Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MODELOS DE OPTIMIZACION*
Gonzalo Edwards **
Trabajo Docente N 57
Marzo, 1994
* Este trabajo es una publicacin conjunta del Instituto de Economa (Trabajo Docente N 57), y de
INDICE
Pgina
CAPITULO 1:
INTRODUCCION AL PROCESO DE
OPTIMIZACION
CAPITULO 2:
PROGRAMACION MATEMATICA:
ALGUNOS CONCEPTOS BASICOS
15
CAPITULO 3:
23
CAPITULO 4:
30
CAPITULO 5:
35
CAPITULO 6:
SUFICIENCIA DE CONDICIONES DE
KUHN-TUCKER
52
CAPITULO 7:
PROBLEMAS ADICIONALES DE
PROGRAMACION NO LINEAL
65
CAPITULO 8:
PROGRAMACION LINEAL:
INTRODUCCION
79
CAPITULO 9:
PROGRAMACION LINEAL Y EL
COMPUTADOR
93
CAPITULO 10:
PROBLEMAS ADICIONALES DE
PROGRAMACION LINEAL
107
CAPITULO 11:
VARIABLES BINARIAS
128
REFERENCIAS
157
NOTA INTRODUCTORIA
El propsito de este trabajo es servir de material complementario para aquellos
cursos que persiguen formar la capacidad de modelamiento matemtico en las reas de
economa y administracin.
El texto presenta el instrumental matemtico utilizado en el anlisis de
optimizacin de manera comprensible, tratando de desarrollar la intuicin, sin mayor
nfasis en el rigor formal. Por otra parte, el nfasis no est en la solucin de problemas
de optimizacin claramente definidos, sino que en el planteamiento de los mismos.
Para desarrollar la capacidad de plantear problemas se presentan en el texto
numerosos ejemplos, a la vez que se proponen, al final de cada captulo, problemas
adicionales para la ejercitacin del alumno.
El trabajo puede dividirse en tres partes: Programacin No Lineal, donde lo
principal es el planteamiento de problemas y la comprensin de las condiciones de
Kuhn-Tucker. La segunda parte, de Programacin Lineal, que es un caso particular de
Programacin No Lineal, presenta mltiples ejemplos de este tipo de modelos,
destacando los anlisis grficos y los problemas de planteamiento. En esta parte, se
hace uso de programas computacionales tales como el LINDO y el QSB+. Por ltimo,
en la tecera parte, se enfatizan los problemas que requieren en su planteamiento el uso
de variables binarias.
Se debe destacar que se han dejado fuera varios temas en las reas descritas
por razones de espacio y tiempo que en todo caso estn bien tratados en otros libros.
Entre estos temas excluidos se encuentran: a) El dual; b) El mtodo Simplex de
Programacin Lineal y otros algoritmos de solucin de distintos tipos de problemas de
Programacin Matemtica. Asimismo, se ha decidido excluir los problemas de
optimizacin en condiciones de incertidumbre, y los problemas de optimizacin
dinmica.
Por ltimo, como este trabajo surge de mis apuntes de clase en el
Departamento de Economa Agraria y en la Facultad de Ciencias Econmicas y
Administrativas de la Pontificia Universidad Catlica de Chile durante los ltimos diez
aos, quiero agradecer, aunque no recuerde sus nombres, a todos los alumnos que he
tenido y en especial a todos los ayudantes. De manera particular, deseo agradecer a
Guillermo Donoso, Frantz Kroeger, Oscar Melo, Guillermo Ortiz, Sol Reyna y Mara
Isabel Vial.
Modelos de Optimizacin
CAPITULO 1
INTRODUCCION AL PROCESO DE OPTIMIZACION
El objetivo principal de este texto es aprender a plantear y resolver problemas de
optimizacin. Para lograr este objetivo es conveniente expresar el problema de optimizacin
tpico en trminos de las siguientes etapas:
Entendimiento del Problema: Esta etapa consiste en entender las caractersticas esenciales
del problema. Si bien esta etapa puede parecer obvia, muchas veces el problema radica
justamente en el hecho que el problema no se entiende. En general, esta etapa no se expresa
en lenguaje matemtico.
Definicin de Variables: Las variables en juego deben ser definidas en forma clara. Por
ejemplo, cuando se define una variable X como tomates, debe quedar claro si se refiere a
kilos de tomates, hectreas de tomates, etc.
Definicin de Funcin Objetivo: Esta etapa consiste en definir, en trminos matemticos,
qu se quiere lograr. Por ejemplo, el objetivo puede ser maximizar ganancias, minimizar
costos, minimizar el riesgo de quiebra, etc.
Definicin del Conjunto de Restricciones: Esta etapa consiste en definir, nuevamente en
trminos matemticos, el espacio de lo posible. Por ejemplo, cuntas hectreas se pueden
sembrar como mximo con los distintos cultivos? de cunto dinero se dispone para llevar a
cabo la empresa? qu capacidad se tiene para manejar inventarios? etc.
Cabe advertir que muchas veces esta etapa se confunde, erradamente, con la etapa de
bsqueda de la solucin. El conjunto de restricciones se refiere al espacio de lo posible y no
a un espacio restringido donde se espera que est el ptimo. Si bien muchas veces puede
parecer preferible trabajar con un espacio ms restringido para encontrar la solucin, en la
prctica es comn que dichas restricciones dejen de hecho fuera del espacio a la verdadera
solucin ptima, sobre todo en problemas complejos.
Bsqueda de Solucin: Esta etapa representa el problema matemtico propiamente tal. Las
etapas anteriores se refieren al problema de planteamiento del problema en trminos
matemticos, mientras que esta etapa se refiere a la bsqueda del valor o de los valores de las
variables que optimizan la funcin objetivo dentro del conjunto de valores posibles que stas
pueden tomar.
Interpretacin de Resultados: Esta etapa, que parece obvia, muchas veces es
olvidada por los analistas. Un modelo no entrega resultados. Es el analista quien
se debe hacer responsable de los mismos y entregarlos. Por ejemplo, si los
Trabajo Docente N 57
8.
1.
2.
3.
4.
5.
6.
Los costos variables por hectrea, sin contar la mano de obra, son de 50.000
pesos en el caso del trigo y 35.000 pesos en el caso de los porotos.
7.
Modelos de Optimizacin
3.000 x 60 x T + 4.000 x 40 x P
T, P =
CT =
Funcin Objetivo
El problema son las restricciones. Como slo se cuenta con 120 hectreas, debe
cumplirse que:
T + P 120
Restriccin 1
Por otra parte, como se cuenta slo con 300 jornadas tractor como mximo, se debe
cumplir que:
3T + 5P 300
Restriccin 2
Trabajo Docente N 57
T 0, P 0
Restricciones de no negatividad
Y1 = X10,7
Y2 = X10, 2 X 02,8
Modelos de Optimizacin
Trabajo Docente N 57
sujeto a:
2(X11 + X12) + 3 X2 150
0, 7
0, 2
X 11
0,3 X 12
X 02,8
X11, X12, X2 0
Planteamiento 2:
Maximizar
10 Y1 + 15 Y2 - 2 (X11 + X12) - 3 X2
sujeto a:
2(X11 + X12) + 3 X2 150
Y1 0,3 Y2
0,7
Y1 = X11
0, 2
Y2 = X 12
X 02,8
X11, X12, X2, Y1, Y2 0
Modelos de Optimizacin
Ejemplo 1.3:
En un feedlot de engorda de novillos, se ha decidido alimentarlos con heno de
alfalfa y maz grano, que cuestan 8 y 12 pesos por kilo respectivamente. El heno
tiene, por kilo, 1,8 mkcal, 160 gramos de protena, 20 gramos de calcio y 160
gramos de fsforo. A su vez, el maz tiene 3 mkcal, 90 gramos de protena, 3
gramos de calcio y 2 gramos de fsforo por kilo. Los requerimientos de cada
novillo por da son de 12 mkcal, 1,2 kilos de protena, 100 gramos de calcio y 50
gramos de fsforo.
El problema es plantear un modelo de optimizacin que, una vez resuelto, permita
minimizar el costo de engorda diario por novillo suponiendo que por razones
tcnicas, la relacin calcio:fforo debe estar entre 1:1 y 2:1.
Definiendo H y M como las cantidades, en kilos, de heno y maz respectivamente,
el problema se puede plantear como sigue:
Minimizar f (H,M) = 8H + 12 M
sujeto a:
1,8 H + 3 M 12
160 H + 90 M 1,2
20 H + 3 M 100
160 H + 2 M 50
cantidad de calcio
1 cantidad de fsforo
H, M 0
(caloras)
(protenas)
(calcio)
(fsforo)
20 H + 3 M
= 160H+ 2 M
Ejemplo 1.4:
Se dispone de 50 unidades de un bien para vender en 2 mercados independientes.
En cada mercado, las demandas estn dadas por las ecuaciones P1 = 40 - X1 y P2
= 50 - 2 X2, donde Pi representa el precio de venta unitario en el mercado i, y Xi
la cantidad vendida en dicho mercado. El problema es plantear el problema de
optimizacin correspondiente.
Las variables de decisin en este caso son las cantidades que se deben enviar a
los distintos mercados. El problema se puede plantear de cualquiera de las
siguientes formas:
Trabajo Docente N 57
Planteamiento 1:
Maximizar P1 X1 + P2 X2
sujeto a:
X1 + X2 50
P1 = 40 - X1
P2 = 50 - 2 X2
P1, P2, X1, X2 0
Planteamiento 2:
Maximizar (40 - X1 ) X1 + (50 - 2X2 ) X2
sujeto a:
X1 + X2 50
X1, X2 0
El segundo planteamiento reemplaza las ecuaciones de demanda en la funcin objetivo.
Cabe sealar que ambos planteamientos no son equivalentes desde el punto de vista
matemtico. La razn es que en el segundo planteamiento, si bien se sustituyen los
precios en la funcin objetivo, no se sustituyeron en las restricciones de no negatividad
originales (P1 0, P2 0).
Dicho de otra forma, al segundo planteamiento falt agregar:
40 - X1 0
50 - 2X2 0
Ejemplo 1.5:
Ud. es dueo de una planta agroindustrial que produce tomates, peras y duraznos en
conserva. Ud. debe planificar la produccin del prximo mes de tal forma de
maximizar los ingreso netos.
Los costos de materia prima son 10, 15 y 20 pesos por kilo en los 3 productos
respectivamente si se abastece del abastecedor A y 15, 20 y 10 pesos por kilo si se abastece
Modelos de Optimizacin
= 1.000 - 4 Qperas
Pduraznos =
850 - 3 Qduraznos
A Y, por otro lado, le gustara que le vendiera slo a l, por lo cual le ofrece
menos precio a mayor cantidad que le enve a X. Las demandas de Y vienen
dadas por las siguientes ecuaciones:
Y
Pj , Qj
Pj , Qj
10
Trabajo Docente N 57
Maximizar
X
Qperas
B
0,5 Qduraznos
B
Qduraznos Qtomates
X
= 2.000 - 2 Qtomates
= 1.000 - 4 Qperas
Ptomates
Ptomates
Pperas
Y
Pperas
Pduraznos
X
Ptomates
X
Pperas
X
= Ptomates
Y
= Pperas
Y
Pduraznos = Pduraznos
Todas las variables mayores o iguales a cero.
