1

SOLUCION GRFICA Introduccin Utilizaremos algunos conceptos fundamentales de la Teora General de los Conjuntos Convexos para interpretar geomtricamente la solucin de los modelos de Programacin Lineal. La solucin en forma grfica se obtiene representando en un plano cartesiano las restricciones tecnolgicas y la funcin objetivo. La forma ms conocida del mtodo consiste en asociar los ejes coordenados a las variables de decisin o actividades del problema, dando lugar al llamado mtodo grfico en actividades; pero hay otro enfoque conocido como mtodo grfico en recursos en el cual se asocian los ejes a las restricciones o recursos del problema. Debe quedar claro que la representacin grfica del modelo no es el mtodo general utilizado para resolver problemas reales de programacin lineal, los cuales tienen muchas variables y muchas restricciones, ya que no podemos dibujar en ms de tres dimensiones, En consecuencia, el mtodo grfico en actividades est limitado a la solucin de problemas que tengan un mximo de tres variables (actividades), y cualquier nmero de restricciones. De la misma manera el mtodo grfico en recursos slo puede utilizarse para solucionar modelos con cualquier cantidad de actividades, pero con un mximo de tres restricciones (recursos). No obstante sus limitaciones, estudiaremos el mtodo grfico en actividades, ya que tiene una gran utilidad didctica. Para mayor facilidad en los anlisis, resolveremos problemas que contienen solo dos actividades alternativas, lo cual nos permitir trabajar en el plano, en lugar de hacerlo en el espacio. Este capitulo nos servir para comprender los fundamentos conceptuales de los mtodos analticos utilizados para la solucin de los problemas de programacin lineal y para identificar geomtricamente los diferentes tipos de solucin que podemos obtener. El mtodo grfico en actividades Este anlisis grfico nos permite intuir uno de los teoremas fundamentales de la P.L., llamado teorema del punto extremo solucin ptima. Igualmente descubriremos la esencia del mtodo simplex, que es el algoritmo mas utilizado para obtener la solucin analtica de los problemas de P.L. En forma suscinta, el algoritmo del mtodo grfico en actividades es el siguiente. 1. 2. 3. 4. 5. Dibujar un plano coordenado y asociar un eje a cada variable del modelo. Representar en el plano las restricciones tecnolgicas. Identificar grficamente el conjunto de soluciones factibles (regin de factibilidad). Representar en el plano la funcin objetivo. Identificar grficamente la solucin ptima.

Para aprender el uso del algoritmo, se hallar la solucin del siguiente problema sencillo de mezcla productiva, cuyo modelo consta de dos variables y tres restricciones:

Problema ejemplo No 1: Un problema de maximizacin La empresa Calzado Montoya produce zapatos para dama y para caballero, mediante un proceso que se compone de tres actividades. Algunos datos importantes del proceso son:

Tiempo Actividad (minutos / unidad) Dama Caballero Formado de la suela 4 8 Corte del cuero 4 3 Ensamble 6 2 Utilidad neta ($/unidad) 10 6

Disponible (minutos / da) 800 600 600

Elabore y resuelva el modelo de programacin lineal que permite determinar el nmero de unidades de cada producto que deben fabricarse para maximizar la utilidad neta total. El problema tiene el siguiente modelo de P.L.: Maximizar: Z = 10 X1 + 6 X2 Sujeto a: 4 X1 + 8 X2 800 4 X1 + 3 X2 600 6 X1 + 2 X2 600 con X1, X2 0 Utilidad (1) Tiempo de Formado (min/da) (2) Tiempo de Corte (3) Tiempo de Ensamble condicin de no negatividad

En donde X1 y X2 son el nmero de pares a fabricar cada da, de los artculos zapato para dama y zapato para caballero respectivamente. La primera restriccin se refiere al mximo de minutos que se pueden usar diariamente en la operacin de formado, la segunda al mximo en la operacin de corte y la tercera al mximo en la operacin de ensamble. Solucin del modelo Paso 1: Dibujamos el plano coordenado y asignamos, arbitrariamente, el eje horizontal a la variable X1 y el eje vertical a la variable X2. ( figura 3.1) Recordar que una ecuacin del tipo aX1 + bX2 = c

a c X1 + ), corresponde a una lnea recta, b b mientras que una inecuacin del tipo aX1 + bX2 c, o del tipo aX1 + bX2 c, corresponde a un semiplano cuya frontera es la correspondiente recta aX1 + bX2 = c.
(o equivalentemente de la forma X2 = -

