmero de unidades elaboradas en el periodo t.


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de decisin:

It : nmero de unidades de inventario al final del periodo t.


Funcin objetivo:
Consiste en minimizar los costos de produccin y el costo de
mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4

Notar que en el ptimo I4 ser 0, as que incluso podramos


no incluirla, pero de todos modos la consideramos.

35

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Restricciones del problema:


1) Restricciones de cotas, que reflejan la capacidad de
produccin.
xt 150

t Perodo

2) Restricciones de no negatividad
xt 0

t Perodo

3) Restricciones de demanda
x1 + I0 I1 = 130

Periodo 1

x2 + I1 I2 = 80

Periodo 2

x3 + I2 I3 = 125

Periodo 3

I0=15

x4 + I3 I4 = 195Periodo 4
36

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

iv) Problema de planificacin financiera:


Supongamos que un banco dispone de $250 millones para
destinar a 4 tipo de crditos ofrecidos, los cuales tienen las
siguientes, tasas de crdito:

Primer crdito corriente (PCC)

:12%

Segundo crdito corriente (SCC)

:16%

Crdito para el hogar

:16%

Crdito personal

:10%

37

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La asignacin de estos crditos, debe satisfacer la siguiente


poltica utilizada por la institucin:
El monto asignado a los PCC, debe ser al menos, el 55% del
monto asignado a los crditos corrientes, y al menos un 25%
del total del dinero prestado.
El SCC, no puede exceder el 30% del total del dinero
prestado, por polticas tributarias el inters recibido por el
banco no debe exceder a un retorno del 14% sobre el capital
prestado.
Cunto asignar a cada tipo de crdito, de la manera ms
eficiente, respetando la poltica del banco?

38

II. Modelos de Programacin Matemtica


Programacin Lineal
Variables de decisin:
x2 : Monto asignado SCC.

x3 : Monto asignado al crdito para el hogar.


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

x1 :Monto asignado al PCC.


x4 : Monto asignado al crdito personal.
Funcin Objetivo:

Se propone maximizar los retornos recibidos en la asignacin,


dados por:
0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4
Restricciones del problema:
x1 0.55 ( x1 + x2 )
x1 0.25 ( x1 + x2 +x3 + x4 )
x2 0.30 ( x1 + x2 +x3 + x4 )
(0.12x1+0.16x2+0.16x3+0.10x4 ) 0.14 ( x1+ x2 +x3 +x4 )
Adicionalmente:

x1 + x2 +x3 + x4 250
39

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

v) Problema de mezcla de productos: en este problema una


refinera produce 4 tipos de gasolina (gas 1, gas 2, gas 3 y
gas 4). Dos caractersticas importantes de cada gasolina son
su nmero de performance (NP) y su presin de vapor (RVP),
que estn dados por:
NP

RVP

Barriles diarios

gas 1

107

3814

gas 2

93

2666

gas 3

87

4016

gas 4

108

21

1300

40

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Estas gasolinas pueden ser vendidas directamente a un


precio de $24,83 por barril o bien mezcladas para obtener
gasolinas de aviacin (avgas A y avgas B). La calidad de
estas dos ltimas junto con sus precios de venta son:
NP

RV

Precio por barril (US$)

avgas A Al menos 100 A lo ms 7

26,45

Avgas B

25,91

Al menos 91

A lo ms 6

El NP y RVP de cada mezcla es un promedio de los


respectivos NP y RVP de las gasolinas empleadas.
Se desea obtener un plan de venta de las distintas gasolinas
que maximice los retornos.
41

II. Modelos de Programacin Matemtica


Programacin Lineal
Variables de decisin:

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

xj : cant. de barriles del gas j que son vendidos sin mezclar, con j =
1, 2, 3, 4.
xA : cant. de barriles de avgas A.

xB : cant. de barriles de avgas B.

xjA: cant. de gas j usado en avgas A. xjB: cantidad de gas j usado en avgas B.

Funcin objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
42

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

NP, avgas A:

NP, avgas B:

107 x 1A 93x 2 A 87 x 3 A 108 x 4 A


100
xA
107 x 1B 93x 2B 87x 3B 108 x 4B
91
xB

RVP, avgas A:

RVP, avgas B:

5 x 1A 8x 2 A 4 x 3 A 21x 4 A
7
xA

5 x 1B 8 x 2 B 4 x 3 B 21x 4 B
6
xB
43

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

vi) Problema de expansin de la capacidad de un Sistema de


Potencia Elctrica:
En este problema se desea planificar la expansin de la
capacidad de un sistema elctrico para los siguientes T aos. La
demanda (estimada) para el ao t corresponde a d t MW para t = 1,
2, ..., T. La capacidad existente del sistema corresponde a c t MW
para el ao t = 1, 2, ..., T.
Existen 2 alternativas para la expansin de la capacidad del
sistema: 1) Usar plantas trmicas a petrleo; 2) Usar plantas
trmicas a gas.
Se requiere una inversin pt por MW instalado de una planta a
petrleo que est operativa al comienzo del ao t, y el
correspondiente costo para una planta a gas es g t.
Por razones polticas y de seguridad, se ha decidido que no ms
del 30% de la capacidad instalada, corresponda a plantas a gas
(nuevas).
Cada planta a petrleo tiene una vida de 20 aos y una planta a
gas una vida de 15 aos.
Se desea proponer un plan de expansin al mnimo costo posible.
44

II. Modelos de Programacin Matemtica


Programacin Lineal

xt : cantidad de MW expandidos en planta a petrleo al inicio


del ao t, con t = 1, 2, ..., T.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de decisin:

yt : cantidad de MW expandidos en planta a gas al inicio del


ao t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas nuevas a
petrleo al inicio del ao t.
w t : cantidad total de MW disponible en plantas nuevas a gas
al inicio del ao t.

45

II. Modelos de Programacin Matemtica


Programacin Lineal
Min

p t x t gt y t

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

t 1

c t z t w t dt
t

z t xk

t 20

k 1

zt

k t 19

t 20

w t yk

t 15

k 1

wt

k t 14

t 15

wt
0,30
ct zt w t

t 1...T

x t , yt , z t , w t 0

46

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

vii) Problema de Establecimiento del Horario de Trabajo:


Una oficina de correos necesita de un nmero diferente de
empleados de tiempo completo, para diferentes das de la semana.
El nmero de empleados de tiempo completo requeridos para cada
da se da en la taba siguiente:
DIA

No. EMP.
NECESARIO
Lunes
17
Jueves
19
Domingo 11

DIA

No. EMP.
NECESARIO
Martes
13
Viernes
14

DIA

No. EMP.
NECESARIO
Mircoles 15
Sbado
16

Las reglas sindicales sealan que cada empleado debe trabajar por
5 das consecutivos y despus descansar 2 das. La oficina de
correos quiere cumplir con sus requerimientos diarios y utilizar
solamente empleados de tiempo completo. Formule un PL para
minimizar los empleados de tiempo completo

47

II. Modelos de Programacin Matemtica


Programacin Lineal

Funcin Objetivo:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de Decisin:
trabajar el da i

Restricciones:

xi : nmero de empleados que empieza a

Min z= x1 + x2 + x3 + x4 + x5 + x6 + x7
x1

+ x4 + x5 + x6 + x7 17

x1 + x2

+ x5 + x6 + x7 13

x1 + x2 + x3 + x6 + x7
x1 + x2 + x3 + x4

15
+ x7

x1 + x2 + x3 + x4 + x5
x2 + x3 + x4 + x5 + x6
x3 + x4 + x5 + x6 + x7

19
14
16
11

xi 0 (i=1,2,3,7)
48

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

PROBLEMAS PROPUESTOS:
1.- Supngase que la oficina de correos puede obligar a trabajar un
da extra a la semana. Por ejemplo un empleado que ha trabajado de
lunes a viernes, tendra que trabajar el sbado. Se paga al empleado
50 dlares diarios por los 5 primeros das y 62 dlares por el da
extra (en caso de haber trabajado). Formule un PL cuya solucin
permita a la oficina de correos minimizar el costo para cumplir con
sus necesidades laborales semanales.
2.-Supngase que la oficina de correos tiene una planta de 25
empleados a tiempo completo y no se le permite ni contratar ni
despedir empleados. Formular un PL para programar el horario de
los empleados a fin de maximizar el nmero de fines de semana
libres recibidos por los empleados.

49

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

PROBLEMAS PROPUESTOS:
3.- Los empleados del Departamento de Polica trabajan dos turnos
de 6 horas diarias, escogidos entre los siguientes 4 turnos posibles:
1) de 0h a 6 h, 2) de 6h a 12h, 3) de 12 a 18h, 4) de 18 a 24h. Se
necesita el siguiente nmero de policas por cada turno: 1) 15, 2) 5,
3) 12 y 4) 6. A los policas que tienen turno consecutivos se les paga
12 dlares la hora y a los policas que no tienen turnos consecutivos
se le para 18 dlares la hora. Formule un PL para minimizar los
costos y cubrir la demanda diaria de fuerza laboral del Departamento
de Polica

50

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.5. Resolucin grfica de problemas.


Consideremos el siguiente problema a resolver grficamente:
Max

z = 3x1 + 5x2

sa:
x1

2x2

12

3x1 + 2x2

18

x1, x2 0

51

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

6
4
2

x1
52

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

6
4
2

x1
53

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

9
x*

Solucin Optima

6
4
2

6
54

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

9
x*

Solucin Optima

6
4
2

6
55

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

9
x*

Solucin Optima

6
4
2

6
56

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Regin de puntos factibles

x2

Funcin Objetivo

9
x*
6

Solucin Optima

x*

4
2

6
57

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

En primer lugar, se debe obtener la regin de puntos factibles


en el plano, obtenida por medio de la interseccin de todos
los semi-espacios que determinan cada una de las
inecuaciones presentes en las restricciones del problema.
A continuacin, con el desplazamiento de las curvas de nivel
de la funcin objetivo en la direccin de crecimiento de la
funcin (que corresponde a la direccin del vector gradiente
de la funcin, z(x1,x2) = (3,5)T, se obtiene la solucin ptima
del problema en la interseccin de las rectas: 2x2 = 12 y
3x1+2x2 = 18 (restricciones activas). Esto es:
x 1* = 2

x 2* = 6

z* = 3 x1* + 5 x2* = 36

58

II. Modelos de Programacin Matemtica


Programacin Lineal
Algunas reflexiones

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Los ejercicios anteriores plantean un PROBLEMA DE DECISIN


Hemos tomado una situacin real y hemos construido sus
equivalentes matemticos: MODELO MATEMTICO
Durante la formulacin de los modelos matemticos, hemos
considerado el mtodo cuantitativo que nos permitir resolver el
modelo numricamente ALGORITMO
El algoritmo es un conjunto de instrucciones que siguiendo de
manera ordenada producen una solucin numrica

NUEVA DEFINICION
Ciencia para la representacin de problemas reales mediante
modelos matemticos que junto con mtodos cuantitativos nos
permiten obtener una solucin numrica a los mismos.
59

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Notar que se pueden dar otras situaciones en la bsqueda de


una solucin ptima para esta clase de problemas:
1) La solucin ptima exista pero haya ms de una. En
el ejemplo, considerese la nueva funcin objetivo:
z = 6x1+4x2.
2) El problema no tenga solucin, dada una regin de
puntos factibles no - acotada. En el ejemplo, reemplace
cada desigualdad por una .
3) El problema no tenga solucin, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la
restriccin: x1 5.

60

II.3. Anlisis de sensibilidad.


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Consideremos otro ejemplo:


max z= 15x + 20 y
s.a. 2x+2y8
x+2y 6
x,y0

61

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

4
3

6
62

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

A partir de la resolucin grfica del problema se tiene:


Solucin ptima : x1*= 2 ; x2*= 2
Valor ptimo :

z = z(2,2) = 70

El anlisis de sensibilidad permite responder, entre


otras, las siguientes preguntas:
1) Cul es el intervalo de variacin de algn
coeficiente de la funcin objetivo, de modo que la
actual solucin siga siendo la ptima?

63

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

3
2

6
64

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
65

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
66

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
67

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
68

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
69

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
70

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
71

Sea
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

z = c1x1+c2x2

La solucin ptima de la nueva funcin,


seguir siendo: x1*= 2 ; x2*= 2 s:

c1
1
1

c2
2

72

Tambin podemos estudiar el intervalo de un slo coeficiente,


dejando el resto de los parmetros fijos:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Para C1:

c1
1
1

20
2

10 c1 20

Para C2:

15
1
1

c2
2

15 c 2 30

73

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

2) Cul es el intervalo de variacin de los coeficientes


del lado derecho (trminos libres) de las restricciones, de
modo que la actual solucin siga siendo la ptima?
Estudiaremos por separado las variaciones de cada uno
los coeficientes del lado derecho de las restricciones,
modo preservar la geometra del problema, esto es, que
conserven las mismas restricciones activas de
solucin ptima inicial.

de
de
se
la

74

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

4
3
2

8
75

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

4
3
2

8
76

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Primera restriccin.
La mayor variacin del coeficiente del lado derecho se alcanza en
x=0 y y=4, de donde se obtiene:
z(0,4) = 15 0 + 20 4 = 80 y b1* = 0 + 2 4 = 8
La menor variacin del coeficiente del lado derecho se alcanza en:
x=4 ; y=0, de donde se obtiene:
z(4,0) = 15 4 + 20 0 = 60 y b1 = 4 + 2 0 = 4
De aqu, se calcula el precio sombra 1, que indica la razn o tasa
de cambio de la funcin objetivo con respecto al cambio en una
unidad del lado derecho:
1

z(0,4) z(4,0) 80 60

5
b1* b1
84

77

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
78

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max
sa :

15 x 20 y
2x 2 y 8

x 2y 6
x, y 0

6
79

II. Modelos de Programacin Matemtica


Programacin Lineal
Segunda restriccin.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La mayor variacin del coeficiente del lado derecho se alcanza en


x=6 y y=0, de donde se obtiene:
z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12
La menor variacin del coeficiente del lado derecho se alcanza en:
x=0 ; y= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b1= 2 x 0 + 2 x 3 = 6
De aqu, se calcula el precio sombra P2, que indica la razn o tasa
de cambio de la funcin objetivo con respecto al cambio en una
unidad del lado derecho: z(6,0) z(0,3) 90 60
2

5
*
b2 b2
12 6

80

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo 2
Una fbrica produce 2 tipos de juguetes de madera: soldados y
trenes se vende un soldado en 27 dlares y se usan 10 dlares de
materia prima y 14 dlares en mano de obra. Se vende un tren en
21 dlares y se usan 9 de materia prima y 10 dlares en mano de
obra. La produccin de soldados y trenes necesita de 2 tipos de
trabajo especializado: carpintera y acabado. Un soldado requiere
de 1 hora de carpintera y 2 de acabado. Un tren requiere de 1
hora de carpintera y una de acabado. La empresa dispone de 80
horas de carpintera y 100 de acabado y puede conseguir toda la
materia prima necesaria. La demanda de trenes no tiene lmite
pero no se pueden vender mas de 40 soldados a la semana.
Formule un PL para maximizar la ganancia semanal.

81

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

x nmero de trenes
y nmero de soldados
max z = 3x + 2y
s.a.
2x+y 100
x +y 80
x
40
x,y0

ganancia
restriccin de acabado
restriccin de carpintera
restriccin de demanda de soldados

82

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

max z= 3x + 2y
s.a. 2x+y 100
x+y 80
x 40
x, y 0

83

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

solucin
x=20
y=60

84

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

A partir de la resolucin grfica del problema se tiene:


Solucin ptima : x*= 20 ; y*= 60
Valor ptimo :

z = z(20,60) = 180

El anlisis de sensibilidad permite responder, entre


otras, las siguientes preguntas:
1) Cul es el intervalo de variacin de algn
coeficiente de la funcin objetivo, de modo que la
actual solucin siga siendo la ptima?

85

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

86

Sea
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

z = c1x1+c2x2

La solucin ptima de la nueva funcin,


seguir siendo: x*= 20 ; y*= 60 s:
c1
2
1
c2

87

Tambin podemos estudiar el intervalo de un slo coeficiente,


dejando el resto de los parmetros fijos:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Para C1:

c1
2
1
2

2 c1 4

3
2
1
c2

3
c2 3
2

Para C2:

88

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

2) Cul es el intervalo de variacin de los


coeficientes del lado derecho (trminos libres)
de las restricciones, de modo que la actual
solucin siga siendo la ptima?
Estudiaremos por separado las variaciones de cada
uno de los coeficientes del lado derecho de las
restricciones, de modo preservar la geometra del
problema, esto es, que se conserven las mismas
restricciones activas de la solucin ptima inicial.

89

max z= 3x + 2y
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

s.a.
40

2x+y 100
x+y 80
x
x, y 0

90

II. Modelos de Programacin Matemtica


Programacin Lineal

La mayor variacin del coeficiente del lado derecho se alcanza en


x=60 y y =0, de donde se obtiene:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Primera restriccin.

z(60,0) = 3 60 + 2 0 = 180 y b1* = 2 60 + 1 0 = 120


La menor variacin del coeficiente del lado derecho se alcanza en:
x= 4 ; x2 = 0, de donde se obtiene:
z(40,0) = 3 40 + 2 0 = 120 y b1 = 2 40 + 1 0 = 80
Obsrvese que, aunque para 80b1120 la base actual es ptima
los valores de las variables de decisin y de la funcin objetivo
cambian. Por ejemplo si 80b1100 la solucin ptima cambiar del
punto B a algn otro punto en el segmento AB. Similarmente si
100b1120 la solucin ptima cambiar del punto B a algn otro
punto en el segmento AD.

91

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Para ilustrar la idea, sea b1 el nmero de horas de acabado


disponibles. Si cambiamos b1 a 100+ sabemos que la base ser
ptima para -20 20 la solucin para el PL ser todava e punto
en el que las restricciones de acabado y carpintera son obligatorias.
Por lo tanto si cambiamos b1 = 100+ se puede encontrar los
nuevos valores de las variables al resolver
2x + y = 100 +

x + y =80

Esto produce que x=20+, y y=60- lo que significa que si


aumentamos el nmero de horas de acabado da como resultado un
aumento de nmero de soldados producidos y una disminucin de
trenes producidos.

92

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal
De aqu, se calcula el precio sombra 1, que indica la razn o tasa
de cambio de la funcin objetivo con respecto al cambio en una
unidad del lado derecho:

z(60,0) z(40,0) 180 120


1

1 .5
*
b1 b1
120 80

93

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

max z= 3x + 2y
s.a. 2x+y 100
x+y 80
x 40
x, y 0

94

II. Modelos de Programacin Matemtica


Programacin Lineal
Segunda restriccin.

z(0,100) = 30 + 2100 = 200 y b2*= 10 + 1100 = 100


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La mayor variacin del coeficiente del lado derecho se alcanza en x=0


y y=100, de donde se obtiene:

La menor variacin del coeficiente del lado derecho se alcanza en: x=0 ;
y=60, de donde se obtiene:
z(0,60) = 30 + 260 = 120 y b2= 10 + 160 = 60
Obsrvese que, aunque para 60b280 la base actual es ptima los
valores de las variables de decisin y de la funcin objetivo cambian.
Por ejemplo si 60b280 la solucin ptima cambiar del punto B a
algn otro punto en el segmento BF. Similarmente si 80b1100 la
solucin ptima cambiar del punto B a algn otro punto en el segmento
AC.