Las tres ltimas restricciones son las que aseguran que se cobre un mismo precio
a ambos supermercados. Si se puede cobrar distintos precios a ambos
supermercados, se deben omitir estas restricciones.
Modelos de Optimizacin
11
Problemas Propuestos
1.1.
25
85
3.000
Capital
(JM/h)
14
2.000
12
Capacidad Producto
160
120
140
Ganancia/unidad
1
2
3
A
139 140
B
201 207
C
254 255
137
210
255
12
Trabajo Docente N 57
Ud. acaba de recibir por equivocacin un animal extico del Africa con la
siguiente nota colgada a su cuello:
Me llamo TIMBO, como nada ms que carne de lagartija y maz, necesito un
mnimo de 80 grs. de protena y 6.000 caloras diarias. Soy un animal simptico
siempre que me den las protenas y caloras que pido. Cidenme.
Depus de hacer las averiguaciones del caso, Ud. aprende que por cada kilo de
carne de lagartija, obtiene 40 grs. de protena y 4.000 caloras. Por cada kilo de
maz, obtiene un total de 30 grs. de protenas y 3.500 caloras. El precio del maz
es de 100 pesos por kilo mientras que el precio unitario de la carne de lagartija
depende de cuanto compre Ud. al da. Su carnicero amigo le dice que cada da
est ms difcil conseguirla por lo que le especifica la siguiente funcin para el
precio:
P = 50 + 200 X
donde
P = precio por kg. de la carne de lagartija
X = cantidad de carne comprada (en kgs. por da)
Se pide:
a)
1.5.
Modelos de Optimizacin
13
b) Por cada tractor que compre, debe haber por lo menos 6 trabajadores
permanentes en el fundo.
c) Juanita me ha pedido que la llame por lo menos 6 veces por cada 5 que
llame a Francisca.
d) Para hacer una cazuela, por cada papa se debe poner al menos 2 pedazos
de zapallo.
e) Por cada hectrea de maz, se necesitan 2 jornadas-hombre (JH) al ao, y
por cada hectrea de trigo se requieren 4. Se dispone de 25 JH en total para el
ao.
f) Un agricultor desea sembrar el doble de hectreas de arroz que de maz y
el triple que de porotos.
g) Del total de trigo que se produzca, la mitad se debe mandar a Santiago, no
ms de un tercio a Valparaso, y el resto a Concepcin.
h) En una fonda han dedicido regalar 2 dulces por cada litro de chicha que les
compren.
i) Un agricultor tiene 10 kg. de semilla de un cultivo super especial. Cada
kg. produce al final de la estacin 2,5 kg. de producto que puede ser
consumido o usado como semilla para la temporada siguiente. El producto en
s no puede ser almacenado de un ao para otro. Este agricultor desea tener
por lo menos 16 kg. para consumir luego de la primera cosecha y por lo menos
12 para consumir luego de la segunda. De ah para adelante la semilla ya no le
interesa.
1.6.
450 pesos
BETARRAGAS A LA VIENESA
(2 lechugas, 3 betarragas, 1 aceituna)
300 pesos
CHOCLOS A LA CHILENA
650 pesos
14
Trabajo Docente N 57
Modelos de Optimizacin
15
CAPITULO 2
PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS
Los problemas vistos en el captulo anterior son todos problemas de
Programacin Matemtica (PM). Formalmente, en un problema de PM se trata
de encontrar el vector x = (x1 , x2 , ..., xn ) que, perteneciendo a un conjunto X,
llamado conjunto de oportunidades y subconjunto a su vez de Rn , o conjunto de
los nmeros reales en n dimensiones, maximice una funcin objetivo f(x1 , x2 ,
..., xn ).
Dicho de otra forma, el conjunto X no es ms que el conjunto de todos los valores
que pueden tomar las distintas variables, mientras que la funcin objetivo
representa aquello que se desea maximizar.
En trminos del ejemplo 1.1, el set X es el conjunto de todos los valores de T y P
que satisfacen las restricciones
T + P 120
3T + 5P 300
T 0; P 0
y la funcin objetivo es
f (T,P) = 126.500 T + 118.000 P
Cabe sealar que el planteamiento de un problema de Programacin Matemtica
como uno de maximizacin, en lugar de uno de minimizacin, es slo por
conveniencia. Es obvio que existen muchos problemas donde lo que se desea es
minimizar y no maximizar una funcin objetivo. Afortunadamente, todo
problema de minimizacin se puede escribir como uno de maximizacin ya que el
vector que minimiza a f(x) es el mismo que maximiza - f(x).
Dos importantes casos especiales de PM lo constituyen la Programacin No
Lineal y la Programacin Lineal. En el primero, el conjunto de oportunidades X
est caracterizado por
X = {x | g(x) b, x 0}
en que
Modelos de Optimizacin
17
18
Trabajo Docente N 57
Obviamente, estas restricciones implican que X1 = 100. Este sistema lleva, sin
embargo, a tratar el problema de "mayor o igual" de la misma manera que en el
ejemplo 2.1 As, el problema de PM se puede reescribir como el siguiente
problema de Programacin Lineal:
Maximizar X1 + X2
sujeto a:
- X1 - 100
X1
100
X1 + 2 X2 200
X1 , X2 0
Ejemplo 2.3
Considrese el problema:
3
Maximizar X1 + X2
sujeto a:
2 X1 + X2 100
X1 0
En este caso, la variable X2 no tiene restriccin de nonegatividad. Como en
Programacin No Lineal todas las variables deben ser nonegativas, y
reconociendo que todo nmero real, (positivo, negativo, o cero) puede expresarse
como la diferencia entre dos nmeros nonegativos, lo que se hace es reescribir la
variable X2 como
X2 = X21 - X22
donde X21 y X22 son mayores o iguales a cero. As, el problema original se
puede reescribir como el siguiente problema de Programacin No Lineal:
Modelos de Optimizacin
19
3
Maximizar X1 + X21 - X22
sujeto a:
2X1 + X21 - X22 100
X1 , X21 , X22 0
Los tres ejemplos anteriores han permitido transformar problemas de PM, que no
son problemas de PNL o de PL, en problemas que s son de PNL o PL. La
ventaja de esto es que en general, mientras ms acotada est una clase de
problemas, ms especficos se puede ser en su caracterizacin y resolucin.
Dicho de otra forma, todo lo que se pueda decir de los problemas de PM es vlido
para problemas de PNL o PL, pero no viceversa. Esto quiere decir que al
transformar, por ejemplo, un problema de PM, no PL, en uno de PL, todo lo que
es vlido para la clase de problemas de PM sigue siendo vlido para el problema
transformado, y, adems, todo lo que es vlido para problemas de PL pasa a ser
vlido luego de la transformacin.
En todo caso, se debe destacar que no siempre es posible hacer este tipo de
transformaciones, como lo demuestra el ejemplo siguiente:
Ejemplo 2.4:
Considrese el problema
Maximizar 3X1 + 2X2
sujeto a:
X1 < 40
X2 20
X1 , X2 0
El problema en este caso es la desigualdad estricta en la primera restriccin.
*
20
Trabajo Docente N 57
f(x)
x*1
x2*
x3*
x*4
x*5
x*6
Modelos de Optimizacin
21
Problemas Propuestos
2.1.
22
Trabajo Docente N 57
Modelos de Optimizacin
23
CAPITULO 3
OPTIMIZACION SIN RESTRICCIONES
Este captulo tiene por objeto caracterizar el ptimo cuando el problema no tiene
restricciones. Es decir, cuando el conjunto de oportunidades es igual al conjunto
de los nmeros reales en n dimensiones, Rn. En primer lugar se ver el caso de
una funcin objetivo de una variable para luego generalizar al caso de una
funcin de varias variables.
Funcin objetivo de una variable
En este caso, se desea maximizar una funcin f(x). Si se supone que f(x) es
diferenciable, entonces la condicin de primer orden es que
df
dx = 0
< 0
24
Trabajo Docente N 57
df
En este caso, dx = 3, con lo cual f(x) no tiene punto crtico. En este caso no se
puede maximizar ya que el mximo es infinito, el cual no es un nmero real.
Modelos de Optimizacin
27
Ejemplo 3.1:
Considrese la matriz
-3 1 2
1 -4 -1
2 -1 -7
-3 1 2
det (H3) = det 1 -4 -1 = - 62 < 0.
2 -1 -7
Matriz positiva definida: Una matriz es positiva definida si los determinantes
de sus submatrices no alternan de signo, con el primer determinante mayor que
cero. En otras palabras, si det (H1) > 0, det (H2) > 0, det (H3) > 0, y as
sucesivamente.
Matriz semidefinida: Para que una matriz sea negativa semidefinida o positiva
semidefinida, los requisitos de menor o mayor que cero descritos pasan a ser de
menor o igual o de mayor o igual.
Otras Matrices: Si el Hessiano evaluado en el punto crtico, es decir el punto
donde la primera derivada es cero, no corresponde a ninguna de las definiciones
anteriores, entonces el punto crtico es un punto de inflexin.
En relacin con el Hessiano, se debe destacar que, tal como se pide mostrar en el
problema propuesto 3.2., el requisito que este sea negativo definido en el caso de
un mximo obliga a que todos los miembros de la diagonal sean negativos. Esto
es equivalente a decir que el punto crtico debe ser un mximo en todas las
direcciones definidas por los ejes de las ordenadas. La razn para exigir que
adems el Hessiano sea negativo definido, lo cual implica considerar las segundas
derivadas cruzadas, es que puede darse el caso que siendo un mximo en el
sentido de X1, X2, ... no lo sea en el sentido de una combinacin de las variables.
Este punto debera quedar claro al resolver el problema propuesto 3.3.
En este punto, es conveniente destacar que si el Hessiano es semidefinido
positivo o semidefinido negativo en el punto crtico, en teora dicho punto puede
28
Trabajo Docente N 57
3.1
Considere la funcin
f(X,Y,Z) = -2X2 -XY - Y2 - Y Z - Z2 + 6X+7Y+8Z - 9
a)
b)
3.2
Considere cualquier funcin f(X1, X2). Muestre que para que el Hessiano
2f(x1, x2)
sea negativo definido, es necesario que fii =
sea menor que
xi2
cero para i = 1, 2.
3.3
Considere la funcin
f(X,Y) = - 2X2 - Y2 - a XY
Modelos de Optimizacin
29
a)
b)
Encuentre un valor cualquiera de "a" tal que dicho punto crtico sea
un mximo.
c)
Para el valor de "a" encontrado, encuentre el valor de f(0, 0); f(0, 1);
f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; -1). Trate de imaginar la forma
de la funcin.
d)
e)
30
Trabajo Docente N 57
CAPITULO 4
OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD
En relacin con este problema, el ptimo puede ser mayor o igual a cero. Si es
estrictamente mayor que cero, entonces las condiciones derivadas para el caso sin
restricciones se mantienen. Si el ptimo se encuentra donde x* es igual a cero,
entonces la derivada de la funcin evaluada en dicho punto debe ser menor o
igual a cero (nunca mayor que cero por cuanto ello implicara que existe un punto
mejor dentro de los valores positivos de la variable). El grfico siguiente muestra
las distintas situaciones posibles.