Veamos cmo se grafican las restricciones tecnolgicas de nuestro modelo. Para determinar el semiplano indicado por la restriccin de formado, se grafica primero la recta 4X1 + 8X2 = 800. El trazado de la recta se realiza en forma fcil determinando los intersectos con los ejes, para lo cual se asigna alternadamente el valor cero a una variable, despejando el valor para la otra. Para nuestra ecuacin quedara: Si X1 = 0 Si X2 = 0 entonces X2 = 800/8 = 100 (punto B que es el intersecto con el eje X2) entonces X1 = 800/4 = 200 (punto A que es el intersecto con el eje X1)

Procedemos luego a trazar la recta que pasa por estos dos puntos (figura 3.2). Para definir el semiplano indicado por la inecuacin, se efecta un sencillo chequeo, consistente en verificar si el origen forma parte del semiplano. En caso afirmativo, deducimos que el semiplano indicado por la inecuacin es aquel que contiene el origen e indicamos el hecho, mediante unas flechas que parten de la recta frontera del semiplano y apuntan hacia el origen. En caso negativo, las flechas tendrn la orientacin contraria, indicando que el semiplano no contiene al origen. Reemplazando el punto (X1, X2) = (0,0) en la inecuacin se obtiene: 4(0) + 8(0) = 0 < 800; indicando as que el punto (0,0) hace parte del semiplano. Por lo tanto la regin de todos los puntos que cumplen la restriccin 4X1 + 8X2 800; es el tringulo OAB que aparece rayado en la figura 3.2. (Sabe porque se toman nicamente los puntos del primer cuadrante?) Para determinar el semiplano correspondiente a la restriccin de corte : 4X1 + 3X2 600 , se procede de forma similar, as: Cuando X1 = 0 entonces X2 = 200 punto E Cuando X2 = 0 entonces X1 = 150 punto C Chequeando con el punto (0,0) hallamos que: 4(0) + 3(0) = 0 600 lo cual indica que el semiplano correspondiente es el indicado por las flechas de la figura 3.3. La frontera de este semiplano es la recta que pasa por los intersectos previamente determinados.

Recurdese que los valores de X1 y X2 deben cumplir simultneamente todas las restricciones, por lo cual se deben considerar en conjunto las restricciones de formado y de corte. En la figura resultante, se observa que los puntos que satisfacen ambas condiciones son los que corresponden a la interseccin de los dos semiplanos, la cual es el polgono OCDB rayado en la figura 3.3. Como puede observarse, la restriccin del tiempo en el ensamble, tiene como frontera la recta 6X1 + 2X2 = 600, cuyos intersectos son los puntos I (0,300) y F (100,0), generando un semiplano que incluye el origen, puesto que el punto (0,0) cumple la desigualdad. En la figura 3.4, se adiciona la tercera restriccin a la figura 3.3, con lo cual se deduce que la regin de puntos que cumplen simultneamente las tres restricciones y la condicin de no negatividad, es el polgono OFGB rayado. Esta rea que como discutiremos luego siempre es un polgono convexo, se llamar polgono de factibilidad o regin de soluciones factibles. Determinando la solucin optima El polgono de factibilidad consta de infinitos puntos, lo cual significa que el modelo tiene un nmero infinito de soluciones factibles. Entre todas ellas estamos interesados en conocer cual es la que conduce al mximo valor de la funcin Z = 10X1 + 6X2. Naturalmente para determinar la solucin ptima no podemos calcular el valor de la funcin objetivo en cada uno del infinito nmero de soluciones posibles. Qu haremos entonces? Representemos grficamente la funcin del objetivo, para que descubramos algunas caractersticas importantes que permiten determinar la solucin ptima sin realizar una evaluacin exhaustiva de las soluciones factibles. Si en la funcin Z = 10X1 + 6X2, suponemos un valor para Z, la recta queda completamente definida al hallar los intersectos en forma similar a la utilizada para dibujar las restricciones tecnolgicas. Para comodidad en los clculos podemos escoger para Z un valor que sea mltiplo entero de los coeficientes de X1 y X2 y que adems arroje para los intersectos valores comprendidos en el rango utilizado por las restricciones tecnolgicas, con lo cual la recta particular de la funcin objetivo quedar sobre la regin de factibilidad previamente determinada. Supongamos el valor Z = 600, con lo cual la ecuacin queda: 600 = 10X1 + 6X2, y sus intersectos son los puntos (0,100) y (60,0). Si graficamos la recta sobre la figura 3.4, obtenemos la figura 3.5. Aqu observamos que cualquier punto sobre la recta Z = 600 10 X1 + 6 X2, que pertenezca a la regin factible, es una solucin posible del modelo que corresponde a un valor de 600 para la funcin del objetivo.