95

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Ahora, sea b2 el nmero de horas de carpintera disponibles. Si


cambiamos b2 a 80+ sabemos que la base ser ptima para -20
20 la solucin para el PL ser todava e punto en el que las
restricciones de acabado y carpintera son obligatorias.
Por lo tanto si cambiamos b2 = 80+ se puede encontrar los nuevos
valores de las variables al resolver
2x + y = 100

x + y =80 +

Esto produce que x=20-, y y=60+2 lo que significa que si


aumentamos el nmero de horas de carpintera da como resultado
una disminucin del nmero de soldados producidos y un
disminucin de trenes producidos.

96

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

De aqu, se calcula el precio sombra P2, que


indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad
del lado derecho:
z(0,100) z(0,60) 200 120
2

2
*
b2 b2
100 60

97

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Supongamos que cambiamos b3 = 40+ se puede encontrar los


nuevos valores de las variables al resolver
2x + y = 100

x + y =80

Esto produce que la solucin original x=20, y y=60. Entonces se


puede demostrar que la base actual es ptima para un -20, lo
que significa que si se cambia el lado derecho de esta restriccin en
el intervalo en la cual la base es ptima, la solucin del PL no
cambia.

98

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.4. El Mtodo Simplex.


Un PL puede tener restricciones en forma de igualdad o de
desigualdad. Tambin pueden tener variables que tienen que
ser no negativas o no tener restriccin de signo.
Para usar el Algoritmo Simplex hay que transformar el PL en
un problema equivalente, en el cual:
Todas las restricciones son ecuaciones
Todas las variables son no negativas

Un PL que se encuentra en esta forma est en su forma


ESTANDAR.
99

Ejemplo 1 de transformacin en su forma


Estandar
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Una Empresa produce dos tipos de cinturones: El modelo de lujo y


el modelo regular. Cada tipo requiere un metro de cuero. El
cinturn regular requiere de una hora de trabajo especializado y el
de lujo necesita de dos horas. Se dispone semanalmente de 60
horas de mano de obra especializada y 40 metros de cuero. Si
cada cinturn regular y cada cinturn de lujo contribuyen a las
ganancias con 3 y 4 dlares cada uno; cual es el plan de
produccin para generar la mxima utilidad?

100

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Si definimos:
X1 = Nmero de cinturones de lujo producidos
X2 = Nmero de cinturones regulares producidos
El modelo sera:
Max Z= 4X1+3X2
s.a.
X1+ X2 40
(Restriccin del cuero)
2X1+ X2 60
(Restriccin de mano de obra)
X1, X2 0
(Restriccin de no negatividad)

101

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

El modelo en la forma estandar:


Max Z= 4X1+3X2
s.a.
X1 + X2 + S1
= 40
(Restriccin del cuero)
2X1+ X2
+ S2 = 60
(Restriccin de mano de obra)
X1, X2, S1 , S2 0
(Restriccin de no negatividad)

102

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo 2 de transformacin en su forma Estandar


Min Z= 50X1+20X2 +30X3 +80X4
s.a.
400X1+ 200X2 + 150X2 + 500X2 500
3X1 + 2X2
6
2X1 + 2X2 + 4X3 + 4X4 10
2X1 + 4X2 + X3 + 5X4 8
X1, X2 , X3 , X4 0
En la Forma Estadar:
Min Z= 50X1+20X2 +30X3 +80X4
s.a.
400X1+ 200X2 + 150X2 + 500X2 E1
= 500
3X1 + 2X2
E2
=6
2X1 + 2X2 + 4X3 + 4X4
E3 = 10
2X1 + 4X2 + X3 + 5X4
E4 = 8
X1, X2 , X3 , X4 ,E1 ,E2 ,E3 ,E4 0

103

II. Modelos de Programacin Matemtica


Programacin Lineal

Max Z= 20X1+15X2
s.a.
X1
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo 3 de transformacin en su forma Estandar


100
X2 100
50X1 + 35X2 4000
20X1 + 15X2 2000
X1, X2 0

En la Forma Estadar:
Max Z= 20X1+15X2
s.a.
X1
+S1
= 100
X2
+S2
= 100
50X1 + 35X2
+S3
= 4000
20X1 + 15X2
E4 = 2000
X1, X2 ,S1 ,S2 ,S3 ,E4 0

104

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.4. El Mtodo Simplex.


En lo que sigue consideremos el siguiente
programacin lineal en su forma estndar:
Min
c1x1 + c2x2 + ... + cnxn
sa
a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
...
...
...
am1x1 + am2x2 + ... + amnxn = bm
xi 0, i = 1, 2, ..., n

problema

mn

Matricialmente escrito como:


Min
cTx
s.a.
Ax = b
x0
105

de

En resumen, es posible reformular de manera equivalente el


problema usando las siguientes justificaciones:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

1) Siempre es posible llevar un problema de maximizacin a


uno de minimizacin. Si f(x) es la funcin objetivo a maximizar
y x* es la solucin ptima:
f(x*) f(x) , x factible
- f(x*) - f(x) ,

x factible

x* es tambin mnimo de - f(x)

106

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

2) Cada restriccin del tipo puede ser llevada a una


ecuacin de igualdad usando una (nueva) variable de
holgura no negativa, con un coeficiente nulo en la funcin
objetivo.
3) De igual modo, cada restriccin del tipo puede ser
llevada a una ecuacin de igualdad usando una variable de
exceso no negativa.
4) Siempre es posible escribir una variable libre de signo
como la diferencia de dos variables no negativas.

107

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Considrese un sistema Ax = b de m ecuaciones lineales con n


variables (supngase nm)
DEFINICION: Se obtiene una solucin bsica de Ax = b, haciendo
n-m variables (variables no bsicas VNB) iguales a cero y
resolviendo el sistema resultante de m variables que quedan
(variables bsicas VB).
Naturalmente, las selecciones diferentes de variables no bsicas
VNB llevaran a soluciones bsicas diferentes.
La bsqueda de la solucin ptima se restringe a encontrar un
vrtice ptimo y cada vrtice del conjunto de las restricciones del
problema, llamado regin de puntos factibles, corresponde a una
solucin bsica factible del sistema Ax = b.
Esta solucin bsica factible, corresponde a su vez a aquellas
soluciones que resultan de resolver el sistema para exactamente m
variables, fijando las restantes n-m en cero, llamadas
respectivamente variables bsicas y no-bsicas, que adems deben
satisfacer condiciones de no-negatividad
108

II. Modelos de Programacin Matemtica

Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

EJEMPLO 1 DE SOLUCION BASICA FACTIBLE:


max Z= 4x1 + 3 x2
s.a.
x1 + x2 40
2x1 + x2 60
x1, x2 0

max
s.a.

Z= 4x1 + 3 x2
x1 + x2 +s1
2x1 + x2
+s2
x1, x2, s1, s2 0

= 40
= 60

Variables

Variables

Solucin Bsica

Punto

Bsicas

No Bsicas

Factible

x1,x2

s1,s2

s1=s2= 0

x1= 20

x2= 20

x1,s1

x2,s2

x2=s2= 0

x1= 30

s1= 10

x1,s2

x2,s1

x2=s1= 0

x1= 40

s2= -20

No es sbf porque s2<0

x2,s1

x1,s2

X1=s2=0

s1= -20

x2= 60

No es sbf porque s1<0

x2,s2

x1,s1

x1=s1= 0

x2= 40

s2= 20

s1,s2

x1,x2

x1=x2= 0

s1= 40

s2= 30

109

II. Modelos de Programacin Matemtica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Programacin Lineal

110

II. Modelos de Programacin Matemtica

Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

EJEMPLO 2 DE SOLUCION BASICA FACTIBLE:


max Z= x1 + 2 x2 + 2 x3
s.a.
2 x1 + x2 8
x3 10
x1, x2, x3 0
Variables

Solucin Bsica Factible

Punto

Bsicas
x1,x3

x1=4

x3=10

x2=s1=s2=0 D

24

s1,s2

s1=8

s2=10

x1=x2=x3=0 F

s1,x3

s1=8

x3=10

x1=x2=s2=0 E

20

x2,x3

x2=8

x3=10

x1=s1=s2=0 C

36

x2,s2

x2=8

s2=10

x1=x3=s2=0 B

16

x1,s2

x1=4

s2=10

x2=x3=s1=0 A

4
111

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

112

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Teorema Fundamental de la Programacin Lineal:


Si un problema tiene solucin ptima, tiene una solucin
bsica factible ptima.

113

II. Modelos de Programacin Matemtica


Programacin Lineal

n
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Dada una matriz B de m x m invertible, esta induce una particin de


las variables y parmetros del modelo como se muestra a
continuacin:

xB

A=

x1
x
2

xn

cB

xD

nm

cD

nm

xB :variables bsicas.
xD :variables no bsicas.
m

n-m

B : es llamada una matriz de base

cB :costos bsicos.
cD :costos no bsicos.

114

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Supongamos el problema en la forma estandar:


Max z= 60 x1 + 30 x2 +
s.a:

20 x3 + 0 s1 + 0 s2 + 0s3

8 x1 + 6 x2 +
x3 +
4 x1 + 2 x2 + 1.5 x3
2 x1 + 1.5 x2 + 0. 5 x3

s1

=48
+ s2
= 20
+ s3 = 20

x1, x2, x3, s1, s2, s3 0


Donde la solucin es:
z= 280 con s1=24 ,x3=8 y x1=2
las variables bsicas son: s1,x3,x1
las variables no bsicas son: x2,s2,s3
115

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Por lo tanto el sistema anterior puede expresarse como:


Max z= CB xB + CD xD
s.a: B xVB + D xD = b
x B , x D 0
Es decir:

max z= 0

S1
20

60

X3

x2
+

30

s2

X1
s.a. 1

S1

0 1.5

X3

0 0.5

X1

S1
X3
X1

s3

x2

s2

1.5

s3

x2

s2

s3

0
0
116

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Multiplicando las restricciones:


B xB + D xD = b por B-1:
B-1 B xB + B-1 D xD = B-1 b o bien:
xB + B-1 D xD = B-1 b
Donde:
1
B-1= 0
0

2
2
-0.5

-8
-4
1.5

117

II. Modelos de Programacin Matemtica


Programacin Lineal

s1
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Sustituyendo en nuestro ejemplo:

x3

x1

-8

x2

-4

s2

-0.5

1.5

1.5

s3

-8

48

-4

20

-1

1.5

O bien:
s1
x3
x1

-2

-8

x2

-2

-4

s2

1.25

-0.5

1.5

s3

24
=

8
2

118

Ahora expresemos la funcin objetivo de la misma manera:


Tomemos las restricciones
B xB + D xD = b y multipliquemos por el vector CBB-1
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

CB xB + CB B-1DxD= CBB-1 b
z- CB xB - CD xD =0
Sumando las dos ltimas relaciones:
z+(CB B-1D- CD)xD= CBB-1 b

119

Criterio de Optimalidad:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

c T x cBT x B cDT x D

c B b B D x B cDT x D
T
B

cBT B b cDT cDT B D x B x D


valor actual
de la funcin
obj.

vector de costos
reducidos.

120

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

La ecuacin que define cada uno de los costos


reducidos es:
rj c j cBT B 1A j
Donde j es el ndice de variable no-bsica y Aj la
respectiva columna en A de esa variable.
La actual solucin bsica factible es ptima ssi
rj j, existe una variable no bsica xp con costo
reducido negativo, que entra a la nueva base.

121

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Para decidir quin deja la base, es necesario calcular el


mayor valor que puede tomar la variable entrante que
garantiza la factibilidad de la nueva solucin bsica, con:
y1 0
x
20

y1 p
y
2p

B 1b

B 1A j

xm 0

ym p

y se debe calcular:

yi 0

yk 0
Min
/ yip 0 x k deja la base
ykp
yip

122

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal
Ejemplo.
Resolver el siguiente problema de P.L.
Max
40x + 60y
sa:
2x + y 70
x + y 40
x + 3y 90
x,y 0
Se deben agregar 3 variables de holgura ( s1 , s2 , s3 var.bsicas), y
llevar a forma estndar (x1 = x y x2 = y).
Min
sa:

-40x1 60x2
2x1 + x2 + s1
x1 + x2
x1 + 3x2

= 70
+ s2

= 40
+ s3 = 90

x1, x2, x3, s1 , s2 , s3 0,


123

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Tabla inicial:

x1

x2

s1

s2

s3

70

40

90

-40

-60

124

Usamos como variable entrante a la base x2 (pues r2<0).


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

x1

x2

s1

s2

s3

70

40

90

-40

-60

Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto sale s3.

125

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Actualizando, queda la siguiente tabla (no ptima), donde


la variable entrante a la base es x1 (pues r1<0).

x1

x2

s1

s2

s3

5/3

-1/3

40

2/3

-1/3

10

1/3

1/3

30

-20

20

1800

Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15, por lo


tanto s2 deja la base actual.
126

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Actualizando, queda la siguiente tabla final:

x1

x2

s1

s2

s3

-5/2

15

-1/3

15

1/3

25

20

10

2100

Como todos los costos reducidos son mayores o iguales que cero nos
encontramos en la solucin ptima.

127

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

x1
15

x B x 2 25
s1
15

s2
0
xD
0
s3

z* = - 40 x 15 - 60 x 25 = - 2100
En la formulacin inicial, tenemos como solucin ptima
x*=15, y *=25, con valor ptimo 2.100.

128

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo 2 del mtodo Simplex

Min Z= 2X1 -3X2


s.a.
X1 + X2 4
X1 - X2 6
X1, X2 0

129

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo 1
Min Z= 2X1 - 3X2
s.a.
X1 + X2 4
X1 - X2 6

-Z

X1

X2 S1 S2 ld

Variable

Razn

Bsica
1

-3

0 -Z=0

4 S1=4

(4/1)=4

-1

6 S2=6

Ninguna

-Z

X1

X1, X2 0
X2 S1 S2 ld

Variable
Bsica

12 -Z=12

4 X2=4

10 S2=10
130

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo 2
Max -Z= -2X1 +3X2
s.a.
X1 + X2 4
X1 - X2 6

X1

X2 S1 S2 ld

Variable

Razn

Bsica
1

-2

0 Z=0

4 S1=4

(4/1)=4

-1

6 S2=6

Ninguna

-Z

X1

X1, X2 0
X2 S1 S2 ld

Variable
Bsica

-5

-3

12 Z=-12

4 X2=4

10 S2=10
131

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Resumen del Mtodo Simplex:


Paso 0: Escribir el problema de programacin lineal en su
forma estndar.
Paso 1: Escoger una solucin bsica factible inicial.
Paso 2: Escoger una variable no - bsica con costo reducido
negativo que determina la variable entrante y seguir al paso
tres. Sin embargo, si todos los costos reducidos son mayores
que cero , parar, ya que la actual solucin es la ptima.
Paso 3: Calcular el criterio de factibilidad que determina que
variable deja la base. Si todos los cuocientes son negativos:
problema no - acotado, parar.
Paso 4: Actualizar la tabla de modo de despejar el valor de
las nuevas variables bsicas, los costos reducidos y el valor
de la funcin objetivo. Volver al Paso 2.

132

II. Modelos de Programacin Matemtica


Lineal
II.Programacin
Modelos de Programacin
Matemtica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Programacin Lineal
No siempre es fcil obtener una solucin bsica
factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios
procedimientos como son:

Mtodo de la M grande.
Mtodo Simplex de dos fases.

133

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

INTRODUCCIN
Hasta el momento slo se han estudiado
problemas en la forma estndar.
Maximizar Z.
Restricciones de la forma menor igual.
Todas las variables no negativas
FORMA ESTANDAR
Maximizar
Z=
Sujeto a:

3X1
X1
3X1
X1, X2

5X2
2X2
2X2

4
12
18
0

134

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Existen variaciones cuando:


Restricciones en forma de igualdad
Lados derechos negativos
Restricciones de la forma mayor igual que
Funcin objetivo minimizar

135

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo de la M grande.
Paso 1: Modifique las restricciones de tal manera que el lado
derecho de cada restriccin sea no negativa.
Paso 2: Transforme cada restriccin de desigualdad a la forma
estandar
Paso 3: Si la restriccin i es una igualdad o un restriccin de
aadir una variable artificial ai
Paso 4: Sea M un nmero positivo muy grande. Si el PL es de
minimizacin aadir (para cada variable artificial) Ma i a la funcin
objetivo. Si el PL es de maximizacin aadir (para cada variable
artificial) -Mai a la funcin objetivo.
Paso 5: Ya que cada variable artificial estar en la funcin objetivo
(rengln cero) eliminar todas las variables artificiales de la funcin
objetivo (rengln cero)
Paso 5: Resolver el problema con el mtodo simplex.

136

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

1. RESTRICCION EN FORMA DE IGUALDAD


Cualquier restriccin del tipo
a11 X1 + a12 X2 + a13 X3 + + a1n Xn =b1
Es equivalente a
a11 X1 + a12 X2 + a13 X3 + + a1n Xn b1
a11 X1 + a12 X2 + a13 X3 + + a1n Xn b1
Lo que es inconveniente pues aumenta el nmero de
restricciones
137

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Lo que se hace entonces es introducir variables


artificiales
Cambiemos la tercera restriccin de desiguladad de
Wyndor Glas c.o. por una igualdad

FORMA ESTANDAR
Maximizar
Z=
Sujeto a:

3X1
X1
3X1
X1, X2

5X2
2X2
2X2

4
12
18
0

138

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

139

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

140

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

141

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

142

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

143

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

144

PROBLEMA REAL
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max z=

x1

PROBLEMA ARTIFICIAL
5

x2

Max z=

s.a.

x1

x2

x5

s.a.
x1

x1

x1

x2

12

x2

18

x2

x1

3
As:

x1

x1

x1

x2

12

x2

18

x2

18

x2

x5

145

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

146

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

147

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

148

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

149

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

150

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

151

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

152

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

153

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

154

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

155

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

156

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

157

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

158

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

159

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

160

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo:

Max
sa:

2x1 + x2
10x1 + 10x2 9
10x1 + 5x2 1
x1,x2 0

Se debe agregar una variable de holgura (x3) y una variable de


exceso (x4), y llevarlo a su forma estndar.
Min
-2x1 - x2
sa:
10x1 + 10x2 +s3
=9
10x1 + 5x2
- e4 = 1
x1,x2, x3, x4 0

161

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex de dos Fases.