Modelos de Optimizacin
31
f(x)
f(x)
x*
(a)
x*
x
(b)
f(x)
x*
(c)
32
Trabajo Docente N 57
(1')
f' (x*) 0
(2')
x* f' (x*) = 0
(3')
x* 0
La razn para ello es que (1), (2) y (3) implican que necesariamente se cumple
(1'), (2') y (3'); y adems (1'), (2'), y (3') implican que necesariamente se cumple
(1), (2), y (3). Son por lo tanto expresiones igualmente vlidas para representar
las condiciones de primer orden en el caso de una variable con restriccin de no
negatividad. De aqu en adelante se trabajar con las condiciones (1'), (2') y (3').
Hasta aqu no se han discutido las condiciones de segundo orden para el caso en
que x* = 0.
Si f'(x* = 0) es igual a cero, el punto crtico x* puede ser un mximo o un
mnimo en el borde tal como se observa en el grfico siguiente. De aqu que las
condiciones de segundo orden presentadas para el caso sin restricciones se deban
mantener.
f(x)
f(x)
Modelos de Optimizacin
33
f(x)
f(x)
f''(x*) < 0
f''(x*) > 0
Las condiciones de primer orden son anlogas a aquellas presentadas para el caso
de una variable restringida a ser no negativa. Es as como debe cumplirse que
f
1) x
i
0; i = 1,...., n
f
2) x xi
i
= 0; i = 1,...., n
3) xi
0;
i = 1,...., n
34
Trabajo Docente N 57
Problemas Propuestos
4.1.
Modelos de Optimizacin
35
CAPITULO 5
OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y
DESIGUALDAD
.
.
.
Para caracterizar el ptimo se hace uso del Lagrangeano, que en este caso es igual
a
= f(x1, ... , xn) +
i =1
36
Trabajo Docente N 57
xi = 0 para i = 1, ... , n
= 0 para j = 1, ... , m
j
Ejemplo 5.1:
Suponga el problema
2
2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = 6
+ (6 - 2 x1 - x2 )
x1 = - 2x1 - 2 = 0
x2 = - 2x2 - = 0
= 6 - 2 x1 - x 2 = 0
x1 = 2,4
*
x2 = 1,2
* = -2,4
*
Modelos de Optimizacin
37
Suponga el problema
2
2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = b
+ (6 - 2 x1 - x2 )
x1 = - 2x1 - 2 = 0
x2 = - 2x2 - = 0
= b - 2 x1 - x 2 = 0
2b
5
*
b
x2 =
5
x1 =
* = -
2b
5
*
*
b2
2b b
f(x1 ; x2 ) = f( 5 ; 5 ) = - 5
38
Trabajo Docente N 57
-b2
( 5 )
= b
= *
1 En rigor, es necesario sealar que para poder encontrar el ptimo usando el mtodo del
Lagrangeano, es necesario que las restricciones cumplan con ciertas condiciones de regularidad
que permitan despejar el ptimo de las condiciones de primer orden. Estas condiciones, puede
decirse, son de inters terico ms que prctico por lo que no se analizan en este texto. El lector
interesado puede consultar las referencias al final de este texto.
Modelos de Optimizacin
39
.
.
.
Para derivar las condiciones de primer orden, se hace uso nuevamente del
Lagrangeano donde
= f(x1,...., xn) +
i =1
sujeto a
x1, ... , xn 0
40
Trabajo Docente N 57
1) x
0;
i
2) x xi = 0;
i
3)
0;
j
4)
= 0;
j j
5) xi, j 0;
i = 1, ... , n
i = 1, ... , n
j = 1, ... , m
j = 1, ... , m
i = 1, ... , n; j = 1, ... , m
Al igual que en el caso de restricciones de igualdad, es necesario que las restricciones cumplan
Modelos de Optimizacin
41
1) X = 6X1 - 2 0
1
2) X X1 = 0
1
3) X = 2 - 0
2
4) X X2 = 0
2
5)
= 6 - 2X1 - X2 0
6)
= 0
7) X1, X2, 0
42
Trabajo Docente N 57
X1
0
+
0
0
+
+
0
+
X2
0
0
+
0
+
0
+
+
0
0
0
+
0
+
+
+
Por la condicin (3), debe ser mayor o igual a 2 con lo que se descartan los
casos 1, 2, 3, y 5 de la tabla anterior. A continuacin se analizarn los casos
restantes.
Caso 4: ( X1 = X2 = 0; > 0)
-2 0
(-2 ) 0 = 0
2- 0
(2 - ) = 0
6 0
6 = 0
X1, X2, 0
Modelos de Optimizacin
43
6 X1 - 2 = 0
(2 - ) 0
6 - 2 X1 = 0
2
14
De aqu se desprende que = 2; X1 = 3 ; X2 = 3 . Esta solucin satisface
todas las condiciones de Kuhn-Tucker.
El problema es ahora determinar cul de los tres puntos que satisfacen las
condiciones de Kuhn-Tucker es el ptimo del problema. Para determinarlo, basta
reemplazar en la funcin objetivo:
f(3, 0) = 27
44
Trabajo Docente N 57
f(0, 6) = 12
2 14
2
f( 3 , 3 ) = 10 3
En consecuencia, el ptimo es
*
x1 = 3; x2 = 0; * = 9
*
f(x1 ; x2 ) = 27
Para terminar, es importante destacar que el nmero de casos por analizar es igual
a 2n+m, donde n es igual al nmero de variables y m es el nmero de restricciones
(cada restriccin implica considerar una variable i). Asimismo, se debe sealar
que las derivadas pueden ser expresiones no lineales en las variables, con lo que
la resolucin de los sistemas de ecuaciones se dificulta an ms.
Ejemplo 5.3:
Supngase que las lneas areas tienen una dimensin mxima para las maletas,
expresada en trminos de la suma del largo, ancho y alto. Suponga que un
fabricante de maletas ha decidido producir la Super Maleta, que maximiza el
volumen cumpliendo la restriccin de las lneas que de la suma anterior no debe
exceder 120 cm.
En trminos matemticos, el problema se puede plantear como
Maximizar xyz
sujeto a:
x + y + z 120
x, y, z 0
= x y z + (120 - x - y - z)
Modelos de Optimizacin
45
1) x = y z - 0
2) x x = (y z - ) x = 0
3) y = x z - 0
4) y y = (x z - ) y = 0
5) x = x y - 0
6) z z = (x y - ) z = 0
7)
= 120 - x - y - z 0
8)
= (120 - x - y - z) = 0
9) x, y, z, 0
Problemas Propuestos
46
Trabajo Docente N 57
5.1.
5.2.3
$ 1,00 por m2
$ 0,50 por m2
$ 5,00 por m2 de superficie
5.3.
a)
b)
Nota: Los costos est expresados por kg. de producto final equivalente.
Ud. debe ofrecer por lo menos 100 unidades a un precio unitario de 200
pesos por kg. Ud. puede vender cuanto quiera por encima de dichas 100
unidades. Se pide:
Modelos de Optimizacin
5.4.
47
a)
b)
ii) 4 pesos por cm2 de fondo (hay que poner un refuerzo para que no se
desfonde)
iii) 2.000 pesos por maleta por concepto de ganancias, pago al trabajo,
etc.
Se pide:
Plantee y resuelva el nuevo problema de optimizacin.
5.5.
48
Trabajo Docente N 57
LITORAL
200 km
400 km
100 km
Modelos de Optimizacin
49
LITORAL
200 km
X
B
100 km
Se pide
Plantee el problema de optimizacin correspondiente y resuelva.
5.6
Ud. tiene un fundo de 100 hectreas y desea saber cuntas hectreas poner
con trigo y maz. Ud. sabe que la funcin de produccin de trigo es:
Q = 20 H L0,2
donde:
Q = produccin ( en qq)
L = N de trabajadores ( en jornadas hombre)
H = N de Hectreas
En el caso del maz, la funcin de produccin es:
Q = 10 H0,8L0,4
50
Trabajo Docente N 57
Considere el problema:
Maximizar (X1 + X2)
sujeto a:
2X1 + X2 2
X1 + X2 3
X1, X2 0
Considere el problema
Maximizar X1+X2
sujeto a:
X1 - 2X2 = 2
X1
3
X2
4
Modelos de Optimizacin
5.9
51
Considere el problema:
Minimizar X12 - X1X2 + 0,5X22 - X1 - X2
sujeto a:
X1 +X2 3
3X1 + 2X2 6
X1 0, X2 0
a)
b)
c)
52
Trabajo Docente N 57
CAPITULO 6
SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER
El trmino
X1+ (1-) X2
Modelos de Optimizacin
53
f(x)
f( X1 +(1) X2 )
X1 X1 +(1) X 2
X2
X1
X1+(1- )X2
X2
Lo que se requiere para que una funcin sea cncava es por lo tanto que la
funcin no pase nunca por debajo de la recta que une cualesquiera dos puntos.
Los siguientes grficos muestran casos de funciones cncavas.
54
Trabajo Docente N 57
f(x)
f(x)
f(x)
f(x)
Grficamente,
f(x)
f(X1 )+f'(X1 )(X2 -X1 )
f(X2 )
f(X1 )
X1
X2
Modelos de Optimizacin
55
En otras palabras, para que una funcin diferenciable sea cncava, se requiere
que la recta tangente en cualquiera de sus puntos no est nunca por debajo de la
funcin.
Si la funcin diferenciable es de varias variables, para que sta sea cncava se
requiere que para cualquier par de puntos X1 y X2, se cumpla que
n
f(X2) f(X1) +
fi(X1) (Xi - Xi )
2
i=1
Supngase la funcin
2
2
f(x1,x2) = - 3 x1 - 2 x2 + x1 x2
56
Trabajo Docente N 57
Por ltimo,
2
X1 - X1 = 5 - 2 = 3
X2 - X2 = 1 - 3 = -2
es estrictamente cncava.
Funciones convexas
Si la funcin es diferenciable, para que sta sea convexa se requiere que para
cualquier par de puntos X1 y X2, se cumpla que
Modelos de Optimizacin
57
f(X2) f(X1) +
fi(X1) (Xi - Xi )
2
i=1
f(x)
x
f(x)
x
f(x)
58
Trabajo Docente N 57
Conjuntos convexos:
Definicin: El conjunto C perteneciente a los nmeros reales se dice convexo si
para cada par de puntos x1, x2 que pertenezcan al conjunto y cada nmero real
con 0 < < 1, el punto
X= X1 + (1-) X2
X2
X1
CONJUNTO CONVEXO
CONJUNTO NO CONVEXO
Ejemplo 6.1:
Considrese el hiperplano
X = {x / ax = b}
Modelos de Optimizacin
59
ax2 = b
Sea el punto
x = x1 + (1-) x2
Considrese el semiespacio
X = {x / ax b}
Sea el punto
x = x1 + (1-) x2
60
Trabajo Docente N 57
Considrese el conjunto
X = {x / g(x) b}
donde se impone el requisito que g(x) sea una funcin convexa. Este conjunto
tambin es convexo como se demostrar a continuacin. Si g(x) es una funcin
convexa entonces para cualquier par de puntos X1, X2 y 0 1, se debe
cumplir que
g(X1+(1-)X2) g( X1) + (1-) g( X2)
(1)
Por otra parte, para que X sea un conjunto convexo, se requiere que para cada par
de puntos X1 y X2 que satisfagan
g(X1) b
g(X2) b
se cumpla que
g(x) = g( X1 + (1 - ) X2) b
62
Trabajo Docente N 57
uno de los puntos (en este caso, como se trata de curvas de nivel, el promedio es
simplemente el valor de la funcin en dicha curva (i.e.A)).
