METODOS DE PROGRAMACIN LINEAL

Por
JENNY KATERINE POLANA
LEONARDO FABIO LORA RESTREPO
REINALDO GABRIEL PEA POLO
WILKE MARQUEZ

Presentado a:
Profesor: EDGAR ROJAS

INSTITUTO TECNICO DE SOLEDAD ATLANTICO, ITSA

PROGRAMA TECNICO EN PROCESOS INDUSTRIALES
BARRANQUILLA, ATLANTICO
2015

Mtodos de Programacin Lineal

La Programacin Lineal (PL) es una de las principales ramas de la Investigacin Operativa.
En esta categora se consideran todos aquellos modelos de optimizacin donde las funciones
que lo componen, es decir, funcin objetivo y restricciones, son funciones lineales en las
variables de decisin
Los modelos de Programacin Lineal por su sencillez son frecuentemente usados para abordar
una gran variedad de problemas de naturaleza real en ingeniera y ciencias sociales, lo que ha
permitido a empresas y organizaciones importantes beneficios y ahorros asociados a su
utilizacin.
Un modelo de Programacin Lineal (PL) considera que las variables de decisin tienen un
comportamiento lineal, tanto en la funcin objetivo como restricciones del problema. En este
sentido, la Programacin Lineal es una de las herramientas ms utilizadas en la Investigacin
Operativa debido a que por su naturaleza se facilitan los clculos y en general permite una
buena aproximacin de la realidad.
Los Modelos Matemticos se dividen bsicamente en Modelos Determistas (MD) o Modelos
Estocsticos (ME). En el primer caso (MD) se considera que los parmetros asociados al
modelo son conocidos con certeza absoluta, a diferencia de los Modelos Estocsticos, donde
la totalidad o un subconjunto de los parmetros tienen una distribucin de probabilidad
asociada. Los cursos introductorios a la Investigacin Operativa generalmente se enfocan slo
en Modelos Determistas.

Supuestos Bsicos de la Programacin Lineal: Linealidad, Modelos Deterministas, Variables

reales, No Negatividad.

La programacin lineal da respuesta a situaciones en las que se exige maximizar o minimizar

funciones que se encuentran sujetas a determinadas limitaciones, llamadas restricciones.

Su empleo es frecuente en aplicaciones de la industria, la economa, la estrategia militar, etc.

Funcin objetivo

En esencia la programacin

lineal consiste en optimizar (maximizar o minimizar) una

funcin objetivo, que es una funcin lineal de varias variables:

f(x,y) = ax + by.

Restricciones

La funcin objetivo est sujeta a (s.a.) una serie de restricciones, expresadas por inecuaciones
lineales:

a1x + b1y c1

a2x + b2y c2

...

...

...

anx + bny cn

Cada desigualdad del sistema de restricciones determina un semiplano, como la figura

siguiente:
3

Tipos de Soluciones
Solucin factible

El conjunto interseccin, de todos los semiplanos formados por las restricciones, determina un
recinto, acotado o no, que recibe el nombre de regin de validez o zona de soluciones
factibles.

Solucin ptima

El conjunto de los vrtices del recinto se denomina conjunto de soluciones factibles bsicas y
el vrtice donde se presenta la solucin ptima se llama solucin mxima (o mnima segn el
caso).

Valor del programa lineal

El valor que toma la funcin objetivo en el vrtice de solucin ptima se llama valor del
programa lineal.

Pasos para resolver un problema de programacin lineal

Elegir las incgnitas.

Escribir la funcin objetivo en funcin de los datos del problema.
Escribir las restricciones en forma de sistema de inecuaciones.
Averiguar el conjunto de soluciones factibles representando grficamente las restricciones.
Calcular las coordenadas de los vrtices del recinto de soluciones factibles (si son pocos).