Fase 0: Usamos los pasos 1,2 y 3 del mtodo de la M grande
Fase 1:
Paso 1: Por el momento, ignorar la funcin objetivo original. En su lugar
resuelva un PL cuya funcin objetivo es min w= ai . La resolucin de este
programa lineal har las variables necesariamente iguales a cero.
Ya que cada ai 0, la solucin del PL corresponder a uno de los 3 casos
siguientes:
caso 1: El valor ptimo de w>0. En este caso el problema no tiene
solucin
caso 2: El valor ptimo de w=0, y no hay variables artificiales en la base
ptima de la fase I. En este caso omitimos todas las columnas que
corresponden a las variable artificiales en el cuadro de la fase I.
Combinamos la funcin objetivo original con las restricciones del cuadro
ptimo de la fase I. Pasamos a la fase II
caso 3: El valor ptimo de w=0, y por lo menos una variable artificial est
en la base ptima de la fase I. En este caso podemos encontrar la solucin
para el PL original, si al final de la fase I, omitimos del cuadro ptimo de la
fase I todas las variables artificiales no bsicas y cualquier variable del
problema original con coeficiente negativo en el rengln cero de l cuadro
ptimo de la fase I
Fase 2: Resolver el problema con el mtodo simplex.
162

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex de dos Fases.

Aplicamos Simplex de dos Fases :


Fase 1:

Min
x5
sa:
10x1 + 10x2 +s3
10x1 + 5x2
- e 4 + a5 = 1
x1,x2, x3, x4, x5 0

=9

Quedando la siguiente tabla:


Variables

x1

x2

s3

e4

a5

valor

Bsicas
w

s3

10

10

a5

10

-1

1
163

II. Modelos de Programacin Matemtica


Programacin Lineal
donde:

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

s3
xB=

x1

xD=

a5

x2

e4

Luego se hace cero el costo reducido de la variable x5 de la


tabla anterior, y queda la siguiente tabla inicial.
Variables

x1

x2

s3

e4

a5

valor

Bsicas
w

-10

-5

-1

s3

10

10

a5

10

-1

164

II. Modelos de Programacin Matemtica


Programacin Lineal

La variable entrante a la base es x1 ( pues r1 < 0).


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex de dos Fases.

Variables

x1

x2

s3

e4

a5

valor

Bsicas
w

-10

-5

-1

s3

10

10

a5

10

-1

Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto sale


a5.
165

II. Modelos de Programacin Matemtica


Programacin Lineal
Obtenindose la siguiente tabla final:
x1

x2

s3

e4

a5

valor

Bsicas
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables

s3

-1

x1

1/2

s3

xB=

x1

-1/10

xD=

1/10

1/10

1/10
x2

e4

a5

Donde, la anterior, corresponde a la solucin ptima del problema


en la Fase 1, con valor ptimo 0. De aqu entonces tomamos x1 y
x3 como variables bsicas.
166

II. Modelos de Programacin Matemtica


Programacin Lineal
Fase 2:
Variables

x1

x2

s3

e4

valor

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Bsicas
z

-2

-1

s3

x1
1 1/2 de variables
0 -1/10
En la tabla hacemos
0 los costos reducidos
bsicas

Variables

x1

x2

s3

e4

1/10

valor

Bsicas
z

-1/5

1/5

0
1
1
8
Luego la variable entrante s3
a la base
es5 e4 (pues
r4<0).
Y calculando
Min { 8/1, (-1/10)/
(1/10) } = 8, se tiene que sale
x1 s3. 1
1/2
0
-1/10
1/10

167

II. Modelos de Programacin Matemtica


Programacin Lineal

Variables
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Quedando:
x1

x2

s3

e4

valor

Bsicas
z

1/5

9/5

e4

x1

1/10

9/10

donde la solucin ptima del problema resulta ser:


e4
xB=

8
xD
=

=
x1

x2

9/10

0
=

s3

168

II. Modelos de Programacin Matemtica


Programacin Lineal
Consideremos otro ejemplo para el caso 2
s.a.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

min z=

2 x1

3 x2

1/2 x1

1/4 x2

1 x1

3 x2

20

x1

x2

10

x1

x2

Aumentando las variables de holgura, exceso y artificiales


min z=

2 x1

3 x2

1/2 x1

1/4 x2

1 x1

3 x2

x1

x2

s1
-

e2

a2
+

a3

20

10

169

II. Modelos de Programacin Matemtica


Programacin Lineal
Primera Fase
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

min w=

a2
1/2

x1

1/4

x2

x1

x2

x1

s1
-

e2

a2

x2

variable

a3

x1

x2

s1

e2

a2

a3

a3

20

10

valor

-1

-1

s1

1/2

1/4

a2

-1

20

a3

10

170

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3


VB

w x1

x2

s1

e2

a2

a3

valor

prueba

-1

30

s1

1/2

16

a2

-1

20

a3

10

10

171

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Haciendo 1 al pivote
VB

w x1

x2

s1

s1

e2

a2

a3

valor

-1

30

0.5

a2

1/3

-1/3

1/3

20/3

a3

10

Realizando operaciones
VB

w x1

x2 s1 e2

a2

a3 valor

prueba

2/3

1/3

-4/3

10/3

s1

5/12

1/12

-1/12

7/3

28/5

x2

1/3

-1/3

1/3

20/3

20

a3

2/3

1/3

-1/3

10/3

1/5

172

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

VB

w x1

x2

2/3

1/3

-4/3

10/3

s1

5/12

1/12

-1/12

7/3

x2

1/3

-1/3

1/3

20/3

x1

1/2

-1/2

3/2

x2

s1

s1

e2

a2

e2

a3

a2

valor

VB

w x1

a3

valor

-1

-1

s1

-1/8

1/8

-5/8

1/4

x2

-1/2

1/2

-1/2

x1

1/2

-1/2

3/2

173

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Fase 2
Volvemos a introducir la funcin objetivo original
VB

z x1

x2

s1

e2

valor

-2

-3

s1

-1/8

1/4

x2

-1/2

x1

1/2

Como tanto x1 como x2 estn en la base ptima de la fase 1


debemos eliminarlas del rengln 0
VB

z x1

x2

s1

e2

valor

-1/2

25

s1

-1/8

1/4

x2

-1/2

x1

1/2

Debido a que no hay como mejorar la funcin objetivo original


Esta es OPTIMA
174

II. Modelos de Programacin Matemtica


Programacin Lineal
Supongamos que en el ejemplo anterior se cambia la segunda
restriccin (a fin de analizar el caso 1)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

min z=
s.a.

2 x1

3 x2

1/2 x1

1/4 x2

1 x1

3 x2

36

x1

x2

10

x1

x2

Aumentando las variables de holgura, exceso y artificiales


min z=
s.a.

2 x1

3 x2

1/2 x1

1/4 x2

1 x1

3 x2

x1

x2

+ s1

=
- e2

+ a2

= 36
+ a3

= 10

175

II. Modelos de Programacin Matemtica


Programacin Lineal
Primera Fase
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

min w=

a2
1/2 x1 +

1/4 x2

1 x1 +

3 x2

x1 +

x2

+ a3

+ s1
-

e2

+ a2
+ a3

x2

s1

e2

a2

a3

36

10

variable

w x1

valor

-1

-1

s1

1/2

1/4

a2

-1

36

a3

10
176

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3

VB

w x1

x2

s1

e2

a2

a3

valor

prueba

-1

46

s1

1/2

1/4

16

a2

-1

36

12

a3

10

10

177

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal
VB

w x1

x2

s1

e2

a2

a3

valor

-2

-1

-4 6

s1

1/2

1/4

-1/4 3/2

a2

-2

-1

-3 6

x2

1 10

Como ninguna variable en el rengln 0 tiene coeficiente positivo


se trata de un cuadro ptimo de la fase 1.
Debido a que el valor de w=6>0 el PL no tiene solucin factible

178

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algunos casos especiales


1) Problema Infactible. Esta situacin se detecta
cuando el valor ptimo del problema de la Fase 1
da mayor que cero.
2) Mltiples soluciones ptimas. Esta situacin se
detecta cuando existen costos reducidos iguales a
cero en una o ms de las variables bsicas ptimas.
3) Problema no acotado. Esta situacin se detecta
cuando al realizar el clculo de la variable que deja
la base, todos los elementos ykj de la columna j en
la tabla, son negativos para j el ndice de una
variable no bsica con costo reducido negativo.
179

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.5. Dualidad en Programacin Lineal.


Consideremos un ejemplo de produccin de 2 productos finales que
hacen uso de tres recursos escasos (mquinas), cuyas
disponibilidades en horas corresponden a los lados derechos de las
restricciones.
P)
Max
40x1 + 60x2
sa:
2x1+2x2 70
x1 + x2 40
x1 + 3x2 90
x 1, x 2 0
La solucin ptima y el valor ptimo del problema P) esta dada por:
x 1* = 5
x2* = 25
z = v(p) = 2100
180

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

En lo que sigue, combinaremos las distintas restricciones del


problema, ponderando por los valores 1, 2 y 3 cada una,
respectivamente, de modo de obtener la mejor cota superior
del valor ptimo del problema P). Vale decir:
1(2x1+2x2) + 2(x1+x2) + 3(x1+3x2) 70 1 +
40 2 + 90 3
Para garantizar que el lado derecho de esta ltima
desigualdad sea una cota superior de la funcin objetivo se
debe cumplir que :
2 1 + 2 + 3 40
2 1 + 2 + 3 3 60
181

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La mejor eleccin de esta cota se obtendra al resolver:


70 1 + 40 2 + 90 3
2 1 + 2 + 3 40
2 1 + 2 + 3 3 60
1, 2, 3 0
Este problema se conoce como el problema Dual D)
asociado al problema Primal P).
D)

Min
sa:

Tambin resulta que al formular el problema dual de D) se


obtiene el problema primal (o uno equivalente).
Cualquiera de los dos entrega la misma informacin y el valor
ptimo alcanzado es el mismo.
182

II. Modelos de Programacin Matemtica


Programacin Lineal
Ms generalmente, si el problema primal es:
n
P)

Max

c jx j

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

j1

sa :

aij x j bi
j1

xj 0
su dual resulta el problema:
Min
D)

sa :

i 1,2,..., n

j 1,2,..., m

bi i
i 1
m

aij i c j

i 1
i 0

j 1,2,..., n

i 1,2,..., m

183

Lo que se puede expresar en forma matricial como:


P)
Max
cTx
sa:
Ax b
x0
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

D)
Min
bT
sa:
AT c
0
Si el problema primal corresponde a:
P)
Max
-cTx
sa:
Ax b
x0
Su dual resulta ser:
D)
Min
-bT
sa:
AT c
0
Es decir, el dual del dual es el problema primal

184

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Teorema de dualidad dbil:


Si x IRn, es una solucin factible del problema primal P) y IRm, una
solucin factible del problema dual D), entonces:
n

j1

i 1

c x c j x j bi i b T
T

En particular, si ambas soluciones son los ptimos de sus respectivos


problemas, sus valores ptimos cumplen que :
v(P) v(D)
Teorema de dualidad fuerte:
Si x* = (x1*, x2*, ..., xn*)T, es una solucin ptima problema primal P),
entonces el problema dual D) tiene solucin ptima * = ( 1*, 2*, ..., m*)T
que satisface:
n
m

v(P) c T x * c j x j * bi i * b T v(D)
j1

i 1

185

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Adems:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
Ejemplo:

P)

Min
sa:

3x1 + 4x2 + 5x3


x1+ 2x2 + 3x3 5
2x1 + 2x2 + x3 6
x 1, x 2, x 3 0

D)

Max
sa:

5 1 + 6 2
1 + 2 2 3
2 1 + 2 2 4
3 1 + 2 5
1, 2 0
186

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Resolvemos D) por Simplex, en su forma estndar:

3 4

-5

-6

3
xB 4

5
1
xD

3
4

5
0
0

Luego la variable entrante a la base es 2 (pues r2<0). Y


calculando Min { 3/2, 4/2, 5/1 } = 3/2, se tiene que sale 3

187

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

1 2 3 4 5

3/2

-1

5/2

-1/2

7/2

2
3 / 2
xB 4 1

5
7 / 2
1
0
xD
0
3

-2
0
3
0
0
9
Luego la variable entrante a la base es 1 (pues r2<0). Y
calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)} = 1, se tiene que
sale 4

188

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

1 2 3 4 5
0

-1/2

-1

-5/2

11

1
1
x B 2 1


5
1
3
0
xD
0
4

Sol. ptima de D):


1* = 1; 2* = 1;

v(D) = 11

Sol. ptima de P):


x1* = 1; x2* = 2; x3* = 0; v(P) = 11
189

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex Dual:


La idea de este mtodo consiste en resolver de alguna
manera el problema dual asociado a P) en la tabla y variables
del problema primal P), segn veremos en su aplicacin a un
problema primal (ejercicio anterior).
Min
3x1 + 4x2 + 5x3
sa:
x1+ 2x2 + 3x3 5
2x1 + 2x2 + x3 6
x 1, x 2, x 3 0

190

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex Dual:


Min

3x1 + 4x2 + 5x3 + 0x4 + 0x5

sa:

x1 + 2x2 + 3x3 - x4

5
- x5 6

2x1 + 2x2 + x3

x(-1)
x(-1)

x1, x2, x3, x4, x5 0

x1

x2

x3

x4

x5

-1

-2

-3

-5

-2

-2

-1

-6

191

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex Dual:


En la tabla anterior se toman dos variables de exceso x4 y x5 ,
y se multiplica por un nmero negativo con la finalidad de
encontrar la matriz identidad IRn, adems es necesaria la
condicin de que los costos reducidos de la tabla sean
mayores que cero ( lo que en este caso se cumple).
En la tabla anterior se escoge, usando el lado derecho,
alguna variable con valor negativo.
Escogemos x5 , variable que dejar la base. Enseguida , se
obtiene la variable entrante calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.
De donde resulta que x1 entra a la base.

192

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Mtodo Simplex Dual:

x1

x2

x3

x4

x5

-1

-5/2

-1/2

-2

1/2

-1/2

7/2

3/2

-9

La tabla posee an un lado derecho negativo (costos


reducidos negativos del problema dual), por lo cual no es
factible en P).

193

II. Modelos de Programacin Matemtica


Programacin Lineal

Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo que x2 entra a la


base.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

x4 (=-2) deja la base, luego calculamos :

x1

x2

x3 x4

x5

5/2 -1

-2

-1

-11

La tabla posee lados derechos no-negativos (costos reducidos


positivos del problema dual) y tambin los costos reducidos de las
variables no bsicas x3, x4 y x5 son no-negativos , por lo que tenemos
una solucin factible en P) que es la solucin ptima del problema.
x1

x x2

x 3

1
2

v(P) 11

194

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II.6. Anlisis de Sensibilidad o Post-Optimal


1) Qu ocurre con las actuales variables bsicas si se cambia
algn coeficiente del lado derecho (b)?
Si calculamos: x B B b
y se cumple: x B 0
Las mismas variables bsicas lo son tambin de la nueva solucin
ptima, calculada con el nuevo b .
Si lo anterior no se cumple, se puede aplicar el Mtodo Simplex
Dual.
2) Qu ocurre con la actual solucin ptima si se agrega una
nueva variable al problema ?
1

Para decidir si la actual solucin bsica es ptima para el nuevo


problema, calculamos el costo reducido de la nueva variable
mediante la formula:

rk ck cBT B 1Ak

195

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal
donde k es el ndice de la nueva variable y Ak su respectiva
columna en la matriz de coeficientes. Si se cumple que rk0 se
conserva la actual solucin ptima. En caso contrario, se sigue con
el Simplex.
3) Que ocurre con la actual solucin ptima del problema P) si se
cambian los coeficientes que definen la funcin objetivo ?
Supongamos que el vector nde coeficientes en la funcin objetivo
cambia a un vector c IR
La actual solucin ptima tambin lo es para P
con:

P)

Min c x
sa : Ax b
x0
196

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Siempre que los nuevos costos reducidos sean mayores o


iguales a cero (notar que tambin cambia el valor de la
funcin objetivo en la actual solucin ptima). Es decir se
debe cumplir que:

rD cD cBT B 1 D 0
T
B

rj c j c B 1 A j 0

o equivalentemente
j

En caso contrario, se aplica el Simplex a partir de la tabla final


de P) con los nuevos costos reducidos y nuevo valor de la
actual solucin bsica.

197

Veamos los cambios que tienen lugar cuando slo vara un


coeficiente del vector c de la funcin obj.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

a) Cambio de un coeficiente asociado a una variable nobsica xJ:


Se conserva la misma solucin ptima del problema P) ssi.
para esa variable xJ:

rj

T 1
c j cBB A j

198

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Consideremos :

c j c j j
Por lo tanto se conserva la misma solucin ssi:

j rj

c j c j rj

199

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

b) Cambio en un coeficiente de la funcin objetivo


asociado a una variable bsica:
En este caso para tener la misma solucin ptima,
se debe cumplir que el costo reducido de todas las
variables.a cero.
rj

T 1
c j cBB A j

c i c i i

cB cB i 1 cB iei

0
200

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Si el incremento es cualquiera en el siguiente


intervalo, se conserva la misma solucin ptima:

rj

rj

Max
/ yij 0 i Min
/ yij 0
yij

yij

donde rj es el costo reducido de la respectiva


variable no bsica en la actual solucin ptima y los
coeficientes yij denotan las entradas en la tabla final
del Simplex asociadas a la variable bsica xi (cuyo
costo cambia) y la respectiva variable no bsica xj
201

Ejemplo:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

La siguiente tabla, es la tabla final de un


problema de programacin lineal.
1,00

2,33

1,67

0,00

0,27

-0,07

1333,33

0,00 -0,03

0,03

1,00

-0,01

0,03

66,67

0,00

3,33

0,00

2,93

0,27

18666,67

6,67

Con esta tabla realizaremos un anlisis de


sensibilidad:
202

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

a) Variar los recursos ( lado derecho):

Las xB del problema primal no cambian como base


ptima, si los valores asociados a estas variables.
x B B 1b

y se cumple

xB 0

Para calcular estos intervalos de recursos, se


necesita la matriz inversa asociada a las variables
bsicas del tabla final.
203

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

4 10
B

1
40

1 / 15
4 / 15
B

1
/
150
2
/
75

Intervalo recurso 1:
1 / 15 6000 b1
4 / 15
0
1 / 150 2 / 75 x

4000


20000 4 b1

0
15
15
b1 5000

10000 b1

0
150
150
b1 10000
204

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

5000 b1 10000
1000 b1 16000

Intervalo recurso 2:
6000
1 / 15
4 / 15
1 / 150 2 / 75 x 4000 b 0


2
2500 b2 20000
1500 b2 24000

205

Variable x1:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

Max {0} C1 Min {((20/3)/(7/3)),((10/3)/(5/3))}


0 D1 2

10 C1* 12

Variable x4:
Mx {((20/3)/(-1/30))} D4 Min {((10/3)/(1/30))}
-200 D4 100

-60 C4* 240


206

Variable x2:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Lineal

C2* = C2 + 2
2 - r2

C2 = -20
C2* - 20 - ( 20/3)
C2* - 80/3

Variable x3:
C3* = C3 + 3
3 - r3

C3 = -18
C3* - 18 - ( 10/3)
C3* - 64/3
207

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

BIBLIOGRFIA EN PROGRAMACIN LINEAL


1. Linear Programming and Network Flow, M.Bazaraa,
J.Jarvis and H.Sherali. John Wiley & Sons, Inc., New York,
Second Edition 1990.
2. Introduction to Linear Optimization, D.Bertsekas and
J.Tsitsiklis. Athena Scientific USA, 1997.
3. Linear Programming, V.Chvtal. W.H. Freeman and
Company, New York, 1983.
4. Linear Programming and Extensions, G. Dantzig.
Princeton University Press, New Jersey, tenth printing, 1993.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana, 1989.
6. Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
7. Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.
208

II. Modelos de Programacin Matemtica


Programacin Lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

DIRECCIONES ELECTRNICAS EN PROGRAMACIN LINEAL


Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, gua de software de Programacin Lineal:


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html

Servidor NEOS, ejemplo problema de la dieta:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/diet/index.html

Gua de software de Programacin Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml

209

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Temario:
III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.