Ahora bien, como el set X es convexo se tiene que
x2
A>B>C
(x1*,x2*)
f(x1,x2) = C
f(x1,x2) = B
f(x1,x2) = A
x1
x2
A>B>C
(x1*,x2*)
f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C
x1
En ambos casos, todo ptimo local ser global.
Un caso especial de lo anterior se muestra en el grfico siguiente.
Modelos de Optimizacin
63
x2
A>B>C
f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C
x1
x1
B
x2
64
Trabajo Docente N 57
Modelos de Optimizacin
65
CAPITULO 7
PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL
Suponga que una empresa distribuidora cuenta con 250 unidades de un cierto
producto en Concepcin, 100 unidades en Los Angeles y 325 unidades en
Valparaso. Por otra parte debe abastecer con 140 unidades a Santiago, 220
unidades a Rancagua y 185 unidades a Teno.
Los costos de flete entre las distintas ciudades, en miles de pesos por unidad se
presentan a continuacin:
Desde:
Santiago
Concepcin
Los Angeles
Valparaso
14
30
5
Hacia:
Rancagua
6
12
7
Teno
5
11
8
Definicin de Variables:
4
66
Trabajo Docente N 57
Desde:
Santiago
Concepcin
Los Angeles
Valparaso
XCS
XLS
XVS
Hacia:
Rancagua
XCR
XLR
XVR
Teno
XCT
XLT
XVT
Funcin Objetivo:
Ejemplo 7.2:
Modelos de Optimizacin
67
Hoy es 1 de abril de 1994. Ud. est solo en una isla desierta bien grande donde puede
sembrar trigo. Asimismo, tiene 80 quintales de trigo que se pueden usar como semilla
o consumir. Su consumo anual normal de trigo es de 20 quintales.
Gracias a un diario de vida dejado por un nufrago anterior, Ud. aprende que en esta
isla, el trigo se siembra a principios de abril y se cosecha a fines de marzo del ao
siguiente. Por cada quintal de trigo que se siembra, se requieren 5 das de trabajo
durante el ao, y se cosechan tres quintales.
Por otra parte, Ud. sabe que en dos aos ms (1 de abril de 1996) pasar un barco que
le cobrar 220 quintales de trigo por el pasaje a tierra firme, lugar donde Ud. ha
decidido volver. En dicho barco Ud. no puede transportar trigo para su consumo en
tierra firme, ya que la capacidad del barco es limitada.
Ud. puede trabajar normalmente 180 das cada ao como mximo. Para aumentar la
disponibilidad de trabajo, es decir para disponer de ms de 180 das, Ud. deber
consumir 0,2 quintales de trigo por cada da de exceso (para recuperar la energa
adicional requerida).
El trigo disponible a comienzos de cada ao puede ser usado para: a) sembrar a
comienzos del ao; b) consumir durante el ao; c) ser almacenado hasta el final del
ao.
Por ltimo, suponga que su nico objetivo es minimizar el nmero de das trabajados
en exceso de los 180 das de trabajo normal anuales.
Para plantear el Problema de Programacin No Lineal correspondiente, se proceder
nuevamente en etapas.
Definicin de Variables:
TCi
TSi
TAi
THi
TFi
Ei
=
=
=
=
=
=
Funcin Objetivo:
68
Trabajo Docente N 57
El objetivo es minimizar los das trabajados en exceso de los 180 das normales.
Matemticamente, esto significa que la funcin objetivo es
Minimizar E1 + E2
Restricciones:
TC1 = 20 + 0,2 E1
Consumo ao 1.
TC2 = 20 + 0,2 E2
Consumo ao 2.
TC1+TS1+TA1 = 80
Disponibilidad inicial.
TA1+TH1 = TF1
Disponibilidad a fines ao 1.
TH1 = 3 TS1
Cosecha ao 1.
TC2+TS2+TA2 = TF1
Uso de trigo en ao 2.
TA2+TH2 = TF2
Disponibilidad a fines ao 2.
TH2 = 3 TS2
Cosecha ao 2.
TF2 150
Pasaje barco.
5 TS1 180 + E1
5 TS2 180 + E2
donde
Modelos de Optimizacin
69
= 1.000 - 2X
= 10 + 0,5 L
Problemas Propuestos
7.1.
70
Trabajo Docente N 57
Por otra parte, Juan Prez puede comprar una semilla corriente tanto este ao como
el prximo a 8.000 pesos por bolsa a un rendimiento de 60 qq/ha. El maz que
produzca este ao no puede ser utilizado como semilla el prximo y debe venderse
este ao (no se puede almacenar). Suponga adems que el precio del maz este ao
es de $ 2.000 y el prximo ao ser de $ 3.000 por quintal.
Finalmente, suponga que en todo lo dems los costos son iguales para ambos tipos
de semilla (15.000 pesos por hectrea de maz, ambos aos).
Se pide:
Plantee, sin resolver, el problema de programacin matemtica correspondiente
que le permita determinar cunto sembrar con cada tipo de semilla cada uno de
los dos aos.
7.2
Ud. ha sido nombrado por la Direccin del Metro para determinar la distancia
ptima entre las distintas estaciones del nuevo recorrido Plaza Italia-La Florida.
Para ello Ud. cuenta con los siguientes antecedentes.
1)
2)
3)
4)
5)
6)
Modelos de Optimizacin
7)
71
Se pide:
Suponiendo una tasa de inters de 15%, desechando el costo de los trenes
(que debera variar segn la distancia enre estaciones), y olvidando que el
nmero de estaciones debe ser entero, plantee el problema de optimizacin
correspondiente y resuelva.
7.3
72
Trabajo Docente N 57
P1 = 40 - 0,1x1 - 0,03x2
P2 = 70 - 0,03x1 - 0,2x2
donde
Pi = precio unitario empanada tipo i (i = 1 (queso), i = 2 (pino)).
Xi = produccin dominical de empanadas tipo i.
Dentro de sus posibilidades de produccin el panadero sabe que el costo
unitario de producir una empanada de queso es de $10 y una de pino es de
$15.
Se pide:
7.5.
b)
7.6.
Modelos de Optimizacin
73
A TALCA
C.
P
A
N
A
M
E
R
I
C
A
N
A
5.000 m.
A SANTIAGO
7.7.
a)
b)
74
Trabajo Docente N 57
Porotos
Disponibilidad
25
28
100
100
100
400
PLANTA
Modelos de Optimizacin
75
Harina de
Pescado
Estndar Mnimo
por Kg.
1.000
800
900
100
200
120
1-4
Se pide:
En base a lo anterior formule un modelo de optimizacin que le permita
desempear bien su tarea en su nuevo trabajo.
Nota: Cualquier antecedente que pudiera faltarle, invntelo.
7.8.
El Sr. Pedro Prez dispone de 200 hectreas donde puede plantar tomates,
cebollas o porotos. Asimismo, tiene la alternativa de comprar vacas a
comienzos de temporada con el objeto de producir leche y luego venderlas
a fines de temporada. Las vacas requieren de 0,5 hectreas cada una.
El problema es determinar cunto plantar de cada cultivo y cuntas vacas
comprar a comienzos de temporada.
Para resolver el problema, Ud. cuenta con los siguientes antecedentes
adicionales:
a)
76
Trabajo Docente N 57
b)
Las vacas producen 150 litros de leche por vaca al ao, la cual se
vende a 100 pesos por litro. El precio de compra es de 80.000 pesos
por vaca a comienzos de temporada, mientras que el precio de venta
es de 78.500 pesos a fines de temporada. Suponga una tasa de
descuento igual a cero.
c)
50
120
140
22.000
17.000
22.000
390
240
280
Se pide:
7.9.
a)
Nota:
b)
b)
Modelos de Optimizacin
77
c)
d)
b)
78
Trabajo Docente N 57
Se pide:
a)
b)
7.12. Ud. ha decidido correr una triatln, que consiste en 2 km. de natacin, 30
km. de ciclismo y 15 km. de trote. Su objetivo es llegar en el mnimo
tiempo posible, para lo cual debe decidir la velocidad en que correr cada
etapa. Al respecto, Ud. ha decidido que lo peor es cambiar el paso en la
mitad de una etapa porque se agota ms rpido.
Se Pide:
Plantee su problema de optimizacin definiendo y explicando claramente
las variables, funcin objetivo y restricciones.
Notas:
a)
b)
79
Modelos de Optimizacin
CAPITULO 8
PROGRAMACION LINEAL: INTRODUCCION
La Programacin Lineal se defini como aquel caso de Programacin No
Lineal, en el cual la funcin objetivo y las restricciones son lineales. Esto
significa que cualquier problema de Programacin Lineal debe poder
expresarse como
Maximizar c1X1 + c2X2 + ... + cnXn
sujeto a:
a11X1 + a12X2 + ... + a1nXn b1
a21X1 + a22X2 + ... + a2nXn b2
.
.
.
am1X1 + am2X2 + ... + amnXn bm
X1, X2 ..., Xn 0
Ejemplo 8.1 1:
Se debe programar la produccin de dos productos, X1 y X2, de manera tal de
maximizar las utilidades. El siguiente cuadro resume los principales
antecedentes de este problema.
Tipo de
Mquina
Producto 1
(en hrs/unid.)
1
2
3
Precio Unitario
Costo Unitario
2
1
1
70
30
Producto 2
Disponibilidad
(en hrs/unid.) (en hrs/semana)
1
1
3
70
40
90
120
60
80
Trabajo Docente N 57
2X1 + X2 70
X1 + X2 40
X1 + 3X2 90
X1, X2 0
Este problema se puede resolver de varias maneras, algunas de las cuales se vern
a continuacin.
Mtodo Grfico
Por ser el problema anterior de dos variables es posible resolverlo en forma
grfica.
En primer lugar, se representar grficamente el conjunto de oportunidades definido
por las restricciones. Las restricciones de no-negatividad indican que se puede
trabajar slo dentro del cuadrante no-negativo.
La primera restriccin, 2X1 + X2 7 0, se puede representa rcomo
X
100
90
80
70
60
50
40
30
20
10
10 20 30 40 50 6
0 70 80 90 100
X1
81
Modelos de Optimizacin
100
90
80
70
60
50
40
30
*
(X * , X ) = (15, 25)
2
1
20
10
10 20 30 40 50 6 0 70 80 90 100
f = 2100
f =1800
f = 1200
82
Trabajo Docente N 57
Es conveniente hacer notar que en dicho punto las restricciones activas, es decir, que se
cumplen con igualdad, son las restricciones (2) y (3).
Mtodo de Kuhn-Tucker
Si bien las condiciones de Kuhn-Tucker persiguen caracterizar el ptimo ms que encontrarlo, es
posible usarlas para encontrar la solucin. Por otra parte, dado que en cualquier problema de
Programacin Lineal la funcin objetivo es cncava y las restricciones forman un conjunto
convexo, cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un ptimo global.
