Modelos de Programacion Lineal

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I.1. Introduccin
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
I. Introduccin a la Investigacin de Operaciones

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
Comparar con: ciencias de la decisin, anlisis
de sistemas, investigacin operativa, dinmica de
sistemas, anlisis operacional, sistemas de
ingeniera, ingeniera de sistemas y otros conceptos.
4

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
5

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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)

7

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.

8

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Naturaleza

La naturaleza de los problemas abordados pueden ser:

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: Conjugan mtodos determinsticos y
probabilsticos.

Mtodos heursticos: soluciones basadas en la experiencia.

9

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Gran cantidad de problemas reales cada ms
complejos y especializados requieren de:

Uso de metodologas para la formulacin
matemtica de estos problemas.

Mtodos y herramientas de resolucin, como los
que provee la Investigacin de Operaciones.
10

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I.1.1 Formulacin del Problema
1. Definir el Problema
Definir el Problema
Especificacin de Objetivos
2. Observar el Sistema
Reunir Datos
Estimar Valores de Parametros
3. Formular el Modelo Matemtico para el Problema
Representacin Idealizada del Problema
4. Verificar el Modelo y usar el Modelo para Predicciones
Estimar el Grado de Acercamiento del Modelo a la Realidad
5. Seleccionar la Alternativa Adecuada
Escoger el modelo que mejor se adapta a los objetivos
6. Presentar los Resultados y Conclusiones del Estudio a la
Organizacin
7. Implantar y Evaluar las Recomendaciones
11

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Formular el Problema
Formular el Modelo Matemtico
Verificar el Modelo y usar para predicciones
Seleccionar la Alternativa
Presentar Resultados y Conclusiones
Observar el Sistema
Implantar y Evaluar
Recomendaciones
12

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I.2 Elementos de un modelo de 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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 s 8
Piezas grandes : x + 2y s 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
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

En resumen: Max 15x + 20y
sa: 2x + 2y s 8
x + 2y s 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) = cx
a
+ dy
b
con

a,b >1, y tendramos un modelo de
Programacin No Lineal.
17

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II. Modelos de Programacin Matemtica
Programacin Lineal
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
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II.1 INTRODUCCIN

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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II.2 DEFINICIONES

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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La Regin Factible y la Solucin ptima:

Regin Factible.- Es el conjunto de todos los puntos que
satisfacen todas las restricciones del problema de PL.

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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Suposiciones de Proporcionalidad y Aditividad.-

El hecho de que la funcin objetivo de un problema de PL tiene
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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II.4 Ejemplos de modelamiento.

i) Problema de Transporte. 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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Por ejemplo, suponga que una empresa posee dos plantas
que elaboran un determinado producto en cantidades de 250
y 400 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:
27
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Diagrama:
28
Planta 1
Planta 2
C.D.2
C.D.1
C.D.3
X
11

X
12

X
21
X
22

X
13

X
23

Orgenes Destinos
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Variables de decisin:

x
ij
= Unidades transportadas desde la planta i (i=1,2), hasta el
centro de distribucin j (j=1,2,3)

Funcin Objetivo:

Minimizar el costo total de transporte dado por la funcin:
21x
11
+25x
12
+15x
13
+28x
21
+13x
22
+19x
23
Restricciones del problema:

1) No Negatividad: x
ij
> 0

2) Demanda:
CD
1
: x
11
+x
21
= 200
CD
2
: x
12
+x
22
= 200
CD
3
: x
13
+ x
23
= 250

29
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

3) Oferta :
P
1
: x
11
+ x
12
+ x
13
s 250
P
2
: x
21
+ x
22
+ x
23
s 400

Las variables de decisin deben aceptar soluciones como
nmeros reales para tener un modelo de P.L.
30
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
31
Leche
(galon)
Legumbre
(1 porcin)
Naranjas
(unidad)
Requerimientos
Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
1
: galones de leche utilizados en la dieta.
x
2
: porciones de legumbre utilizadas en la dieta.
x
3
: unidades de naranja utilizadas en la dieta.
Funcin Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x
1
+ 0.2 x
2
+

0.25 x
3

Requerimientos mnimos de los nutrientes considerados:
3.2 x
1
+ 4.9 x
2
+ 0.8 x
3
> 13
1.12 x
1
+ 1.3 x
2
+ 0.19 x
3
> 15
32 x
1
+ + 9 x
3
> 45
x
1
> 0 ; x
2
> 0 ; x
3
> 0

32
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 periodos en que se ha subdividido el horizonte de planificacin
y se tiene adicionalmente la siguiente informacin:

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).

33
Programacin Lineal
Periodos Demandas
(unidades)
Costo Prod.
(US$/unidad)
Costo de Inventario
(US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
t
: nmero de unidades elaboradas en el periodo t.
I
t
: 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.
6x
1
+ 4x
2
+ 8x
3
+ 9x
4
+ 2I
1
+ I
2
+ 2.5I
3
+ 3I
4

Notar que en el ptimo I
4
va a ser 0, as que incluso
podramos no incluirla, pero de todos modos la consideramos.

34
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

1) Restricciones de cotas, que reflejan la capacidad de
produccin.
x
t
s150 t e Perodo
2) Restricciones de no negatividad
x
t
> 0 t e Perodo
3) Restricciones de demanda
x
1
+ I
0
I
1
= 130 Periodo 1 I
0
=15
x
2
+ I
1
I
2
= 80 Periodo 2
x
3
+ I
2
I
3
= 125 Periodo 3
x
4
+ I
3
I
4
= 195 Periodo 4

35
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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%
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?

36
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
1
:Monto asignado al PCC. x
2
: Monto asignado SCC.
x
3
: Monto asignado al crdito para el hogar.
x
4
: Monto asignado al crdito personal.
Funcin Objetivo:
Se propone maximizar los retornos recibidos en la asignacin,
dados por: 0.12 x
1
+ 0.16 x
2
+

0.16 x
3
+ 0.10 x
4

x
1
> 0.55 ( x
1
+ x
2
)
x
1
> 0.25 ( x
1
+ x
2
+x
3
+ x
4
)
x
2
s 0.30 ( x
1
+ x
2
+x
3
+ x
4
)
(0.12x
1
+0.16x
2
+0.16x
3
+0.10x
4
) s 0.14 ( x
1
+ x
2
+x
3
+x
4
)
Adicionalmente: x
1
+ x
2
+x
3
+ x
4
s 250

37
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
38
NP RVP Barriles diarios
gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:

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.

39
NP RV Precio por barril (US$)
avgas A Al menos 100 A lo ms 7 26,45
Avgas B Al menos 91 A lo ms 6 25,91
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
j
: cant. de barriles del gas j que son vendidos sin mezclar, con j =
1, 2, 3, 4.
x
A
: cant. de barriles de avgas A. x
B
: cant. de barriles de avgas B.
x
jA
: cant. de gas j usado en avgas A. x
jB
: cantidad de gas j usado en avgas B.
Funcin objetivo:
Max 24,83 (x
1
+ x
2
+ x
3
+ x
4
) + 26,45x
A
+ 25,91x
B
Restricciones: x
1
+ x
1A
+ x
1B
= 3814
x
2
+ x
2A
+ x
2B
= 2666
x
3
+ x
3A
+ x
3B
= 4016
x
4
+ x
4A
+ x
4B
= 1300
x
1A
+ x
2A
+ x
3A
+ x
4A
= x
A

x
1B
+ x
2B
+ x
3B
+ x
4B
= x
B

40
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

NP, avgas A:

NP, avgas B:

RVP, avgas A:

RVP, avgas B:
41
100
x
x 108 x 87 x 93 x 107
A
A 4 A 3 A 2 A 1
>
+ + +
91
x
x 108 x 87 x 93 x 107
B
B 4 B 3 B 2 B 1
>
+ + +
7
x
x 21 x 4 x 8 x 5
A
A 4 A 3 A 2 A 1
s
+ + +
6
x
21x x 4 x 8 x 5
B
B 4 B 3 B 2 B 1
s
+ + +
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 p
t
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.

42
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
t
: cantidad de MW expandidos en planta a petrleo al inicio
del ao t, con t = 1, 2, ..., T.
y
t
: cantidad de MW expandidos en planta a gas al inicio del
ao t, con t = 1, 2, ..., T.
z
t
: 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.

43
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

0 w , z , y , x
T ... 1 t 30 , 0
w z c
w
15 t y w
15 t y w
t t t t
t t t
t
t
14 t k
k t
t
1 k
k t
>
= s
+ +
> =
s =
=
=
44
| |
=
+
T
1 t
t t t t
y g x p Min
20 t x z
20 t x z
d w z c
t
19 t k
k t
t
1 k
k t
t t t t
> =
s =
> + +
=
=
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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. DIA No. EMP. DIA No. EMP.
NECESARIO NECESARIO NECESARIO
Lunes 17 Martes 13 Mircoles 15
Jueves 19 Viernes 14 Sbado 16
Domingo 11
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
45
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Variables de Decisin: x
i
: nmero de empleados que empieza a
trabajar el da i
Funcin Objetivo: Min z= x
1
+ x
2
+

x
3
+ x
4
+ x
5
+

x
6
+ x
7

Restricciones: x
1
+ x
4
+ x
5
+

x
6
+ x
7

17
x
1
+ x
2
+ x
5
+

x
6
+ x
7

13
x
1
+ x
2
+

x
3
+

x
6
+ x
7

15
x
1
+ x
2
+

x
3
+ x
4
+ x
7

19
x
1
+ x
2
+

x
3
+ x
4
+ x
5
14

x
2
+

x
3
+ x
4
+ x
5
+

x
6

16

x
3
+ x
4
+ x
5
+

x
6
+ x
7

11
x
i

0 (i=1,2,3,7)
46
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.

47
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

48
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II.5. Resolucin grfica de problemas.

Consideremos el siguiente problema a resolver grficamente:

Max z = 3x
1
+ 5x
2
sa:
x
1
s 4
2x
2
s 12
3x
1
+ 2x
2
s 18
x
1
, x
2
> 0
49
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

50
x
2

Funcin Objetivo
Regin de puntos factibles
9
6
2
4
4 6
x
1

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

51
x
2

Funcin Objetivo
9
6
2
4
4 6
x
1

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
2

Funcin Objetivo
9
6
2
4
4 6
x
*
Solucin Optima
52
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Funcin Objetivo
9
6
2
4
4 6
x
2

x
*
Solucin Optima
53
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Funcin Objetivo
9
6
2
4
4 6
x
2

x
*
Solucin Optima
54
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

9
6
2
4
x
2

4 6
Funcin Objetivo
x
*
Solucin Optima
x
*

55
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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, Vz(x
1
,x
2
) = (3,5)
T
, se obtiene la solucin ptima
del problema en la interseccin de las rectas: 2x
2
= 12 y
3x
1
+2x
2
= 18 (restricciones activas). Esto es:

x
1
*
= 2 x
2
*
= 6

z
*
= 3 x
1
*
+ 5 x
2
*
= 36

56
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algunas reflexiones
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.

57
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 = 6x
1
+4x
2
.
2) El problema no tenga solucin, dada una regin de
puntos factibles no - acotada. En el ejemplo, reemplace
cada desigualdad s por una >.
3) El problema no tenga solucin, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la
restriccin: x
1
> 5.
58
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

II.3. Anlisis de sensibilidad.