Calcular el valor de la funcin objetivo en cada uno de los vrtices para ver en cul de ellos
presenta el valor mximo o mnimo segn nos pida el problema (hay que tener en cuenta aqu
la posible no existencia de solucin si el recinto no est acotado).
Ejemplo:

Unos grandes almacenes encargan a un fabricante pantalones y chaquetas deportivas.

El fabricante dispone para la confeccin de 750 m de tejido de algodn y 1000 m de tejido de

polister. Cada pantaln precisa 1 m de algodn y 2 m de polister. Para cada chaqueta se
necesitan 1.5 m de algodn y 1 m de polister.

El precio del pantaln se fija en 50 y el de la chaqueta en 40 .

Qu nmero de pantalones y chaquetas debe suministrar el fabricante a los almacenes para

que estos consigan una beneficio mxima?

Eleccin de las incgnitas.

x = nmero de pantalones

y = nmero de chaquetas

Funcin objetivo

f(x,y)= 50x + 40y

Restricciones

Para escribir las restricciones se realiza una tabla de anlisis:

Pantalones

Chaquetas

Disponible

Algodn

1,5

750

Polister

1000

x + 1.5y 750

2x+3y 1500

2x + y 1000

Como el nmero de pantalones y chaquetas son nmeros naturales, se tienen dos restricciones
ms:

x0

y0

Hallar el conjunto de soluciones factibles

Se representan grficamente las restricciones.

Al ser x 0 e y 0, se trabaja en el primer cuadrante.

Resolucin Grfica
El anlisis grfico es una alternativa eficiente para enfrentar la resolucin de modelos de
Programacin Lineal en 2 variables, donde el dominio de puntos factibles (en caso de existir)
se encontrar en el primer cuadrante, como producto de la interseccin de las distintas
restricciones del problema lineal.

Una de las propiedades bsicas de un modelo de Programacin Lineal que admite solucin, es
que sta se encontrar en el vrtice o frontera (tramo) del dominio de puntos factibles. Es
decir, si luego de grficar el dominio y evaluar los distintos vrtices de modo de elegir "el
mejor" candidato segn sea el caso (el valor de la funcin objetivo ser la que permitir
discriminar cual es el mejor candidato dependiendo si se est maximizando o minimizando).

A continuacin se representan las rectas, a partir de sus puntos de corte con los ejes.

Resolver grficamente la inecuacin: x + 1.5y 750, para ello se toma un punto del plano,
por ejemplo el (0,0).

0 + 1.5 0 750

0 750 entonces el punto (0,0) se encuentra en el semiplano donde se cumple la desigualdad.

De modo anlogo se resuelve 2x + y 1000.

2 0 + 0 1 000

La zona de interseccin de las soluciones de las inecuaciones sera la solucin al sistema de

inecuaciones, que constituye el conjunto de las soluciones factibles.
8

Calcular las coordenadas de los vrtices del recinto de las soluciones factibles.

La solucin ptima, si es nica, se encuentra en un vrtice del recinto. Estas son las
soluciones a los sistemas:

2x + 3y = 1500; x = 0 (0, 500)

2x + y = 1000; y = 0 (500, 0)

2x + 3y =1500; 2x + y = 1000 (375, 250)

Calcular el valor de la funcin objetivo

En la funcin objetivo sustituimos cada uno de los vrtices.

f(x, y) = 50x + 40y

f(0, 500) = 50 0 + 40 500 = 20 000

f(500, 0) = 50 500 + 40 0 = 25 000

f(375, 250) = 50 375 + 40 250 = 28 750

Mximo

La solucin ptima es fabricar 375 pantalones y 250 chaquetas para obtener un beneficio de
28750 .

La solucin no siempre es nica, tambin se puede encontrar con una solucin mltiple.

Si la funcin objetivo del ejercicio anterior hubiese sido:

f(x,y)= 20x + 30y

f(0,500) = 20 0 + 30 500 = 15 000

Mximo

f(500, 0) = 20 500 + 30 0 = 10 000

f(375, 250) = 20 375 + 30 250 = 15 000

Mximo

En este caso todos los pares, con soluciones enteras, del segmento trazado de 0,500 a
375,250 seran mximos.