En el problema anterior el Lagrangeano por maximizar es:
= 40x1+60x2+1(70-2x1-x2)+2(40-x1-x2)+3(90-x1-3x2)
y las condiciones de Kuhn-Tucker son:
1) x
= 40 - 21 - 2 - 3 0
1
2) x x1 = (40 - 21 - 2 - 3) x1 = 0
1
3) x
= 60 - 1 - 2 - 33 0
2
4) x x2 = (60 - 1 - 2 - 33) x2 = 0
2
5)
= 70 - 2x1 - x2
0
1
7)
= 40 - x1 - x2 0
2
8) 2 = (40 - x1 - x2) 2 = 0
2
9)
= 90 - x1 - 3x2 0
3
83
Modelos de Optimizacin
x1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
0
+
0
0
0
0
+
+
+
+
0
0
0
0
0
0
+
+
+
+
+
+
0
0
0
0
0
+
+
+
+
+
x2
0
0
+
0
0
0
+
0
0
0
+
+
+
0
0
0
+
+
+
0
0
0
+
+
+
0
+
0
+
+
+
+
1
0
0
0
+
0
0
0
+
0
0
+
0
0
+
+
0
+
0
0
0
+
+
+
+
0
+
+
+
0
+
+
+
2
0
0
0
0
+
0
0
0
+
0
0
+
0
+
0
+
0
+
0
+
0
+
+
0
+
+
+
+
+
0
+
+
3
0
0
0
0
0
+
0
0
0
+
0
0
+
0
+
+
0
0
+
+
+
0
0
+
+
+
+
+
+
+
0
+
84
Trabajo Docente N 57
2X1 + X2 70
X1 + X2 40
X1 + 3X2 90
X1, X2 0
b)
Si x1 es cero, x2 podra ser como mximo igual a 30, por la tercera restriccin.
En este caso la funcin objetivo tomara un valor de 1.800.
Por otra parte, si x2 es cero, x1 podra ser como mximo igual a 35, por la
primera restriccin. En este caso la funcin objetivo tomara un valor de 1.400.
De aqu se desprende que x2 no puede ser igual a cero.
Por ltimo, si x1 = 1 (cualquier valor positivo pero chico), x2 puede ser como
mximo igual a Error!, por la restriccin 3, con lo cual la funcin objetivo
tomara un valor de 1.820, mayor que 1.800. De aqu se desprende que tanto x1
como x2 deben ser positivos en el ptimo.
Del anlisis anterior se desprende que la tabla con los distintos casos se puede
simplificar de la siguiente forma:
Caso
7
17
18
19
29
30
31
32
1
0
+
0
0
0
+
+
+
2
0
0
+
0
+
0
+
+
3
0
0
0
+
+
+
0
+
85
Modelos de Optimizacin
1)
2)
3)
4)
5)
6)
7)
8)
9)
d
= 40 - 21 - 2 - 3 = 0
dx1
d
= 60 - 1 - 2 - 33 = 0
dx2
d
= 70 - 2x1 - x2 0
d1
d
= (70 - 2x1 - x2 ) 1 = 0
d1 1
d
= 40 - x1 - x2 0
d2
d
= (40 - x1 - x2 ) 2 = 0
d2 2
d
= 90 - x1 - 3x2 0
d3
d
= (90 - x1 - 3x2 ) 3 = 0
d3 3
x1 , x2 , 1 , 2 , 3 0
86
Trabajo Docente N 57
87
Modelos de Optimizacin
Esto quiere decir que mientras c1 est en el rango (20; 60) el ptimo
*
seguir siendo ( x1 , x* ;2 )= (15, 25).
El rango de sensibilidad para c2 se obtiene en forma anloga. En este
caso,
-40
1
-1 c
-3
2
o bien
40 c2 120
Se debe hacer notar que si bien la solucin ptima no cambia mientras los
coeficientes varan dentro del rango de sensibilidad, el valor de la funcin objetivo
en el ptimo s vara.
Anlisis de Sensibilidad para bj
El rango de sensibilidad para bj se refiere a cunto puede variar la disponibilidad,
bj, de un recurso sin que varen los precios sombra, l's, de los distintos recursos.
La importancia de este tipo de anlisis radica en que permite saber, por ejemplo,
cuntas unidades de recurso es conveniente vender (comprar) a un determinado
precio. Por ejemplo, en el caso del recurso (2), se vio que l2 = 30. Ello quiere decir
que el mximo precio que se est dispuesto a pagar por una unidad adicional de este
recurso es 30 pesos. El problema es ahora determinar cuntas unidades se est
dispuesto a comprar a dicho precio mximo. El anlisis de sensibilidad permite
encontrar la respuesta.
Si bien es posible derivar los rangos de sensibilidad para los distintos bj en forma
grfica en el caso de dos variables, este se ver para el caso general con n variables
en el captulo 9, donde se muestra el programa computacional LINDO.
Problemas Propuestos
8.1.Use el mtodo grfico para encontrar los valores de X1 y X2 que
maximizan la funcin objetivo, f(x1, x2) en cada uno de los siguientes
casos:
88
Trabajo Docente N 57
a)
b)
c)
d)
8.3.
4X1 + 3X2
sujeto a:
2X1 + X2 20
X1 + X2 12
X1, X2 0
Se pide:
8.4.
a)
Resuelva grficamente.
b)
89
Modelos de Optimizacin
Fertilizantes
Pesticidas
Mano de Obra
Maquinaria
Rendimiento
Precio por quintal
Precio
Unitario
Requerimientos
(uds./ha.)
100
150
100
400
5
2
4
3
30
120
15
4
3
3
40
160
Se pide:
8.5.
a)
b)
c)
d)
90
Trabajo Docente N 57
8.6.
a)
b)
1.000
800
400
Cont. Grasa
Mximo
4%
10%
30%
Para producir las hamburguesas, Ud. puede comprar 4 tipos de carne, cuyos precios y
contenidos de grasa se sealan a continuacin.
Precio
por kg.
Filete
Posta Rosada
Punta de Ganso
Cazuela
450
400
250
220
Cont. Grasa
(porcentaje)
1%
4%
15%
45%
91
Modelos de Optimizacin
30X1 + 40X2
sujeto a:
X1 + X2 60
2X1 + 3X2 120
X1 + 5X2 60
3X1 + X2 80
X1, X2 0
(mquina 1)
(mquina 2)
(mquina 3)
(mquina 4)
Se pide:
8.8.
a)
Resuelva grficamente.
b)
c)
92
Trabajo Docente N 57
Se pide:
I.
II.
4
6
8
9
12
128
124
90
96
Ninguna de las anteriores.
1
11
-1
0
Ninguna de las anteriores.
Infinito
0
8
1
Ninguna de las anteriores.
93
Modelos de Optimizacin
CAPITULO 9
PROGRAMACION LINEAL Y EL COMPUTADOR
El programa LINDO2
El programa LINDO permite resolver problemas de programacin lineal
en forma efectiva. Aparte de entregar la solucin ptima, entrega los
anlisis de sensibilidad tanto para los coeficientes de la funcin objetivo
como de los bj.
En la pgina siguiente se presenta el listado de salida del LINDO, para el
ejemplo desarrollado en los captulos anteriores. En relacin con los
resultados puede verse que:
1)
*
*
En el ptimo x1 = 15; x2 = 25
2)
3)
4)
5)
*
*
*
Los precios sombra son 1 = 0, 2 = 30, 3 = 10.
Los rangos de sensibilidad para los coeficientes de la funcin
objetivo son:
40 + 20 c1 40 - 20
60 + 60 c2 60 - 20
Se debe hacer notar que existen adems otros programas relativamente fciles de usar
para resolver problemas de programacin lineal. Uno de ellos es el programa QSB+,
cuya salida se muestra a travs de ejemplos en los problemas propuestos al final de este
captulo. En cualquier caso, se recomienda al lector leer bien los manuales de tal forma
de aprovechar al mximo los programas.
94
Trabajo Docente N 57
REDUCED COST
.000000
.000000
SLACK OR SURPLUS
15.000000
.000000
.000000
NO. ITERATIONS =
DUAL PRICES
.000000
30.000000
10.000000
70.000000
40.000000
90.000000
INFINITY
6.000001
30.000000
15.000000
10.000000
30.000000
Los rangos que aqu se dan se deben interpretar por separado. As,
por ejemplo, el rango para c2 supone que c1 se mantiene en su
valor original de 40.
6)
95
Modelos de Optimizacin
L
P
K
T
2
3
1
4
5
6
0
2
1
2
3
1
30
60
20
50
96
Trabajo Docente N 57
b)
c)
d)
e)
f)
g)
97
Modelos de Optimizacin
NO. ITERATIONS =
ALLOWABLE ALLOWABLE
INCREASE DECREASE
1.333333 0.666667
2.000000 2.090909
2.000000
0.250000
30.000000
60.000000
20.000000
50.000000
12.884615
INFINITY
20.000000
8.000000
3.636364
14.888889
8.125000
34.000000
98
Trabajo Docente N 57
h)
i)
9.2.
Mximo
% de A
1
2
3
50%
15%
5%
Mnimo
% de C
25%
65%
50%
99
Modelos de Optimizacin
100
Trabajo Docente N 57
ROW
SLACK OR SURPLUS
DUAL PRICES
2)
1575.000000 .000000
3)
12.500000 .000000
4)
.000000 .000000
5)
.000000 .000000
6)
.000000 .000000
7)
.000000 .000000
8)
.000000 3.333333
9)
.000000 6.666667
10)
.000000 2.333333
NO. INTERATIONS = 3
RANGES IN WHICH THE BASIS IS UNCHANGED
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
XA1
XB1
XC1
XA2
XB2
XC2
XA3
XB3
XC3
7.000000 5.000000
8.000000 INFINITY
9.000000 INFINITY
5.000000 2.000000
6.000000 2.000000
7.000000 2.000000
3.000000 4.000000
4.000000 4.000000
5.000000 4.000000
2.000000
2.000000
2.000000
INFINITY
INFINITY
INFINITY
INFINITY
INFINITY
INFINITY
CURRENT
RHS
.000000
.000000
.000000
.000000
.000000
.000000
2850.000000
1300.000000
10000.000000
ALLOWABLE ALLOWABLE
INCREASE DECREASE
INFINITY
1575.000000
INFINITY
12.500000
INFINITY
.000000
INFINITY
.000000
INFINITY
.000000
INFINITY
.000000
150.000000 1890.000000
3000.000000 15.000000
150.000000 3000.000000
101
9.3.