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

59
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

60
3
4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
2 6 4
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

A partir de la resolucin grfica del problema se tiene:
Solucin ptima : x
1
*
= 2 ; x
2
*
= 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?
61
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

62
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
2
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

63
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

64
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

65
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

66
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

67
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

68
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

69
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Sea z = c
1
x
1
+c
2
x
2
La solucin ptima de la nueva funcin,
seguir siendo: x
1
*
= 2 ; x
2
*
= 2 s:

2
1
c
c
1
2
1
s
s
70
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Tambin podemos estudiar el intervalo de un slo coeficiente,
dejando el resto de los parmetros fijos:
Para C
1
:

Para C
2
:
71
20 c 10
2
1
20
c
1
1
1
s s s
s
30 c 15
2
1
c
15
1
2
2
s s s
s
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
72
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

73
3
4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
2 6 4 8
2
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

74
3
4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
2 6 4 8
2
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 b
1
*
= 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 b
1
= 4 + 2 0 = 4
De aqu, se calcula el precio sombra H
1
, que indica la razn o tasa
de cambio de la funcin objetivo con respecto al cambio en una
unidad del lado derecho:

5
4 8
60 80
b b
) 0 , 4 ( z ) 4 , 0 ( z
1
*
1
1
=
= H
75
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

76
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

77
3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
6 y 2 x s +
0 y , x >
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Segunda restriccin.
z(0,4) = 15 x 6 + 20 x 0 = 90 y b
1
*
= 2 x 6 + 2x0 = 12

x=0 ; y= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b
1
= 2 x 0 + 2 x 3 = 6
De aqu, se calcula el precio sombra P
2

5
6 12
60 90
b b
) 3 , 0 ( z ) 0 , 6 ( z
2
*
2
2
=
= H
78
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.

79
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x nmero de trenes
y nmero de soldados

max z = 3x + 2y ganancia
s.a. 2x+y 100 restriccin de acabado
x +y 80 restriccin de carpintera
x 40 restriccin de demanda de soldados
x,y0

80
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

81
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

solucin

x=20
y=60
82
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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?
83
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

84
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Sea z = c
1
x
1
+c
2
x
2
La solucin ptima de la nueva funcin,
seguir siendo: x
*
= 20 ; y
*
= 60 s:

1
c
c
2
2
1
s
s
85
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Tambin podemos estudiar el intervalo de un slo coeficiente,
dejando el resto de los parmetros fijos:
Para C
1
:

Para C
2
:
86
4 c 2 1
2
c
2
1
1
s s s
s
3 c
2
3
1
c
3
2
2
2
s s s
s
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
87
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

88
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Primera restriccin.
x=60 y y

=0, de donde se obtiene:
z(60,0) = 3 60 + 2 0 = 180 y b
1
*
= 2 60 + 1 0 = 120
x= 4 ; x
2
= 0, de donde se obtiene:
z(40,0) = 3 40 + 2 0 = 120 y b
1
= 2 40 + 1 0 = 80
Obsrvese que, aunque para 80b
1
120 la base actual es ptima
los valores de las variables de decisin y de la funcin objetivo
cambian. Por ejemplo si 80b
1
100 la solucin ptima cambiar del
punto B a algn otro punto en el segmento AB. Similarmente si
100b
1
120 la solucin ptima cambiar del punto B a algn otro
punto en el segmento AD.

89
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Para ilustrar la idea, sea b
1
el nmero de horas de acabado
disponibles. Si cambiamos b
1
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 b
1
= 100+ se puede encontrar los
nuevos valores de las variables al resolver
2x + y = 100 + y 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.

90
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

De aqu, se calcula el precio sombra H
1

5 . 1
80 120
120 180
b b
) 0 , 40 ( z ) 0 , 60 ( z
1
*
1
1
=
= H
91
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

92

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

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Segunda restriccin.
z(0,100) = 30 + 2100 = 200 y b
2
*
= 10 + 1100 = 100

x=0 ; y=60, de donde se obtiene:
z(0,60) = 30 + 260 = 120 y b
2
= 10 + 160 = 60
Obsrvese que, aunque para 60b
2
80 la base actual es ptima los
valores de las variables de decisin y de la funcin objetivo cambian.
Por ejemplo si 60b
2
80 la solucin ptima cambiar del punto B a
algn otro punto en el segmento BF. Similarmente si 80b
1
100 la
solucin ptima cambiar del punto B a algn otro punto en el
segmento AC.

93
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ahora, sea b
2
el nmero de horas de carpintera disponibles. Si
cambiamos b
2
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 b
2
= 80+ se puede encontrar los nuevos
valores de las variables al resolver
2x + y = 100 y 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.

94
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

De aqu, se calcula el precio sombra P
2
, que
indica la razn o tasa de cambio de la funcin
objetivo con respecto al cambio en una unidad
del lado derecho:

2
60 100
120 200
b b
) 60 , 0 ( z ) 100 , 0 ( z
2
*
2
2
=
= H
95
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Supongamos que cambiamos b
3
= 40+ se puede encontrar los
nuevos valores de las variables al resolver
2x + y = 100 y 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.
96
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


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.
97
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo 1 de transformacin en su forma
Estandar

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?
98
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Si definimos:

X1 = Nmero de cinturones de lujo producidos
X2 = Nmero de cinturones regulares producidos

El modelo sera:

Max Z= 4X
1
+3X
2

s.a.
X
1
+ X
2
40 (Restriccin del cuero)
2X
1
+ X
2
60 (Restriccin de mano de obra)
X
1
, X
2
0 (Restriccin de no negatividad)
99
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

El modelo en la forma estandar:

Max Z= 4X
1
+3X
2

s.a.
X
1
+ X
2
+ S
1
= 40 (Restriccin del cuero)
2X
1
+ X
2
+ S
2
= 60 (Restriccin de mano de obra)
X
1
, X
2
,

S
1
,

S
2
0 (Restriccin de no negatividad)
100
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo 2 de transformacin en su forma Estandar
Min Z= 50X
1
+20X
2
+30X
3
+80X
4

s.a. 400X
1
+ 200X
2
+ 150X
2
+ 500X
2
500
3X
1
+ 2X
2
6
2X
1
+ 2X
2
+ 4X
3
+ 4X
4
10
2X
1
+ 4X
2
+ X
3
+ 5X
4
8
X
1
, X
2
, X
3
, X
4
0

En la Forma Estadar:
Min Z= 50X
1
+20X
2
+30X
3
+80X
4

s.a. 400X
1
+ 200X
2
+ 150X
2
+ 500X
2
E
1
= 500
3X
1
+ 2X
2
E
2
= 6
2X
1
+ 2X
2
+ 4X
3
+ 4X
4
E
3
= 10
2X
1
+ 4X
2
+ X
3
+ 5X
4
E
4
= 8
X
1
, X
2
, X
3
, X
4
,E
1
,E
2
,E
3
,E
4
0

101
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo 3 de transformacin en su forma Estandar
Max Z= 20X
1
+15X
2

s.a. X
1
100
X
2
100
50X
1
+ 35X
2
4000
20X
1
+ 15X
2
2000
X
1
, X
2
0

En la Forma Estadar:
Max Z= 20X
1
+15X
2

s.a. X
1
+S
1
= 100
X
2
+S
2
= 100
50X
1
+ 35X
2
+S
3
= 4000
20X
1
+ 15X
2
E
4
= 2000
X
1
, X
2
,S
1
,S
2
,S
3
,E
4
0

102
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


En lo que sigue consideremos el siguiente problema de
programacin lineal en su forma estndar:
Min c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
sa a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
... ... ...
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m

x
i
> 0, i = 1, 2, ..., n y m s n
Matricialmente escrito como:
Min c
T
x

s.a. Ax = b

x > 0

103
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

En resumen, es posible reformular de manera equivalente el
problema usando las siguientes justificaciones:

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
*
) s - f(x) , x factible

x
*
es tambin mnimo de

- f(x)

104
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

2) Cada restriccin del tipo s 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.
105
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
106
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

EJEMPLO 1 DE SOLUCION BASICA FACTIBLE:

max Z= 4x1 + 3 x2 max Z= 4x1 + 3 x2
s.a. x1 + x2 40 s.a. x1 + x2 +s1 = 40
2x1 + x2 60 2x1 + x2 +s2 = 60
x1, x2 0 x1, x2, s1, s2 0
Variables Variables Solucin Bsica Punto
Bsicas No Bsicas Factible
x1,x2 s1,s2 s1=s2= 0 x1= 20 x2= 20 E
x1,s1 x2,s2 x2=s2= 0 x1= 30 s1= 10 C
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 B
s1,s2 x1,x2 x1=x2= 0 s1= 40 s2= 30 F
107
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

108
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Variables Solucin Bsica Factible Punto Z
Bsicas
x1,x3 x1=4 x3=10 x2=s1=s2=0 D 24
s1,s2 s1=8 s2=10 x1=x2=x3=0 F 0
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
109

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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

110
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Teorema Fundamental de la Programacin Lineal:
Si un problema tiene solucin ptima, tiene una solucin
bsica factible ptima.

111
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

112
B D
A =
m
n
m
n-m
B : es llamada una matriz de base
m n
m
D
B
m n
m
D
B
n
2
1
c
c
c
x
x
x
x
x
x

(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
x
B
:variables bsicas.
x
D
:variables no bsicas.
c
B
:costos bsicos.
c
D
:costos no bsicos.
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:

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

113
Supongamos el problema en la forma estandar:

Max z= 60 x
1
+ 30 x
2
+ 20 x
3
+ 0 s
1
+ 0 s
2
+ 0s
3

s.a: 8 x
1
+ 6 x
2
+ x
3
+ s
1
=48
4 x
1
+ 2 x
2
+ 1.5 x
3
+ s
2
= 20
2 x
1
+ 1.5 x
2
+ 0. 5 x
3
+ s
3
= 20
x
1
, x
2
, x
3
, s
1
, s
2
, s
3
0

Donde la solucin es:
z= 280 con s
1
=24 ,x
3
=8 y x
1
=2
las variables bsicas son: s
1
,x
3
,x
1
las variables no bsicas son: x
2
,s
2
,s
3

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

S1 x2
max z= 0 20 60 X3 + 30 0 0 s2
X1 s3
s.a. 1 1 8 S1 6 0 0 x2
0 1.5 4 X3 + 2 1 0 s2
0 0.5 2 X1 1.5 0 1 s3
S1 0 x2 0
X3 0 s2 0
X1 0 s3 0
114
Por lo tanto el sistema anterior puede expresarse como:
Max z= C
B
x
B
+ C
D
x
D

s.a: B x
VB
+ D x
D
= b
x
B
, x
D
0

Es decir:

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

115
Multiplicando las restricciones:
B x
B
+ D x
D
= b por B
-1
:

B
-1
B x
B
+ B
-1
D x
D
= B
-1
b o bien:

x
B
+ B
-1
D x
D
= B
-1
b

Donde:

1 2 -8
B
-1
= 0 2 -4
0 -0.5 1.5

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Sustituyendo en nuestro ejemplo:

O bien:
s1 1 2 -8 6 0 0 x2 1 2 -8 48
x3 + 0 2 -4 2 1 0 s2 = 0 2 -4 20
x1 0 -0.5 1.5 1.5 0 1 s3 0 -1 1.5 8
s1 -2 2 -8 x2 24
x3 + -2 2 -4 s2 = 8
x1 1.25 -0.5 1.5 s3 2
116
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

117
Ahora expresemos la funcin objetivo de la misma manera:
Tomemos las restricciones
B x
B
+ D x
D
= b y multipliquemos por el vector C
B
B
-1

C
B
x
B
+ C
B
B
-1
Dx
D
= C
B
B
-1
b

z- C
B
x
B
- C
D
x
D
=0

Sumando las dos ltimas relaciones:

z+(C
B
B
-1
D- C
D
)x
D
= C
B
B
-1
b

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Criterio de Optimalidad:
118
( )
( )
D B
1
T
D
T
D
1
T
B
D
T
D B
1
1 T
B
D
T
D B
T
B
T
x x D B c c b B c
x c x D B b B c
x c x c x c

+ =
+ =
+ =
valor actual
de la funcin
obj.
vector de costos
reducidos.
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La ecuacin que define cada uno de los costos
reducidos es:

Donde j es el ndice de variable no-bsica y A
j
la
respectiva columna en A de esa variable.
La actual solucin bsica factible es ptima ssi
r
j
> j, existe una variable no bsica x
p
con costo
reducido negativo, que entra a la nueva base.
119
j
1 T
B j j
A B c c r

=
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:

y se debe calcular:

120
(
(
(
(
=
(
(
(
(
=

p m
p 2
p 1
j
1
0 m
0 2
0 1
1
y
y
y
A B
x
x
y
b B
base la deja x 0 y /
y
y
Min
y
y
k ip
ip
0 i
kp
0 k
)
`
> =
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo.
Resolver el siguiente problema de P.L.
Max 40x + 60y
sa: 2x + y s 70
x + y s 40
x + 3y s 90
x,y > 0
Se deben agregar 3 variables de holgura ( s
1
, s
2
, s
3
var.bsicas), y
llevar a forma estndar (x
1
= x y x
2
= y).
Min -40x
1
60x
2
sa: 2x
1
+ x
2
+ s
1
= 70
x
1
+ x
2
+ s
2
= 40
x
1
+ 3x
2
+ s
3
= 90
x
1
, x
2
, x
3
, s
1
, s
2
, s
3
> 0,

121
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Tabla inicial:
122
x
1
x
2
s
1
s
2
s
3
2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Usamos como variable entrante a la base x
2
(pues r
2
<0).

Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto sale s
3
.
123
x
1
x
2
s
1
s
2
s
3
2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Actualizando, queda la siguiente tabla (no ptima),
donde la variable entrante a la base es x
1
(pues r
1
<0).

Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15, por
lo tanto s
2
deja la base actual.
124
x
1
x
2
s
1
s
2
s
3
5/3 0 1 0 -1/3 40
2/3 0 0 1 -1/3 10
1/3 1 0 0 1/3 30
-20 0 0 0 20 1800
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Actualizando, queda la siguiente tabla final:

Como todos los costos reducidos son mayores o iguales que cero nos
encontramos en la solucin ptima.
125
x
1
x
2
s
1
s
2
s
3
0 0 1 -5/2 15
1 0 0 -1/3 - 15
0 1 0 1/3 25
0 0 0 20 10 2100
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
126
(
=
(
=
(
(
(
=
(
(
(
=
0
0
s
s
x
15
25
15
s
x
x
x
3
2
D
1
2
1
B
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo 2 del mtodo Simplex

Min Z= 2X
1
-3X
2
s.a.
X
1
+ X
2
4
X
1
- X
2
6
X
1
, X
2
0

127
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Mtodo 1

Min Z= 2X
1
- 3X
2
s.a.
X
1
+ X
2
4
X
1
- X
2
6
X
1
, X
2
0

-Z X1 X2 S1 S2 ld Variable Razn
Bsica
1 2 -3 0 0 0 -Z=0
0 1 1 1 0 4 S1=4 (4/1)=4
0 1 -1 0 1 6 S2=6 Ninguna
-Z X1 X2 S1 S2 ld Variable
Bsica
1 5 0 3 0 12 -Z=12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10
128
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Mtodo 2

Max -Z= -2X
1
+3X
2
s.a.
X
1
+ X
2
4
X
1
- X
2
6
X
1
, X
2
0

Z X1 X2 S1 S2 ld Variable Razn
Bsica
1 -2 3 0 0 0 Z=0
0 1 1 1 0 4 S1=4 (4/1)=4
0 1 -1 0 1 6 S2=6 Ninguna
-Z X1 X2 S1 S2 ld Variable
Bsica
1 -5 0 -3 0 12 Z=-12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10
129
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.

130
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.

131
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

132
Programacin Lineal
FORMA ESTANDAR
Maximizar Z = 3X
1
+ 5X
2

Sujeto a: X
1
4
2X
2
12
3X
1
+ 2X
2
18
X
1
, X
2
0

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Existen variaciones cuando:

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

133
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 a
i
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) -Ma
i
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.
134
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
135
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Lo que se hace entonces es introducir variables
artificiales
Cambiemos la tercera restriccin de desiguladad de
Wyndor Glas c.o. por una igualdad

136
Programacin Lineal
FORMA ESTANDAR
Maximizar Z = 3X
1
+ 5X
2

Sujeto a: X
1
4
2X
2
12
3X
1
+ 2X
2 =
18
X
1
, X
2
0

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

137
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

138
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

139
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

140
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

141
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

142
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

PROBLEMA REAL PROBLEMA ARTIFICIAL

Max z= 3 x1 + 5 x2 Max z= 3 x1 + 5 x2 - M x5
s.a. s.a.
x1 4 x1 4
2 x2 12 2 x2 12
3 x1 + 2 x2 = 18 3 x1 + 2 x2 18
x1 , x2 0 x1 , x2 0
As: 3 x1 + 2 x2 + x5 = 18
143
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

144
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

145
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

146
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Lineal
147
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

148
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

149
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

150
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

151
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

152
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

153
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

154
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

155
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

156
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

157
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

158
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo: Max 2x
1
+ x
2
sa: 10x
1
+ 10x
2
s 9
10x
1
+ 5x
2
> 1
x
1
,x
2
> 0

Se debe agregar una variable de holgura (x
3
) y una variable de
exceso (x
4
), y llevarlo a su forma estndar.
Min -2x
1
- x
2
sa: 10x
1
+ 10x
2
+s
3
=

9
10x
1
+ 5x
2
- e
4
= 1
x
1
,x
2
, x
3
, x
4
> 0

159
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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= a
i
. La resolucin de este
programa lineal har las variables necesariamente iguales a cero.
Ya que cada a
i
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.
160
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Aplicamos Simplex de dos Fases :
Fase 1: Min x
5
sa: 10x
1
+ 10x
2
+s
3
=

9
10x
1
+ 5x
2
- e
4
+ a
5
= 1
x
1
,x
2
, x
3
, x
4
, x
5
> 0

Quedando la siguiente tabla:

Variables x1 x2 s3 e4 a5 valor
Bsicas
w 0 0 0 0 1 0
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
161
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

donde:

Luego se hace cero el costo reducido de la variable x
5
de la
tabla anterior, y queda la siguiente tabla inicial.

s3 9 x1 0
xB= = xD= x2 = 0
a5 1 e4 0
162
Bsicas
w -10 -5 0 1 0 -1
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


La variable entrante a la base es x
1
( pues r
1
< 0).

Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto sale
a
5
.

Bsicas
w -10 -5 0 1 0 -1
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
163
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Obtenindose la siguiente tabla final:

Donde, la anterior, corresponde a la solucin ptima del problema
en la Fase 1, con valor ptimo 0. De aqu entonces tomamos x
1
y
x
3
como variables bsicas.

Bsicas
w 0 0 0 1 0 0
s3 0 5 1 1 -1 8
x1 1 1/2 0 -1/10 1/10 1/10
s3 8 x2 0
xB= = xD= e4 = 0
x1 1/10 a5 0
164
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Fase 2:

En la tabla hacemos 0 los costos reducidos de variables bsicas

Luego la variable entrante a la base es e
4
(pues r
4
<0). Y calculando
Min { 8/1, (-1/10)/(1/10) } = 8, se tiene que sale s
3
.

Variables x1 x2 s3 e4 valor
Bsicas
z 0 0 0 -1/5 1/5
s3 0 5 1 1 8
x1 1 1/2 0 -1/10 1/10
Bsicas
z -2 -1 0 0 0
s3 0 5 1 1 8
x1 1 1/2 0 -1/10 1/10
165
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Quedando:

donde la solucin ptima del problema resulta ser:
e4 8 x2 0
xB
= =
xD
= =
x1 9/10 s3 0
Bsicas
z 0 1 1/5 0 9/5
e4 0 5 1 1 8
x1 1 1 1/10 0 9/10
166
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 4
1 x1 + 3 x2 20
x1 + x2 = 10
x1 , x2 0
min z=
2 x1 + 3 x2
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 20
x1 + x2 + a3 = 10
167
Consideremos otro ejemplo para el caso 2
Aumentando las variables de holgura, exceso y artificiales
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Primera Fase
min w= a2 + a3
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 20
x1 + x2 + a3 = 10
variable w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 1/2 1/4 1 0 0 0 4
a2 1 3 0 -1 1 0 20
a3 1 1 0 0 0 1 10
168
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3
VB w x1 x2 s1 e2 a2 a3 valor prueba
w 1 2 4 0 -1 0 0 30
s1 0 1/2 0 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 20 7
a3 0 1 1 0 0 0 1 10 10
169
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

VB w x1 x2 s1 e2 a2 a3 valor
w 1 2 4 0 -1 0 0 30
s1 0 0.5 0 1 0 0 0 4
a2 0 1/3 1 0 -1/3 1/3 0 20/3
a3 0 1 1 0 0 1 10
w 1 2/3 0 0 1/3 -4/3 0 10/3
s1 0 5/12 0 1 1/12 -1/12 0 7/3 28/5
x2 0 1/3 1 0 -1/3 1/3 0 20/3 20
a3 0 2/3 0 0 1/3 -1/3 1 10/3 1/5
170
Haciendo 1 al pivote
Realizando operaciones
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

w 1 2/3 0 0 1/3 -4/3 0 10/3
s1 0 5/12 0 1 1/12 -1/12 0 7/3
x2 0 1/3 1 0 -1/3 1/3 0 20/3
x1 0 1 0 0 1/2 -1/2 3/2 5
w 1 0 0 0 0 -1 -1 0
s1 0 0 0 1 -1/8 1/8 -5/8 1/4
x2 0 0 1 0 -1/2 1/2 -1/2 5
x1 0 1 0 0 1/2 -1/2 3/2 5
171
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

VB z x1 x2 s1 e2 valor
z 1 -2 -3 0 0 0
s1 0 0 0 1 -1/8 1/4
x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5
VB z x1 x2 s1 e2 valor
z 1 0 0 0 -1/2 25
s1 0 0 0 1 -1/8 1/4
x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5
172
Fase 2
Volvemos a introducir la funcin objetivo original
Como tanto x1 como x2 estn en la base ptima de la fase 1
debemos eliminarlas del rengln 0
Debido a que no hay como mejorar la funcin objetivo original
Esta es OPTIMA
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 4
1 x1 + 3 x2 36
x1 + x2 = 10
x1 , x2 0
min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10
173
Supongamos que en el ejemplo anterior se cambia la segunda
restriccin (a fin de analizar el caso 1)
Aumentando las variables de holgura, exceso y artificiales
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Primera Fase
min w= a2 + a3
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10
variable w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 0 1/2 1/4 1 0 0 0 4
a2 0 1 3 0 -1 1 0 36
a3 0 1 1 0 0 0 1 10
174
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3
w 1 2 4 0 -1 0 0 46
s1 0 1/2 1/4 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 36 12
a3 0 1 1 0 0 0 1 10 10
175
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

w 1 -2 0 0 -1 0 -4 6
s1 0 1/2 1/4 1 0 0 -1/4 3/2
a2 0 -2 0 0 -1 1 -3 6
x2 0 1 1 0 0 0 1 10
176
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
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 y
kj
de la columna j en
la tabla, son negativos para j el ndice de una
variable no bsica con costo reducido negativo.