211

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo de Restricciones O
Seat considera la fabricacin de 3 tipos de automviles: compacto, mediano
y largo. En la tabla se presentan los recursos requeridos y las ganancias
proporcionadas por cada tipo de automvil. En la actualidad se cuenta con
6000 ton de acero y 60000 horas de trabajo. Para que la produccin de un
tipo de automvil sea econmicamente factible hay que fabricar al menos
1000 unidades de este tipo. Formular un modelo matemtico para optimizar
las ganancias.

COMPACTO MEDIANO

LARGO

Ton. de acero

1.5

hors de trabajo

30

25

40

2000

3000

4000

ganancia (dolares)

212

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera
Consideremos como variables de decisin
x1 = nmero de automviles compactos
x2 = nmero de automviles medianos
x2 = nmero de automviles grandes
Por lo tanto la funcin objetivo (ganancia de la fbrica):
Max z=2000 x1+ 3000x2 + 4000x3
R1
R2
R3
R4
R4

x1 0
x2 0
x3 0
1.5 x1
30 x1

x11000

x21000

x31000
+ 3 x2 + 5 x3 600
+25 x2 + 40 x3 60000

213

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Restricciones O
Se dan dos restricciones de la forma:
f(x1, x2, xn) 0
g(x1, x2, xn) 0
Se desea asegurar que se cumpla por lo menos una de las dos
restricciones. Deber agregarse las siguientes dos restricciones:
f(x1, x2, xn) My
g(x1, x2, xn)M(1-y)
Donde: y es una variable 0-1 y M es un nmero muy grande que
asegure que se satisfagan:
f(x1, x2, xn)M
g(x1, x2, xn)M
Para todos los valores de x1, x2, xn que satisfagan las otras
restricciones.

214

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Max z=2000 x1+ 3000x2 + 4000x3


R1

x1 M1 y1
1000- x1 M1(1-y1)
R2
x2 M2 y2
1000- x2 M2(1-y2)
R3
x3 M3 y3
1000- x3 M3(1-y3)
R4
1.5 x1 + 3 x2 + 5 x3 6000
R4
30 x1 +25 x2 + 40 x3 60000
x1, x2, x3 0
y1, y2, y3 = 0 1

215

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo de Restricciones SI ENTONCES


STour recibe pagos de los turistas con tarjetas de crdito de 4 regiones
diferentes galpagos, costa, sierra y oriente. El valor promedio de pagos
por los clientes de cada regin es galpagos 70000, costa 50000, sierra
60000 y oriente 40000. STour debe decidir hacia donde deben enviar los
clientes sus pagos, ya que recibe el 20% de inters anual y desea recibir
los pagos lo ms pronto posible. STour considera montar las oficinas para
procesar los pagos en cuatro ciudades Puerto Ayora, Guayaquil, Cuenca y
Puyo. El nmero promedio de das (a partir del envo del pago) hasta la
liquidacin de un cheque y hasta que STour pueda depositar el dinero
depende de la ciudad a la cual se manda el pago como se muestra en la
tabla siguiente. El costo anual por manejar una oficina es de 50000. Si se
abre la oficina en Puerto Ayora solo puede recibir el dinero de galpagos y
de ninguna otra regin (si galpagos enva su dinero a la Puerto Ayora
entonces ninguna otra regin puede enviar el dinero a Puerto Ayora)
Formular un PL para minimizar la suma de los costos por intereses
perdidos y por el manejo de la oficina. Supngase que cada regin debe
enviar su dinero a una sola oficina.
DESDE
HACIA
P.Ayora
Guayaquil
Cuenca
Puyo
Galpagos
Costa
Sierra
Oriente

2
6
8
8

6
2
5
5

8
5
2
5

8
5
5
2
216

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Restricciones SI ENTONCES
Se desea asegurar que se cumpla g(x1,x2,xn)0 si se satisface
f(x1,x2,xn)>0, mientras que si no se satisface f(x1,x2,xn)>0
entonces g(x1,x2,xn)0 no debe satisfacerse. Deber agregarse
las siguientes dos restricciones:
-g(x1, x2, xn)My
f(x1, x2, xn) M(1-y)
Donde: y es una variable 0-1 y M es un nmero muy grande que
asegure que se satisfagan:
f(x1, x2, xn)M
g(x1, x2, xn)M
Para todos los valores de x1, x2, xn que satisfagan las otras
restricciones.

217

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Funciones lineales por partes


Supongamos que una funcin lineal por partes tiene los puntos de
ruptura b1,b2,bn. Para algn k (k=1,2,3n-1), bk x bk+1.
Entonces, para algn nmero zk (0 zk 1) se puede escribir x
como:
x= zk bk+(1-zk)bk+1
Ya que f(x) es lineal para bk x bk+1 , podemos escribir como:
f(x)=zk f(bk)+(1-zk) f(bk+1 )
Paso 1: donde se presenta f(x) remplazar por z1f(b)
+z2f(b2)+z3f(b3)..znf(bn)
Paso 2: aadir las siguientes restricciones:
z1y1, z2y1+y2 , z3y1+y2. zn-1 yn-2+yn-1, zn 1
y1+y2+y3.+yn-1=1
z1+z2+z3.+zn-1=1
X=z1b1+z2b2+z3b3+.znbn
218

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo de Funciones lineales por partes


Supngase que se produce gasolina a partir de petoleo. Al comprar
el petrleo de nuestro proveedor se recibe un descuento por
cantidad. Los 500 primeros galones de petrleo cuestan 0.25
dlares el galn; los siguientes 500 galones a 0.20 dlares; y los
siguientes 500 galones a 0.15 dlares Se pueden comprar como
mximo 1500 galones

219

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

220

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

a) Problema de la mochila.
Una empresa est pensando invertir en cuatro proyectos diferentes,
cada proyecto se finaliza a lo ms en 3 aos. Los flujos de caja
requeridos en cada ao junto con el Valor Presente Neto de cada
proyecto, concluIdos los aos de ejecucin, y las disponibilidades de
recursos financieros se resumen en la siguiente tabla:
Proy 1

Proy 2

Proy 3

Proy 4

Disp. Recursos

Ao 1

10

12

30

Ao 2

15

15

Ao 3

18

16

12

V.P.N.

35

18

24

16

Interesa determinar en cules proyectos invertir de modo de conseguir el


mayor V.P.N. de la inversin.

221

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de decisin:

1, si se invierte en el proyecto i
xi
0, sin o

con i 1,2,3,4

Funcin objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4

222

II. Modelos de Programacin Matemtica


Programacin Entera
Restricciones (tres alternativas):
Ao1: 10x1 + 8x2 + 6x3 + 12x4 + s1
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

1) Reinvirtiendo el dinero no utilizado en un perodo:


Ao2: 8x1 + 15x2 + 4x3
Ao3: 18x1

+ s2 = 15 + s1

+ 16x3

xi {0,1}

= 30
12 + s2

i = 1,2,3,4

2) Sin invertir el dinero no utilizado en un perodo, pero utilizando el


retorno de los proyectos concludos:
Ao1: 10x1 + 8x2 + 6x3 + 12x4 30
Ao2: 8x1 + 15x2 + 4x3

15 + 16x4

Ao3: 18x1

12 + 18x2

xi {0,1}

+ 16x3
i = 1,2,3,4

223

3) Reinvirtiendo el dinero no utilizado en un perodo y, tambin


el retorno de proyectos concluidos:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

Ao1: 10x1+ 8x2+ 6x3+ 12x4+ s1


Ao2: 8x1+ 15x2+ 4x3
Ao3: 18x1
xi {0,1}

= 30

+ s2 = 15 + s1 + 16x4

+ 16x3

12 + s2 + 18x2

i = 1,2,3,4

224

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera
Notar que el conjunto de las soluciones factibles es finito. Esto
ocurrir generalmente con los problemas de Programacin Entera
(puros). En el ejemplo, el nmero de soluciones factibles no supera
el nmero de las soluciones binarias del problema (variables
restringidas slo a valores 0 o 1) que son 24 = 16, dado el nmero de
variables utilizadas, de hecho las soluciones factibles son menos de
16 pues en particular xi=1 para i=1,2,3,4 no satisface las
disponibilidades de capital en cualquiera de las tres alternativas.

225

II. Modelos de Programacin Matemtica


Programacin Entera
Tomemos el ejemplo de la mochila dado con anterioridad

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Supongamos que adicionalmente la inversin efectuada requiera


nuevas restricciones.
- Se debe invertir en al menos 1 de los 3 primeros proyectos:
x1 + x2 + x3 1
- El proyecto 2 no puede ser tomado a menos que el proyecto 3 si
sea tomado:
x2 x3
- Se puede tomar el proyecto 3 o 4 pero no ambos:

x3 + x4 1

- No se puede invertir en ms de dos proyectos: x1 + x2 + x3 + x4 2

226

II. Modelos de Programacin Matemtica


Programacin Entera

Consideremos un problema que posee las siguientes restricciones:


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

b) Cumplimiento de un subconjunto de las restricciones de un


problema.
12x1 + 24x2 + 18x3 2400
15x1 + 32x2 + 12x3 1800
20x1 + 15x2 + 20x3 2000
Supongamos adems, que nos basta con obtener alguna solucion
ptima que verifique el cumplimiento de al menos 2 de las 3
restricciones anteriores.
Variables de decisin:

1, si la restricci n j se satisface
yj
0, casocontrario

227

II. Modelos de Programacin Matemtica


Programacin Entera

12x1 + 24x2 + 18x3 2400 + M1 (1- y1)


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Cada inecuacin anterior la reemplazamos por:


15x1 + 32x2 + 12x3 1800 + M2 (1- y2)
20x1 + 15x2 + 20x3 2000 + M3 (1- y3)
Adems, debemos agregar la restriccin que permita que a lo
ms una de las restricciones no se cumpla:
y1 + y2 + y3 2 Mi = constante lo suf. grande

228

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

c) Inclusin de costos fijos.


Supongamos que se desea tener lotes de compra de un producto
dado, para satisfacer demandas que fluctan en el tiempo sobre un
horizonte de planificacin dividido en T perodos.
Asumimos conocidos: una estimacin de la demanda dt, con t = 1,
2, ..., T, los costos fijos asociados a la compra de una unidad pt,
los costos asociados al mantenimiento de una unidad en inventario
de cada perodo ht y los costos fijos asociados a la gestin de
compra en el perodo t, st.
Observacin: no se permite unidades de faltante.

229

Variables de decisin
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

xt:

nmero de unidades compradas en t.

It :

nivel de inventario al final del perodo t.


con t:

1, 2, ..., T

1, si se hace una compra en el periodo t


yt
0, sin o

230

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Funcin objetivo

Min

st
t 1

y t p t x t h t It

Restricciones
xt + It-1 - It = dt

t = 1, 2, ..., T
I0 = inventario inicial

xt Mt yt

t = 1, 2, ..., T
Mt = cte. grande

231

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

d) Problema de cobertura:
Dado un nmero de regiones o zonas, en las cuales se ha
subdividido una comuna, cuidad, pas, etc., digamos que un total de
m, se desea instalar un cierto nmero de servidores (escuelas,
centros de atencin primaria de salud, compaas de bomberos,
etc.) de entre un conjunto de n potenciales servidores ubicados en
alguna de las zonas dadas.
Se conoce la informacin relativa a que zonas pueden ser atendidas
por cada uno de los n potenciales servidores, es decir, se conoce la
matriz de incidencia A = (aij) donde :

1, si la zona i puede ser atendida por el servidor j


aij
0, sin o
con i 1,2,..., m

j 1,2,..., n

232

II. Modelos de Programacin Matemtica


Programacin Entera

Variables de decisin:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Se desea determinar cules son los servidores que deben ser


instalados de modo de dar cobertura a cada zona, dados los costos
de instalacin cj del servidor j.

1, si se instala el servidor j
xj
0, sin o

Funcin objetivo:

Min

cj xj
j1

Restricciones: Para cada zona i

aij x j 1

j1

Se agrega la siguiente restriccin, si adicionalmente, hay algn


lmite en el nmero de servidores que se pueden instalar (digamos
m
k) :

xj k
j1

233

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

e) Problema de transporte y localizacin:


Si se tiene un conjunto de m clientes que demandan di
unidades de un producto determinado. Una compaa desea
satisfacer esas demandas desde un cierto conjunto de
plantas elegidas de n potenciales lugares donde se
instalarn.
Sean cj los costos asociados a la instalacin de la planta j , vj
el costo unitario de produccin de la planta j y tij el costo de
transporte de una unidad desde la planta j al cliente i .
Se desea decidir cules plantas abrir y el tamao de cada
una de modo de satisfacer las demandas estimadas.
234

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Variables de decisin:

1, si se abre la planta j
yj
0, sin o
xij = el nmero de unidades elaboradas en la planta j para
satisfacer el cliente i, con j = 1,...,n y i = 1,....,m.

235

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

Funcin objetivo:

Min

c
y

v
j j j
n

j 1

j1


x
ij
i 1
m

t ijx ij
j 1 i 1

Costo de

Costo de

Costo de

Instalacin

Produccin

Transporte

236

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Restricciones:
1) Demanda cliente i:

x ij di
i 1

2) Relacionar variables de produccin con las asociadas


a la apertura de plantas (variables
binarias):
n
x ij M j y j
j 1

donde Mj es una constante grande (por ejemplo,


capacidad mxima de produccin de la planta j), con xij
0 e yj {0,1}.

237

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III.2. Resolucin de problemas de P. E.


Supongamos que tenemos el siguiente problema
de programacin lineal:
PL)

Max

cTx

s.a.

Ax=b
x0

Pero todas o una parte de las variables deben


restringir su valor a nmeros enteros, dando origen
a un problema de Programacin Entera (puro) o
de Programacin Entera- Mixta, respectivamente.
238

II. Modelos de Programacin Matemtica


Programacin Entera

PLE)
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Por ejemplo:
Max

cTx

s.a.

Ax=b
x 0,

xj entero

El problema PL) corresponde a la relajacin continua del


problema PLE), que resulta de eliminar las condiciones de
integralidad de las variables de decisin en PLE).
El valor ptimo de PL) provee slo una cota superior del
valor ptimo de PLE). Notar sin embargo, que si la solucin
ptima de PL) cumple con la integralidad de los valores
requiridos, entonces esta solucin es tambin solucin
ptima de PLE).
239

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

240

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

241

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

242

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo
PLE) Max
s.a.

x2
- 2x1 + 2x2 1
2x1 + x2 7
x1 0, x2 0

enteros

243

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

x2

2x1 + x2 7

- 2x1 + 2x2 1

.
.
. .

.
. .
. .
3.5

x1
244

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Notar que en el ejemplo la solucin ptima puede ser hallada por


simple enumeracin de todas las soluciones factibles. Aqu las
soluciones ptimas son:
x1* = 1
x2* = 1

x1* = 2
x2* = 1

Esta alternativa de enumeracin queda naturalmente restringida a


problemas muy pequeos.
Alternativamente, podemos resolver la relajacin continua asociada
al problema PLE). Si la solucin ptima de la relajacin continua da
una solucin entera, esa es la solucin ptima no solo del problema
lineal sino que tambin lo es del problema lineal entero.
En el ejemplo, la solucin de la relajacin continua es:
x1 = 3/2
x2 = 2
245

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera
A partir de esta ltima solucin podemos redondear o truncar los
valores que no salieron enteros, obteniendo respectivamente en el
ejemplo:
x1 = 2
x1 = 1
x2 = 2

x2 = 2

las cuales no son soluciones factibles de PLE), de modo que desde


el punto de vista de una resolucin numrica no es suficiente con
resolver la relajacin continua.
Todava podran resultar soluciones factibles de PLE), pero no
neceasariamente ptimas. Por ejemplo:
PLE)

Max

f(x1, x2) = x1 + 5x2

s.a.

x1 + 10x2 10
x1 1
x1 0, x2 0

enteros
246

II. Modelos de Programacin Matemtica


Programacin Entera
Solucin ptima de PL)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

x1 = 1

f(1,9/10)=5,5

x2 = 9/10
Redondeando o truncando los valores
x1 = 1

infactible

x2 = 1

x1 = 1

f(1,0)=1

x2 = 0

Pero la solucin ptima de PLE) es:


x1 = 0;

x2 = 1;

v(PLE) = 5

247

II. Modelos de Programacin Matemtica


Programacin Entera

Consideremos el siguiente problema de programacin entera:


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III.3. Mtodo de Branch and Bound.

PLE)

Max
s.a.

21x1 + 11x2
7x2 + 4x2 13
x1 0
x2 0
x1, x2 enteros

Consideremos inicialmente la resolucin de la relajacin continua de


PLE), que consiste en eliminar las condiciones de integralidad.

248

II. Modelos de Programacin Matemtica


Programacin Entera

x2
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III.3. Mtodo de Branch and Bound.


3

x2 = 3
3/2

x2 = 2

21x1+11x2=39
1

x2 = 1
13/7 sol. relajada

21x1+11x2

x1 = 1

x1

x1 = 2

7x1+4x2=13

249

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Descripcin del mtodo Branch and Bound (maximizacin)


Paso 0
Hacer P0), la relajacin continua de PLE)
Fijar la cota inferior del v(PLE) en -.
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programacin lineal.
Agotar este problema, usando:
(i) que se encontr una solucin entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que la actual cota del
valor ptimo v(PLE).
250

II. Modelos de Programacin Matemtica


Programacin Entera

Si todos los problemas estn agotados, parar.