Modelos de Optimizacin
a)
b)
c)
d)
e)
f)
g)
h)
102
Trabajo Docente N 57
1
2
3
4
5
6
Valor al final
del tercer ao
PROYECTOS
Foster City
Housing
Disney
- $ 3.000
- $ 1.000
- $ 1.800
$ 400
$ 1.800
$ 1.800
- $2.000
- $2.000
- $1.800
$1.000
$1.000
$1.000
$ 5.500
- $1.000
- $2.000
- $ 500
$1.500
$1.500
$1.500
$ 200
$6.000
103
Modelos de Optimizacin
Maximizar 1Z
sujeto a:
1) 3000F + 2000M + 2000D - 1B1 + 1L1 = 2000
2) 1000F + 500M + 2000D + 1,035B1 - 1,03L1 - 1B2 + 1L2 = 500
3) 1800F - 1500M + 1800D + 1,035B2 - 1,03L2 - 1B3 + 1L3 = 400
4) - 400F - 1500M - 1000D + 1,035B3 - 1,03L3 - 1B4 + 1L4 = 380
5) - 1800F - 1500M - 1000D + 1,035B4 - 1,03L4 - 1B5 + 1L5 = 360
6) - 1800F - 200M - 1000D + 1,035B5 - 1,03L5 - 1B6 + 1L6 = 340
7) 1Z - 5500F + 1000M - 6000D + 1,035B6 - 1,03L6 = 300
8) 1B1 2000
9) 1B2 2000
10) 1B3 2000
11) 1B4 2000
12) 1B5 2000
13) 1B6 2000
14) 1F 1
15) 1M 1
16) 1D 1
104
Trabajo Docente N 57
No Var Solution
Cost
1
Z +7665.1787
2
F +.71434140
3
M +.63720959
4
D 0
5
B1 +1417.4434
6
L1 0
7
B2 +2000.0000
8
L2 0
9
B3 +2000.0000
10 L3 0
11 B4 +448.44897
12 L4 0
13 B5 0
14 L5 +2137.4841
15 B6 0
16 L6 +3954.8650
Opportunity Objective
Minimum
Maximum
Coefficient Obj. Coeff. Obj. Coeff.
0
1.0000000 0
+INFINITY
0
0
- 454.59485 +3043.7207
0
0
- 583.69208 +644.82007
+452.38162
0
-INFINITY +452.38162
0
0
-.40969697
+.00882163
+.00878849
0
-INFINITY +.00878849
0
0
-.32740423
+INFINITY
+.33431387
0
-INFINITY +.33431387
0
0
-.24546637
+INFINITY
+.25095651
0
-INFINITY +.25095651
0
0
-.16248728
+.00530449
+.00530449
0
-INFINITY +.00530449
+.00515000
0
-INFINITY +.00515000
0
0
-.22211158
+.00515000
+.00500000
0
-INFINITY +.00500000
0
0
-.22786446
+.00500000
Const. Status
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Tight
Tight
Tight
Tight
Tight
Tight
Tight
Loose
Tight
Tight
Loose
Loose
Loose
Loose
Loose
Loose
RHS
Shadow
Slack or
Price
Surplus
=+2000.00 +1.819220 0
=+500.000 +1.757701 0
=+400.000 +1.381929 0
=+380.000 +1.098031 0
=+360.000 +1.060900 0
=+340.000 +1.030000 0
=+300.000 +1.000000 0
<+2000.00 0 +582.5566+1417.443
<+2000.00 +.3274042
0
<+2000.00 +.2454664
0
<+2000.00 0 +1551.551+448.4490
<+2000.00 0 +2000.000 0 +Infinity
<+2000.00 0 +2000.000 0 +Infinity
<+1.00000 0 +.2856586+.7143414
<+1.00000 0 +.3627904+.6372097
<+1.00000 0 +1.000000 0 +Infinity
Minimum Maximum
RHS
RHS
-526.2444
+3415.854
-1387.037
+1275.555
-542.7526
+1598.599
-1171.551
+828.4490
-1777.484
+Infinity
-3614.865
+Infinity
-7365.179
+Infinity
+Infinity
+863.9908 +2561.718
+1703.148 +3027.054
+Infinity
+Infinity
+Infinity
Se pide:
a)
b)
105
9.4.
Modelos de Optimizacin
c)
d)
e)
f)
g)
No Var Solution
Cost
1
X1 +117.85714
2
X2 0
3
X3 0
4
X4 XXXX(4)
Opportunity Objective
Minimum
Maximum
Coefficient Obj. Coeff. Obj. Coeff.
0
+40.0000
+17.666666 +174.00000
+9.5714293 +20.0000
+XXXX(1) XXXX(2)
XXXX(3) +33.0000
-Infinity
+48.714287
0
+87.0000
+50.333332 +Infinity
106
Trabajo Docente N 57
Const. Status
1
2
3
4
5
Loose
Tight
Loose
Loose
Tight
RHS
Shadow
Price
<+200.00
0
<+450.000 +9.571429
<+600.000 XXXX(7)
>+100.000 0 XXXX(9)
<+300.000 XXXX(10)
Slack or
Minimum Maximum
Surplus
RHS
RHS
+17.8571 XXXX(6)
+Infinity
0
0
+700.0000
+160.714 +439.2857 XXXX(8)
-Infinity
+300.0000
0
+100.0000 +335.7143
107
Modelos de Optimizacin
CAPITULO 10
PROBLEMAS ADICIONALES DE PROGRAMACION LINEAL
Este captulo presenta algunos ejemplos adicionales de Programacin Lineal. Al
igual que en el captulo 7, se han dejado varios ejercicios como Problemas
Propuestos en el convencimiento que slo el enfrentamiento con nuevos
problemas permite el desarrollo de la habilidad de plantear en trminos
matemticos las situaciones que se presentan en la realidad.
Ejemplo 10.1:
Una empresa agroindustrial controla 2 parcelas, 3 plantas de proceso y 2 unidades
distribuidoras. Considrese uno de los productos de la empresa: sopa de tomates.
Los tomates pueden cultivarse en cualquiera de las dos parcelas a un costo de 200
y 150 pesos por tonelada respectivamente. Desde cualquier parcela es posible
enviar la produccin a cualquiera de las plantas procesadoras. Los costos de
transporte por tonelada se presentan en la Tabla N 1.
Tabla N 1: Costos de transporte desde distintas parcelas a distintas
plantas procesadoras. En pesos por tonelada.
Parcela
Planta Procesadora
1
2
3
1
2
5
15
8
6
Capacidad Parcela
(en toneladas)
11
2
290
400
Suponga que con 0,1 toneladas de tomates es posible producir una caja de sopa de
tomates. Los costos variables de procesar una caja de sopa de tomates en las
distintas plantas estn dados en la Tabla N 2.
Tabla N 2: Costos variables y capacidad de procesamiento en 3
plantas alternativas
Planta
Procesadora
1
2
3
Costos de Procesamiento
Procesamiento
(en pesos por caja)(en cajas)
25
34
17
Capacidad
Planta
800
1.500
3.000
108
Trabajo Docente N 57
Distribuidora
1
2
8
15
4
6
20
2
3.000
800
109
Modelos de Optimizacin
200V1+ 150V2
5Z11+8Z12+11Z13+15Z21+6Z22+2Z23
25W1+34W2+17W3
8M11+15M12+4M21+6M22+20M31+2M32
Restricciones:
V1 290
V2 400
Z11 + Z12 + Z13 V1
Z21 + Z22 + Z23 V2
W1 10 Z11 + 10 Z21
W2 10 Z12 + 10 Z22
W3 10 Z13 + 10 Z23
W1 800
W2 1.500
W3 3000
W1 M11 + M12
W2 M21 + M22
W3 M31 + M32
Y1 M11 + M21 + M31
Y2 M12 + M22 + M32
Y1 3.000
Y2 1.800
Todas las variables 0
Capacidad parcelas.
Lo que las parcelas envan a las
plantas debe ser menor o igual a
lo que producen.
Se puede procesar en las plantas,
a lo ms, lo que llega desde las
parcelas.
Capacidad plantas.
110
Trabajo Docente N 57
Figura 1
Programa de produccin, procesamiento y distribucin ptimo
PROCESADORA
PARCELA
1
80
Ton
80 Ton.
800
Cajas
DISTRIBUIDORES
800 cajas
1
1000cajas
2
100 Ton
400
Ton
1.000
cajas
3.000 cajas
1200 cajas
300 Ton
1.800 cajas
3.000
cajas
1800 cajas
Ejemplo 10.2:
Ud. es dueo de un fundo de 35 hectreas que puede sembrar con trigo
y/o porotos. Los coeficientes tcnicos, en jornadas por hectrea y las
disponibilidades de los distintos recursos se presentan a continuacin:
Trigo
Porotos
Disponibilidad
Sem.1 Sem.2
Sem.1 Sem.2
Sem.1 Sem.2
M. de Obra
Maquinaria
Agua
(m3/ha.)
Ut. Neta
(pesos/ha.)
2
3
3
1
2.000 3.000
4
1
2
5
3.000 5.000
40.000
35.000
60
50
70
80
200.000 50.000
111
Modelos de Optimizacin
3T + 1P 50
3T + 2P 70
Maquinaria, semestre 1.
1T + 5P 80
Maquinaria, semestre 2.
2.000T+3.000P 200.000-A
Agua, semestre 1.
3.000T+5.000P 50.000+A
Agua, semestre 2.
T, P, A 0
Ejemplo 10.3:
El matadero municipal de una ciudad tiene tres centros principales de
trabajo :
1.
2.
3.
112
Trabajo Docente N 57
Productividad (TM/Hora)
Centro N 2
Vacuno
Cordero
Cerdo
Centro N 3
5,0
4,0
5,0
1,6
2,0
1,0
172
720
Capacidad
(horas/mes
normal)
26
22
20
12
12
12
7,0
6,5
6,0
113
Modelos de Optimizacin
Demanda (TM/Mes)
Perodo 1
Perodo 2
420
200
280
Inventario
Inicial (TM)
570
140
410
80
30
30
Ii
Lt
Et
3Se
excluyen los costos de mano de obra en los centros Nos. 1 y 3 por ser
independientes de los volmenes de produccin.
115
Modelos de Optimizacin
Mes 1
Mes 2
Inventario al
final del Mes 1
Cordero
236,33
73,67
Cerdo
333,08
326,92
66,33
83,08
CONTENIDO DE
Bauxita
1
2
A
40%
10%
Costo/ton
30%
70%
30%
20%
$ 15
$ 20
La planta tiene una capacidad para tratar 200 tons. de bauxita a la semana. Por
contratos pendientes debe adquirir de la fuente N 1 un mnimo de 50 tons. a la
semana y de la fuente N 2 un mnimo de 65 tons. semanales.
El aluminio de $ 285 debe contener por lo menos 30% de A, no ms de 20% de
B y no ms de 25% de C. El aluminio de $ 320 debe contener un mnimo de
40% de B, no ms de 30% de A y no ms de 25% de C. En el proceso de
fabricacin se pierde un 30% de A, un 90% de B y un 85% de C.
116
Trabajo Docente N 57
Peso (toneladas)
1 (adelante)
2 (centro)
3 (atrs)
9
13
8
Volumen
(metros cbicos)
150
240
100
Para mantener el balance del avin es necesario que la relacin entre el peso
de la carga en cada compartimiento, y la capacidad mxima (en peso) de
dicho compartimiento, sea la misma en los tres compartimientos.
"SLOW AIR" tiene solicitudes para transportar las siguientes cuatro cargas,
con el mismo destino y, con las caractersticas que se indican:
1
2
3
4
Peso
(toneladas)
15
10
20
8
Densidad
(m3/ton)
15
25
20
12
Beneficio neto
($)
100
150
115
80
117
Modelos de Optimizacin
Costo unitario
Precio venta
Extra
150
170
Corriente
85
100
Para preparar una cazuela extra los cocineros trabajan el doble que
para una cazuela tipo corriente. Si todas las cazuelas fueran tipo
corriente, la capacidad de los cocineros sera de 1.000 cazuelas al
mes (como ste es un restaurant de mala muerte, el producto se
almacena fcilmente).
Para el prximo mes, el restaurant dispone de papas suficientes
como para hacer 800 platos de cazuela. Dispone adems de 400
trozos de filete, apropiados para la cazuela extra y 700 huesos
apropiados para la cazuela corriente.