177
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 40x
1
+ 60x
2
sa: 2x
1
+2x
2
s 70
x
1
+ x
2
s 40
x
1
+ 3x
2
s 90
x
1
, x
2
> 0
La solucin ptima y el valor ptimo del problema P) esta dada por:

x
1
* = 5
x
2
* = 25

z = v(p) = 2100

178
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

En lo que sigue, combinaremos las distintas restricciones del
problema, ponderando por los valores t
1
,

t
2
y

t
3
cada una,
respectivamente, de modo de obtener la mejor cota superior
del valor ptimo del problema P). Vale decir:

t
1
(2x
1
+2x
2
) + t
2
(x
1
+x
2
) + t
3
(x
1
+3x
2
) s 70 t
1
+
40 t
2
+ 90 t
3

Para garantizar que el lado derecho de esta ltima
desigualdad sea una cota superior de la funcin objetivo se
debe cumplir que :

2 t
1
+ t
2
+ t
3
> 40
2t
1
+ t
2
+ 3 t
3
> 60

179
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La mejor eleccin de esta cota se obtendra al resolver:

D) Min 70 t
1
+ 40 t
2
+ 90 t
3

sa: 2 t
1
+ t
2
+ t
3
> 40
2t
1
+ t
2
+ 3 t
3
> 60
t
1
, t
2
, t
3
> 0
Este problema se conoce como el problema Dual D)
asociado al problema Primal P).

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.

180
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ms generalmente, si el problema primal es:
P)

su dual resulta el problema:
D)

m ,..., 2 , 1 i 0
n ,..., 2 , 1 j c a : sa
b Min
i
m
1 i
j i ij
m
1 i
i i
= > t
= > t
t
=
=
181
m ,..., 2 , 1 j 0 x
n ,..., 2 , 1 i b x a : sa
x c Max
j
n
1 j
i j ij
n
1 j
j j
= >
= s
=
=
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Lo que se puede expresar en forma matricial como:
P) Max c
T
x
sa: Ax s b
x > 0

D) Min b
T
t
sa: A
T
t > c
t > 0
Si el problema primal corresponde a:
P) Max -c
T
x
sa: Ax > b
x > 0
Su dual resulta ser:
D) Min -b
T
t
sa: A
T
t s c
t > 0
Es decir, el dual del dual es el problema primal

182
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Teorema de dualidad dbil:
Si x e IR
n
, es una solucin factible del problema primal P) y t e IR
m
, una
solucin factible del problema dual D), entonces:

En particular, si ambas soluciones son los ptimos de sus respectivos
problemas, sus valores ptimos cumplen que :
v(P) s v(D)

Teorema de dualidad fuerte:
Si x* = (x
1
*, x
2
*, ..., x
n
*)
T
, es una solucin ptima problema primal P),
entonces el problema dual D) tiene solucin ptima t* = (t
1
*, t
2
*, ..., t
m
*)
T

que satisface:

) D ( v b * b * x c * x c ) P ( v
T
n
1 j
m
1 i
i i j j
T
= t = t = = =

= =
183
t = t s =

= =
T
n
1 j
m
1 i
i i j j
T
b b x c x c
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

Ejemplo: P) Min 3x
1
+ 4x
2
+ 5x
3
sa: x
1
+ 2x
2
+ 3x
3
> 5
2x
1
+ 2x
2
+ x
3
> 6
x
1
, x
2
, x
3
> 0

D) Max 5 t
1
+ 6 t
2

sa: t
1
+ 2t
2
s 3
2t
1
+ 2t
2
s 4
3t
1
+ t
2
s 5
t
1
, t
2
> 0

184
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Resolvemos D) por Simplex, en su forma estndar:

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

185
t
1
t
2
t
3
t
4
t
5
1 2 1 0 0 3
2 2 0 1 0 4
3 1 0 0 1 5
-5 -6 0 0 0 0 (
=
(
t
t
=
(
(
(
=
(
(
(
t
t
t
=
0
0
x
5
4
3
x
2
1
D
5
4
3
B
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

186
t
1
t
2
t
3
t
4
t
5
1 0 0 3/2
1 0 -1 1 0 1
5/2 0 -1/2 0 1 7/2
-2 0 3 0 0 9
(
=
(
t
t
=
(
(
(
=
(
(
(
t
t
t
=
0
0
x
2 / 7
1
2 / 3
x
3
1
D
5
4
2
B
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Sol. ptima de D):
t
1
* = 1; t
2
* = 1; v(D) = 11
Sol. ptima de P):
x
1
* = 1; x
2
* = 2; x
3
* = 0; v(P) = 11
187
t
1
t
2
t
3
t
4
t
5
0 1 1 -1/2 0 1
1 0 -1 1 0 1
0 0 2 -5/2 1 1
0 0 1 2 0 11
(
=
(
t
t
=
(
(
(
=
(
(
(
t
t
t
=
0
0
x
1
1
1
x
4
3
D
5
2
1
B
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 3x
1
+ 4x
2
+ 5x
3
sa: x
1
+ 2x
2
+ 3x
3
> 5
2x
1
+ 2x
2
+ x
3
> 6
x
1
, x
2
, x
3
> 0
188
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Mtodo Simplex Dual:

Min 3x
1
+ 4x
2
+ 5x
3
+ 0x
4
+ 0x
5
sa: x
1
+ 2x
2
+ 3x
3
- x
4
> 5 x(-1)
2x
1
+ 2x
2
+ x
3
- x
5
> 6 x(-1)
x
1
, x
2
, x
3
, x
4
, x
5
> 0
189
x
1
x
2
x
3
x
4
x
5
-1 -2 -3 1 0 -5
-2 -2 -1 0 1 -6
3 4 5 0 0 0
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Mtodo Simplex Dual:

En la tabla anterior se toman dos variables de exceso x
4
y x
5
,
y se multiplica por un nmero negativo con la finalidad de
encontrar la matriz identidad IR
n
, 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 x
5
, 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 x
1
entra a la base.

190
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Mtodo Simplex Dual:

La tabla posee an un lado derecho negativo (costos
reducidos negativos del problema dual), por lo cual no es
factible en P).
191
x
5
x
4
x
3
x
2
x
1
-2 -1/2 1
-5/2
-1 0
1
1
0
1
-9 3/2 0 7/2
3 -1/2 0 1/2
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

x
4
(=-2) deja la base, luego calculamos :
Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo que x
2
entra a la
base.

La tabla posee lados derechos no-negativos (costos reducidos
positivos del problema dual) y tambin los costos reducidos de las
variables no bsicas x
3
, x
4
y x
5
son no-negativos , por lo que
tenemos una solucin factible en P) que es la solucin ptima del
problema.

11 ) P ( v
0
2
1
x
x
x
x
3
2
1
=
(
(
(
=
(
(
(
=
192
x
1
x
2
x
3
x
4
x
5
0 1 5/2 -1 2
1 0 -2 1 -1 1
0 0 1 1 1 -11
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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: y se cumple:
Las mismas variables bsicas lo son tambin de la nueva solucin
ptima, calculada con el nuevo .
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 ?

Para decidir si la actual solucin bsica es ptima para el nuevo
problema, calculamos el costo reducido de la nueva variable
mediante la formula:

k
1 T
B k k
A B c c r

=
193
b B x
1
B

=
b
0 x
B
>
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

donde k es el ndice de la nueva variable y A
k
su respectiva
columna en la matriz de coeficientes. Si se cumple que r
k
>0 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 de coeficientes en la funcin objetivo
cambia a un vector
La actual solucin ptima tambin lo es para
con:

194
n
IR ce
P
0 x
b Ax : sa
x c Min ) P
T
>
=
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:

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.
195
j A B c c r
D B c c r
j
T
B
j j
T
B D D
> =
> =
0
emente equivalent o 0
1
1
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Veamos los cambios que tienen lugar cuando slo vara un
coeficiente del vector c de la funcin obj.

a) Cambio de un coeficiente asociado a una variable no-
bsica x
J
:
Se conserva la misma solucin ptima del problema P) ssi.
para esa variable x
J
:
196
j 0 A B c c r
j
1
T
B
j j
> =

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Consideremos :

Por lo tanto se conserva la misma solucin ssi:
197
j c c
j j
A + =
j j j j
r c c r j > > A
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
198
0 A B c c r
j
1
T
B
j j
> =

i B
0
1
0
B B i i
ie c i c c i c c A + =
(
(
(
A + = A + =
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Si el incremento es cualquiera en el siguiente
intervalo, se conserva la misma solucin ptima:

donde r
j
es el costo reducido de la respectiva
variable no bsica en la actual solucin ptima y los
coeficientes y
ij
denotan las entradas en la tabla final
del Simplex asociadas a la variable bsica x
i
(cuyo
costo cambia) y la respectiva variable no bsica x
j

199
)
`
> s A s
)
`
< 0 y /
y
r
Min i 0 y /
y
r
Max
ij
ij
j
ij
ij
j
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo:

La siguiente tabla, es la tabla final de un
problema de programacin lineal.

Con esta tabla realizaremos un anlisis de
sensibilidad:
200
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 6,67 3,33 0,00 2,93 0,27 18666,67
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

a) Variar los recursos ( lado derecho):
Las x
B
del problema primal no cambian como base
ptima, si los valores asociados a estas variables.