Por contener puntos que conducen a igual valor de la funcin objetivo, esta recta se conoce como Isocuanta o recta de isovalores (en este caso isoutilidades). Pero la recta correspondiente a Z = 600 no es la nica que puede dibujarse, ya que es posible trazar innumerable rectas, asignando diferentes valores a Z. Como en este problema en particular estamos buscando la solucin que maximice el valor de la funcin objetivo, examinemos la recta que corresponder a un valor de Z mayor que 600. Por ejemplo, tomemos Z = 900. Calculando los intersectos para la recta Z = 900 = 10X1 + 6X2, obtenemos los puntos (0,150) y (90,0). La recta resultante se dibuj tambin en la 3.5. Todos los puntos sobre ella que adems pertenezcan a la regin de factibilidad, son soluciones factibles del modelo, que implican un valor de 900 para la funcin objetivo. Observemos en la misma figura que la recta de Z = 900 est mas arriba que la de Z = 600 y es paralela a ella. Si dibujramos, por ejemplo la Isocuanta de Z = 1500, encontraramos que tambin es paralela a las isocuantas anteriores y que est an ms arriba; en cambio la isocuanta Z = 300 aparecera por debajo de la Z = 600, siendo igualmente paralela a las otras rectas. Este conocimiento nos permite concluir que la recta genrica Z = 10X1 + 6X2, corresponde a una familia de rectas paralelas isocuantas y que si logramos determinar en qu direccin debe moverse para que la funcin objetivo se haga cada vez mejor(mayor para un problema de maximizacin o menor para un problema de minimizacin), basta con mover una isocuanta en la direccin de mejora en forma paralela a s misma, para encontrar rectas cuyos puntos representen valores cada vez mejores para la funcin objetivo, hasta encontrar el que corresponda al valor mximo o al valor mnimo factible. En nuestro problema concluimos que moviendo aun ms la isocuanta hacia arriba, en forma paralela, obtenemos valores cada vez mayores. Pero el movimiento hacia arriba no es ilimitado, pues llegar un punto a partir del cual nos salgamos de la regin de factibilidad. Efectivamente, como se puede observar en la recta de Z = 1500 en la figura 3.5, todos los puntos pertenecientes a la recta estn por fuera de la regin de factibilidad. Estos puntos representan entonces soluciones infactibles, por lo cual no los consideraremos como alternativas para determinar la solucin ptima. Debemos encontrar una isocuanta que toque por ltima vez la regin factible. Esta es la recta que pasa por el punto G del polgono de factibilidad OFGB. Cualquier isocuanta que est por debajo de ella, contiene soluciones factibles pero con valores de Z menores, mientras que cualquier isocuanta, por encima de ella, representa soluciones con mayor valor de Z, pero que son infactibles. De esta manera hemos encontrado que la solucin ptima del modelo, se halla en el vrtice G del polgono de factibilidad. Para conocer las coordenadas del punto G, se resuelven

simultneamente las ecuaciones de las dos rectas que pasan por ese punto. Estas son las rectas de troquelado y de esmaltado. Veamos:

4X1 + 8X2 = 800 -24X1 - 8X2 = -2400 -20X1 = -1600

(1) + -4 x (2) (3) X1 = 80 sea X2 = 60

de (3) se concluye que y de (2) que X2 = (600 6(80))/2

Entonces el punto G(80,60) es el punto ptimo de la regin factible, por ser el punto que da el mayor valor de la funcin objetivo. Ese valor se calcula reemplazando los valores X1= 80 y X2 = 60 en la funcin objetivo, as: Z = 10(80) + 6(60) = 1160 Vectorialmente escribiremos la solucin ptima en la siguiente forma:

X1* X* = X2* =

80 ; Z* = 1160 60

El asterisco como superndice se usa para denotar optimalidad. Debe tenerse en cuenta que la solucin ptima esta indicada por el vector de valores de las variables de decisin, mientras el valor de Z* es la medida de eficiencia de esa solucin. Interpretacin de la solucin ptima Como se recuerda, el modelo para el cual acabamos de obtener la solucin ptima, se refiere a la mezcla de produccin de dos artculos que se fabrican mediante tres procesos: formado, corte y ensamble. Para la construccin del modelo, definimos dos variables que cuantificaran las unidades de cada tipo del artculo que se deban elaborar. Por lo tanto se interpreta la solucin obtenida, diciendo que con las utilidades unitarias dadas y considerando las limitaciones en los recursos, la mejor combinacin de actividades es producir 80 pares de zapatos para dama y 60 pares de zapatos para caballero, obteniendo de esta manera una utilidad total de 1160 pesos, que es la mxima posible. Holguras (slack)

Pero nos hace falta un anlisis importante, que se refiere a la contabilidad del uso de los recursos en la situacin prescrita por la solucin ptima. Efectivamente, si reemplazamos los valores de las variables en cada una de las restricciones, nos daremos cuenta de cmo se est consumiendo el recurso al que se refiere la restriccin; si total o parcialmente. En nuestro problema, los recursos se consumen en la siguiente forma: Formado: La restriccin es 4X1 + 8X2 800 minutos/da . Como 4(80) + 8(60) = 800 concluimos que se est consumiendo todo el recurso disponible. Corte: La restriccin es 4X1 + 3X2 600 minutos/da. Como 4(80) + 3(60) = 500, notamos que slo se consumiran 500 minutos en la operacin de corte, la cual tiene capacidad para 600 minutos. De esta forma, conocemos que en la situacin ptima, tendramos un sobrante o capacidad no utilizada de 100 minutos en la operacin de corte. Esta cantidad es una holgura en el recurso, la cual est ociosa, mientras no dispongamos de cantidades adicionales de los otros recursos, que s estn agotados, lo cual nos permitir producir ms artculos. Ensamble: La restriccin es 6X1 + 2X2 600 minutos/da. Se obtiene que 6(80) + 2(60) = 600; o sea que en el ptimo tambin estaramos consumiendo totalmente los minutos de la operacin de ensamble. Hemos identificado de esta manera una informacin adicional muy importante: Hay dos recursos que se estn utilizando totalmente, mientras en el otro hay un sobrante. Discutiremos un poco ms adelante, cmo aquellos recursos que se agotan en la situacin ptima, juegan un papel de gran importancia en el anlisis econmico de la solucin, ya que adquirir unidades adicionales de ellos nos permitir aumentar el valor de la funcin objetivo en cierta cantidad que llamaremos utilidad marginal (diferente para cada recurso). Basta decir por ahora que las limitaciones del tiempo de formado y ensamble son las que norman o definen el punto ptimo, siendo por lo tanto restricciones de gran importancia en el modelo. Como se dijo antes, si pudiramos disponer de ms tiempo en alguna o en todas esas operaciones, utilizaramos la holgura del corte, con lo cual obtendramos ms utilidad, como fruto del aumento en el nmero de artculos producidos. Restricciones activas y pasivas Cuando una restriccin realmente "restringe" o sea que el recurso se consume totalmente en el punto ptimo, se denomina restriccin activa. Aquella restriccin que no restringe, pues hay holgura u ocio en el recurso correspondiente, se conoce como restriccin pasiva. Para nuestro ejemplo encontramos ya que las restricciones de formado y ensamble son activas, mientras la de corte es pasiva. En forma grfica podemos identificar a las restricciones activas como aquellas que pasan por el punto ptimo y a las pasivas como aquellas que no pasan por el ptimo.

