Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ALUMNO : Aponte Gonzales Alejandro Garcia cueva Luigi Castro Cuya Lincoln PROFESOR: Dr Carlos Agreda Urriate
2012
Introduccin
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades.
PROGRAMACIN LINEAL
1. HISTORIA DE LA PROGRAMACIN LINEAL Origen de la programacin lineal En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas funciones. Posteriormente el matemtico frnces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente llamamos programacin lineal y la potencialidad que de ellos se deriva. La contribucin ms importante de Fourier fue la idea de que cualquier funcin, y = f(x), puede representarse por una serie de la forma: y = a0/2 + a1cosx + a2cos2x +...+ancosnx+ ... b1senx +b2sen2x+...+bnsennx en la que a0 = 1/p f(x)dx y an = 1/p f(x)cosnxdx Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se interes por problemas de este gnero, debemos remontarnos al ao 1939 para encontrar nuevos estudios relacionados con los mtodos de la actual programacin lineal. En este ao, el matemtico ruso LeonodasVitalyevich Kantarovitch publica una extensa monografa titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que por primera vez se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida llamada, conocida hoy como programacin lineal . Koopmans y Kantorovich compartieron el Premio Nobel por sus contribuciones a la teora de la ptima asignacin de recursos. Si bien sus aportes no corresponden estrictamente al campo de la microeconoma, cabe citarlos, ya que los mtodos desarrollados por ellos, como la programacin lineal, tienen aplicacin en microeconoma. En 1941-1942 se formula por primera vez el problema de transporte, estudiado independientemente por Koopmans y Kantarovitch, razn por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el nombre de rgimen alimenticio optimal En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por los modelos de optimizacin que resuelve la programacin lineal. Muchos expertos en la materia situan los origenes sus origenes en la Segunda Guerra Mundial.
Despliegue de radares. Manejo de operaciones de bombardeo, Colocacin de minas etc. Grupos de trabajo interdisciplinares (matematicos, estadsticos, fisicos, bilogos, y psicologos) en las administraciones britnica y norteamericana. Primeros xitos:Batalla Area Britnica, Batalla del Atlntico Norte, Campaa de las islas del Pacfico. Tras la guerra, estos xitos atrajeron la atencin de la industria que en ese momento tena varios problemas: Aumento de la complejidad de los procesos industriales. Mayor especializacin en los mismos Existieron otros factores que contribuyeron al avance de esta ciencia en este perodo : Mejoras sustanciales que se obtenan al desarrollar y perfeccionar las tcnicas de investigacin Operativa.
Desarrollo paralelo de los ordenadores, Aumento de la capacidad de almacenamiento de datoseIncremento de la velocidad de resolucin de los problemas En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programacin lineal. Dantzig, junto con una serie de investigadores del UnitedStatesDepartament of Air Force, formaran el grupo que dio en denominarse SCOOP (ScientificComputation of OptimumPrograms).
2. CONCEPTO Y OBJETIVOS Es una tcnica matemtica y de investigacin de operaciones que se utiliza en la planificacin administrativa y econmica para maximizar las funciones lineales de un gran nmero de variables sujetas a determinadas restricciones. El nombre de programacin lineal no procede de la creacin de programas de ordenador, sino de un trmino militar, programar, que significa realizar planes o propuestas de tiempo para el entrenamiento, la logstica o el despliegue de las unidades de combate. En s, se llama programacin lineal al conjunto de tcnicas matemticas que pretenden resolver la siguiente situacin: Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias variables, sujeta a una serie de restricciones, expresadas por inecuaciones lineales.
En trminos econmicos Thierauf define a la programacin lineal como un mtodo de asignacin de recursos limitados en forma total q se satisfagan las leyes de oferta y demanda para los productos de la empresa.
3. DEFINICIONES PREVIAS En un problema de programacin lineal intervienen: La funcin f(x,y) = ax + by + c llamada funcin objetivo y que es necesario optimizar. En esa expresin x e y son las variables de decisin, mientras que a, b y c son constantes.