Para calcular estos intervalos de recursos, se
necesita la matriz inversa asociada a las variables
bsicas del tabla final.
201
0 x cumple se y b B x
B
1
B
> =

Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Intervalo recurso 1:
202
(

=
(
=

75 / 2 150 / 1
15 / 1 15 / 4
B
40 1
10 4
B
1
0
4000
b 6000
x
75 / 2 150 / 1
15 / 1 15 / 4
1
>
(
A +
(

0
150
b
150
10000
0
15
b 4
15
20000
1 1
>
A
. >
A
+
10000 b 5000 b
1 1
s A . > A
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Intervalo recurso 2:
203
16000 b 1000
10000 b 5000
1
1
s s
s A s
0
b 4000
6000
x
75 / 2 150 / 1
15 / 1 15 / 4
2
>
(
A +
(

24000 b 1500
20000 b 2500
2
2
s s
s A s
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Variable x
1
:

Max {0} s C
1
s Min {((20/3)/(7/3)),((10/3)/(5/3))}

0 s D
1
s 2 10 s C
1
*
s12

Variable x
4
:

Mx {((20/3)/(-1/30))} s D
4
s Min {((10/3)/(1/30))}

-200 s D
4
s 100 -60 s C
4
*
s240
204
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Variable x
2
:

C
2
*
= C
2
+ A
2
C
2
= -20
A
2
>- r
2
C
2
*
> - 20 - ( 20/3)
C
2
*
> - 80/3

Variable x
3
:

C
3
*
= C
3
+ A
3
C
3
= -18
A
3
>- r
3
C
3
*
> - 18 - ( 10/3)
C
3
*
> - 64/3
205
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
206
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
207
Programacin Lineal
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Temario:

III.1. Introduccin y ejemplos de modelamiento.
III.2. Resolucin de problemas de P. E.
III.3. Mtodo de Branch and Bound.
209
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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 3 5
hors de trabajo 30 25 40
ganancia (dolares) 2000 3000 4000
210
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 x1 0 x11000
R2 x2 0 x21000
R3 x3 0 x31000
R4 1.5 x1 + 3 x2 + 5 x3 6000
R4 30 x1 +25 x2 + 40 x3 60000

211
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Restricciones O

Se dan dos restricciones de la forma:
f(x
1
, x
2
, x
n
) 0 g(x
1
, x
2
, x
n
) 0
Se desea asegurar que se cumpla por lo menos una de las dos
restricciones. Deber agregarse las siguientes dos restricciones:
f(x
1
, x
2
, x
n
) My g(x
1
, x
2
, x
n
)M(1-y)
Donde: y es una variable 0-1 y M es un nmero muy grande que
asegure que se satisfagan:
f(x
1
, x
2
, x
n
)M g(x
1
, x
2
, x
n
)M
Para todos los valores de x
1
, x
2
, x
n
que satisfagan las otras
restricciones.

212
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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 600
R4 30 x1 +25 x2 + 40 x3 60000
x1, x2, x3 0
y1, y2, y3 = 0 1

213
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 2 6 8 8
Costa 6 2 5 5
Sierra 8 5 2 5
Oriente 8 5 5 2

214
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Restricciones SI ENTONCES

Se desea asegurar que se cumpla g(x
1
,x
2
,x
n
)0 si se satisface
f(x
1
,x
2
,x
n
)>0, mientras que si no se satisface f(x
1
,x
2
,x
n
)>0
entonces g(x
1
,x
2
,x
n
)0 no debe satisfacerse. Deber agregarse
las siguientes dos restricciones, en definitiva f(x
1
,x
2
,x
n
)>0
implica g(x
1
,x
2
,x
n
)0 :
-g(x
1
, x
2
, x
n
)My f(x
1
, x
2
, x
n
) M(1-y)
Donde: y es una variable 0-1 y M es un nmero muy grande que
asegure que se satisfagan:
f(x
1
, x
2
, x
n
)M -g(x
1
, x
2
, x
n
)M
Para todos los valores de x
1
, x
2
, x
n
que satisfagan las otras
restricciones.

215
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

FUNCION OBJETIVO
Intereses perdidos
Desde Galpagos
A Puerto Ayora 0.2(70000)*2=28000
A Guayaquil 0.2(70000)*6=84000
A Cuenca 0.2(70000)*8=112000
A Puyo 0.2(70000)*8=112000
Desde Costa
A Puerto Ayora 0.2(50000)*3=30000
A Guayaquil 0.2(50000)*2=20000
A Cuenca 0.2(50000)*5=50000
A Puyo 0.2(50000)*5=50000

216
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

FUNCION OBJETIVO
Intereses perdidos cont
Desde Sierra
A Puerto Ayora 0.2(60000)*8=96000
A Guayaquil 0.2(60000)*5=60000
A Cuenca 0.2(60000)*2=24000
A Puyo 0.2(60000)*5=60000
Desde Oriente
A Puerto Ayora 0.2(40000)*8=64000
A Guayaquil 0.2(40000)*5=40000
A Cuenca 0.2(40000)*5=40000
A Puyo 0.2(40000)*2=16000

217
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

FUNCION OBJETIVO
Xij= 1 si se enva el dinero de la zona i a la ciudad j
0 caso contrario

Yi= 1 si se abre la oficina en la ciudad I
0 caso contrario
Si tomamos la funcin en miles de dlares
Z= +28X11+84X12+112X13+112X14
+60X21+20X22+50X23+50X24
+96X31+60X32+24X33+60X34
+64X41+40X42+40X43+16X44
+50Y1+50Y2+50Y3+50Y4

218
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

RESTRICCIONES
Tipo 1: de cada zona se enve a una ciudad
X11+X12+X13+X14=1
X21+X22+X23+X24=1
X31+X32+X33+X34=1
X41+X42+X43+X44=1

Tipo 2: Si de la zona j envan a la ciudad i entonces Yi=1

XijYj (i=1,2,3,4; j=1,2,3,4)

X1i+X2i+X3i+X4i 4Yi (i=1,2,3,4)

219
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

RESTRICCIONES
Tipo 3: si galpagos enva su dinero a la Puerto Ayora
entonces ninguna otra regin puede enviar el dinero a
Puerto Ayora
Si X11=1 Entonces X21=0, X31=0, X41=0

Se puede escribir como

Si X11>0 Entonces X21+X31+X410 (-X21-X31-X410)

f=X11 g=-X21-X31-X41
Deber incluirse las dos restricciones:
X11M(1-y) X21+X31+X41My
220
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Funciones lineales por partes

Supongamos que una funcin lineal por partes tiene los puntos de
ruptura b
1
,b
2
,b
n
. Para algn k (k=1,2,3n-1), b
k
x b
k+1
.
Entonces, para algn nmero z
k
(0 z
k
1) se puede escribir x
como:
x= z
k
b
k
+(1-z
k
)b
k+1
Ya que f(x) es lineal para b
k
x b
k+1
, podemos escribir como:
f(x)=z
k
f(b
k
)+(1-z
k
) f(b
k+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. z
n-1
y
n-2
+y
n-1
, z
n
1
y1+y2+y3.+y
n-1
=1
z1+z2+z3.+z
n-1
=1
X=z1b1+z2b2+z3b3+.z
n
b
n

221
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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

222
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

223
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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 8 6 12 30
Ao 2 8 15 4 0 15
Ao 3 18 0 16 0 12
V.P.N. 35 18 24 16
224
Interesa determinar en cules proyectos invertir de modo de conseguir el
mayor V.P.N. de la inversin.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

Funcin objetivo:
Max 35x
1
+ 18x
2
+ 24x
3
+ 16x
4

225
4 , 3 , 2 , 1 i con
o sin , 0
i proyecto el en invierte se si , 1
x
i
=
=
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Restricciones (tres alternativas):
1) Reinvirtiendo el dinero no utilizado en un perodo:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
+ s
1
= 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
+ s
2
= 15 + s
1

Ao3: 18x
1
+ 16x
3
s 12 + s
2

x
i
e {0,1} i = 1,2,3,4
2) Sin invertir el dinero no utilizado en un perodo, pero utilizando el
retorno de los proyectos concludos:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
s 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
s 15 + 16x
4

Ao3: 18x
1
+ 16x
3
s 12 + 18x
2

x
i
e {0,1} i = 1,2,3,4

226
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
3) Reinvirtiendo el dinero no utilizado en un perodo y, tambin
el retorno de proyectos concluidos:
Ao1: 10x
1
+ 8x
2
+ 6x
3
+ 12x
4
+ s
1
= 30
Ao2: 8x
1
+ 15x
2
+ 4x
3
+ s
2
= 15 + s
1 +
16x
4
Ao3: 18x
1
+ 16x
3
s 12 + s
2
+ 18x
2

x
i
e {0,1} i = 1,2,3,4
227
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 2
4
= 16, dado el nmero de
variables utilizadas, de hecho las soluciones factibles son menos de
16 pues en particular x
i
=1 para i=1,2,3,4 no satisface las
disponibilidades de capital en cualquiera de las tres alternativas.

228
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Tomemos el ejemplo de la mochila dado con anterioridad
Supongamos que adicionalmente la inversin efectuada requiera
nuevas restricciones.
- Se debe invertir en al menos 1 de los 3 primeros proyectos:
x
1
+ x
2
+ x
3
> 1
- El proyecto 2 no puede ser tomado a menos que el proyecto 3 si
sea tomado: x
2
s x
3
- Se puede tomar el proyecto 3 o 4 pero no ambos: x
3
+ x
4
s 1
- No se puede invertir en ms de dos proyectos: x
1
+ x
2
+ x
3
+ x
4
s 2

229
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
b) Cumplimiento de un subconjunto de las restricciones de un
problema.
Consideremos un problema que posee las siguientes restricciones:
12x
1
+ 24x
2
+ 18x
3
s 2400
15x
1
+ 32x
2
+ 12x
3
s 1800
20x
1
+ 15x
2
+ 20x
3
s 2000
Supongamos adems, que nos basta con obtener alguna solucion
ptima que verifique el cumplimiento de al menos 2 de las 3
restricciones anteriores.

=
rio casocontra
satisface se j n restricci la si
y
j
, 0
, 1
230
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Cada inecuacin anterior la reemplazamos por:
12x
1
+ 24x
2
+ 18x
3
s 2400 + M
1
(1- y
1
)
15x
1
+ 32x
2
+ 12x
3
s 1800 + M
2
(1- y
2
)
20x
1
+ 15x
2
+ 20x
3
s 2000 + M
3
(1- y
3
)
Adems, debemos agregar la restriccin que permita que a lo
ms una de las restricciones no se cumpla:
y
1
+ y
2
+ y
3
2 M
i
= constante lo suf. grande
231
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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 d
t
, con t = 1,
2, ..., T, los costos fijos asociados a la compra de una unidad p
t
,
los costos asociados al mantenimiento de una unidad en inventario
de cada perodo h
t
y los costos fijos asociados a la gestin de
compra en el perodo t, s
t
.
Observacin: no se permite unidades de faltante.

232
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

Variables de decisin
x
t
: nmero de unidades compradas en t.
I
t
: nivel de inventario al final del perodo t.
con t: 1, 2, ..., T
233
=
o sin , 0
t periodo el en compra una hace se si , 1
y
t
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Funcin objetivo

Restricciones
x
t
+ I
t-1
- I
t
= d
t
t = 1, 2, ..., T
I
0
= inventario inicial
x
t
s M
t
y
t
t = 1, 2, ..., T
M
t
= cte. grande
234
t t t t
T
1 t
t t
I h x p y s Min + +
=
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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 = (a
ij
) donde :

n ,..., 2 , 1 j y m ,..., 2 , 1 i con
o sin , 0
j servidor el por atendida ser puede i zona la si , 1
a
ij
= =
=
235
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Se desea determinar cules son los servidores que deben ser
instalados de modo de dar cobertura a cada zona, dados los costos
de instalacin c
j
del servidor j.