Las restricciones pasivas pueden ser: necesarias o redundantes. Geomtricamente identificamos a las restricciones pasivas necesarias, como aquellas que aunque no forman el punto ptimo s forman alguno de los lados del polgono de factibilidad. Las pasivas redundantes no forman parte de la regin de factibilidad, lo cual indica que no serian necesarias en el modelo del problema, motivo por el cual podran eliminarse. La redundancia puede ser de tipo geomtrico o de tipo analtico. Una restriccin pasiva es redundante geomtricamente cuando no toca la regin factible, estando alejada de ella, lo cual equivale a tener siempre una holgura asociada. En cambio la restriccin pasiva redundante analticamente es aquella que toca el polgono en uno de sus vrtices, indicando esto que la restriccin se puede expresar como una combinacin lineal de otras restricciones del modelo. Obsrvese que la determinacin de una restriccin como activa o pasiva se hace en referencia a la solucin ptima, mientras que el criterio para decir si es necesaria o redundante es la consideracin de toda la regin factible. Cuando estemos estudiando los mtodos analticos de solucin de los mtodos de P.L., aprenderemos a identificar las restricciones redundantes y decidir cuando pueden eliminarse. Ejemplo de clasificacin de las restricciones: Consideremos el siguiente modelo de P.L.: Max: Z = 30X1 + 20X2 Sujeta a: 3X1 + 4X2 18 (1) -4X1 + 2X2 4 (2) 3X1 - 2X2 6 (3) 8X1+3X2 24 (4) - 10X1 + 10X2 25 (5) -1X1 + 2X2 8 -14X1 +12X2 29 con X1, X2 0 En la figura 3.6 aparece su solucin grfica. El punto ptimo se halla en el vrtice B, en el cual, se cortan las rectas de las restricciones (1) y (4):

X1* X* = X2* =

1.83 ; 3.13 Z* = 117.39

Figura 3.6

La grafica muestra que las restricciones (1) y (4) son activas y las dems pasivas. Pero las restriccines (2), (3) y (5) son pasivas necesarias, mientras la (6) y la (7) son pasivas redundantes, siendo redundante geomtricamente la nmero (6) y analticamente la nmero (7). Efectivamente, se puede obtener la restriccin (7), sumando las restricciones (2) y (5). Problema ejemplo No 2: Un problema de minimizacin Con el fin de que conozcamos otros aspectos del mtodo grfico, vamos a resolver enseguida un modelo cuyo objetivo es minimizar el valor de la funcin Consideremos el siguiente modelo: Minimizar: Z = -4X1 - 2X2 s.a. -1X1 + 1X2 10 6X1 +10X2 120 3X1 - 5X2 30 (1) (2) (3)

con X1, X2 0 La solucin grfica aparece en la figura 3.7, construida tomando nuevamente a X1 en el eje horizontal y X2 en el eje vertical. Los intersectos de las restricciones y de la funcin objetivo, se han registrado en las dos tablas siguientes:

Rest (1) (2) (3) X1 0 -10 0 20 0 10 X2 10 0 12 0 -6 0 Intersectos de las restricciones Z -12 -24

10

X1 0 3 0 6 X2 6 0 12 0 Intersectos de la funcin objetivo

Se nota que el semiplano correspondiente a la tercera restriccin es el que est por encima de ella, a pesar de que esta es del tipo menor o igual. Lo anterior nos aclara la creencia errnea de que el semiplano generado por una restriccin del tipo menor o igual es el que est por debajo de la recta y el generado por una restriccin del tipo mayor o igual es el que se halla por encima de la recta. El criterio que siempre usaremos (excepto en una recta que pase por el origen) es el de chequear si el origen pertenece o no al semiplano. Observamos que la regin factible es el polgono OABCD formado por las tres rectas y los dos ejes. Para determinar el punto ptimo, trazamos la isocuanta para Z = -12 y luego para Z = -24, encontrando que la segunda est ms arriba que la primera. Como se desea hallar el mnimo valor de Z, debemos movernos hacia la derecha, hasta que la isocuanta se salga de la regin factible. Esto ocurre en el vrtice B del polgono, en el cual estar el mnimo valor para la funcin del objetivo. Debe tenerse en cuenta que el movimiento de la isocuanta no siempre es hacia abajo para minimizacin y hacia arriba para maximizacin, ya que ello depende del anlisis correspondiente a la direccin de mejora de la funcin objetivo.