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Si el problema Pi) resulta agotado y da solucin entera, mejorar el


valor de la cota inferior de v(PLE).
Solucin ptima de PLE), la solucin entera asociada a la actual
cota inferior de v(PLE), si existe (si no existe entonces PLE) es
infactible)
Si el problema no est agotado pasar al paso 2.
Paso 2
Seleccionar una variable xj= j, cuyo valor en la solucin ptima de
Pi) no de entero.
Eliminar la regin correspondiente a
j < j < j + 1
Crear dos nuevos problemas de programacin lineal que incorporen
a Pi) dos restricciones mutuamente excluyentes: xj j , xj j
+1 una en cada problema y volver al paso 1.
251

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin Entera

P0
x1 = 1
x2 = 3/2
z = 37.5

x11

P1

P11

x1 = 0
x2 = 13/4
z = 35.75
x23
x1 = 0
x2 = 3 P1211
z = 33

P2

P12

x1 = 5/7
x2 = 2
z = 37
x11

P121

P122
x24

P0) Relajacin continua


P1) Max
s.a.

infactible

x22

x21
x1 = 1
x2 = 1
z = 32

x1 = 13/7
x2 = 0
z = 39
x12

infactible

P1212
infactible

P2) Max
s.a.

-< z 39
21x1 + 11x2
7x1 + 4x2 13
x1 1
x1 0
x2 0
21 x1 + 11x2
7x1 + 4x2 13
x1 1
x2 1
x1 0
x2 0

De donde 32 z 39

252
Solucin ptima

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

BIBLIOGRFIA EN PROGRAMACIN ENTERA


1) Integer Programming, L.A.Wolsey. John Wiley & Sons,
Inc., New York, 1998.
2) Combinatorial Optimization C.H.Papadimitriou and
K.Steiglitz. Prentice Hall Inc., USA, 1982.
3) Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
4) Integer and Combinatorial Optimization, George L.
Nemhauser and Laurence A. Wolsey. John Wiley & Sons, Inc.,
New York, 1999.
5) Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.

253

II. Modelos de Programacin Matemtica


Programacin Entera

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

DIRECCIONES ELECTRNICAS EN PROGRAMACIN ENTERA


Preguntas de consulta frecuente en Programacin Lineal:
http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, gua de software de Programacin Entera:


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html

Servidor NEOS, ejemplo problema corte de rollos:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/cutting/index.html

Gua de software de Programacin Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml

254

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Temario:
IV.1. Introduccin y ejemplos.
IV.2.
Propiedades bsicas de los problemas de pro
gramacin no-lineal.
IV.3. Problemas de optimizacin no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5.
Problemas con restricciones de igualdad y
desigualdad.
IV.6. Mtodos de optimizacin restringida.
255

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.1. Introduccin y Ejemplos


A esta clase de problemas de optimizacin pertenecen todos
aquellos, en los cuales la funcin objetivo y/o las restricciones son
funciones no-lineales de las variables de decisin.
En particular, la programacin no-lineal provee una manera de
abordar el no cumplimiento del supuesto de proporcionalidad de la
programacin lineal, permitiendo la programacin de economas o
deseconomas de escala y/o retornos crecientes o decrecientes a
escala.

256

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
a) Rendimientos decrecientes a escala.
Una compaa vende cuatro productos diferentes. El retorno que
provee cada producto es una funcin de la cantidad de recursos
asignados a la promocin y venta de cada producto, segn la
siguiente tabla:
PRODUCTO

RETORNO (M$)

Producto 1

10.000 x1 0.50

Producto 2

7.500 x2 0.75

Producto 3

9.000 x3 0.60

Producto 4

15.000 x4 0.30

257

En este ejemplo:
xi es la cantidad de recursos asignados al producto i, con i =
1,2,3,4.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

El siguiente modelo provee una asignacin de estos recursos, de


modo de maximizar las utilidades, considerando una inversin anual
no superior a los M$ 75.000.
Max
10.000 x10.5 + 7.500 x20.75 + 9.000 x30.6 + 15.000 x40.3
s.a:
x1 + x2 + x3 + x4 75.000
xi 0; i = 1, 2, 3, 4, 5.

258

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
b) Aproximacin y ajuste de curvas.
Supongamos que se tiene un conjunto de datos
correspondientes a una determinada funcin y=g(x)
(desconocida), digamos (x1,y1), (x2,y2), .., (xm,ym) y se desea
aproximar g(x) por una funcin h(x)
ym
y2
y1
x1

x2

xm

259

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algunas elecciones posibles:


i)

h (x) = a0 + a1 x

h (x) = a0 + a1 x + a2 x2
a
iii) h (x) = a0 + a1 x 2
a1x
e
iv) h (x) = a0
a3 x
e
v) h (x) = a0 + a1 x + a2
ii)

vi)

h (x) = a0 + a1 ln(x)

260

Cmo elegir los coeficientes a=(a0,...,an) en la funcin h(x) que


aproxima o ajusta los datos observados?
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Se define una funcin de error: e(x,a) = g(x) h(x)


Una eleccin posible de los coeficientes ai resulta de minimizar la
suma ponderada de los errores al cuadrado en cada uno de los
datos , es decir:
m

Min

F(a) =

i 1

i e(x i , a)2=

(
y

h
(
x
))
i i
i

i 1

261

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Que da origen a un problema de programacin no-lineal sin
restricciones.
Si escogemos 1 = ... = m = 1 y h(x) = a0 + a1x, el problema
corresponde a una regresin lineal.
h(x)= a0 + a1x
ym
y2
y1
x1

x2

xm

262

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Cuya solucin resulta ser:


m

yi
a0

i1 m

i 1
m

yi x i

a1

i 1

x i2

263

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
c) Localizacin de instalaciones.
Una compaa petrolera desea construir una refinera que
recibir suministros desde tres instalaciones portuarias,
cuyas coordenadas se muestran en la siguiente figura:
Puerto B

40

Puerto C

30

Puerto A

30

80

264

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Si denotamos por x e y las respectivas coordenadas de la
refinera que se debe instalar, una posible eleccin es aquella
que resulta de minimizar la cantidad total de tubera
necesaria para conectar la refinera con los puertos, dada
por:

Min f(x,y) =

( x 0 )2 ( y 0 )2
( x 30)2 ( y 40)2
( x 80)2 ( y 30)2

265

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
La solucin ptima calculada por el solver de Excel es:
x*=30,8052225
y*= 37,8900128
Puerto B

Puerto C
Refinera
Puerto A

266

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
d) Optimizacin de carteras de inversin
Se desea obtener una cartera de inversiones en base a distintos
instrumentos (acciones, pagars, bonos, etc). La cartera elegida
deber reflejar un compromiso entre los retornos de los
instrumentos elegidos y el riesgo asociado a cada uno de ellos, de
hecho es natural esperar que a mayor retorno haya un mayor riesgo
y tambin que exista cierta correlacin entre los retornos de los
distintos instrumentos de la cartera.
A continuacin se formula un modelo para obtener una cartera de
inversin de un tomador de decisiones con aversin al riesgo, con
un vector de retornos que tiene una distribucin normal con media:
r = (r1, r2, ..., rn)T y matriz de covarianza: Q = ( ij) con i = 1, 2, ...,
n y j = 1, 2, ..., n donde ii denota la varianza del retorno del
instrumento i y donde ij (i j) es la covarianza de los retornos del
instrumento i con el j.

267

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Sea xi el porcentaje de inversin del instrumento i en la cartera, con i


= 1, 2, ..., n las variables de decisin del modelo y sea K una
constante de aversin al riesgo.
El siguiente modelo (propuesto por Markowitz, Premio Nobel de
Economa 1991), combina ambos elementos presentes en una
decisin de esta naturaleza:

Max
sa :

n n

i1

i1 j1

rixi K ijxix j
n

xi 1
i1

xi 0

1 1,2,..., n

Usando el servidor Neos para una cartera con tres acciones


seleccionadas del men para este problema en el servidor y un bono,
se tiene:
268

Selected value of K is 10.00


Risk less rate of return (monthly) is 0.00407
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Name

Avg Return
(monthly, pet)

Std
Desviation

Pet of optimal
Portfolio

Coca Cola Co

2,885

6,574

48,6

Exxon Corp

1,647

4,939

13,7

Texaco Inc

1,869

6,381

16,6

Bond

0,407

21

269

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Optimal Portfolio Statistics


Avg Return (monthly, pet)

2,03

Std Desviation

4,02

Pet of Optimal Potrfolio

27,2

21.0%

Coca Cola
48.6%

Exxon Corp
Texaco Inc

16.7%
13.7%

Bond

270

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.2. Propiedades bsicas de los problemas de programacin


no-lineal.

De manera general, un problema de optimizacin considera la


resolucin de un modelo como el que sigue:
P)
Min
f(x)
s.a.
x D IRn
Donde f: IRn IR es una funcin, comnmente continua y
diferenciable, y D es el dominio de factibilidad del problema,
generalmente dado por:
D = {x IRn / gi(x) = bi i=1,...,m; hr(x) dr r =1,...,l}
Decimos que x* D es un mnimo global o solucin ptima del
problema P) si:
f(x*) f(x) para todo x D
Por otra parte, decimos que x^ D es un mnimo local del problema
P) si:
f(x^) f(x) para todo x en una vecindad de x^
(x D B(x^, ))
271

Min
s.a:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
1x5

f(x)

Son mnimos locales x=1,


x+ y x*, en tanto la
solucin ptima o
mnimo global es x*
x*
1

x
5

x+

272

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

f(x,y) = -4x3 + 3x - 6y

273

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

f(x,y) = x2 - 4x - 2y

274

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Existen resultados que garantizan la existencia y unicidad de la


solucin de un problema de programacin no lineal.
Teorema (Weiertrass). Si f es una funcin continua y D es un
conjunto no vaco cerrado y acotado de IRn, entonces P) tiene
solucin ptima.
Teorema. Si f es una funcin continua y D es un conjunto cerrado
no vaco y adems f cumple que: lim f ( x ) ,
|x|

entonces P) tiene solucin ptima.


Por su parte, la unicidad de la solucin ptima se puede garantizar
slo bajo ciertas condiciones muy especiales.
De igual modo es posible garantizar si un mnimo local es un
mnimo global del problema.
Para esto se requiere saber si el problema P) es un problema
convexo, esto es si la funcin objetivo f(x) es convexa y el conjunto
D de puntos factibles es un conjunto convexo.

275

II. Modelos de Programacin Matemtica


Programacin No - lineal
fx + (1-)y ) f(x) + (1-)f(y)
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Definicin. Decimos que f: IRnIR es una funcin convexa si:


para todo x, y D (x y) con [0, 1]
Si la desigualdad anterior se cumple de manera estricta, decimos
que f es estrictamente convexa.
Lineal a
tramos

f(y)
f(x)
x

y
276

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Adicionalmente, se tiene el siguiente resultado


Teorema. Si f es una funcin dos veces
continuamente diferenciables, las siguientes
afirmaciones son equivalentes:
i) f es una funcin convexa

f(x) f(y) + fT(y)(x-y) para dos puntos


cualesquiera x e y.
ii)

iii) La matriz hessiana de las segundas derivadas

parciales de f, denotada en lo que sigue por D2f(x),


es semi positiva definida para todo x.

277

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Por otra parte, tambin podemos caracterizar si un
conjunto cualquiera es convexo o no, de acuerdo a la
siguiente:
Definicin. D IRn, un conjunto no vaco, es convexo
ssi x + (1-) y D, para todo x D, y D con
[0,1].
x

Es convexo

y
x
No es convexo

278

As por ejemplo, si h(x) es una funcin convexa el conjunto


D = { x IRn h(x) d } es convexo para cualquier escalar real d.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Tambin es posible demostrar que la interseccin de conjuntos


convexos es un conjunto convexo. De aqu que por ejemplo el
problema
P)

Min

f(x)

s.a

hr(x) dr

r=1,2,...,l

Con f(x) y hr(x) funciones convexas para r=1,2,..,l definen un


problema convexo, pues el dominio de factibilidad es la interseccin
de los conjuntos convexos Dr={ x IRn hr(x) dr }, para r=1,2,..,l.
Teorema. Si P) es un problema convexo y x* es un mnimo local de
P) entonces x* es un mnimo global o solucin ptima de P), si
adems, f es una funcin estrictamente convexa x* es una solucin
ptima nica.
279

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
La principal dificultad en los problemas de programacin no lineal es
que incluyen restriciones no lineales de igualdad como g(x) = b y el
conjunto de puntos {xIRn : g(x)=b} generalmente no es convexo
cuando g(x) es una funcin no lineal cualquiera. Por lo tanto no
todos los problemas de programacin no lineal son convexos y esto
hace ms difcil garantizar que la solucin encontrada por un solver
sea una solucin ptima del problema.
Como puede verse en el siguiente ejemplo, que resolveremos
grficamente, la geometra de los problemas tambin cambia
respecto de lo observado en programacin lineal.
Consideremos el siguiente problema:
Min

(x1 - 3)2 + (x2 - 4)2

s.a.

x1 + x2 5
x1 - x2 5/2
x1 0, x2 0
280

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

281

La solucin ptima x* de este problema se alcanza el punto x1* = 2,


x2* = 3 correspondiente al nico punto de la curva de nivel que tiene
el menor valor y que intersecta la regin de puntos factibles.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Notar que la solucin ya no corresponde a un vrtice del dominio de


factibilidad del problema, an cuando todava esta solucin se
alcanza en la frontera de dicho conjunto.
Sin embargo, esto ltimo, a diferencia de lo que ocurre en
programacin lineal, no siempre se produce. Si por ejemplo el
problema es ahora:
Min

(x1 - 2)2 + (x2 - 2)2

s.a

x1 + x2 5
x1 - x2 5/2
x1 0, x2 0
282

La solucin cambia a lo representado en la siguiente figura, donde


la solucin ptima se alcanza en x1* = 2, x2* = 2, ahora
perteneciente al interior del dominio de factibilidad del problema.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

283

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Grficamente,
tambin
podemos
observar la
presencia de
divesos mnimos
locales en un
problema no
lineal.

284

II. Modelos de Programacin Matemtica


Programacin No - lineal
En esta seccin consideraremos un problema
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.3. PROGRAMACION NO RESTRINGIDA


P) Min f(x)

con x IRn

A esta clase de problemas pertenece por ejemplo el problema de


aproximacin y ajuste de curvas. Sin embargo, la principal razn
para su estudio radica en la extensin de las ideas y mtodos para
esta clase de problemas a los problemas de optimizacin
restringida.
A continuacin se resumen algunos resultados tericos para esta
clase de problemas:
Teorema (condiciones necesarias de primer orden). Si f es una
funcin continuamente diferenciable y x+ IRn es un mnimo local
de P), entonces: f(x+) = 0.
285

Teorema (condiciones necesarias de segundo orden). Si f es una


funcin dos veces continuamente diferenciable y x+ IRn es un
mnimo local de P), entonces:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

f(x+) = 0 y D2 f(x+) es semi positiva definida.


Dado lo anterior, no todos los puntos x IRn que satisfacen las
propiedades mencionadas son mnimos locales de la funcin, sin
embargo existen resultados que proveen condiciones necesarias y
suficientes para que un punto sea un mnimo local.
Teorema (condiciones necesarias y suficientes de segundo orden).
Sea f una funcin dos veces continua diferenciable en x+ IRn . Si
f(x+) = 0 y D2f(x+) es positiva definida, entonces x+ es un mnimo
local estricto.
Teorema. Sea f una funcin convexa continuamente diferenciable,
entonces x+ es un mnimo global ssi f(x+) = 0.
286

II. Modelos de Programacin Matemtica


Programacin No - lineal
f(x1,x2) = 3 x12 + x23 - 3/2 x22
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Ejemplo. Considere la funcin:

su gradiente y matriz Hessiana corresponden a:

6x1
f ( x )
2

3
x

3
x

2
2
0
6
D f (x )

0
6
x

2
2

287

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
De modo que hay dos posibles candidatos, x+ = (0, 0)T
y x* = (0, 1)T, que satisfacen las condiciones necesarias de
primer orden. Sin embargo

0
6
D f (x )

0
6
x

2
2

slo es positiva definida en x* = (0,1), de modo que x* es un


mnimo local del problema.

288

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.3. Problemas de optimizacin no restringida.

289

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
La mayor parte de los algoritmos de optimizacin para abordar esta
clase de problemas pertenecen a la clase de algoritmos generales
de descenso que reducen el clculo de un mnimo local a una
secuencia de problemas de bsqueda lineal (o bsqueda
unidimensional).
Decimos que un vector d IRn es una direccin de descenso de la
funcin f en el punto x+ ssi la derivada direccional de f en x+ en la
direccin d, es negativa:
x2
f(x)
d

x+
-f(x)

Z=10

Z=20

x1
290

II. Modelos de Programacin Matemtica


Programacin No - lineal
Consideremos adems la funcin unidimensional (en una variable)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

g() = f(x+ + d)
donde es un escalar real llamado el tamao del paso. Esta
funcin da el valor de la funcin f cuando uno se mueve a partir del
punto x+ en la direccin d un cierto paso .
Claramente, si g(0) = fT(x+)d < 0, es posible escoger un paso tal
que:
g() = f(x+ + d) < f(x+) = g(0)
esto es, que reduzca el valor de la funcin respecto del valor actual
en x+.

291

II. Modelos de Programacin Matemtica


Programacin No - lineal
Algoritmo general de descenso

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

1) Considere un punto inicial x = x0. Hacer k = 0.


2) Escoger una direccin de descenso dk.
3) Realizar una bsqueda lineal que seleccione un paso k tal que:
gk( k) = f(xk + kdk) < f(xk) = gk(0)
4) Hacer xk+1 = xk + kdk.
5) Hacer un test de convergencia. Si converge parar. En caso
contrario, hacer k=k+1 y volver a 2)
En el paso 5), los criterios ms usuales de convergencia son que se
cumpla:
f(xk)
f(xk+1) - f(xk) / (1+ f(xk) )
para un cierto nmero L de valores consecutivos de k, y donde es
una tolerancia de error dada, por ejemplo = 10-4.
292

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Existen varios mtodos para escoger una direccin de descenso, uno de ellos es:
Mtodo del Descenso ms Pronunciado
En este mtodo, tambin conocido como Mtodo del Gradiente o Mtodo de
Cauchy, dado la actual aproximacin xk, la direccin de descenso se escoge como:
dk = -f(xk)
Ejemplo.Considerar el problema:
Min (x1 2)4 + (x1 2x2)2
sa:

que resolvemos usando el mtodo del descenso ms pronunciado a partir del punto
x10 = 0, x20 = 3
x

IR
x
2

293

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

294

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Iteracin k

xk

f(xk)

f(xk)

(0.00,3.00)
52.00

(44.00,24.00)

0.062

(2.70,1.51)
0.34

(0.73, 1.28)

0.24

(2.52,1.20)
0.09

(0.80,-0.48)

0.11

(2.43,1.25)
0.04

(0.18, 0.28)

0.31

(2.37,1.16)
0.02

(0.30,-0.20)

0.12

(2.33,1.18)
0.01

(0.08, 0.12)

0.36

(2.30,1.14)

(0.15,-0.08)

0.13

295

Otra eleccin posible para la direccin de descenso es la que usa


el:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Mtodo de Newton
Aqu el vector dk se calcula como la solucin del siguiente sistema
de ecuaciones:
D2f(x)dk = - f(x)
Sin embargo, a pesar de ser un mtodo ms eficiente que el
anterior respecto de su rpidez de convergencia, requiere en cada
iteracin, el clculo de las segundas derivadas parciales y la
resolucin de un sistema de ecuaciones. Adems, dk est
garantizada que es una direccin de descenso slo si D2f(xk) es
positiva definida.
Al aplicar el mtodo al ejemplo anterior se tiene:
296

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Iteracin k

f(xk)

f(xk)

(0.00,3.00)

52.00 (-44.00,24.00)

(0.67,0.33)

3.13

(-9.39,-0.04)

(1.11,0.56)

0.63

(-2.84,-0.04)

(1.41,0.70)

0.12

(-0.80,-0.04)

(1.61,0.80)

0.02

(-0.22,-0.04)
(-0.07, 0.00)

(1.74,0.87)

0.05

(1.83,0.91) 0.0009

(-0.0003,-0.04)

297

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.4. Problemas con restricciones de igualdad.