Funcin objetivo:

Restricciones: Para cada zona i

Se agrega la siguiente restriccin, si adicionalmente, hay algn
lmite en el nmero de servidores que se pueden instalar (digamos
k) :

236
=
o sin , 0
j servidor el instala se si , 1
x
j
=
n
1 j
j j
x c Min
1 x a
n
1 j
j ij
>
=
k x
m
1 j
j
s
=
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
e) Problema de transporte y localizacin:

Si se tiene un conjunto de m clientes que demandan d
i

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 c
j
los costos asociados a la instalacin de la planta j , v
j

el costo unitario de produccin de la planta j y t
ij
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.

237
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

x
ij
= el nmero de unidades elaboradas en la planta j para
satisfacer el cliente i, con j = 1,...,n y i = 1,....,m.
238
=
o sin , 0
j planta la abre se si , 1
y
j
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

Funcin objetivo:

Costo de Costo de Costo de
Instalacin Produccin Transporte
239

= = = = =
+
|
.
|
\
|
+
n
1 j
m
1 i
ij ij
n
1 j
m
1 i
ij
n
1 j
j j j
x t x v y c Min
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Restricciones:
1) Demanda cliente i:

2) Relacionar variables de produccin con las asociadas
a la apertura de plantas (variables binarias):

donde M
j
es una constante grande (por ejemplo,
capacidad mxima de produccin de la planta j), con x
ij

> 0 e y
j
e {0,1}.
240
j j
n
1 j
ij
y M x s
=
i
m
1 i
ij
d x >
=
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

Supongamos que tenemos el siguiente problema
de programacin lineal:
PL) Max c
T
x
s.a. A x = b
x > 0
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.
241
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Por ejemplo:
PLE) Max c
T
x
s.a. A x = b
x > 0, x
j
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).

242
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

243
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

244
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

245
Programacin Entera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Ejemplo

PLE) Max x
2

s.a. - 2x
1
+ 2x
2
s 1
2x
1
+ x
2
s 7
x
1
> 0, x
2
> 0 enteros
246
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

7
3.5
- 2x
1
+ 2x
2
s 1
2x
1
+ x
2
s 7
x
1

x
2

. .
. . .
. . . .
Programacin Entera
247
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Notar que en el ejemplo la solucin ptima puede ser hallada por
simple enumeracin de todas las soluciones factibles. Aqu las
soluciones ptimas son:
x
1
*
= 1 o x
1
*
= 2
x
2
*
= 1 x
2
*
= 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:
x
1
= 3/2 x
2
= 2

248
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
A partir de esta ltima solucin podemos redondear o truncar los
valores que no salieron enteros, obteniendo respectivamente en el
ejemplo:
x
1
= 2 x
1
= 1
x
2
= 2 x
2
= 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(x
1
, x
2
) = x
1
+ 5x
2

s.a. x
1
+ 10x
2
s 10
x
1
s 1
x
1
> 0, x
2
> 0 enteros

249
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Solucin ptima de PL)
x
1
= 1 f(1,9/10)=5,5
x
2
= 9/10
Redondeando o truncando los valores
x
1
= 1 infactible x
1
= 1 f(1,0)=1
x
2
= 1 x
2
= 0
Pero la solucin ptima de PLE) es:
x
1
= 0; x
2
= 1; v(PLE) = 5
250
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

Consideremos el siguiente problema de programacin entera:

PLE) Max 21x
1
+ 11x
2
s.a. 7x
2
+ 4x
2
s 13
x
1
> 0
x
2
> 0
x
1
, x
2
enteros

Consideremos inicialmente la resolucin de la relajacin continua de
PLE), que consiste en eliminar las condiciones de integralidad.

251
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera

252
x
1
x
2
1
2
3
21x
1
+11x
2
21x
1
+11x
2
=39

7x
1
+4x
2
=13

x
2
= 3
x
2
= 2
x
2
= 1
x
1
= 1
x
1
= 2
13/7 sol. relajada
3/2
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Descripcin del mtodo Branch and Bound (maximizacin)

Paso 0
Hacer P
0
), la relajacin continua de PLE)
Fijar la cota inferior del v(PLE) en -.
Paso1
Seleccionar un problema no resuelto, P
i
)
Resolver P
i
) 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).

253
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
Si el problema P
i
) resulta agotado y da solucin entera, mejorar el
valor de la cota inferior de v(PLE).
Si todos los problemas estn agotados, parar.
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 x
j
=
j
, cuyo valor en la solucin ptima de
P
i
) no de entero.
Eliminar la regin correspondiente a

j
<
j
<
j
+ 1
Crear dos nuevos problemas de programacin lineal que incorporen
a P
i
) dos restricciones mutuamente excluyentes: x
j
s
j
, x
j
>
j

+1 una en cada problema y volver al paso 1.

254
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

P
0
P
1
P
2
P
11
P
12
P
121
P
122
P
1211
P
1212
infactible
infactible
infactible
x
2
>4
x
2
>2
x
1
>2
x
1
>1
x
2
s3
x
2
s1
x
1
s1
x1 = 13/7
x2 = 0
z = 39
x1 = 1
x2 = 3/2
z = 37.5
x1 = 1
x2 = 1
z = 32
x1 = 5/7
x2 = 2
z = 37
x1 = 0
x2 = 13/4
z = 35.75
x1 = 0
x2 = 3
z = 33
P
0
) Relajacin continua
-< z s 39
P
1
) Max 21x
1
+ 11x
2

s.a. 7x
1
+ 4x
2
s 13
x
1
s 1
x
1
> 0
x
2
> 0
P2) Max 21 x
1
+ 11x
2
s.a. 7x
1
+ 4x
2
s 13
x
1
s 1
x
2
s 1
x
1
> 0
x
2
> 0
De donde 32 s z s 39
+
Solucin ptima
x
1
* = 0; x
2
* = 3; z = 33
Programacin Entera
255
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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.
256
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin Entera
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):
257
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Programacin No - lineal
Temario:

IV.1. Introduccin y ejemplos.
IV.2. Propiedades bsicas de los problemas de
programacin 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.
258
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
259
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
260
PRODUCTO RETORNO (M$)
Producto 1 10.000 x
1
0.50
Producto 2 7.500 x
2
0.75
Producto 3 9.000 x
3
0.60
Producto 4 15.000 x
4
0.30
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

En este ejemplo:
x
i
es la cantidad de recursos asignados al producto i, con i = 1,2,3,4.

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 x
1
0.5
+ 7.500 x
2
0.75
+ 9.000 x
3
0.6
+ 15.000 x
4
0.3

s.a:
x
1
+ x
2
+ x
3
+ x
4
s 75.000
x
i
> 0; i = 1, 2, 3, 4, 5.

261
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

b) Aproximacin y ajuste de curvas.
Supongamos que se tiene un conjunto de datos
correspondientes a una determinada funcin y=g(x)
(desconocida), digamos (x
1
,y
1
), (x
2
,y
2
), .., (x
m
,y
m
) y se desea
aproximar g(x) por una funcin h(x)
262
y
2
y
1
y
m
x
1
x
2
x
m
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algunas elecciones posibles:

i) h (x) = a
0
+ a
1
x
ii) h (x) = a
0
+ a
1
x + a
2
x
2
iii) h (x) = a
0
+ a
1

iv) h (x) = a
0

v) h (x) = a
0
+ a
1
x + a
2

vi) h (x) = a
0
+ a
1
ln(x)

263
2
a
x
x a
1
e
x a
3
e
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Cmo elegir los coeficientes a=(a
0
,...,a
n
)

en la funcin h(x) que
aproxima o ajusta los datos observados?

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

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

Min F(a) = =
264
=
e
m
1 i
2
i i i
)) x ( h y (
=
e
m
1 i
2
i i
) a , x ( e
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Que da origen a un problema de programacin no-lineal sin
restricciones.
Si escogemos e
1
= ... = e
m
= 1 y h(x) = a
0
+ a
1
x, el problema
corresponde a una regresin lineal.
265
y
2
y
1
y
m
x
1
x
2
x
m
h(x)= a
0
+ a
1
x
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Cuya solucin resulta ser:
266
=
|
.
|
\
|
=
m
1 i
i
0
m
y
a
|
|
|
|
.
|
\
|
=
=
=
m
1 i
2
i
i i
m
1 i
1
x
x y
a
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
267
30
40
30
80
Puerto B
Puerto C
Puerto A
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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) =
268
2 2
2 2
2 2
) 30 y ( ) 80 x (
) 40 y ( ) 30 x (
) 0 y ( ) 0 x (
+
+ +
+ +
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La solucin ptima calculada por el solver de Excel es:
x
*
=30,8052225
y
*
= 37,8900128
269
Puerto B
Puerto C
Puerto A
Refinera
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 = (r
1
, r
2
, ..., r
n
)
T
y matriz de covarianza: Q = (o
ij
) con i = 1, 2, ...,
n y j = 1, 2, ..., n donde o
ii
denota la varianza del retorno del
instrumento i y donde o
ij
(i = j) es la covarianza de los retornos del
instrumento i con el j.

270
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Sea x
i
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:

Usando el servidor Neos para una cartera con tres acciones
seleccionadas del men para este problema en el servidor y un
bono, se tiene:

n ,..., 2 , 1 1 0 x
1 x : sa
x x K x r Max
i
n
1 i
i
n
1 i
n
1 i
n
1 j
j i ij i i
= >
=
o

=
= = =
271
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Selected value of K is 10.00
Risk less rate of return (monthly) is 0.00407
272
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 0 21
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Optimal Portfolio Statistics
273
Avg Return (monthly, pet) 2,03
Std Desviation 4,02
Pet of Optimal Potrfolio 27,2
48.6%
13.7%
16.7%
21.0%
Coca Cola
Exxon Corp
Texaco Inc
Bond
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

De manera general, un problema de optimizacin considera la
resolucin de un modelo como el que sigue:
P) Min f(x)
s.a. x e D _ IR
n

Donde f: IR
n
IR es una funcin, comnmente continua y
diferenciable, y D es el dominio de factibilidad del problema,
generalmente dado por:
D = {x eIR
n
/ g
i
(x) = b
i
i=1,...,m; h
r
(x) sd
r
r =1,...,l}
Decimos que x* e D es un mnimo global o solucin ptima del
problema P) si:
f(x*) s f(x) para todo x e D

Por otra parte, decimos que x
^
e D es un mnimo local del problema
P) si:
f(x
^
) s f(x) para todo x en una vecindad de x
^
(x e D B(x
^
, e))

274
IV.2. Propiedades bsicas de los problemas de programacin
no-lineal.

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1 s x s 5
275
x
f(x) Son mnimos locales x=1,
x
+
y x*, en tanto la
solucin ptima o
mnimo global es x*

x
*
x
+
1 2 3 4 5
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

276
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

277
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 IR
n
, 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: ,

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.

278
+ =
+
) x ( f lim
| x |
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Definicin. Decimos que f: IR
n
IR es una funcin convexa si:
f(x + (1-)y ) s f(x) + (1-)f(y)
para todo x, y e D (x = y) con e [0, 1]
Si la desigualdad anterior se cumple de manera estricta, decimos
que f es estrictamente convexa.