EL TEOREMA DEL PUNTO EXTREMO-SOLUCIN PTIMA Habamos mencionado que el principal objetivo al estudiar el mtodo grfico en actividades, era la facilidad que nos ofrece para conocer intuitivamente dos de los temas claves de la P.L., que son: el teorema del punto extremo-solucin ptima y el mtodo simplex. Como hemos podido observar en los dos ejemplos resueltos, la regin de soluciones posibles de un modelo con dos variables es un polgono, mas exactamente un polgono convexo. Puede demostrarse (ac lo hemos comprobado con dos ejemplos particulares), que lo anterior es una caracterstica general para los problemas de P.L. En efecto, la regin de factibilidad de todo problema de P.L., en ms de dos dimensiones, es un poliedro convexo. Mas adelante veremos que, como casos especiales, algunos problemas presentan regiones de factibilidad no acotadas en algn sentido y otros tienen conjunto vaco de soluciones posibles

10

11

Cada vrtice del polgono (o poliedro) de factibilidad se llama punto extremo y los puntos que pertenecen a las lneas que forman los lados se conocen como puntos frontera. Dos puntos extremo son adyacentes si la recta que los une es una frontera o lado del espacio de soluciones. Hemos observado tambin en los dos ejemplos considerados, que la solucin ptima se encuentra en uno de los puntos extremo. Es lgico que as fuera, puesto que el movimiento de la isocuanta en la direccin de mejora, se efecta lo mximo posible hasta que toque un ltimo punto de la regin factible; y ese punto deber ser un vrtice. Sin embargo, en algunas ocasiones lo ltimo que se toca no es un punto, sino toda una recta o lado del polgono, situacin que analizaremos en forma detallada ms adelante (Piense en cuales situaciones se presenta esto). Apoyados en los conceptos descritos y en el conocimiento adquirido al solucionar los dos problemas, podemos ya formular el siguiente teorema, cuya demostracin presentaremos en el apndice. Teorema: Si un problema de P.L. tiene solucin ptima, esta se encuentra en uno de los puntos extremo o en una de las lneas que una dos puntos extremo adyacentes de la regin de factibilidad. Podemos utilizar este teorema para determinar la solucin ptima del modelo de los dos problemas previamente resueltos. Para ello, calculamos las coordenadas de todos los puntos extremo y su respectivo valor de Z, comparando estos valores para determinar el valor ptimo y la correspondiente solucin ptima. Para el primer problema, tabulamos enseguida los puntos extremo de la regin de factibilidad y su correspondiente valor de la funcin objetivo. Las coordenadas se obtienen resolviendo simultneamente las ecuaciones de las rectas que forman el punto.

Punto extremo O F G* B

Coordenadas (solucin factible) (0,0) (100,0) (80,60) (0,100)

Valor de la funcin objetivo 0 1000 1160 600

Verificamos que efectivamente el mximo valor de la funcin objetivo se obtiene en el punto G(80,60).

11

12

De la misma manera, podemos listar los puntos extremo de la regin de factibilidad del problema de minimizacin, en donde tambin verificamos que la solucin ptima es la dada por el vrtice B, cuyas coordenadas son (3,1)

Punto extremo O A B* C D

Coordenadas (solucin factible) (0,0) (10,0) (15,3) (1.25,11.25) (0,10)

Valor de la funcin objetivo 0 -40 -66 -27.5 -20

Como lo pudimos comprobar, este teorema nos permite obtener la solucin ptima de un problema de P.L., de una manera relativamente rpida y sencilla, puesto que en lugar de estudiar el infinito nmero de soluciones posibles, basta con buscarla entre el nmero finito de puntos extremo. En la discusin efectuada hasta el momento hemos listado todos los puntos extremo y los hemos comparado para determinar el ptimo. En captulos siguientes conoceremos el algoritmo del mtodo smplex, en el cual no es necesario evaluar todos los puntos extremo pues el algoritmo es un proceso repetitivo que va comparando un punto extremo nicamente con sus adyacentes para determinar cual de los dos conduce a un mejor valor de la funcin objetivo. El que resulte con mejor valor se toma como el punto extremo de referencia para comparar de nuevo con sus adyacentes. El proceso se inicia tomando cierto punto extremo como solucin inicial mejor y efectuando repetidamente como se acaba de decir, la comparacin del mejor punto hasta el momento con sus puntos extremos adyacentes, hasta el momento en que no sea posible hallar un punto que tenga mejor valor de la funcin objetivo, que el obtenido con el punto actual. En este punto que no puede mejorarse se halla la solucin ptima del modelo.