Las restricciones que deben ser inecuaciones lineales. Su nmero depende del problema en cuestin. El carcter de desigualdad viene impuesto por las limitaciones, disponibilidades o necesidades, que son: inferiores a ... ( menores: < o); como mnimo de ... (mayores: > o ) . Tanto si se trata de maximizar como de minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos.
Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se lo denomina conjunto (o regin factible). Todo punto de ese conjunto puede ser solucin del problema; todo punto no perteneciente a ese conjunto no puede ser solucin.
4. FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Z = valor de la medida global de efectividad. Xj = nivel de la actividad j (para j = 1,2,...,n). Cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j. bi = cantidad de recurso i disponible para asignar a las actividades (parai = 1,2,...,m). aij = cantidad del recurso i consumido por cada unidad de la actividad j.
5. ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL 1. Funcin objetivo. Consiste en optimizar el objetivo que persigue una situacin la cual es una funcin lineal de las diferentes actividades del problema, la funcin objetivo se maximizar o minimiza. 2. Variables de decisin. Son las incgnitas del problema. La definicin de las variables es el punto clave y bsicamente consiste en los niveles de todas las actividades que pueden llevarse a cabo en el problema a formular. 3. Restricciones Estructurales. Diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo, dichas restricciones pueden ser de capacidad, mercado, materia prima, calidad, balance de materiales, etc.
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de PL. En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin que se desea maximizar, c1x1 + c2x2 +... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 + ai2x2 +... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De manera parecida, las restricciones xj 0 se llaman restricciones de no negatividad. Las variables xjson las variables de decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.
Ejemplo Una compaa posee dos minas: la mina A produce cada da 1 tonelada de hierro de alta calidad, 3 toneladas de calidad media y 5 de baja calidad. La mina B produce cada da 2 toneladas de cada una de las tres calidades. La compaa necesita al menos 80 toneladas de mineral de alta calidad, 160 toneladas de calidad media y 200 de baja calidad. Sabiendo
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES que el coste diario de la operacin es de 2000 euros en cada mina cuntos das debe trabajar cada mina para que el coste sea mnimo? Solucin Organizamos los datos en una tabla: das Mina A Mina B x y Alta calidad Calidad media 1x 2y 80 3x 2y 160 Baja calidad 5x 2y 200 Coste diario 2000x 2000y
La regin factible la obtenemos dibujando las rectas auxiliares: r1 x + 2y=80, r2 3x + 2y= 160 y r3 5x + 2y=200 en el primer cuadrante y considerando la regin no acotada que determina el sistema de restricciones:
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES Los vrtices son los puntos A(0, 100), B(20, 50), C(40, 20), D(80, 0), que se encuentran al resolver el sistema que determinan dos a dos las rectas auxiliares y (y que estn dentro de la regin factible). r1 r2 r2 r3 que nos da el punto (40, 20) (comprobarlo) que nos da el punto (20, 50)
r1 r3 no hace falta calcularlo pues queda fuera de la regin factible. En la grfica se aprecia que el primer punto que se alcanza al desplazar la recta C(x, y)=0 es el (40, 20). Luego la solucin es trabajar 40 das en la mina A y 20 en la B. (mtodo grfico) Lo comprobamos aplicando el mtodo analtico: C(0, 100)=2000.100=200000 C(20, 50)=2000.20+2000.50=40000 + 100000= 140000 C(40, 20)= 2000. 40+2000.20=80000 + 40000= 120000 coste mnimo C(80, 0)= 2000.80 =160000
METODO ALGEBRAICO
PASOS PARA UTILIZAR EN METODO ALGEBRAICO Dado que tenemos un problema de dos variables, podemos graficar las soluciones posibles y comprender algunos puntos interesantes respecto a las relaciones lineales. Veremos la siguiente manera de obtener grficamente las soluciones al problema planteado y luego veremos cmo obtenerlas algebraicamente. 1. Exprsense los datos del problema como una funcin objetivo y restricciones. 2. Graficar las restricciones. 3. Definir el conjunto factible. 4. Encontrar la solucin ptima A continuacin se presentan el anlisis algebraico y grafico de algunos problemas de programacin lineal:
METODO SIMPLEX
El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo algebraico que se utiliza para resolver problemas de programacin lineal en un nmero finito de pasos en una
Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 2x + 3y 3x + y x 0,y Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 18 42 24 0
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin X h s d Z 2 2 3 -3 y 1 3 1 -2 h 1 0 0 0 s 0 1 0 0 d 0 0 1 0 18 42 24 0
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado).