279
x y
f(x)
f(y)
Lineal a
tramos
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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
ii) f(x) > f(y) + Vf
T
(y)(x-y) para dos puntos
cualesquiera x e y.
iii) La matriz hessiana de las segundas derivadas
parciales de f, denotada en lo que sigue por D
2
f(x),
es semi positiva definida para todo x.
280
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Por otra parte, tambin podemos caracterizar si un
conjunto cualquiera es convexo o no, de acuerdo a la
siguiente:
Definicin. D _ IR
n
, un conjunto no vaco, es convexo
ssi x + (1-) y e D, para todo x e D, y e D con
e [0,1].
281
x
y
Es convexo
x
y
No es convexo
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

As por ejemplo, si h(x) es una funcin convexa el conjunto
D = { x e IR
n
h(x) s d } es convexo para cualquier escalar real d.
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 h
r
(x) s d
r
r=1,2,...,l
Con f(x) y h
r
(x) funciones convexas para r=1,2,..,l definen un
problema convexo, pues el dominio de factibilidad es la interseccin
de los conjuntos convexos D
r
={ x e IR
n
h
r
(x) s d
r
}, 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.

282
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 {xeIR
n
: 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 (x
1
- 3)
2
+ (x
2
- 4)
2
s.a. x
1
+ x
2
s 5
x
1
- x
2
s 5/2
x
1
> 0, x
2
> 0

283
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


284
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La solucin ptima x* de este problema se alcanza el punto x
1
* = 2,
x
2
* = 3 correspondiente al nico punto de la curva de nivel que tiene
el menor valor y que intersecta la regin de puntos factibles.
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 (x
1
- 2)
2
+ (x
2
- 2)
2
s.a x
1
+ x
2
s 5
x
1
- x
2
s 5/2
x
1
> 0, x
2
> 0

285
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La solucin cambia a lo representado en la siguiente figura, donde
la solucin ptima se alcanza en x
1
* = 2, x
2
* = 2, ahora
perteneciente al interior del dominio de factibilidad del problema.
286
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Grficamente,
tambin
podemos
observar la
presencia de
divesos mnimos
locales en un
problema no
lineal.
287
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

IV.3. PROGRAMACION NO RESTRINGIDA
En esta seccin consideraremos un problema
P) Min f(x) con x e IR
n

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
+
e IR
n
es un mnimo local
de P), entonces: Vf(x
+
) = 0.

288
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Teorema (condiciones necesarias de segundo orden). Si f es una
funcin dos veces continuamente diferenciable y x
+
e IR
n
es un
mnimo local de P), entonces:
Vf(x
+
) = 0 y D
2
f(x
+
) es semi positiva definida.

Dado lo anterior, no todos los puntos x e IR
n
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
+
e IR
n
. Si
Vf(x
+
) = 0 y D
2
f(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 Vf(x
+
) = 0.

289
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo. Considere la funcin:
f(x
1
,x
2
) = 3 x
1
2
+ x
2
3
- 3/2 x
2
2
su gradiente y matriz Hessiana corresponden a:
290
(
= V
2
2
2
1
x 3 x 3
x 6
) x ( f
(
=
3 x 6 0
0 6
) x ( f D
2
2
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

slo es positiva definida en x* = (0,1), de modo que x* es un
mnimo local del problema.

291
(
=
3 x 6 0
0 6
) x ( f D
2
2
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

IV.3. Problemas de optimizacin no restringida.

292
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 e IR
n
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:

293
x
1

x
2

Z=10
Z=20
x
+
Vf(x)
-Vf(x)
d
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Consideremos adems la funcin unidimensional (en una variable)
g(o) = f(x
+
+ od)
donde o 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 o.
Claramente, si g(0) = Vf
T
(x
+
)d < 0, es posible escoger un paso o tal
que:
g(o) = f(x
+
+ od) < f(x
+
) = g(0)
esto es, que reduzca el valor de la funcin respecto del valor actual
en x
+
.

294
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algoritmo general de descenso
1) Considere un punto inicial x = x
0
. Hacer k = 0.
2) Escoger una direccin de descenso d
k
.
3) Realizar una bsqueda lineal que seleccione un paso o
k
tal que:
g
k
(o
k
) = f(x
k
+ o
k
d
k
) < f(x
k
) = g
k
(0)
4) Hacer x
k+1
= x
k
+ o
k
d
k
.
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:
,, Vf(x
k
) ,, < c
|f(x
k+1
) - f(x
k
)|/ (1+| f(x
k
)|) < c
para un cierto nmero L de valores consecutivos de k, y donde c es
una tolerancia de error dada, por ejemplo c = 10
-4
.

295
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 x
k
, la direccin de
descenso se escoge como:
d
k
= -Vf(x
k
)
Ejemplo.Considerar el problema:

Min (x
1
2)
4
+ (x
1
2x
2
)
2
sa:

que resolvemos usando el mtodo del descenso ms pronunciado
a partir del punto x
1
0
= 0, x
2
0
= 3

2
2
1
IR
x
x
e
(
296
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


297
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


298
Iteracin k x
k
f(x
k
) Vf(x
k
) o
k

1 (0.00,3.00) 52.00 (-44.00,24.00) 0.062
2 (2.70,1.51) 0.34 (0.73, 1.28) 0.24
3 (2.52,1.20) 0.09 (0.80,-0.48) 0.11
4 (2.43,1.25) 0.04 (0.18, 0.28) 0.31
5 (2.37,1.16) 0.02 (0.30,-0.20) 0.12
6 (2.33,1.18) 0.01 (0.08, 0.12) 0.36
7 (2.30,1.14) 0.009 (0.15,-0.08) 0.13
8 (2.28,1.15) 0.007 (0.05, 0.08)
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Otra eleccin posible para la direccin de descenso es la que usa el:
Mtodo de Newton
Aqu el vector d
k
se calcula como la solucin del siguiente sistema
de ecuaciones:
D
2
f(x)d
k
= - Vf(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, d
k
est garantizada que es una
direccin de descenso slo si D
2
f(x
k
) es positiva definida.

Al aplicar el mtodo al ejemplo anterior se tiene:

299
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

300
Iteracin k f(x
k
) Vf(x
k
)
1 (0.00,3.00) 52.00 (-44.00,24.00)
2 (0.67,0.33) 3.13 (-9.39,-0.04)
3 (1.11,0.56) 0.63 (-2.84,-0.04)
4 (1.41,0.70) 0.12 (-0.80,-0.04)
5 (1.61,0.80) 0.02

6 (1.74,0.87) 0.05
8 (1.83,0.91) 0.0009
(-0.22,-0.04)
(-0.07, 0.00)
(-0.0003,-0.04)
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

IV.4. Problemas con restricciones de igualdad.

El problema que se desea abordar consiste en:

P) Min f(x)
s.a. g
1
(x) = b
1

g
2
(x) = b
2

g
m
(x) = b
n
msn

Definicin. Decimos que x e IR
n
es un punto regular de las
restricciones del problema P) ssi:

g
i
(x) = b
i
i = 1, 2, ..., m

Vg
1
(x), Vg
2
(x), ..., Vg
m
(x) son vectores l.i.

301
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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):

donde = (
1
,
2
, ...,
m
)
T
representa el vector de los Multiplicadores
de Lagrange.

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.

302
=
+ =
m
1 i
i i i
) b ) x ( g ( ) x ( f ) , x ( L
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Teorema. (Condiciones necesarias de primer orden):
Sean f(x) y g
1
(x),g
2
(x),...,g
m
(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
^
e

IR
m
, de multiplicadores de Lagrange tales que:

303
=
= V + V = V
m
1 i
^
i
^
i
^ ^ ^
x
0 ) x ( g ) x ( f ) , x ( L
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Teorema (Condiciones necesarias y suficientes de
segundo orden).
Sean f, g
1
,g
2
, ..., g
m
funciones dos veces
continuamente diferenciables y sea x
^
e IR
n
un
punto regular de las restricciones de P) que junto
con
^
e IR
m
, satisfacen:

y que

es una matriz positiva definida entonces x
^
es un
mnimo local de P).
304
=
= V + V = V
m
1 i
^
i
^
i
^ ^ ^
x
0 ) x ( g ) x ( f ) , x ( L
=
+
m
1 i
^
i
2 ^
i
^ 2
) x ( g D ) x ( f D
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Ejemplo:

Buscamos la solucin ptima usando las
condiciones de optimalidad:
305
2
2
1
2 1
2
2
2
1
IR
x
x
4 x x : sa
x x Min
e
(
= +
+
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

306
(
=
(
= V
= + =
0 0
0 0
) x ( h D
0 0
0 0
) x ( h
4 x x ) x ( h
2
1
2 1 1
(
=
= V
= + =
2 0
0 2
) x ( f D
) x 2 , x 2 ( ) x ( f
1 m ; x x ) x ( f
2
T
2 1
2
2
2
1
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Luego las condiciones de primer orden son:

2x
1
+
1
= 0
2x
2
+
1
= 0
x
1
+ x
2
- 4 = 0 ( Factibilidad)

Resolviendo el sistema: x
1
= x
2
= 2;
1
= -4,
luego por existencia de la solucin ptima
de P) se tiene que la solucin ptima es :
x
1
=2 , x
2
=2
307
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

De todos modos las condiciones de segundo orden
se cumplen pues:

es positiva definida.
Notar que en x* se tiene:
308
| | | |
T T
m
1 i
*
i
*
i
*
1 1 4 4 4
) x ( h ) x ( f
=
V = V

=
(
=
(
+
(
2 0
0 2
0 0
0 0
2 0
0 2
1
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

Por ltimo consideramos un problema ms general
de optimizacin:
P) Min f(x)
s.a. g
i
(x) = b
i
i = 1, 2, ..., m
h
r
(x) = d
r
r = 1, 2, ..., l

En este caso decimos que x
^
es un punto regular
de las restricciones del problema ssi:
309
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


g
i
(x
^
) = b
i
; i = 1, 2, ..., m

h
r
(x
^
) s d
r
; r = 1, 2, ..., l

Vg
1
(x
^
), Vg
2
(x
^
), ..., Vg
m
(x
^
), Vh
j
(x
^
) vectores l.i.

con j e { r / h
r
(x
^
) = d
r
}
310
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


Teorema (condiciones necesarias de primer orden
de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g
1
, ..., g
m
, h
1
, ..., h
l

son continuamente diferenciables. Sea x
^
un
punto regular de P) y mnimo local del problema,
entonces existen multiplicadores de lagrange:
1
,
2
, ...,
m
y
1
,
2
, ...,
l
> 0 :
311
l ..., , 2 , 1 r ; 0 ) d ) x ( h (
0 ) x ( h ) x ( g ) x ( f
r
^
r r
l
1 r
^
r r
m
1 i
^
i
i
^
= =
= V + V + V

= =
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
312
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
313
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 (2x
1
5)
2
+ (2x
2
1)
2
s.a. x
1
+ 2x
2
s 2
x
1
, x
2
> 0
314
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