TIPO DE LA SOLUCIN DE UN PROBLEMA DE PROGRAMACIN LINEAL Como se dijo al iniciar el tema del mtodo grfico, una de sus ventajas es la de permitirnos conocer en forma sencilla, los diferentes tipos de solucin que podemos encontrar al resolver un modelo de programacin lineal. Aprenderemos a reconocer cundo la solucin de un modelo es de alguno de los posibles tipos que pueden presentarse, a saber : ptima nica, ptima mltiple, ptima infinita o ilimitada, infactible , inexistente. 1. Solucin ptima nica:

12

13

Una solucin es ptima nica, cuando tanto las variables como la funcin del objetivo toman valores finitos, existiendo una sola combinacin de valores de las variables que optimiza el valor de la funcin objetivo. Los dos modelos resueltos en este captulo tienen solucin ptima nica. Este es el tipo de solucin que generalmente se presenta en los problemas reales de Programacin Lineal. El siguiente modelo tiene solucin ptima nica: Maximizar: Z = 3X1 + 4X2 4X1 + 2X2 4 (1) 1X1 + 3X2 9 (2) 7X1 + 2X2 28 (3) con X1, X2 0

Sujeta a:

figura 3.8

X1 X2

(1) 0 1 2 0

(2) 0 9 3 0

(3) 0 4 14 0

La solucin grfica del modelo aparece en la figura 3.8, en donde, se ha determinado que C es el punto ptimo, mediante la enumeracin y comparacin de los puntos extremo. Ntese tambin que la recta genrica de la funcin objetivo se desplaza hasta tocar como ltimo punto al punto ptimo C.

13

14

Punto A B C* D E

Coordenadas (X1,X2) (1,0) (4,0) (3.47,1.84) (0,3) (0,2) Puntos extremo

Funcin objetivo 3 12 17.8 12 8

2.

Solucin ptima mltiple:

Cuando al mover la isocuanta en su direccin de mejora, su ultimo contacto con la regin de factibilidad no es un punto, sino toda una lnea, sea uno de los lados del polgono (poliedro); entonces todos los puntos que estn sobre la recta son soluciones optimas del modelo. Como una recta tiene un numero infinito de puntos, hemos encontrado un numero infinito de soluciones optimas equivalentes. De otra manera se dice que el modelo tiene soluciones ptimas alternativas La solucin ptima mltiple no es tan frecuente en la prctica como la solucin optima nica. Si realmente encontramos este tipo de solucin, tendramos una gran flexibilidad para tomar la decisin, puesto que con diferentes valores de las variables, podemos obtener el mismo valor de la funcin objetivo, pudiendo de esta manera escoger la solucin que ms nos convenga en un momento determinado, en consideracin a otros factores no cualitativos del problema. Como ilustracin, consideremos el siguiente modelo:

Maximizar: Z = 14X1 + 6X2 s.a. 3X1 + 5X2 15 8X1 - 12X2 12 7X1 + 3X2 14 con X1, X2 0 como se observa en la grafica, al desplazar la isocuanta, el ltimo contacto con la regin factible es la recta BC. Esto indica que la solucin ptima es mltiple ya que todos los puntos sobre la recta dan el mismo valor de la funcin objetivo, que es el mximo posible. Ntese que igualmente al elaborar la tabla de los puntos extremo, hallamos que los puntos adyacentes B y C presentan el mismo valor de la funcin objetivo. (1) (2) (3)

14

15

Figura 3.9

X1 X2

(1) 0 5 3 0

0 -1

(2) (3) 1.5 0 2 0 4.66 0

Punto O A B* C* D

Coordenadas (X1,X2) (0,0) (1.5,0) (1.89,0.26) (0,3) Puntos extremos

Funcin objetivo 0 21 28* 18

Vectorialmente podemos demostrar que cualquier combinacin lineal convexa de los puntos B y C, ser un punto de la recta BC y representar tambin una solucin ptima. El nmero infinito de soluciones ptimas se expresa como:

X1* X = X2*
*

8 3

+ (1- )

6 ; Z* = 60 6

Con 0 1 Advirtase que la funcin objetivo es paralela a la primera restriccin. Efectivamente, una condicin necesaria, pero no suficiente para que se presente solucin optima posible, es que la funcin objetivo sea paralela a una de las restricciones o a una combinacin lineal de las mismas. 3. Solucin ilimitada:

Se presenta solucin ilimitadamente ptima, o simplemente solucin ilimitada, cuando una o ms variables y la funcin objetivo toman un valor ilimitado, cumpliendo con las restricciones estructurales. Cuando se obtiene solucin ilimitada, es debido a una de las siguientes causas:

15

16

a. b. c.