El problema que se desea abordar consiste en:
P)

Min
s.a.

f(x)
g1(x) = b1
g2(x) = b2
g m(x) = bn

mn

Definicin. Decimos que x IRn es un punto regular de las


restricciones del problema P) ssi:
gi(x) = bi

i = 1, 2, ..., m

g1(x), g2(x), ..., gm(x) son vectores l.i.


298

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Para presentar algunos resultados tericos, que permiten el clculo
de mnimos locales, se introdujo la definicin anterior, que se
relaciona con el cumplimiento de ciertas condiciones de regularidad
del problema.
A continuacin, introducimos la funcin Lagrangiana asociada a P):
m

L( x, ) f ( x ) i (gi (x ) bi )
i1

donde m)T
Multiplicadores de Lagrange.

representa

el

vector

de

los

Los siguientes resultados tericos establecen ciertas propiedades


que satisface un mnimo local, las cuales muestran, en particular,
que dicho punto es un punto estacionario de la funcin lagrangeana.

299

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Teorema. (Condiciones necesarias de primer orden):
Sean f(x) y g1(x),g2(x),...,gm(x) funciones continuamente
diferenciales y sea x^ un mnimo local que adems es un punto
regular de las restricciones de P), entonces existe un vector ^
IRm, de multiplicadores de Lagrange tales que:
^

x L(x , ) f (x ) ^i gi (x ^ ) 0
i 1

300

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Teorema (Condiciones necesarias y suficientes de
segundo orden).
Sean f, g1 ,g2, ..., gm funciones dos veces
continuamente diferenciables y sea x^ IRn un
punto regular de las restricciones de P) que junto
con ^ IRm, satisfacen:
m

xL(x ^ , ^ ) f ( x ^ ) ^igi (x ^ ) 0

y que

i 1

D f (x ) ^i D2 gi (x ^ )
i 1

es una matriz positiva definida entonces x^ es un


mnimo local de P).
301

Ejemplo:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Min

x12 x 22

sa :

x1 x 2 4
x1
2

IR
x
2

Buscamos la solucin ptima


condiciones de optimalidad:

usando

las

302

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

f (x ) x12 x 22

;m 1

h1(x ) x1 x 2 4

f (x ) (2x1, 2x 2 )T

0 0
h1(x )

0
0

2 0
D f (x)

0
2

0 0
D h( x )

0
0

303

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Luego las condiciones de primer orden son:


2x1 + 1 = 0
2x2 + 1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
Resolviendo el sistema: x1 = x2 = 2; 1 = -4,
luego por existencia de la solucin ptima de
P) se tiene que la solucin ptima es :
x1=2 , x2=2
304

De todos modos las condiciones de segundo orden


se cumplen pues:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

2 0
0 0
2 0
0 2 1 0 0 0 2

es positiva definida.
Notar que en x* se tiene:

f (x ) *i hi (x * )
*

i1

4 T 4 1 1 T
305

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.5. Prob. con rest. de igualdad y desigualdad.


Por ltimo consideramos un problema ms general
de optimizacin:
P)
Min f(x)
s.a. gi(x) = bi
i = 1, 2, ..., m
hr(x) = dr

r = 1, 2, ..., l

En este caso decimos que x^ es un punto regular


de las restricciones del problema ssi:
306

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
gi(x^) = bi

; i = 1, 2, ..., m

hr(x^) dr

; r = 1, 2, ..., l

g1(x^), g2(x^), ..., gm(x^), hj(x^) vectores l.i.


con j { r / hr(x^) = dr }

307

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Teorema (condiciones necesarias de primer orden
de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g1, ..., gm, h1, ..., hl
son continuamente diferenciables. Sea x^ un punto
regular de P) y mnimo local del problema,
entonces existen multiplicadores de lagrange:
m y l
^

f (x ) i gi (x )
i 1

r (hr (x ^ ) dr ) 0

h
(
x
r r )0

r 1

; r 1, 2, ..., l
308

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IV.6. Mtodos de optimizacin restringida.


a) Mtodo de activacin de restricciones
Este mtodo se aplica en esta descripcin a
problemas que slo poseen restricciones de
desigualdad.
La idea es que si el problema no restringido tiene
una solucin ptima que no satisface una parte de
las restricciones, se considera k restricciones como
de igualdad y se resuelve este problema restringido
hasta llegar a un conjunto de restricciones activas
cuya solucin tambin satisface las restricciones
omitidas.
309

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
Paso1: Resuelva el problema no restringido. Si el
ptimo satisface todas las restricciones parar, en
caso contrario, hacer k=1 e ir al paso 2.
Paso 2: Activar cualquiera de las k restricciones y
hallar una solucin que satisfaga las condiciones
de optimalidad KKT. Si la solucin resulta factible
para las restantes restricciones parar. Sino, active
otro conjunto de k restricciones y repita el paso. Si
se han tomado todos los conjuntos de k
restricciones sin hallar solucin factible ir al paso 3.

310

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Paso 3: Si k = L (# total de restricciones)


no existe solucin factible. En caso
contrario, hacer k= k+1 e ir a paso 2.

Ejemplo. Consideremos el problema:


Min (2x1 5)2 + (2x2 1)2
s.a. x1 + 2x2 2
x1, x2 0
311

El problema no restringido tiene como


solucin a
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

x1* = 5/2 y x2* =


obtenida al resolver: f(x) = 0
Claramente, este punto no satisface la
restriccin:
h1(x1,x2) = x1 + 2x2 2.
312

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Consideramos entonces activa la restriccin


lineal, esto es resolvemos:
f(x1, x2) + h1(x1, x2) = 0
h1 (x1, x2) = 2
Cuya solucin optima es:
x1^ = 22/10 = 11/5
x2^ = -1/10
^ = -12/5 que no satisface x2 0
313

Continuando con el mtodo, si slo se activa x1= 0 se


llega al mnimo local:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

x1 = 0, x2 =

2= 0, 1= 0, 3= 0

Notar que otro mnimo local se tiene con


x1 + 2x2 2 y x2 = 0 activas, obtenindose:
x1 = 2, x2 = 0.

314

b) Mtodo de Frank Wolfe.


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Este mtodo permite la resolucin de un problema


cuya funcin objetivo es una funcin convexa nolineal y cuyas restricciones son todas lineales. Este
mtodo reemplaza la funcin objetivo por una
secuencia de funciones lineales que la aproximan,
dando as origen a una secuencia de problemas de
programacin lineal.

315

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Si xk es la actual aproximacin a la solucin


ptima del problema
P)
Min f(x)
s.a. Ax = b
x0
Entonces la expansin en serie de Taylor
en torno a x =xk, a saber f(x) = f(xk) + f(xk)
(x xk), permite aproximar el problema P)
por el problema lineal:
316

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Min f(xk) + f(xk)(x xk)


s.a. Ax = b
x0
o
equivalentemente,
eliminando
los
trminos constantes, se puede considerar
el problema:
PLk) Min f(xk)x
s.a. Ax = b
x0
317

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Si xPLk denota la solucin ptima de PLk), este


punto no necesariamente es cercano a xk de
modo que es necesario proponer un punto que
resulte
de
hacer
una
minimizacin
unidimensional en el segmento que une xk con
xPLk.
Todo lo anterior se resume en el siguiente
algoritmo:

318

Pao 0: Escoger un punto inicial factible x0. Hacer


k = 1.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

Paso 1: Evaluar c= f(xk-1)


Paso 2: Hallar la solucin ptima xPLk del siguiente
problema lineal
Min cT x
s.a. Ax = b
x0

319

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Paso 3: Para la variable [0, 1], se define


g() = f(xk-1 + [xPLk xk-1])
Usar algn procedimiento de minimizacin
unidimensional para hallar un k que aproxime la
solucin de Min { g() / [0, 1]}

320

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Paso 4: Hacer xk = xk-1 + k (xPLK xk-1)


Paso 5: Si se satisface el criterio de parada del
mtodo, parar. En caso contrario, hacer k = k + 1 y
volver al Paso 1.

321

Ejemplo.
Min
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal

sa:

x12 5x1 + 2x22 8x2


3x1 + 2x2 6
x1, x2 0

Iteracin k

x k-1

f(x k-1)

xLPk

xk

(0, 0)

(-5, -8)

(0, 3)

(0, 2)

2/3

(0, 2)

(-5, 0)

(2, 0)

(5/6,
7/6)

5/12

322

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

PROGRAMACION SEPARABLE

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La forma de los problemas de


PNL separable es:
n

max o min Z f j ( x j )
i 1

s.a.
m

g
j 1

ij

( x j ) bi

Ejemplo
max Z 30 x1 2 x 35 x 2 2 x
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

2
1

s.a.
x 2 x 250
2
1

2
2

x1 x 2 20
x1 , x1 0

2
2

max Z f 1 ( x1 ) f 2 ( x 2 )
f 1 ( x1 ) 30 x1 2 x12
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

donde
f 2 ( x 2 ) 35 x 2 2 x 22
s.a.
g11 ( x1 ) g12 ( x 2 ) 250
g 21 ( x1 ) g 22 ( x 2 ) 20
donde
g11 ( x1 ) x12

g12 ( x 2 ) 2 x 22

g 21 ( x1 ) x1

g 22 ( x 2 ) x 2

buscamos los nmeros


i y i tales que :
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

i xi i
Para el ejemplo :
R1
0 x1 15.81
0 x 2 11.18
R2
0 x1 20
0 x1 20

0 x1 16
0 x2 12

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

sup ongamos
pi , j xi pi , j 1
entonces para 0 1
xi pi , j (1 ) pi , j 1
y aproximamo s
f i ( xi ) f i ( pi , j ) (1 ) f i ( pi , j 1 )
g ir ( xi ) g ir ( pi , j ) (1 ) g ir ( pi , j 1 )

generali z a ndo

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

j1 j 2 j 3 j 4 ...... jn 1
x j j1 p j1 j 2 p j 2 j 3 p j 3 j 4 p j 4 ...... jn p jn
f j ( x j ) j1 f j ( p j1 ) j 2 f j ( p j 2 ) j 3 f j ( p j 3 ) j 4 f j ( p j 4 ) ...... jn f j ( p jn )
gij ( x j ) j1 gij ( p j1 ) j 2 gij ( p j 2 ) j 3 gij ( p j 3 ) j 4 gij ( p j 4 ) ...... jn gij ( p jn )
donde exiten solamente 2 con sec utivos que son diferentes de cero

para el ejemplo

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

11 12 13 14 15 1
x1 11 p11 12 p12 13 p13 14 p14 15 p15
x1 11 0 12 4 13 8 1412 1516

21 22 23 24 25 1
x2 21 p21 22 p22 23 p23 24 p24 25 p25
x2 21 0 22 4 23 8 2412 2516

f1 ( x1 ) 11 f1 ( p11 ) 12 f1 ( p12 ) 13 f1 ( p13 ) 14 f1 ( p14 ) 15 f1 ( p15 )


f1 ( x1 ) 11 0 12 88 13 112 14 72 15 ( 32)
f 2 ( x2 ) 21 f 2 ( p21 ) 22 f 2 ( p22 ) 23 f 2 ( p23 ) 24 f 2 ( p24 ) 25 f 2 ( p25 )
f 2 ( x2 ) 21 0 22 87 23 138 24 153) 25132
g11 ( x1 ) 11 g11 (0) 12 g11 ( 4) 13 g11 (8) 14 g11 (12) 15 g11 (16)
g11 ( x1 ) 11 0 1216 13 64 14144 15 256
g12 ( x2 ) 12 g12 (0) 22 g12 (3) 23 g12 (6) 24 g12 (9) 25 g12 (12)
g12 ( x2 ) 12 0 2218 23 72 24162 25 288
g 21 ( x1 ) 12 g12 (0) 22 g12 ( 4) 23 g12 (8) 24 g12 (12) 25 g12 (16)
g 21 ( x1 ) 12 0 22 4 23 8 2412 2516
g 22 ( x1 ) 21 g 22 ( p21 ) 22 g 22 ( p22 ) 23 g 22 ( p23 ) 24 g 22 ( p24 ) 25 g 22 ( p25 )
g 22 ( x1 ) 21 0 22 6 23 6 24 9 2512

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

11 y1
12 y1 y2
13 y2 y3
14 y3 y4
15 y4
21 z1
22 z1 z2
23 z2 z3
24 z3 z4
25 z4
y1 y2 y3 y4 y5 1
z1 z2 z3 z4 z5 1
0 ij 1
y {0,1}
z {0,1}

331

II. Modelos de Programacin Matemtica


Programacin No - lineal

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

BIBLIOGRFIA EN PROGRAMACIN NO LINEAL


1. Nonlinear Programming, M.Bazaraa, H.Sherali and C.Shetty.
John Wiley & Sons, Inc., New York, Second Edition 1993.
2. Nonlinear Programming, D.Bertsekas. Athena Scientific USA,
1995.
3. Numerical Methods for Unconstrained Optimization and
Nonlinear Equations, J.Dennis and R.Schnabel. SIAM Classics in
Applied Mathematics 16. SIAM Publications, Philadelphia, 1996.
4. Practical Methods of Optimization, R.Fletcher. John Wiley &
Sons, Inc., 1981.
5. Introduccin a la Programacin Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana 1989.
6. Mathematical Programming: Theory and Algorithms, M.Minoux.
John Wiley & Sons, Inc., New York, 1986
7. Optimization Software Guide, J.Mor and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.
332

DIRECCIONES ELECTRNICAS EN
LINEAL
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

II. Modelos de Programacin Matemtica


Programacin No - lineal
PROGRAMACIN NO

Preguntas de consulta frecuente en Programacin No Lineal:


http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html

Servidor NEOS, gua de software de Programacin No Lineal :


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/unconstropt.html
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/constropt.html

Servidor NEOS, ejemplo problema de carteras de inversin:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html

Gua de software de Programacin No Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
333

Contenidos
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III. Programacin Dinmica

III. Programacin

Dinmica
334

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III. Programacin Dinmica


La programacin dinmica se utiliza tanto en problemas lineales

como no lineales.
La programacin dinmica es til para resolver un problema
donde se deben tomar una serie de decisiones
interrelacionadas.
A diferencia de la P.L., la programacin dinmica no tiene
formulacin matemtica estndar. Se trata de un enfoque de tipo
general para la solucin de problemas, y las ecuaciones se
derivan de las condiciones individuales de los mismos.

335

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

El problema de la diligencia
Un cazafortunas desea ir de Missouri a California en una
diligencia, y quiere viajar de la forma ms segura posible. Tiene
los puntos de salida y destino conocidos, pero tiene mltiples
opciones para viajar a travs del territorio.
Se entera de la posibilidad de adquirir seguro de vida como
pasajero de la diligencia.
El costo de la pliza estndar (Cij) se muestra en la tabla de la
siguiente pgina.
Cul es la ruta que minimiza el costo de la pliza de seguro?

336

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III. Programacin Dinmica

337

III. Programacin Dinmica

1.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algunas Alternativas de Solucin

2.

3.

Enumeracin exhaustiva: enumerar todas las rutas


posibles, calcular su costo y elegir la de menor valor. En
total son 18.
Elegir la ruta ms barata en cada etapa. Esta solucin no
necesariamente conduce al ptimo global. Un pequeo
sacrificio en una etapa puede permitir mayores ahorros
ms adelante
Programacin Dinmica:

Estrategia de solucin: un problema complejo es


desagregado en problemas ms simples que se resuelven
etapa por etapa
En el caso de la diligencia un problema simple sera pensar
qu pasara si al viajero slo le faltara una etapa del viaje
338

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Por P.D. la solucin sera entonces ir desde el estado actual (i


cualquiera que sea) y llegar a su destino final (estado J) al costo c ij.
Se hace lo mismo para cada jornada (etapa), ensanchando el
problema. As encontramos la solucin ptima del lugar al que debe
dirigirse teniendo en cuenta la informacin de la iteracin anterior.
Formulacin
Sea Xn ( n = 1,2,3,4 ) las variables que representan el destino
inmediato en la etapa n.
A X1 X2 X3 X4
Donde X4 = J
Sea fn (S, Xn) el costo total de la mejor poltica global para las etapas
restantes, dado que el agente se encuentra en el estado S, listo para
iniciar la etapa n y se dirige a Xn como destino inmediato.

339

Dados S y n , sea Xn* el valor de Xn (no necesariamente nico), que


minimiza fn (S , Xn) , y sea fn*(S) el valor mnimo correspondiente de
fn (S, Xn) entonces:
fn* (S) = Min Xn fn(S, Xn) = fn(S, Xn*)
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III. Programacin Dinmica

fn(S, Xn)

Costo
Mnimo costo
Inmediato + futuro (etapa
(etapa n)

cs , xn

n+1 en adelante)
+

Costo por ir
de la ciudad i
al destino j

fn+1* (Xn)

Costo ptimo
acumulado

340

III. Programacin Dinmica


Etapa n=4

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Como el destino final (estado J) se alcanza al terminar la etapa 4,


entonces
f5*(J) = 0
El objetivo es hallar f1*(A) y su ruta correspondiente.
Cuando el cazafortunas tiene slo una etapa por recorrer (n=4) , su
ruta de ah en adelante, estar determinada por el estado actual (H o
I) y su destino final X4=J
La ruta ser: S J donde S= H o I
Luego f4*(S) = cS,J + f5*(J) = cS,J
f4(H) = cH,J = 3
f4(I) = cI,J = 4

341

III. Programacin Dinmica

El cazafortunas tiene 2 etapas por recorrer (n=3).


Suponga que sale de E.
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Etapa n=3

Luego f3*(E) = 4 y X3* = H


En general para la etapa 3 se tiene:

342

III. Programacin Dinmica


Etapa n=2

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer


(n=2). Suponga que sale de C.