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes puede salir de la base.
C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 3 - Coeficiente 2 2 x x 0 1 0 - - 2 2 2 x x x 42 2 x
0 7/3 0 1 -2/3 26
Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin x h s x Z 0 0 1 0 y 1/3 7/3 1/3 -1 h 1 0 0 0 s 0 1 0 0 d -2/3 -2/3 1/3 1 2 26 8 24
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin X y s x Z 0 0 1 0 y 1 0 0 0 h 3 -7 -1 3 s 0 0 0 0 d -2 4 1 -1 6 12 6 30
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin X y d x Z 0 0 1 0 y 1 0 0 0 h -1/2 -7/4 -3/4 5/4 s 0 0 0 0 d 0 1 0 0 12 3 3 33
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice
INTRODUCCIN A LA INVETIGACIN DE OPERACIONES donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma ax - by - c y estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos
Interpretacin geomtrica del mtodo del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Contina haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrticeE(0,14), su valor no supera 33.
MAQUINA
VELOCIDAD DE MQUINA(m/h) 18 15 17
Se sabe que como mximo el presupuesto para alquiler diario debe ser $1400 Adems como mximo el tiempo muerto debe ser 2 horas Los suma de horas de trabajo de todas las maquinas al da debe ser no mayor a 19 horas SOLUCIN: Planteo del modelo Z = 18X1 + 15X2 + 17X3 75X1 +65X2 + 70X3 1400 X1 +X2 + X3 20 0.06X1 + 0.07X2 + 0.08X3 2
Agregando variables de holgura Z 18X1 15X2 17X3 = 0 75X1 +65X2 + 70X3 +S1 = 1400 X1 +X2 + X3 + S2 = 19 0.06X1 + 0.07X2 + 0.08X3 + S3 = 2
Tablero Simplex Primera solucin factible X1 = 0 X2 = 0 X3 = 0 base Z X1 X2 Z 1 -18 -15 S1 0 75 65 S2 0 1 1 S3 0 0.06 0.07 Variable entrante : X1 Variable saliente : S1 Pivot: 75 base Z X1 S2 S3 Z 1 0 0 0 X1 0 1 0 0 X2 3/5 13/5 2/5 9/500 X3 -1/5 14/15 1/15 3/125 S1 18/75 1/75 -1/75 8/10000 S2 0 0 1 0 S3 0 0 0 1 SBF 336 56/3 1/3 22/25 Razon 20 5 36.67
S1 0 1 0 0
S2 0 0 1 0
S3 0 0 0 1
SBF 0 1400 19 2
Variable entrante: X3 Variable saliente: S2 Pivot: 1/15 base Z X1 Z 1 0 X1 0 1 X2 1 -1 X3 0 0 S1 1/5 1/5 S2 3 -14 S3 0 0 SBF 337 14 Razon
36.67
Conclusiones
Solucin ptima factible es: X1 =14; X2 = 0; X3 = 5; S1 = 0; S2 = 0; Por tanto: Z = 337 es el ptimo.
S3 = 19/25
Estos resultados nos indican que para optimizar la cantidad de metros perforados diariamente la mquina BE 49R debe trabajar 14 horas, la mquina trabajara IR DDM2 y por ltimo la maquina T1600 trabajara 5 horas. Con estos resultados alcanzaremos el mximo nmero de metros perforados diariamente.
Bibliografa
http://thales.cica.es/rd/Recursos/rd98/Matematicas/29/matematicas-29.html Hiller F. Y G. Lieberman Introduccin a la investigacin de operaciones. McGraw Hill (5 edicin). www.monografias.com/trabajos6/proli/proli.shtml
Investigacin de Operaciones. Aplicaciones y algoritmos Wayne L. Winston. Thomson. 2004 Introduccin a la Investigacin de Operaciones Frederick S. Hillier, Gerald J. Lieberman McGraw-Hill. 2006 Investigacin de Operaciones Hamdy A. Taha Prentice Hall. 1997