Omisin de una o ms restricciones. Fallas en la formulacin. Errores en el valor de los parmetros.

De manera que ningn problema real de programacin lineal tiene este tipo de solucin y cuando se presenta es porque se ha cometido alguno de los errores descritos. Consideremos el siguiente modelo: Maximizar: Z = 10X1 + 5X2 s.a. -3X1 + 4X2 12 X1 - 2X2 2 X1 + 2X2 8 con X1, X2 0 Cuya grfica aparece en la figura. Ntese que la grafica de la regin factible es abierta por encima, y como la direccin de mejora de la funcin objetivo es hacia arriba, se concluye que esta crecer indefinidamente, pues no encuentra un tope en su crecimiento. De esta manera, las variables X1 y X2, as como la funcin objetivo tendrn un valor infinito. Figura 3.10 (1) (2) (3)

X1 X2

(1) 0 2 2 0

(2) 0 -2/3 2 0

(3) 0 -3 3 0

(4) 0 2 -2 0

16

17

La existencia de una regin ilimitada es condicin necesaria pero no suficiente para que tengamos solucin ilimitada, ya que la direccin de mejora de la funcin objetivo puede ser en el sentido contrario a aquel en donde esta abierta la regin de factibilidad.

4.

Solucin infactible:

Consideremos el siguiente modelo: Maximizar: Z = 2X1 + 3 X2 s.a. 1X1 - 4X2 4 1X1 - 1 X2 3 1X1 + 1 X2 1 con X1, X2 0 En la grafica observamos que la regin de puntos que cumplen todas las restricciones no cumplen la condicin de no negatividad de las variables. En este caso se puede decir que el modelo tiene solucin matemtica, pero no tiene una solucin real ya que los puntos que cumplen las restricciones, tienen una o ms componentes negativas. Figura 3.11 (1) (2) (3)

X1 X2

(1) 0 -1 -1 0

(2) 0 -4 -2 0

(3) 0 3 -4 0

Se dice que un problema de programacin lineal tiene solucin infactible, cuando no pueden encontrarse soluciones que adems de cumplir con las restricciones estructurales, cumplan con la condicin de no negatividad de las variables. Geomtricamente, esto implica que la regin de los puntos que cumplen todas las restricciones se halla fuera del primer cuadrante (primer ortante para ms de dos dimensiones).

17

18

Al igual que la solucin ilimitada, no es normal que un problema real de P.L., tenga este tipo de solucin. Su aparicin se debe a errores tales como: a. Hay restricciones en conflicto, sea que ellas no pueden satisfacerse simultneamente. Fallas en la modelacin. Errores en los valores de los parmetros.

b. c.

5.

Inexistencia de una solucin:

La ltima situacin que puede presentarse, durante la solucin de un problema, es que este no tenga ninguna solucin. Se presenta el caso cuando no pueden hallarse puntos que cumplan las restricciones tecnolgicas. Cuando se tiene esta solucin, puede ser debido a alguna de las siguientes causas: a. b. c. Fallas en la formulacin. Errores en los parmetros. Hay restricciones en conflicto.

Consideremos el siguiente modelo: Maximizar: Z = 4X1 + 7X2 s.a. -2X1 + 3X2 6 3X1 + 2X2 9 -5X1 + 1X2 5 con X1, X2 0 (1) (2) (3)

18

19

Su representacin se muestra en la siguiente figura:

Figura 3.12

X1 X2

0 2

(1) 2 0

(2) 0 4 4 0

(3) 0 1 -1 0

Se observa que la regin de factibilidad es un espacio vaco, pues ningn punto cumple simultneamente con las restricciones estructurales. A veces se denomina tanto a la solucin infactible como a la inexistente con el nombre genrico de solucin inconsistente. Cuando estudiemos los mtodos analticos para solucionar el problema de P.L., aprenderemos como identificar a cada uno de estos tipos de solucin, y enfatizaremos algunas diferencias conceptuales entre ellos.

19