Se pide:
a)
b)
c)
118
Trabajo Docente N 57
Se pide:
Formule un modelo de Programacin Lineal que le permita a XYZ
determinar un programa ptimo de produccin que minimice los
costos totales de produccin y almacenamiento y considere las
ventas estimadas de los prximos cuatro meses. Nota: Explicite
cualquier supuesto adicional que necesite.
10.5. Un agricultor debe comprar las siguientes cantidades de
fertilizantes:
Tipo de fertilizante
1
2
3
4
5
Cantidad requerida
(Toneladas)
185
50
50
200
185
5
0,99
1,23
1,24
1,10
119
Modelos de Optimizacin
3
2
1
4
2
1
1
3
30
40
20
30
Maz
Otoo
Invierno
Primavera
Verano
0
0
3
6
0
0
4
2
0
0
45
50
Disponibilidad
Otoo
Invierno
Primavera
Verano
80
80
80
80
160
100
60
80
1200
1300
1000
1000
de
Programacin
Lineal
120
Trabajo Docente N 57
Categora
segn peso
1
2
3
4
Nmero de
novillos
150
100
50
0
Precio por
novillo
3.000
4.000
5.000
8.000
121
Modelos de Optimizacin
Perodo
Perodo
1/4/96-1/8/96 1/8/96-1/12/96
100
200
350
Disponibilidad 30.000
150
250
300
Perodo
1/12/96-1/4/97
220
220
290
50.000 25.000
Vij
122
Trabajo Docente N 57
Abastecedor
1
2
Carne
(kg.)
Grasa
(kg.)
Otros
(kg.)
0,4
0,1
0,3
0,7
0,3
0,2
Costo
($/kg.)
200
150
123
Modelos de Optimizacin
Porotos
3
30
40
25
124
Trabajo Docente N 57
Trigo
Maz Disponibilidad
Mano de obra
(en JH por h.)
230
Maquinaria
(en JT por h.)
140
8.000
10.000
Margen neto
(en pesos por h.)
125
Modelos de Optimizacin
100
300
12.000
Requerimiento en verano
(en m3 por h.)
80
120
4.000
126
Trabajo Docente N 57
Nov. Dic.
Esprragos en conserva
Arvejas en conserva
35
28
Enero Feb.
50
37
60
100
40
80
Nov.
Dic.
Esprragos
Arvejas
10
20
15
30
Enero
28
55
Feb.
30
60
127
Modelos de Optimizacin
Horario
Nmero de vendedores
30
110
35
140
50
Horario
Se pide:
Formule, sin resolver, el problema de Programacin Lineal que le
permita minimizar el nmero de vendedores contratado.
Nota: No se preocupe del hecho que los nmeros de vendedores
deben ser enteros.
Modelos de Optimizacin
128
CAPITULO 11
VARIABLES BINARIAS
Las variables binarias son variables que slo pueden tomar el valor de cero o el valor
de uno. El propsito de este captulo es ver, a travs de varios ejemplos, distintos
usos que tiene este tipo de variables. Debe sealarse que la mayora de los
programas de computacin para resolver problemas de Programacin Lineal,
includo el LINDO y el QSB+, puede trabajar con este tipo de variables en
problemas que en todo lo dems son de Programacin Lineal.
Ejemplo 11.1:
Ud. tiene un fundo de 100 hectreas, donde puede sembrar trigo y maz. Al
considerar sus distintas restricciones, Ud. ha decidido plantear el problema de la
siguiente forma:
Max 20 T + 30 M
sujeto a:
2 T + 3M 220
(Horas tractor)
T + M 100
(Hectreas)
T, M 0
El problema se complica por el siguiente aspecto. Su vecino le ha ofrecido su
tractor por una semana a un costo de 350 pesos que Ud. puede tomar o dejar. Una
semana equivale a 48 HT.
En otras palabras, el tomar en arriendo el tractor del vecino le implicara a Ud.
contar con 268 HT en lugar de 220, pero tendra que pagar 350 pesos por el
arriendo.
Usando variables binarias1, este problema se puede expresar como:
Max 20 T + 30 M - 350 H
1
En el programa LINDO, este tipo de variables se conoce con el nombre de "integer", mientras que
en el programa QSB+, se llaman simplemente "binarias". Por otra parte, en este ltimo programa, las
variables "integer" son aquellas que pueden tomar valores enteros (0, 1, 2, 3, ... ).
Modelos de Optimizacin
129
sujeto a:
2 T + 3M 220 + 48 H
(Horas tractor)
T + M 100
(Hectreas)
T, M 0
Binarias: H
Si no conviene tomar en arriendo el tractor, H ser igual a cero en el ptimo. En
caso contrario, la variable H tomar un valor de uno.
Ejemplo 11.2:
Ud. dispone de 2 barras de aluminio de 10 y 15 metros respectivamente. Por otra
parte, Ud. sabe que puede vender hasta un mximo de 5 barras de 1,7 metros a un
precio de $500 cada una. Asimismo, Ud. puede vender las siguientes barras:
Tipo de
barra
1
2
3
4
Largo
Demanda
en metros Mxima
2,1
1,7
1,3
0,4
2
5
11
20
Precio
Unitario
800
500 (1)
390
60
Xi2 =
130
Trabajo Docente N 57
+ 60 (X41 + X42)
sujeto a:
X11 + X12 2
X21 + X22 5
X31 + X32 11
X41 + X42 20
2,1X11 + 1,7X21 + 1,3X31 + 0,4X41 10
2,1X12 + 1,7X22 + 1,3X32 + 0,4X42 15
Xij 0 para todo i,j.
Enteras: Xij para todo i,j.
Ejemplo 11.3:
Usted ha decidido hacer una comida en su casa obviamente al mnimo costo. Como
restricciones usted tiene que darles un mnimo de 10.000 caloras y un mnimo de 1.950
grs. de protenas en total. Los productos por considerar, junto con sus composiciones
unitarias, estn dados a continuacin:
Caloras
Carne (en Kgs.)
Papas (en Kgs.)
Arroz (en Kgs.)
Tomates (en Kgs.)
Huevos (en unidades)
2.000
4.000
3.000
500
80
Protenas
Precio
600
20
40
200
30
600
80
60
150
10
b)
c)
Usted sabe que a sus invitados les carga el arroz con huevo.
d)
Modelos de Optimizacin
C=
P=
A=
T=
H=
131
A 100.000 A3
A3 + A5 1
132
Trabajo Docente N 57
Binarias: A3
Por ltimo, el supuesto "si les da papas, debe darles como mnimo 2 Kgs." se puede
plantear como:
2A2 P 100.000 A2
Binarias: A2
Si A2 es igual a cero, entonces P puede tomar slo el valor de cero. Por otra parte, si A2 es
igual a uno, entonces P puede tomar cualquier valor entre 2 y 100.000.
En resumen, este problema se puede plantear como:
Minimizar 600C + 80P + 60A + 150T + 10H
sujeto a:
2.000C + 4.000P + 3.000A + 500T + 80H 10.000
600C + 20P + 40A + 200T + 30H 1.950
C 100.000 A1
H 100.000 A5
A1 + A5 1
2A1 T
A 100.000 A3
A3 + A5 1
2A2 P 100.000 A2
Todas las variables mayores o iguales a cero.
Binarias: A1, A2, A3, A5
Ejemplo 11.4:
Usted tiene una verdulera y tiene 2 proveedores a los que puede comprar tomates,
lechugas y repollos. El costo de ir y volver a cada uno de los proveedores es el
siguiente:
Prov. 1:
Prov. 2:
$5.000
$3.000
Modelos de Optimizacin
133
Los precios a los que usted puede vender, los precios de los distintos proveedores y
la demanda mxima son:
Tomate
Lechugas
Repollos
Precio
venta
Prov. 1
Prov. 2
Demanda
Mxima
200
150
300
150
100
50
100
40
200
100
200
200
134
Trabajo Docente N 57
Programacin Cuadrtica
La Programacin Cuadrtica se usa cuando la funcin objetivo es cuadrtica. Es
decir, cuando la funcin objetivo se puede expresar como:
2
ci Xi + ai Xi + bij Xi Xj
En todo lo dems, el problema es igual a los problemas de Programacin Lineal. A
continuacin se ver cmo resolver este tipo de problemas usando variables binarias.
Ejemplo 11.5:
Supngase el siguiente problema de optimizacin:
2
Modelos de Optimizacin
135
1)X = 10 - 4X1 + X2 - 1 - 22 2) X X1 = 0
1
1
0
3) X = 2 - 6X2 + X1 - 1 - 32 4) X X2 = 0
2
2
0
5)
= 20 - X1 - X2 0
6)
7)
= 40-2X1 - 3X2 0
8)
= 0
2 2
1 = 0
9) X1, X2, 1 , 2 0
Las condiciones (1), (3), (5), (7) y (9) son restricciones tpicas de un problema de
Programacin Lineal.
Por otra parte, las condiciones (2), (4), (6) y (8) se pueden imponer usando
variables binarias. A modo de ejemplo, la condicin (2) se puede expresar como:
10 - 4X1 + X2 - 1 - 22 + Y1 = 0
Y1 100.000 A1
X1 100.000 A2
A1 + A2 1
Y1 0
Binarias: A1, A2
Se debe hacer notar que estas restricciones incluyen la restriccin (1) por el hecho
que la variable auxiliar Y1 debe ser mayor o igual que cero.
Lo anterior significa que las condiciones de Kuhn-Tucker se pueden escribir como:
136
Trabajo Docente N 57
10 - 4X1 + X2 - 1 - 22 + Y1 = 0
Y1 100.000 A1
X1 100.000 A2
A1 + A2 1
2 - 6X2 + X1 - 1 - 32 + Y2 = 0
Y2 100.000 A3
X2 100.000 A4
A3 + A4 1
20 - X1 - X2 - Y3 = 0
Y3 100.000 A5
1 100.000 A6
A5 + A6 1
40 - 2X1 - 3X2 - Y4 = 0
Y4 100.000 A7
2 100.000 A8
A7 + A8 1
X1, X2, Y1, Y2, Y3, Y4, 1, 2 0
Binarias: A1, A2, A3, A4, A5, A6, A7, A8
Si un punto cumple con todas estas restricciones, entonces cumple adems con todas
las condiciones de Kuhn-Tucker del problema original. Por otra parte, la funcin
objetivo del problema es cncava, por cuanto el Hessiano, que es igual a:
-4 1
H = 1 -6
es negativo definido. Esto quiere decir, tal como se viera en el captulo 6, que
cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un mximo global.
Todo lo anterior significa que cualquier punto que cumpla con el conjunto de
restricciones anterior, ser un mximo global del problema original. El nico
problema es que no se tiene funcin objetivo para poner este conjunto de
restricciones en un problema de Programacin Lineal con variables binarias. Para
ello se utiliza una funcin objetivo auxiliar del tipo:
Modelos de Optimizacin
137
Minimizar J
donde J es una variable cualquiera.
