Modelos de Programacin

Matemtica

Las proposiciones matemticas, en cuanto tienen que ver con la realidad, no son ciertas;
y en cuanto que son ciertas, no tienen nada que ver con la realidad A. Einstein

jpgarcia@omp.upv.es

10/03/2011

Modelos de Programacin Matemtica

Una clasificacin de los modelos de Programacin
Matemtica podra tener en cuenta las siguientes
caractersticas:

Estructura objetivos y restricciones (lineal o no lineal)

Caractersticas de las Variables (Reales, Discretas -enteras-,
Binarias)
Certidumbre de los Parmetros (Ciertos e Inciertos)
Nmero de Objetivos (Ninguno, Uno o ms de Uno)
Nmero de Restricciones (Ninguna, Ms de Cero)

jpgarcia@omp.upv.es

10/03/2011

Pasos en la Construccin de un Modelo de

Programacin Matemtico
Anlisis de Problema
Conjuntos de Datos, y por tanto de ndices
Parmetros
Objetivo
Variables de Control
Variables de Decisin
Restricciones
Ms Variables de Control
Modelo Completo
Validacin

jpgarcia@omp.upv.es

10/03/2011

Validaciones de los Modelos

Validacin del Modelo

Modelos Incompatibles
Modelos no acotados
Modelos Resolubles

Resultados Lgicos
Comparacin con resultados reales
Modificacin de Coeficientes en la funcin objetivo

Cmo construir un buen modelo

Facilidad para entender el modelo

Facilidad para detectar errores en el modelo
Facilidad para computar la solucin

jpgarcia@omp.upv.es

10/03/2011

Programacin Lineal
Se denomina Programacin Lineal a aquel problema definido
por un objetivo y un conjunto de restricciones, en los que
cada una de ellas es una funcin lineal de variables reales.
Algunos de los problemas clsicos de Programacin Lineal son:

Blending (Mezcla).
Product Mix (Catlogo de Productos).
Decisin de Inversiones.
Problema del Transporte

min ci xi
i

s.a.

i, j

xi b j

xi 0
http://thales.cica.es/rd/Recursos/rd98/Matematicas/29/intro.html
5

jpgarcia@omp.upv.es

10/03/2011

Interpretacin y Uso de la Solucin de un

Modelo de Programacin Lineal
Interpretaciones Econmicas

El Modelo Dual
Precios Sombra
Costes Reducidos

Anlisis de Sensibilidad y Estabilidad de un Modelo

Rangos en las restricciones

Rangos en el objetivo
Modelos Estables

jpgarcia@omp.upv.es

10/03/2011

Programacin Entera

Programacin Entera se produce cuando el dominio de las variables no es real sino discreto.

Diferentes reas dnde se aplica la PE

Problemas con inputs o outputs discretos

Problemas con condiciones lgicas

Problemas de combinatorias

Problemas No-Lineales

Problemas de Redes

El uso de variables discretas

z 14.2857

( x1 1)

( x1 2)

Subproblema 2
( x1 , x2 , x3 ) (1,1.5,2.667 )

Subproblema 3

z 2 14.1667
( x3 2)

No factible
( x3 3)

Cantidades indivisibles

Variables de decisin

Variables Indicadoras

En programacin lineal cuantas ms restricciones, en general, peor.

En programacin Entera cuantas ms restricciones en general mejor.

Problema 1
( x1 , x2 , x3 ) (1.1428,0,3)

Subproblema 4
( x1 , x2 , x3 ) (0.714,1.5,2)
z 4 9.42857

jpgarcia@omp.upv.es

Subproblema 5
( x1 , x2 , x3 ) (1,0,3)
z5 14

10/03/2011

Programacin No-Lineal
Objetivos y Restricciones No Lineales

Economas de Escala y Elasticidad de Precios

Relaciones entre variables

Funciones y Regiones Convexas

Regin Convexa: Regin del espacio entre el segmento que une dos puntos cualesquiera
est en la regin
Funcin Convexa: Una funcin es convexa si el conjunto de puntos (x,y) donde y f(x)
forma una regin convexa
Modelo de PM convexo: Se dice que un modelo de Programacin Matemtica es convexo
si implica la minimizacin de una funcin convexa sobre una regin convexa.

ptimos Locales y Globales

Programacin Separable
Se dice que una funcin es separable si puede expresarse como la suma de
funciones de una nica var.
La mayor parte de las funciones pueden separarse.
Convertir un modelo no-lineal en modelo separable

jpgarcia@omp.upv.es

10/03/2011

Programacin Lineal 0-1

Es un tipo especial de Programacin Entera donde las variables
slo pueden adoptar 0 o 1.
Reciben tambin el nombre de Problemas de Combinatoria.
Suelen ser de muy difcil resolucin.
Algunos de los problemas clsicos son:

Problema de la Mochila
Cubrimiento
Particin
Empaquetado
Viajante de Comercio
Problemas de Corte

jpgarcia@omp.upv.es

10/03/2011

Programacin Estocstica

La Programacin Estocstica concentra el estudio, formulacin y resolucin

de modelos de optimizacin que incorporan explcitamente parmetros
aleatorios, ya sea a travs de diferentes escenarios o de variables aleatorias
con distribuciones de probabilidad discreta o continua. En particular, los
modelos con recurso comprende una clase especial de modelos de
programacin estocstica que permiten enfrentar la presencia de
parmetros aleatorios mediante el uso de dos grupos de variables de
decisin, un primer grupo eligido entre aquellas variables cuyo valor se
toma independiente de la realizacin (futura) de los parmetros y, el otro,
entre aquellas decisiones en respuesta a esa realizacin (recurso), que
permiten dar la flexibilidad necesaria al modelo, tomando en cuenta para la
eleccin de una solucin ptima las desviaciones o el valor esperado
asociado a este recurso.

http://users.iems.nwu.edu/~jrbirge//html/dholmes/StoProIntro.html
http://stoprog.org/
10

jpgarcia@omp.upv.es

10/03/2011

Definicin de Objetivos Lineales

Objetivos Simples

Minimizar el valor absoluto

Min

x y

Minimizar el Mximo (o Maximizar el Mnimo)

Min

Max a j xij
i

Objetivos de Ratio

a x
Max
b x

1
bj x j
j

j i

wj x j t

b w
j

d jxj

Max a j w j

d j w j et

11

jpgarcia@omp.upv.es

10/03/2011

Programacin Multiobjetivo y Objetivos No

Optimizables

Mltiples Objetivos

Combinacin Lineal de Objetivos:

Programacin Multinivel. Goal Programming

min OBJ Obj1 Obj 2 Obj3

s.t El resto de restricciones

min Obj3 :
s.t.Obj 2 1.1* Cota 2
s.t.Obj1 1.01* Cota1
s.t El resto de restricciones

Soluciones No-Dominadas.
Optimos de Pareto.

Objetivos no optimizables: Por ejemplo Sobrevivir

12

jpgarcia@omp.upv.es

10/03/2011

Restricciones segn su relacin con la

realidad.

Restricciones de capacidad
Disponibilidad de materia prima
Limitaciones en la demanda del mercado
Continuidad o Balance
Restricciones de Calidad.
Restricciones Lgicas

13

jpgarcia@omp.upv.es

10/03/2011

Linealizando relaciones Lgicas.

1 aj xj b
j

x j M M b

a x
j

b 1

a x
j

m b

a x
j

b 1

1 aj xj b
j
j

(m ) b

a x

a x

b 1

a x
j

m m b

M b

( M ) b

a x
j

a x
j

14

b 1

a x
j

jpgarcia@omp.upv.es

10/03/2011

Restricciones segn su relacin con

otras restricciones.

Restricciones Duras y Blandas

a x
j

a x
j

u b

Restricciones Conflictivas
Restricciones Redundantes (precio sombra nulo)
Cotas Simples y Generalizadas.

Restricciones de Rango.

15

jpgarcia@omp.upv.es

10/03/2011

Un problema sencillo?

Una empresa fabrica 2 productos P y Q.

P se vende a 90 y Q a 100 . La demanda de cada producto es de P=100 unidades/semana y

de Q=50 unidades/semana.

Los dos productos requieren de una misma pieza central, la Materia Prima de la cual vale a
20 la unidad. Para fabricar la pieza central hacen falta 15 minutos del recurso B y 5 minutos
del recurso C. Para fabricar el componente 1 del producto P hace falta materia prima por
valor de 20/unidad, 15 minutos del recurso A y 10 minutos del recurso C. Al ensamblar la
pieza central con el componente 1 utilizamos otro componente 3 que se compra al precio de
5/unidad, lo ensambla el recurso D en 15 minutos cada unidad.

El producto Q sigue un procedimiento similar. El componente 2 utiliza Materia Prima por

valor de 20/unidad, pasa por el recurso A donde est 10 minutos y luego por el proceso B
donde est 15 minutos. Finalmente es ensamblado por el recurso D en 5 minutos. El mes
tiene 20 das de 8 horas. Los gastos totales son 3600/semana

Cual es el mejor plan de produccin para la empresa? Qu beneficio le aporta?