Luego f2*(C) = 7 y X2* = E


En general para la etapa 2 se tiene:

343

III. Programacin Dinmica


Etapa n=1

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

En la primera etapa, el cazafortunas tiene todas las jornadas por


recorrer (n=1). Necesriamente debe salir de A.

Luego f1*(A) = 11 y X1* = C D


Veamos:

344

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La solucin del problema grficamente

Podemos ver que hay 3 soluciones ptimas

345

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Caractersticas de la P.D.
1. El problema se puede dividir por etapas, que requieren una
poltica de decisin en cada una de ellas.
2. Cada etapa tiene un cierto nmero de estados asociados a su
inicio. (Estados son las diferentes condiciones posibles en las que se
puede encontrar el sistema en cada etapa del
problema).
3. El efecto de la poltica de decisin en cada etapa, es transformar
el estado actual en un estado asociado con el INICIO de la siguiente
etapa.
4. El procedimiento pretende hallar la poltica ptima para el
problema completo. Esto quiere decir, la poltica a emplear desde
cualquier posible estado del problema.
5. Dado el estado actual, la poltica ptima desde este estado es
independiente de las polticas adoptadas en las etapas anteriores.
(la solucin depende nicamente del estado actual y no de cmo se
lleg all) PRINCIPIO DE OPTIMALIDAD EN LA P.D., (Richard
Bellman, 1957)

346

III. Programacin Dinmica

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Caractersticas de la P.D.

cont.

6. El procedimiento de la solucin termina cuando se obtiene la


poltica ptima de la ltima etapa (por lo general la solucin en esta
etapa es trivial)
7. Siempre se dispone de una relacin recursiva (esto es lo que
permite trabajar las decisiones interrelacionadas).
La relacin recursiva ser:
fn* (Sn)= Max Xn { fn (Sn, Xn) }

fn* (Sn)= Min Xn { fn (Sn, Xn) }

Donde:
N: Nmero de etapas
n: etiqueta para la etapa actual (n=1,2,3,N)
Sn: Estado actual para la etapa n
Xn: Variable de decisin para la etapa n

347

III. Programacin Dinmica


cont.

8.Cuando se tiene una relacin recursiva como la de la funcin, el


procedimiento de solucin hacia atrs inicia en la ltima etapa y se
mueve hacia la primera, etapa por etapa
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Caractersticas de la P.D

Xn* : Valor ptimo de Xn dado Sn

348

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

III. Programacin Dinmica

ALGORITMO DE P.D. HACIA ATRS: Para cada valor


probable de la variable de estado al inicio de la etapa,
determinar el mejor estado final

ALGORITMO DE P.D. HACIA ADELANTE: Para cada


valor probable de la variable de estado al final de la
etapa, determinar el mejor estado inicial

349

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Introduccin a las
tcnicas Heursticas

INTRODUCCIN
Esta es una nueva herramienta que nos ayuda en

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

la resolucin de los diferentes tipos de problemas.

As

el objetivo es de minimizar costes y/o


maximizar los beneficios.

Estando dados de la siguiente forma:

optimizar f ( x) con las restriccio nes


hi ( x) bi

hi ( x) bi

h ( x) b
i
i

i 1.....l
i 1.....m
i 1.....n

INTRODUCCIN
Un algoritmo eficiente que se puede
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

utilizar es el simplex.
Para el caso de tener muchas variables

este ya no resulta eficiente, por el


tiempo que requiere para realizar los
clculos.

INTRODUCCIN
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Existen

los llamados Problemas de


Optimizacin
Combinatorios
que
contienen variables de decisin enteras y
el espacio de soluciones est formado por
ordenaciones o subconjuntos de nmeros
naturales.

Los ms conocidos son:


Problema de la mochila
Problema del viajante

Knapsack problem-De la
mochila

Seleccionar
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Consiste en:

de entre un conjunto de
productos, cada uno con un valor ci y
volumen vi.
Determinando aquellos que quepan en
recipiente con volumen V y que tengan
mayor
| * 1..nvalor posible. As se determina
subconjunto para el cual:

max ci
i 1..n

con la restriccin

v V
i

n
un
un
el
un

Knapsack problem-De la
mochila
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

xi toma el valor de 1 cuando el item se

introduce en la mochila
xi toma el valor de 0 en caso contrario.
n
As:

max ci xi
i 1

con las restricciones


n

v x
i 1

xi 0,1

i 1..n

visitar n
ciudades de forma que se recorra el menor nmero de
kilmetros y solo se visite una sola vez cada ciudad.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Travelling Salesman
Problem(TSP)

Dado un mapa de carreteras, se desea

Solucin Optima es
la ruta
<1, 6, 3, 4, 2, 5>

Con un
61km.

15
20

16

3
12
20
16

coste

de

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Complejidad
Computacional

Problemas de tipo
combinatorio
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La enumeracin completa del conjunto

de soluciones y la generacin del


conjunto de soluciones factibles no es
eficiente.
El

tiempo
de
clculo
crece
exponencialmente con el nmero de
tems del problema.

Problema de la mochila
Para el problema de la mochila el nmero de
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

subconjuntos del conjunto {1..n} es 2 n


Si un computador pudiese generar en un

segundo un milln de esos subconjuntos el


tiempo para hallar la solucin sera:
Con n = 20, 220 = un segundo.
Con n = 40, 240 = dos semanas.
Con n = 60, 260 = 365 siglos.

Problemas P
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Aquellos

para los cuales se conocen


algoritmos que necesitan un tiempo
polinominal para
ofrecer una solucin
ptima.

Son resolubles eficientemente.

Problemas NP
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Aquellos para los cuales no se conoce un

algoritmo polinomial de resolucin.


No son algortmicamente resolubles
eficientemente.
P es un subconjunto de NP:

P NP

Problemas NP-completos
mayora de problemas de
empresarial son NP-completos.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

La

No

inters

se ha podido encontrar algoritmos


eficientes para la resolucin de problemas
NP-completos.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Heursticas

HEURSTICAS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Del griego heuriskein que significa encontrar.


Son algoritmos que ofrecen soluciones
factibles, que aunque no optimicen la
funcin objetivo, se supone que al menos
se acercan al valor ptimo.
Las heursticas son utilizadas como una
herramienta til que da soluciones a
problemas reales.

HEURSTICAS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Definicin:
Procedimientos
simples,
a
menudo
basados en el sentido comn, que se
supone ofrecern una buena solucin
(aunque no necesariamente la ptima) a
problemas difciles, de un modo fcil y
rpido
Zanakis, Evans 1981

Factores para la utilizacin de mtodos


heursticos:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

HEURSTICAS

a. Cuando no existe un mtodo exacto de

b.
c.
d.
e.

resolucin o ste requiere mucho tiempo


de clculo o memoria.
Cuando no se necesita la solucin ptima.
Cuando los datos son poco fiables.
Cuando las hay limitaciones de tiempo,
espacio, etc.
Como paso intermedio en la aplicacin de
otro algoritmo.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

HEURSTICAS
Ventajas:
Permiten mayor flexibilidad para el manejo
de las caractersticas del problema.
Ofrecen ms de una solucin.

HEURSTICAS
Inconvenientes:

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

No es posible conocer la calidad de la solucin.


Existen mtodos para realizar acotaciones. Un

procedimiento es el de relajar el problema, de


manera que sea ms fcil de resolver.

Cuando estos procedimientos no son posibles, se

puede utilizar mtodos que indican que la


heurstica no es buena.

Siempre una tcnica exacta es mejor que

cualquier tipo de heurstica.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

TIPOS DE HEURSTICAS

TIPOS DE HEURSTICAS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

MTODOS CONSTRUCTIVOS
MTODOS DE DESCOMPOSICIN
MTODOS DE REDUCCIN
MANIPULACIN DEL MODELO
MTODOS DE BSQUEDA POR ENTORNOS

MTODOS CONSTRUCTIVOS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Aaden paulatinamente componentes

individuales a la solucin, hasta que se


obtiene una solucin factible.
ALGORITMOS GOLOSOS O DEVORA-DORES

(GREEDY)

(Divide y vencers) Dividen el


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

MTODOS DE
DESCOMPOSICIN
problema en subproblemas ms
pequeos, siendo el output de uno el
input de otro.
APLICACIN A UN PROBLEMA DE

PROGRAMACIN LINEAL MIXTA.

Identifican alguna caracterstica que


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

MTODOS DE REDUCCIN
presumiblemente
solucin ptima.

deba

poseer

la

Modifican la estructura del modelo,


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

MANIPULACIN DEL MODELO


hacindolo ms sencillo de resolver, y
deduciendo de su solucin, la solucin
del problema original.
REDUCIR EL ESPACIO DE SOLUCIONES
AUMENTAR EL ESPACIO DE SOLUCIONES

MTODOS DE BSQUEDA
POR ENTORNOS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Partiendo de una solucin factible inicial,

y mediante alteraciones de esa solucin,


pasan de forma iterativa a otras
soluciones factibles de su entorno.
CRITERIO DE PARADA
ALMACENAMIENTO DE SOLUCIN PTIMA.
PASO DE UNA SOLUCIN FACTIBLE A OTRA.

(NEIGHBORHOOD)

MTODO DE BSQUEDA
LOCAL O DE DESCENSO
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

En

cada iteracin se pasa de una


solucin actual a una de su entorno que
sea mejor que ella, finalizando cuando
todas las soluciones del entorno sean
peores.
OPTIMOS LOCALES.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

EJEMPLO DE FUNCIN
CON UN PTIMO LOCAL

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Metaheursticas

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Recocido Simulado
Recocer:
Proceso trmico para obtener estados de

baja energa en un slido, mediante un bao


trmico.

Para

cada temperatura durante el


proceso de recocido, el slido puede
alcanzar el equilibrio trmico solo si el
enfriamiento se produce lentamente.
Caso contrario puede llegar a estados
meta-estables.

La evolucin de un slido en el bao trmico puede


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Recocido Simulado
ser simulado mediante el algoritmo de la
Metrpolis, basado en las tcnicas Monte Carlo.
Realiza en paso de un estado a otro segn:
Si el estado generado posee una energa menor
que el estado que actualmente se tiene, se
acepta el estado generado como actual.
Caso contrario el estado se aceptar con una
determinada probabilidad, la cual est en
funcin de:

La temperatura
La diferencia entre los dos niveles de energa.

Tcnicas de bsqueda basadas en la


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algoritmos genticos
mecnica de la seleccin
gentica [Goldberg, 1989]

natural

Los algoritmos genticos son flexibles y

pueden ser aplicados


nmero de problemas.

en un amplio

En
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algoritmos genticos
los
algoritmos
biolgicos,
la
informacin hereditaria es pasada a
travs de los cromosomas o genes, los
cuales a su vez estn formados de un
determinado nmero de valores (alelos).

Los

organismos pueden agruparse


formando poblaciones, los que mejor se
adaptan tienen mayor probabilidad de
sobrevivir y reproducirse.

Los alelos pueden representar valores de


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Algoritmos genticos
las variables de decisin,
correspondern con los genes.
Los

cromosomas
soluciones.

que

representan

se

las

Los algoritmos genticos, trabajan sobre

una poblacin de soluciones generando


una nueva en cada iteracin.

Bsqueda Tab
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Los orgenes de la bsqueda tab se

ubican a fines de los 60s y principios de


los 70s.
Se

atribuye a Fred Glover, quien


desarroll esta heurstica para tratar de
resolver problemas de cubierta no lineal,
aunque varios de sus principios tambin
fueron delineados independientemente
por P. Hansen .

Bsqueda Tab
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

El uso de estructuras flexibles de memoria basadas en

atributos, diseadas para permitir una mejor explotacin


de los criterios de evaluacin y la informacin histrica de
la bsqueda que se conseguira con estructuras rgidas de
memoria o con sistemas carentes de memoria

Un

mecanismo asociado de control basado en la


interaccin entre las condiciones que limitan y hacen ms
flexible el proceso de bsqueda. Este mecanismo se
encuentra inmerso en la tcnica en la forma de
restricciones y criterios de aspiracin

La incorporacin de memorias de diferente duracin (de

corto a largo plazo), para implementar estrategias que


intensifiquen y diversifiquen la bsqueda. Las estrategias
de intensificacin refuerzan las propiedades de las
combinaciones de movimientos que han demostrado ser
buenas, mientras que las estrategias de diversificacin
dirigen la bsqueda hacia nuevas regiones del espacio de
soluciones factibles.

GRASP
Una entre las metaheursticas ms exitosas que

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

aparecieron en los ltimos aos del siglo


pasado es GRASP.

un

mtodo multiarranque diseado para


resolver problemas difciles en optimizacin
combinatoria. En su versin bsica cada
iteracin consiste en dos fases: una fase
constructiva cuyo producto es una solucin
factible buena, aunque no necesariamente un
ptimo local, y una bsqueda local, durante la
cual se examinan vecindades de la solucin, al
llegar a un ptimo local la iteracin termina.

La iteraciones continan, guardando la mejor

solucin encontrada en cada una de ellas, hasta


que se alcanza un criterio de terminacin.

Redes Neuronales
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Una de las misiones en una red neuronal

consiste
en
simular
las
propiedades
observadas en los sistemas neuronales
biolgicos a travs de modelos matemticos
recreados mediante mecanismos artificiales

Una red neuronal se compone de unidades

llamadas neuronas. Cada neurona recibe una


serie de entradas a travs de interconexiones
y emite una salida. Esta salida viene dadas por
3 enlaces:
Enlace Sinptico
Enlace de Activacin
Enlace de Transferencia

Redes Neuronales
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Enlace Sinptico: que por lo general consiste

en la sumatoria de cada entrada multiplicada


por el peso de su interconexin (valor neto). Si
el peso es positivo, la conexin se denomina
excitatoria; si es negativo, se denomina
inhibitoria.

Enlace

de activacin: que modifica a la


anterior. Puede no existir, siendo en este caso la
salida la misma funcin de propagacin.

Enlace de transferencia: que se aplica al

valor devuelto por la funcin de activacin. Se


utiliza para acotar la salida de la neurona y
generalmente viene dada por la interpretacin
que queramos darle a dichas salidas

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

LOS INVENTARIOS SE
RELACIONAN CON:
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CONTABILIDAD: Proporcionan la estimacin de

costos en el control de inventarios.


FINANZAS: Costos de oportunidad o intereses
por concepto de la inversin en inventarios.
SISTEMAS DE INFORMACIN: Desarrollo y
mantenimiento de sistemas para la administracin
de inventarios.
MARKETING Y VENTAS: Se depende de los
inventarios disponibles para atender a los
clientes.
OPERACIONES: Nos permite ejercer un control
total del inventario en la empresa.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CONCEPTOS DE INVENTARIO
El inventario es volumen de materiales

que se tiene debido a que las partes o


bienes terminados que se recibe, es mayor
que el volumen de los mismos que se
distribuye.

RAZONES PARA MANTENER


INVENTARIOS ALTOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SERVICIO

AL CLIENTE: Un inventario alto


acelera la entrega y mejora la puntualidad en el
reparto de mercanca; reduce la posibilidad de que
se presenten faltantes o/y ordenes atrasadas.
COSTO DE HACER PEDIDOS: Generalmente el
costo de hacer pedidos es el mismo,
independientemente del tamao del pedido,
influyen factores como:
1.Tiempo para seleccionar un proveedor y
negociar las condiciones de la operacin.
2.Tiempo para preparar la documentacin.
3.Tiempo para realizar el seguimiento y recibir la
mercanca solicitada.

RAZONES PARA MANTENER


INVENTARIOS ALTOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

COSTO DE PREPARACIN: El costo que implica

reajustar una mquina para que fabrique un


componente o artculo diferente del que estuvo
fabricando anteriormente.
Esto incluye la mano de obra y el tiempo requerido
para efectuar las modificaciones, la limpieza y la
instalacin de nuevas herramientas o aparatos.
Adems se debe considerar los costos de material
desperdiciado.
El costo de preparacin es tambin independiente
del tamao del pedido.

RAZONES PARA MANTENER


INVENTARIOS ALTOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

COSTO DE TRANSPORTE: El costo de transporte

de salida de la planta puede reducir aumentando


los niveles de inventario.
Tener inventario disponible permite realizar ms
embarques con cargas completas y minimizar la
necesidad de acelerar los embarques utilizando
otras modalidades de transporte ms costosas.
PAGOS A PROVEEDORES: Se puede reducir el
total de los pagos a los proveedores obteniendo
descuentos unitarios por volmenes o cantidades
grandes de pedidos.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

RAZONES PARA MANTENER


INVENTARIOS BAJOS
La principal razn para mantener inventarios
bajos es que el inventario representa una
inversin monetaria temporal en bienes, por la
cual la empresa tiene que pagar intereses (en
lugar de recibirlos).

RAZONES PARA MANTENER


INVENTARIOS BAJOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INTERS O COSTO DE OPORTUNIDAD: Para financiar un

inventario, las empresas tienen que conseguir un prstamo o


perder la oportunidad de hacer un a inversin que nos puede
devolver un rdito atractivo.
COSTOS DE ALMACENAMIENTO Y MANEJO:

El inventario requiere espacio y tiene que ser transportado para


entrar o salir del almacn. Ese espacio tiene un costo, al igual que
el personal y equipo (ejemplo montacargas), utilizados para
manejar el inventario.
IMPUESTOS, SEGUROS Y MERMAS: Al final del ao, se pagan

ms impuestos cuando los inventarios son ms altos, y el seguro


sobre los activos es ms caro cuando los elementos por asegurar
son ms numerosos.

RAZONES PARA MANTENER


INVENTARIOS BAJOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Las mermas o disminuciones se presentan


por:
1.

2.
3.

Robo o sustraccin de elementos del inventario por


clientes o empleados
Obsolescencia o caducidad del producto
Deterioro por desperdicios o por daos fsicos (golpes
accidentales).

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

TIPOS DE INVENTARIO
Los tipos de inventario no pueden identificarse
por sus rasgos fsicos, sin embargo en trminos
conceptuales cada uno tiene una gestacin
diferente. Los tipos son:
Inventario de Ciclo
Inventario de Seguridad
Inventario de Previsin
Inventario en Trnsito

TIPOS DE INVENTARIO

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIO DE CICLO: La porcin del inventario

total que vara en forma directamente proporcional


al tamao del lote se conoce como Inventario de
Ciclo o Inventario del Ciclo.
El tiempo transcurrido entre los pedidos se lo
conoce como CICLO.
La cantidad de inventario pedido o comprado, se lo
conoce como TAMAO DE LOTE (Q).
El tamao del lote, Q, vara en forma directamente
proporcional al tiempo transcurrido (o ciclo) entre
los pedidos.
Cuanto ms tiempo transcurra entre dos pedidos
sucesivos de un artculo determinado, tanto mayor
tendr que ser el inventario de ciclo.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

TIPOS DE INVENTARIO
Al inicio del ciclo el inventario es el mximo es decir Q
Al final se encuentra en su mnimo valor, es decir 0
(cero)
Por lo tanto, el inventario promedio de ciclo ser:
Inventario Promedio de Ciclo = (Q+0)/2 = Q/2
Esta frmula es exacta, cuando la tasa de demanda
es constante y uniforme. Sin embargo cuando la
demanda por ciclo no es contante, proporciona una
estimacin razonable y satisfactoria.