Problemas Propuestos
11.1. Usted est planeando su ltima gira como candidato presidencial, para lo cual
dispone de 3 das: domingo 10, lunes 11, martes 12. Usted ha decidido
reducir su lista de posibles lugares a 4: Puerto Montt, Valdivia, Temuco, y
Concepcin. Usted estima que el nmero de personas que puede convencer
est dado por la siguiente tabla:
Domingo
Puerto Montt
Valdivia
Temuco
Concepcin
1.000
3.000
800
2.000
Lunes
800
5.000
800
3.000
Martes
500
1.000
820
2.500
b)
138
Trabajo Docente N 57
11.3. Usted tiene una lechera que produce 100.000 litros de leche a la semana.
Debe decidir si venderlos como leche a planta A, a la planta B, o bien
venderlos como queso a pblico directamente. (Estas alternativas no son
excluyentes).
Por cada 10 litros de leche, usted puede producir 1 Kg. de queso. Para
producir queso, sin embargo, debe contratar a un maestro quesero que le
cuesta 450.000 pesos por semana. Los precios de los distintos productos son
los siguientes:
Queso:
Leche:
Planta A: 340 pesos por litro.
Planta B: 280 pesos por litro.
Adicionalmente, usted sabe que el gerente de la planta A es un maoso y que
si le manda leche, le debe mandar entre 25 y 30 mil litros por semana.
Se pide:
a)
b)
c)
Suponga que el maestro quesero ha decidido que l pide 450 mil pesos
por cualquier cantidad inferior a 4.000 Kg. de queso, pero que su precio
sube a 480 mil si le piden producir ms de 4.000 Kg. Como incorporara
este punto en el planteamiento del problema.
Modelos de Optimizacin
139
1.
2.
Se deber dar raciones a 1.000 nios todos los das (5.000 raciones
semanales, ya que se excluyen sbados y domingos).
3.
4.
5.
6.
7.
8.
Charquicn
Pollo a la jardinera
Lentejas
Pescado con pur
Tallarines con carne
Arroz con salchicha
Salpicn de verduras
500
650
800
200
700
600
300
Costo
30
20
45
20
200
10
20
100
300
50
250
100
200
150
140
Trabajo Docente N 57
Se pide:
a)
b)
11.5. Una fbrica de galletas tiene 1800 libras de galletas de chocolate, 100 libras
de galletas de almendras y 50 libras de galletas de coco. La fbrica envasa
tres tipos de latas de 5 libras cada una, que contienen estas galletas en las
siguientes cantidades.
Lata 1: 3 libras de chocolate, 1 libra de almendras y 1 libra de coco.
Lata 2: 4 libras de chocolate, 0,5 libras de almendras y 0,5 libras de
coco.
Lata 3: 5 libras de chocolate.
El precio de venta es de 500, 400, y 600 pesos/lata respectivamente.
Se pide:
a)
b)
Modelos de Optimizacin
141
11.6. Ud. ha decidido instalar una botillera con los siguientes productos:
Bebidas:
Margen Neto
($/Bot.)
Coca Cola
Pepsi Cola
Limn Soda
Demanda Semanal
(Mx.)
10
12
15
250
100
400
20
10
180
130
Vinos:
Santa Rita
Casillero
b)
c)
d)
Cmo incorporara el hecho que Limn Soda exige para venderle, que
no le compre ms de 60 botellas a Coca Cola?
a)
142
Trabajo Docente N 57
b)
c)
2.
1.600
1.200
1.300
Abastecedor B
1.400
1.600
1.500
3.
4.
5.
6.
Se pide:
Plantee el problema de optimizacin correspondiente, definiendo claramente
las variables.
11.8. Para distribuir uno de los diversos productos que fabrica, una empresa desea
utilizar slo 2 de los 3 depsitos de su propiedad.
En la tabla siguiente se resume cierta informacin relativa a los costos de
distribucin y capacidad de cada depsito.
Modelos de Optimizacin
Depsito
A
B
C
143
8
3
10
50
30
80
Se pide:
Formule un problema de programacin matemtica que le permita identificar
los depsitos a utilizar y el programa ptimo de distribucin de acuerdo con
los antecedentes presentados y considerando que los mercados 1 y 2
requieren de 40 y 30 toneladas mensuales, respectivamente.
11.9. Ud. tiene dos parcelas de 10 y 20 hectreas cada una, las que puede sembrar
con trigo y maz. Los requerimientos de mano de obra y maquinaria son:
Trigo Maz
Mano de obra
(en jornadas/h)
Maquinaria
(en jornadas/h)
Rendimiento parcela 1
(en qq/h)
Rendimiento parcela 2
(en qq/h)
Margen neto unitario
(en pesos/qq)
10
15
20
30
60
40
60
10.000
10.000
144
Trabajo Docente N 57
i)
ii)
1.500
40
600
1.900
1.700
60
300
2.000
b)
c)
Modelos de Optimizacin
145
11.11. Ud. es dueo de un fundo que produce 20 mil cajas de manzanas todos los
aos. El huerto est en plena produccin y se espera que dure otros 5 aos.
Las manzanas son de exportacin en un 75%.
Su problema es decidir si poner su propio packing, que vale 50.000 dlares y
que dura exactamente 5 aos, a un costo operacional anual de 1.000 dlares
independientes de la cantidad de fruta, ms 0,5 dlares por caja.
En caso de poner su propio packing, ste tendra capacidad para 35 mil cajas
al ao, con lo que podra servir a terceros a un precio de 1,2 dlares la caja.
Los precios de venta en este caso seran de 3,8 y 3,2 dlares por caja para la
fruta de exportacin y no de exportacin, respectivamente.
Si no pone packing, Ud. tiene 3 posibilidades excluyentes:
1)
2)
3)
Se pide:
Plantee el modelo de optimizacin correspondiente del tal forma que pueda
ser resuelto con el LINDO o QSB+. Si necesita ms supuestos, invntelos.
Nota: El modelo no puede incorporar parte o partes de la solucin. Del
LINDO o QSB+ debera poder salir qu alternativa seguir, etc.
146
Trabajo Docente N 57
11.12. Imagnese en la siguiente situacin: Ud. tiene un fundo que produce 20 mil
kg. de limones al ao y desea saber si seguir vendindolos a granel sin
clasificar a un precio de 100 pesos por kilo o si clasificarlos en primera y
segunda clase antes de venderlos. Obviamente, si clasifica ya no puede
venderlos a granel.
Todo el proceso de clasificacin cuesta 200 mil pesos en total y Ud. sabe que
6.000 kilos de la produccin son de primera y los 14 mil kilos restantes son
de segunda.
El problema se complica por los siguientes aspectos: los limones de primera
Ud. los puede vender a una firma exportadora que le paga 130 pesos por kilo
hasta un mximo de 4.000 kilos, mientras que los limones de segunda puede
venderlos a un mayorista que le paga 100 pesos por kilo hasta un mximo de
3 mil kilos y/o a una verdulera que le compra hasta un mximo de 12 mil kg.
a un precio de 105 por kilo.
Por ltimo, una empresa agroindustrial est dispuesta a pagar 104 pesos por
kilo por todos los limones que Ud. desee venderle independiente de la
clasificacin, pero siempre y cuando vengan ya clasificados. Le exige, sin
embargo, que en el caso de venderle algo, le venda un mnimo de 15 mil
kilos.
Se pide:
Plantee el problema de tal forma que pueda ser resuelto por el LINDO o
QSB+. El programa debe permitirle a Ud. determinar si le conviene o no
clasificar, y adems cmo vender su produccin.
Modelos de Optimizacin
147
Primavera 2.000
Verano
1.000
4.000 3.000
3.000 2.000
5.000
1.000
400.000
300.000
200.000
300.000
380.000
530.000
Se pide:
a)
b)
Suponga que usted ha decidido que cualquier cultivo que siempre debe
tener por lo menos 5 hectreas (puede no sembrar).
c) Suponga que para vender, en caso que usted decida vender, debe pagar
una comisin fija al corredor de $200.000 en el caso del trigo, y para la
remolacha de $180.000 (estas comisiones se pagan una sola vez,
independiiente del volumen de produccin).
148
Trabajo Docente N 57
Mano de obra
(en j.h./h.)
Capital
(en j.m./h)
15
25
85
3.000
12
14
2.000
Se pide:
a)
b)
c)
5
9
12
14
Rancagua
Rancagua
Concepcin
Concepcin
Modelos de Optimizacin
149
1)
Los camiones que enve a Talca para traladar alimentos a Los Sauces
deben finalmente volver a la ciudad donde se encuentran hoy los
camiones. A modo de ejemplo, si enva el camin 1, ste tendra que
seguir la siguiente ruta: Rancagua - Talca - Los Sauces - Talca Rancagua.
2)
3)
4)
Se pide:
a)
b)
11.16. Para cada una de las siguientes afirmaciones escriba la o las restricciones
correspondientes definiendo claramente todas las variables. Estas deben ser
escritas de tal forma que se puedan entender en el LINDO o QSB+.
a)
Por cada 3 kilos de maz que ponga en una dieta de pollos, debo poner al
menos 2 kilos de harina de pescado.
b)
Por cada kilo de galletas de chocolate se usan 800 grs. de harina, y por
cada kilo de galletas de gengibre se usan 650 gramos de harina. Se
dispone de 6.000 grs. de harina en total.
c)
d)
e)
150
Trabajo Docente N 57
f)
g)
h)
i)
Arvejas
Tomates Disponibilidad
(1)
550
60
50
30
2.000 3.000
8.000
Notas:
(1)
La disponibilidad mxima es de 400 JH en horario normal y
300 JH en horario extraordinario.
(2)
Se refiere a neto de insumos tales como semillas, fertilizantes,
etc.
Ud. sabe adems que el precio por JH en horario normal es de 2.000 pesos
por jornada trabajada, y en horario extraordinario de 2.800 pesos por jornada
trabajada.
Se pide:
Modelos de Optimizacin
151
a)
b)
c)
d)
10
13
15
8
9
23
Se pide:
Formule el modelo de optimizacin correspondiente de tal forma que pueda
ser resuelto usando el programa LINDO.
152
Trabajo Docente N 57
b)
c)
d)
e)
f)
Localidad
1
3 + 2X
6+X
2
4+X
3X
Oferta
200
130
Modelos de Optimizacin
Demanda
153
110
120
Se pide:
a)
b)
154
Trabajo Docente N 57
c)
d)
Se lo compra?.
b)
Modelos de Optimizacin
155
11.24.Ud. tiene una verdulera y tiene 3 proveedores a los que puede comprar
tomates, lechugas, repollos, y zanahorias.
Los precios a los que Ud. puede vender, los precios que cobran los distintos
proveedores, junto con las cantidades mximas que puede comprarle a cada
uno, se presentan a continuacin:
Precio Prov. 1
de venta P
Q
mx.
mx.
Tomates
Lechugas
Repollos
Zanahorias
200
150
300
400
150
100
50
260
Prov. 2
P
Q
mx.
40 100
100
40
5 150
35 300
30
40
10
20
Prov. 3
P
Q
80 50
200 30
60 20
40 10
Adicionalmente, Ud. sabe que no podr vender a esos precios ms de 80, 270,
400 y 38 Kg. de tomates, lechugas, repollos, y zanahorias respectivamente.
Se pide:
a)
b)
1.500
6.000
12.000
d)
156
Trabajo Docente N 57
Precio = 80 - 2Q
Plantee nuevamente el problema de tal forma que pueda ser resuelto con
el LINDO.
Modelos de Optimizacin
157
REFERENCIAS
Ediciones