Cul es el valor de una hora ms de cada recurso productivo?

Establecer un objetivo que pretenda maximizar el ratio beneficio entre horas totales de trabajo.

Establecer un objetivo que pretenda

Cmo incorporar limitaciones en la disponibilidad de materia prima?

Cmo incorporar un nmero indefinido de productos al modelo?

16

jpgarcia@omp.upv.es

10/03/2011

Problemas de Programacin Lineal

Una compaa fabrica dos modelos de sombrero: Bae y

Viz. La fabricacin de los sombreros se realiza en las
secciones de moldeado, pintura y montaje. La fabricacin
de cada modelo Bae requiere 2 horas de moldeado, 3 de
pintura y una de montaje. La fabricacin del modelo Viz
requiere tres horas de moldeado, 2 de pintura y una de
montaje. Las secciones de moldeado y pintura disponen,
cada una, de un mximo de 1.500 horas cada mes, y la de
montaje de 600.Si el modelo Bae se vende a 10 y el
modelo Viz a 12 qu cantidad de sombreros de cada
tipo ha de fabricar para maximizar el beneficio mensual?

17

jpgarcia@omp.upv.es

10/03/2011

Problemas de Programacin Lineal

Una persona tiene 5.000 para invertir en dos tipos de

acciones A y B. El tipo A tiene bastante riesgo con un
inters anual del 10% y el tipo B es bastante seguro con
un inters anual del 7%. Decide invertir como mximo
2.000 en A y como mnimo 1.000 en B, e invertir en
A por lo menos tanto como en B. Cmo deber invertir
sus 5.000 para maximizar sus intereses anuales?

18

jpgarcia@omp.upv.es

10/03/2011

Problemas de Programacin Lineal

Imaginemos que las necesidades semanales mnimas de

una persona en protenas, hidratos de carbono y grasas
son 10, 9, 12 unidades respectivamente. Supongamos que
debemos obtener un preparado con esa composicin
mnima mezclando los productos A y B cuyos contenidos
por kilogramo son los que se indican en la tabla Cuntos
kilogramos de cada producto debern comprarse
semanalmente para que el costo de preparar la dieta sea
mnimo?

10/03/2011

Protenas

Hidratos

Grasas

Coste(kg)

Producto A

600

Producto B

400

jpgarcia@omp.upv.es

19

Problemas de Programacin Lineal

Una empresa fabrica 7 productos distintos, para los que utiliza 5 tipos de
Mquinas (Fresas(4), Tornos(2), Sierras(3), Soldadoras(1) y
Rectificadoras(1)). Aunque la cantidad de ellas puede variar a lo largo del
tiempo.

Tambin vara el nmero de das en cada uno de los meses Se trabaja 16

horas al da y no es posible utilizar horas extras.

Cada producto utiliza cada mquina durante una cierta cantidad de tiempo.
Cada unidad de producto aporta un determinado beneficio.

La demanda de cada producto es variable segn los meses, cmo tambin

lo son el nmero de das laborables en cada uno de ellos. Consideramos un
horizonte de planificacin de 6 meses.

Inicialmente no se dispone de stock de ningn producto, y el nmero total

de unidades al final de cada mes almacenadas est limitado a 400 unidades.
El coste de almacn de cada unidad que quede al final de mes es 0.5
20

jpgarcia@omp.upv.es

10/03/2011

Mezcla de Productos

Una empresa con tres secciones productivas (tornos(3), fresas(2),

Montaje (8 montadores por turno)) fabrica 5 productos distintos 6
das a la semana, 2 turnos de 8 horas al da.

Los beneficios de los productos, y la necesidad en horas de cada

recurso, se expresa en la siguiente tabla
PR1

PR2

PR3

PR4

PR5

550

600

350

400

200

Torno

12

20

25

15

Fresa

10

16

Montaje

20

20

20

20

20

Beneficio unit.
Requerimientos

21

jpgarcia@omp.upv.es

10/03/2011

El modelo MPL Mezcla de Productos

INDEX
i= 1..5
j= (torno,fresa,montaje)
DATA
benef[i] := (550,600,350,400,200)
prodhoras[j,i] :=(12,20,0,25,15,
10,8,6,0,0,
20,20,20,20,20)
rechoras[j] := (288,192,384)
VARIABLES
x[i]
MAX SUM( i : benef*x)
SUBJECT TO
restr[j] : SUM(i : prodhoras*x)<=rechoras

22

jpgarcia@omp.upv.es

10/03/2011