INVENTARIO DE SEGURIDAD: Para evitar


problemas en el servicio al cliente, se suele mantener
un inventario extra, llamado inventario de
seguridad, que es una proteccin contra la
incertidumbre de la demanda, las cantidades
suministradas y los tiempos de entrega.
El inventario de seguridad garantiza que las
operaciones no se interrumpan cuando esos problemas
se presenten.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

TIPOS DE INVENTARIO

TIPOS DE INVENTARIO

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIO DE PREVISIN: Inventario que se

utiliza en las empresas para absorber las


irregularidades que se presentan a menudo en la
tasa de demanda o en el suministro.
ejemplo. Los fabricantes de aparatos de aire
acondicionado, suelen recibir hasta el 90% de su
demanda anual durante solo tres meses al ao.
Esa irregularidad en la demanda provoca que un
fabricante acumule un inventario de previsin en
los perodos de baja demanda, a fin de no tener
que incrementar demasiado sus niveles de
produccin cuando la demanda alcance sus
puntos mximos.

TIPOS DE INVENTARIO

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIO EN TRNSITO: El inventario que se

mueve de un punto a otro recibe el nombre de


inventario en trnsito.
El inventario en trnsito esta constituido por los pedidos
que los clientes han hecho, pero que todava no han
sido entregado.
El inventario en trnsito entre dos puntos puede
medirse como la demanda promedio durante el tiempo
de entrega, que es la demanda promedio del artculo
por perodo (d) multiplicada por el nmero de perodos
comprendidos dentro del tiempo de entrega del artculo
(L), para trasladarse entre los dos puntos:

Inv. en Trnsito = dL

TIPOS DE INVENTARIO

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

EJEMPLO INVENTARIO DE CICLO E INVENTARIO

EN TRNSITO:
Una planta enva mensualmente llantas a un mayorista,
en partidas cuya lote promedio es de 2800 llantas. La
demanda promedio del mayorista es de 700 llantas por
semana y el tiempo de entrega desde la planta es de 3
semanas. Cuanto inventario del ciclo e inventario en
trnsito maneja el mayorista?
Inv. Del Ciclo = Q/2=2800/2= 1400 llantas
Inv. En trnsito= DL= dL=(700 llantas/sem.)*3 sem.
= 2100 llantas

404

TACTICAS PARA LA REDUCCION DE


INVENTARIOS

1. Reducir el tamao del lote Q; sin embargo el hecho de


Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Los administradores siempre buscarn formas efectivas para


reducir el inventario, en trminos de costo.
Es necesario entonces considerar algunos criterios como:

efectuar tales reducciones en Q, sin realizar ningn otro


cambio, nos puede complicar la situacin, por lo que es
necesario tambin considerar adicionalmente aspectos
como:
Perfeccionar los mtodos para hacer pedidos y ajustes
iniciales, lo cual abaratar los costos de hacer pedidos y
de preparacin, y as permitir que el lote Q, pueda
efectivamente ser menor.
El incremento de la repetibilidad para suprimir o eliminar
la necesidad de realizar cambios o alteraciones
importantes.

Mejorar los pronsticos de demanda: esto nos evitar


sorpresas en el comportamiento de los clientes.
3. Abreviar los tiempos de entrega: siempre que sea
posible seleccionar proveedores que ofrezcan menores
tiempos de entrega.
4. Reducir la incertidumbre en el suministro: los
proveedores pueden ser ms fiables, si compartimos con
ellos los planes de produccin.
5. Disminuir el Inventario de Previsin: para manejar con
xito este criterio se necesita adicionalmente:
Agregar nuevos productos con diferentes ciclos de
demanda
Organizar campaas de promocin de ventas fuera de
temporada
Ofrecer a los clientes planes de precios de tipo
estacional

Ing. Rodrigo Semprtegui lvarez

2.

MAESTRIA PYGE

REDUCCION DE
INVENTARIOS

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

COLOCACIN DE INVENTARIOS
DE MANUFACTURA
Los gerentes toman decisiones
sobre la
colocacin de inventarios segn la clasificacin
que se le da a un artculo:
Artculo Especial: Aquel artculo que se fabrica a
pedido, de acuerdo con ciertas especificaciones
particulares, y en cantidades solicitadas.
Artculo Estndar: Aquel que se fabrica para
tenerlo en inventario y que normalmente est
disponible cuando se lo requiere.

CLASE C

100
Porcentaje del valor monetario

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIOS ANALISIS
ABC
CLASE B

90
80

CLASE A

70
60
50
40
30
20
10
10 20 30 40 50 60 70 80 90 100
Porcentaje de los artculos

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIOS ANALISIS
ABC
Una organizacin tpica tiene miles de artculos en
inventario, pero solo un pequeo porcentaje de ellos
merecen ms atencin y control de la Gerencia
El anlisis ABC, es un proceso que divide en 3 clases, de
acuerdo con su uso monetario.
Los artculos clase A: Representan tan solo el 20% del
total de artculos, pero les corresponde el 80% de la
inversin total.
Los artculos clase B: Representan el 30%, pero les
corresponde nicamente el 15% del uso monetario.
Los artculos clase C: Les corresponde el 50% de los
artculos, con apenas el 5% de la inversin total.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

INVENTARIOS ANALISIS
ABC
El objetivo del anlisis ABC, es
identificar los niveles de
inventario de los artculos clase A
y permitir que la gerencia los
controle cuidadosamente,
utilizando adecuadamente los
criterios analizados
anteriormente

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CANTIDAD ECONOMICA DE
PEDIDO
La cantidad econmica de pedido EOQ (del
ingls economic order quantity) permite
determinar el mejor ciclo del nivel de inventario
para un artculo, y por tanto, minimiza el total
de los costos anuales de hacer pedidos y de
manejo de inventarios.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CANTIDAD ECONOMICA DE
PEDIDO
El planteamiento para hallar la EOQ se basa en
Las siguientes suposiciones:
1.La demanda del artculo es constante (ej.
siempre es de
10 unid. diarias)
2.No hay restricciones para el tamao de cada lote (ej.
limitaciones por la capacidad del camin o del manejo de
materiales)
3.Los dos nicos costos relevantes corresponden al manejo
de inventario y el costo fijo por lote.
4.Las decisiones referentes a un artculo pueden tomarse
independientemente de las decisiones de los dems.
5.El tiempo de entrega es constante (ej. siempre en 14 das se
recibe exactamente lo que se pidi)

CLCULO DE LA EOQ

Inventario disponible
(unidades)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Cuando las suposiciones de la EOQ han sido


satisfechas, el inventario del ciclo se comporta como se
muestra en la figura:

Recepcin
del pedido

Agotamiento del inventario


(tasa de demanda)

Inventario del
ciclo promedio

Q/2

1 ciclo

Porcentaje de los artculos


Niveles de inventario del ciclo

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CLCULO DE LA EOQ
Un ciclo comienza con Q unidades en inventario
(pedido), durante el ciclo es utilizado a una tasa
constante.
Se pide un nuevo lote calculando que el nuevo
pedido se reciba precisamente cuando el
inventario llegue a 0 (porque la demanda es
constante).
Ya que el inventario vara entre Q y 0, el inventario
del ciclo promedio ser igual a la mitad del tamao
del lote.

CLCULO DE LA EOQ

Tamao del lote (Q)


(a) Costo anual de manejo de inventario

Costo de pedidos

Tamao del lote (Q)


(b) Costo anual de hacer pedidos

Costo Anual (dolares)

Costo de
manejo

Costo Anual (dolares)

Costo Anual (dolares)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

Costo total = CM+CP

CM

CP
Tamao del lote (Q)
(c) Costo anual total

Costo anual manejo de inventarios= (inventario del ciclo


promedio Q/2)(costo de manejo unitario H)
Costo anual de hacer pedidos= (nm. pedidos/ao: D/Q)(costo
de hacer pedidos o de preparacin S)
Costo total (C) = costo anual de manejo + costo anual de
hacer pedidos

CLCULO DE LA EOQ

Costo
actual

3000

Costo Anual (dolares)

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

En el siguiente ejemplo grfico observamos que el


mejor tamao de lote, o EOQ, est en el punto ms
bajo de la curva total (entre 50 y 100 unidades)

Costo total = Q/2*(H) + D/Q*(S)

2000

Costo de manejo = Q/2*(H)

1000
Costo de pedidos = D/Q*(S)

Costo
mas bajo

50

100

El mejor Q
(EOQ)

150

200

250

300

Tamao del lote (Q)

350

400

Actual
Q

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

CLCULO DE LA EOQ

Esta frmula la obtenemos de las siguientes


formas:
- Con la derivada de la funcin del costo total con
respecto a Q.
- Igualando las frmulas correspondientes al costo
anual de hacer pedidos y el costo anual de manejo
de inventario y resolviendo para Q.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

TIEMPO ENTRE PEDIDOS


El tiempo entre pedidos TBO (time between
orders) para un tamao de lote es el tiempo
promedio que transcurre entre la recepcin o
solicitud de dos pedidos de reabastecimiento
constituidos por Q unidades.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

COMPRESIN DEL EFECTO


DE LOS CAMBIOS
- Un anlisis de sensibilidad de la EOQ, permite
modificar sistemticamente los parmetros de
importancia crucial a fin de determinar los efectos
del cambio:
- Un cambio en la tasa de demanda. A medida que
aumenta la demanda, el tamao de lote tambin
debe aumentar, pero ms lentamente que la
demanda real.

COMPRESIN DEL EFECTO


DE LOS CAMBIOS
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

- Un cambio en los costos de pedidos. Al aumentar

S, aumenta la EOQ, y en consecuencia, aumenta


el inventario del ciclo promedio.
- Un cambio en los costos de manejo de inventario.
La EOQ disminuye a medida que H aumenta y
viceversa.
- Errores en la estimacin de D, H y S. El costo total
es muy poco sensible a los errores, aun en el caso
de que las estimaciones sean errneas por un
amplio margen.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL DE
INVENTARIOS
Un sistema de control de inventarios responde a
cunto y cundo debemos pedir.
Al seleccionar un sistema, es fundamental
considerar si el artculo corresponde a una
demanda dependiente (son los que se requieren
como componentes o insumos para un producto o
servicio) o independiente (est afectada por las
condiciones del mercado y no se relaciona con las
decisiones de inventario de otro artculo).

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL DE
INVENTARIOS
El inventario de demanda independiente incluye:
1. Mercanca al mayoreo y al menudeo.
2. El inventario respectivo de la industria de
servicios (ej. sellos y etiquetas en oficinas
postales, artculos de oficina, artculos de
supermercado, etc).
3. Inventarios para la distribucin de artculos
finales y partes de sustitucin.
4. Suministros para mantenimiento, reparacin y
operacin, es decir elementos que no forman
parte del producto o servicio (uniformes para
empleados, combustible).
La demanda dependiente muestra un patrn muy
distinto del que corresponde a la demanda
independiente y deben administrarse con
tcnicas diferentes

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL DE
INVENTARIOS
Los sistemas de control de inventarios
especficamente son:
- Sistema de revisin continua (Q)
- Sistema de revisin peridica (P)
- Sistemas hbridos:
-

Sistema de reabastecimiento opcional


Sistema de inventario base

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

Sistema de revisin continua, o sistema de


punto de reorden (ROP) o sistema de cantidad
de pedido fija. Se rastrea el inventario restante de
un artculo cada vez que se hace un retiro del
mismo, para saber si es momento de hacer un
nuevo pedido. El estado de inventario (IP) mide la
capacidad del artculo para satisfacer la demanda
futura.

IP = OH + SR BO
Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL DE
INVENTARIOS
Sistema
Q
La IP(inventory position) se calcula con la relacion:
Donde:
OH = inventario disponible.
SR = Las recepciones programadas (pedidos
realizados, aun no recibidos)
BO = rdenes atrasadas.
Cuando la IP llega a un nivel mnimo
predeterminado llamado punto de reorden (R), se
pide una cantidad fija Q del artculo.

SISTEMAS DE CONTROL DE
INVENTARIOS
Sistema
Q
Sistema Q cuando la demanda y el tiempo de entrega
El punto de reorden es
igual a la demanda
durante el tiempo de
entrega.
R
En la figura anterior la
O
con pendiente
Tiempo lnea
descendente es
el
inventario disponible. Cuando aquel llega a R, se
presenta un nuevo pedido. El inventario sigue
descendiendo en el perodo de entrega L. El nuevo
pedido llega justo cuando el inventario desciende a
0.

In ve n ta rio d isp o n ib le

IP

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

son constantes y se conocen con certeza


Pedido
recibido

Pedido
recibido

OH

Pedido
recibido

OH

Pedido
prestado

Pedido
recibido

OH

Pedido
prestado

TBO

IP

IP

Pedido
prestado

TBO

TBO

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

Sistema Q cuando la demanda es incierta


Inventario disponible

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

IP

IP

IP
Pedido
recibido

Pedido
recibido

Pedido
recibido

Pedido
recibido

R
Pedido
prestado

Pedido
prestado

Pedido
prestado

O
L1
TBO 1

L
TBO 2

TBO 3

Tiempo

Cuando la demanda es
incierta:
Punto
de
reorden
=
demanda promedio durante
el perodo de entrega +
inventario de seguridad.

La lnea ondulada con pendiente descendente


indica que la demanda vara de un da a otro. La
tasa de demanda cambiante denota que el tiempo
entre perodos es variable, de modo que TBO 1
TBO2 TBO3

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

Debido a la incertidumbre de la demanda, las


ventas en el perodo de entrega son imprevisibles
por lo que se aade un inventario de seguridad
como medida de proteccin contra posibles
perdidas de ventas. Cuanto ms grande sea el
inventario de seguridad, y por ende ms alto el
punto de reorden, tanto menos probable ser que
se presenten faltantes.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

Inventario de seguridad
Una forma de determinar el inventario de
seguridad adecuado es establecer un nivel de
servicio o ciclo del nivel del servicio, es decir, la
probabilidad deseada de no quedarse sin
inventario en ningn ciclo de pedidos.
Si la demanda vara poco en el ciclo, el inventario
de seguridad puede ser pequeo, por el contrario,
si la demanda vara en forma considerable de un
ciclo a otro, el inventario de seguridad deber ser
grande.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

Ciclo del nivel de servicio = 85%

Demanda
promedio
durante el
tiempo de
entrega

Probabilidad de faltantes
(1.0 - 0.85 = 0.15)

zs

Fig. Cmo encontrar el inventario de seguridad con una distribucin


de probabilidad normal para un ciclo del nivel de servicio del
85%

DE

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

La demanda promedio del tiempo de entrega es la


lnea central, quedando el 50% a cada lado,
entonces, si se selecciona un ciclo de nivel de
servicio de 50%, el punto de reorden R sera la
cantidad representada por esa lnea central.
El inventario de seguridad ser 0 cuando R es
igual a la demanda promedio.
Para brindar un nivel de servicio por encima del
50%, el punto de reorden deber ser mayor que la
demanda promedio durante el tiempo de entrega.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema Q

CONTROL

DE

Clculo del inventario de seguridad


Encontramos
el
inventario
de
seguridad
multiplicando el nmero de desviaciones estndar,
con respecto a la media que se requiera para
aplicar el ciclo del nivel de servicio, z, por la
desviacin estndar de la demanda en la
distribucin de la probabilidad, L, durante el
tiempo de entrega.
Inventario de seguridad = z L

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema P

CONTROL

DE

Conocido a veces como sistema de reorden a


intervalos fijos o sistema de reorden peridico, e el
cual la posicin de inventario de un artculo se
revisa peridicamente y no en forma continua. Los
nuevos pedidos se colocan siempre al final de
cada revisin y el TBO tiene un valor fijo de P. La
demanda total entre revisiones es variable.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema P

CONTROL

DE

En este caso persisten cuatro de las suposiciones


originales de la EOQ:
- Que no existan restricciones en el tamao del lote.
- Que los costos pertinentes sean los de manejo de

inventario y pedidos.
- Que
las decisiones de un artculo sean
independientes de las decisiones del resto.
- Que no exista incertidumbre en los tiempos de
entrega ni en el suministro.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL
INVENTARIOS
Sistema
P
Sistema del tiempo entre revisiones

DE

Para manejar un sistema P, deben considerarse: la


duracin del tiempo entre revisiones, P, y el nivel
objetivo del inventario, T.
La duracin del tiempo entre revisiones P, puede ser
cualquier intervalo conveniente (todos los viernes, cada
dos viernes).
Seleccin del nivel objetivo de inventario
Es el intervalo de proteccin o intervalo de tiempo para
el cual deber estar planeado el inventario cuando se
haga cada nuevo pedido, es decir T= d(P+L) (p
perodos para revisar, corregir y restablecer la IP +
tiempo de entrega).

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE
INVENTARIOS
Sistema P

CONTROL

DE

Inventario de seguridad
Se calcula de forma similar al sistema Q.
Se multiplica las desviaciones estndar deseadas,
z, por la desviacin estndar de la demanda en el
curso de intervalo de proteccin, P+L
Inventario de seguridad = z P+L

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

VENTAJAS COMPARATIVAS DE
LOS SISTEMAS Q Y P
Las ventajas de los sistemas Q son las siguientes:
1. La frecuencia con que se revisa cada artculo
puede ser individualizada.
2. Los tamaos de lote fijos, si son suficientemente
grandes, suelen traducirse en descuentos por
cantidad.
3. Los inventarios de seguridad ms bajos se
traducen en ahorros.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

VENTAJAS COMPARATIVAS DE
LOS SISTEMAS Q Y P
Las ventajas de los sistemas P son las siguientes:
1. La administracin del sistema resulta cmoda
porque el reabastecimiento se realiza a
intervalos fijos.
2. Los pedidos de artculos mltiples de un mismo
proveedor pueden hacerse en una sola orden de
compra.
3. Solo es necesario conocer la IP (posicin de
inventario), cuando se realiza una revisin.

Ing. Rodrigo Semprtegui lvarez

MAESTRIA PYGE

SISTEMAS DE CONTROL
INVENTARIOS
Sistemas Hbridos

DE

Sistemas Hbridos:
- Sistema de reabastecimiento opcional. Se utiliza
para revisar la IP a intervalos fijos, y si dicha
posicin
ha
disminuido
hasta
un
nivel
predeterminado (para hacer un pedido de tamao
variable que cubra las necesidades esperadas).
- Sistema de inventario base. Expide una orden de
reabastecimiento cada vez que realiza un retiro,
por la misma cantidad que fue extrada en dicho
retiro.

You might also like