El problema no restringido tiene como
solucin a

x
1
* = 5/2 y x
2
* =

obtenida al resolver: Vf(x) = 0

Claramente, este punto no satisface la
restriccin:
h
1
(x
1
,x
2
) = x
1
+ 2x
2
s 2.
315
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Consideramos entonces activa la restriccin
lineal, esto es resolvemos:
Vf(x
1
, x
2
) +
1
Vh
1
(x
1
, x
2
) = 0
h
1
(x
1
, x
2
) = 2

Cuya solucin optima es:
x
1
^
= 22/10 = 11/5
x
2
^
= -1/10

1
^
= -12/5 que no satisface x
2

> 0
316
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Continuando con el mtodo, si slo se activa x
1
= 0 se
llega al mnimo local:
x
1
= 0, x
2
=
2
= 0,
1
= 0,
3
= 0

Notar que otro mnimo local se tiene con
x
1
+ 2x
2
s 2 y x
2
= 0 activas, obtenindose:
x
1
= 2, x
2
= 0.
317
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z


b) Mtodo de Frank Wolfe.
Este mtodo permite la resolucin de un problema
cuya funcin objetivo es una funcin convexa no-
lineal 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.
318
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Si x
k
es la actual aproximacin a la solucin
ptima del problema
P) Min f(x)
s.a. Ax = b
x > 0

Entonces la expansin en serie de Taylor
en torno a x =x
k
, a saber f(x) = f(x
k
) +
Vf(x
k
)(x x
k
), permite aproximar el
problema P) por el problema lineal:
319
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Min f(x
k
) + Vf(x
k
)(x x
k
)
s.a. Ax = b
x > 0
o equivalentemente, eliminando los
trminos constantes, se puede considerar
el problema:
PL
k
) Min Vf(x
k
)x
s.a. Ax = b
x > 0
320
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Si x
PL
k
denota la solucin ptima de PL
k
), este
punto no necesariamente es cercano a x
k
de
modo que es necesario proponer un punto que
resulte de hacer una minimizacin
unidimensional en el segmento que une x
k
con
x
PL
k
.

Todo lo anterior se resume en el siguiente
algoritmo:
321
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Pao 0: Escoger un punto inicial factible x
0
. Hacer
k = 1.
Paso 1: Evaluar c= Vf(x
k-1
)
Paso 2: Hallar la solucin ptima x
PL
k
del siguiente
problema lineal
Min c
T
x
s.a. Ax = b
x > 0
322
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Paso 3: Para la variable o e [0, 1], se define
g(o) = f(x
k-1
+ o [x
PL
k
x
k-1
])
Usar algn procedimiento de minimizacin
unidimensional para hallar un o
k
que aproxime la
solucin de Min { g(o) / o e [0, 1]}
323
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Paso 4: Hacer x
k
= x
k-1
+ o
k
(x
PL
K
x
k-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.
324
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Ejemplo.
Min x
1
2
5x
1
+ 2x
2
2
8x
2
sa: 3x
1
+ 2x
2
s 6
x
1
, x
2
> 0
325
Iteracin k x
k-1
V f(x
k-1
) x
LP
k
x
k
o
k
1 (0, 0) (-5, -8) (0, 3) (0, 2) 2/3
2 (0, 2) (-5, 0) (2, 0) (5/6, 7/6) 5/12
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
326
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

DIRECCIONES ELECTRNICAS EN PROGRAMACIN NO
LINEAL

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):
327
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Contenidos
III. Programacin Dinmica

328
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
329
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 (C
ij
) se muestra en la tabla de la
siguiente pgina.
Cul es la ruta que minimiza el costo de la pliza de seguro?
330
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

331
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algunas Alternativas de Solucin
1. Enumeracin exhaustiva: enumerar todas las rutas
posibles, calcular su costo y elegir la de menor valor. En
total son 18.
2. 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
3. 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

332
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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 X
1
X
2
X
3
X
4
Donde X
4
= J
Sea f
n
(S, X
n
) 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 X
n
como destino inmediato.

333
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
f
n
* (S) = Min
Xn
f
n
(S, X
n
) = f
n
(S, X
n
*)

Costo Mnimo costo
f
n
(S, X
n
) = Inmediato + futuro (etapa
(etapa n) n+1 en adelante)
= c
s , xn
+ f
n+1
* (X
n
)

Costo por ir Costo ptimo
de la ciudad i acumulado
al destino j

334
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Etapa n=4

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

f
5
*(J) = 0

El objetivo es hallar f
1
*(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 X
4
=J

La ruta ser: S J donde S= H o I

Luego f
4
*(S) = c
S,J
+ f
5
*(J) = c
S,J

f
4
(H) = c
H,J
= 3
f
4
(I) = c
I,J
= 4

335
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Etapa n=3

El cazafortunas tiene 2 etapas por recorrer (n=3).
Suponga que sale de E.

Luego f
3
*(E) = 4 y X
3
* = H
En general para la etapa 3 se tiene:

336
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Etapa n=2

En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer
(n=2). Suponga que sale de C.

Luego f
2
*(C) = 7 y X
2
* = E
En general para la etapa 2 se tiene:

337
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Etapa n=1

En la primera etapa, el cazafortunas tiene todas las jornadas por
recorrer (n=1). Necesriamente debe salir de A.

Luego f
1
*(A) = 11 y X
1
* = C D
Veamos:

338
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

La solucin del problema grficamente

Podemos ver que hay 3 soluciones ptimas

339
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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)

340
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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:
f
n
* (S
n
)= Max
Xn
{ f
n
(S
n
, X
n
) } f
n
* (S
n
)= Min
Xn
{ f
n
(S
n
, X
n
) }

Donde:
N: Nmero de etapas
n: etiqueta para la etapa actual (n=1,2,3,N)
S
n
: Estado actual para la etapa n
X
n
: Variable de decisin para la etapa n
341
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Caractersticas de la P.D 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

X
n
* : Valor ptimo de X
n
dado S
n

342
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

343
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

INTRODUCCIN
Esta es una nueva herramienta que nos ayuda en 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:

= =
= >
= s
n i b x h
m i b x h
l i b x h
nes restriccio las con x f optimizar
i i
i i
i i
..... 1 ) (
..... 1 ) (
..... 1 ) (
) (
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

INTRODUCCIN
Un algoritmo eficiente que se puede 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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

INTRODUCCIN
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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Knapsack problem-De la
mochila
Consiste en:
Seleccionar de entre un conjunto de n productos, cada
uno con un valor ci y un volumen vi.
Determinando aquellos que quepan en un recipiente con
volumen V y que tengan el mayor valor posible. As se
determina un subconjunto para el cual:

{ } n .. 1 * | _
{ }

s
=
_
i
i
i
i
n i
i
i
V v
c c
n restricci la con
max
.. 1
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Knapsack problem-De la
mochila
xi toma el valor de 1 cuando el item se introduce en
la mochila
xi toma el valor de 0 en caso contrario.
As:

{ } { } n i x
V x v
x c
i
n
i
i i
n
i
i i
.. 1 1 , 0
nes restriccio las con
max
1
1
e e
s
=
=
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Travelling Salesman Problem(TSP)
Dado un mapa de carreteras, se desea visitar n
ciudades de forma que se recorra el menor nmero de
kilmetros y solo se visite una sola vez cada ciudad.

6
15
20
1 16 7
3
12 20
16 7 8
5
9 21
2 10 4
Solucin Optima es la ruta
<1, 6, 3, 4, 2, 5>

Con un coste de 61km.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Problemas de tipo
combinatorio
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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Problema de la mochila
Para el problema de la mochila el nmero de
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, 2
20
= un segundo.
Con n = 40, 2
40
= dos semanas.
Con n = 60, 2
60
= 365 siglos.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Problemas P
Aquellos para los cuales se conocen algoritmos que
necesitan un tiempo polinominal para ofrecer una
solucin ptima.

Son resolubles eficientemente.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Problemas NP
Aquellos para los cuales no se conoce un algoritmo
polinomial de resolucin.
No son algortmicamente resolubles eficientemente.
P es un subconjunto de NP:
NP P _
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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

No se ha podido encontrar algoritmos eficientes para la
resolucin de problemas NP-completos.

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

HEURSTICAS
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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

HEURSTICAS
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
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

HEURSTICAS
Factores para la utilizacin de mtodos heursticos:

a. Cuando no existe un mtodo exacto de
resolucin o ste requiere mucho tiempo de
clculo o memoria.
b. Cuando no se necesita la solucin ptima.
c. Cuando los datos son poco fiables.
d. Cuando las hay limitaciones de tiempo,
espacio, etc.
e. Como paso intermedio en la aplicacin de otro
algoritmo.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

HEURSTICAS
Ventajas:
Permiten mayor flexibilidad para el manejo de las
caractersticas del problema.

Ofrecen ms de una solucin.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

HEURSTICAS
Inconvenientes:

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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

TIPOS DE HEURSTICAS
MTODOS CONSTRUCTIVOS

MTODOS DE DESCOMPOSICIN

MTODOS DE REDUCCIN

MANIPULACIN DEL MODELO

MTODOS DE BSQUEDA POR ENTORNOS
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MTODOS CONSTRUCTIVOS
Aaden paulatinamente componentes
individuales a la solucin, hasta que se obtiene
una solucin factible.

ALGORITMOS GOLOSOS O DEVORA-DORES
(GREEDY)
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MTODOS DE DESCOMPOSICIN
(Divide y vencers) Dividen el problema en
subproblemas ms pequeos, siendo el
output de uno el input de otro.

APLICACIN A UN PROBLEMA DE
PROGRAMACIN LINEAL MIXTA.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MTODOS DE REDUCCIN
Identifican alguna caracterstica que
presumiblemente deba poseer la solucin
ptima.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MANIPULACIN DEL MODELO
Modifican la estructura 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
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MTODOS DE BSQUEDA POR
ENTORNOS
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)
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

MTODO DE BSQUEDA LOCAL O DE
DESCENSO
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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

EJEMPLO DE FUNCIN
CON UN PTIMO LOCAL
X
i-2
X
i-1
X
i
X
i+1
Solucin inicial
ptimo local
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Recocido Simulado
La evolucin de un slido en el bao trmico puede 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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algoritmos genticos
Tcnicas de bsqueda basadas en la mecnica de la
seleccin natural y gentica [Goldberg, 1989]

Los algoritmos genticos son flexibles y pueden ser
aplicados en un amplio nmero de problemas.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algoritmos genticos
En 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.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Algoritmos genticos
Los alelos pueden representar valores de las
variables de decisin, que se correspondern con
los genes.

Los cromosomas representan las soluciones.

Los algoritmos genticos, trabajan sobre una
poblacin de soluciones generando una nueva en
cada iteracin.
I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Bsqueda Tab
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 .

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Bsqueda Tab
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.

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

GRASP
Una entre las metaheursticas ms exitosas que
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.

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Redes Neuronales
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

I
n
v
e
s
t
i
g
a
c
i
n

d
e

O
p
e
r
a
c
i
o
n
e
s

I
n
g
.

R
o
d
r
i
g
o

S
e
m
p
r
t
e
g
u
i

l
v
a
r
e
z

Redes Neuronales
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

Modelos de Programacion Lineal

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos de Programacion Lineal

Uploaded by

Copyright:

Available Formats

I

You might also like