10

f(300, 300)= 20 300 + 30 300 = 15 000

Mximo

Ejemplo Introductorio en 2 variables:

MIN 8X + 6Y

Sujeto a:
2X + Y >= 10
...... .2X + 2Y >= 16
..... ..X>= 0, Y>= 0
Para resolver el problema se grafica el dominio de puntos factibles y las curvas de nivel
asociadas a la funcin objetivo:

11

El rea sombreada representa el dominio de puntos factibles del problema anteriormente

planteado, es decir, son las distintas combinaciones de valores que pueden adoptar las
variables de decisin que satisfacen las restricciones del problema. Cabe destacar que esto
corresponde a un dominio no acotado, lo que no implica que el problema no tenga solucin.
El ptimo de un problema lineal se encuentra en un vrtice o frontera del dominio de puntos
factibles. En este caso existen 3 vrtices candidatos al ptimo, los cuales se sealan con
flechas

encerradas

en

crculos.

El

vrtice

(X,Y)=(0,10) con V(P)=60;

El

vrtice

(X,Y)=(2,6) con V(P)=52 y El vrtice (X,Y)=(8,0) con V(P)=64. El mnimo valor para la
funcin objetivo se alcanza en (X,Y)=(2,6) con V(P)=52, el cual resulta ser la Solucin
ptima del ejercicio anteriormente propuesto. Sin embargo, una forma ms eficiente para
obtener el ptimo que no implique evaluar cada vrtice en la funcin objetivo, es desplazando
las curvas de nivel de la funcin objetivo en la direccin del mximo decrecimiento (en el
caso de un problema de minimizacin). Para un problema de minimizacin, el mayor
decrecimiento se alcanza en la direccin del vector " - Gradiente F(X,Y)", en ste caso el
vector con direccin (-8,-6) (direccin representada por la flecha sin crculo). Luego, el
ptimo se alcanza en el ltimo punto donde las curvas de nivel intersectan al dominio de
puntos factibles en la direccin del mximo decrecimiento, cuya solucin obviamente
corresponde a (X,Y)=(2,6) con V(P)=52.
Anlisis de sensibilidad grfico para 2 restricciones
Una vez resuelto un modelo de Programacin Lineal resulta til hacer un anlisis de
sensibilidad que permita identificar cmo afecta en los resultados del problema variaciones en
los parmetros de ste, sin que esto pase por resolver el problema nuevamente. Nuestro sitio
considera una seccin aparte llamada "Sensibilidad".
1. Variacin en los Coeficientes de la Funcin Objetivo: La pregunta a responder es cul es el
intervalo de variacin para los coeficientes de la funcin objetivo (cada coeficiente se analiza
por separado) que mantiene la actual Solucin ptima.
Inicialmente se consideran las pendientes de las restricciones activas en el ptimo, es decir,
aquellas restricciones que se cumplen en igualdad (en nuestro caso restriccin 1 y 2). La
restriccin 1 (2X + Y >=10) tiene pendiente -2. La restriccin 2 (2X + 2Y >=16) tiene
pendiente -1. Por otra parte la pendiente de la funcin objetivo dado C1=8 y C2=6 es -4/3.
12

En consecuencia, se mantiene la actual Solucin ptima si la pendiente de la funcin objetivo

(curvas de nivel) varan en el intervalo de las pendientes de las actuales restricciones activas.
Esto es:
-2 <= -C1/C2 <= -1 (Multiplicamos por -1)
2 >= C1/C2 >= 1
Si fijamos C2=6.
2 >= C1/6 >= 1
12 >= C1 >= 6 (Garantiza la actual Solucin ptima con C2 fijo)
Si fijamos C1=8.
2 >= 8/C2 >= 1
8 >= C2 >= 4 (Garantiza la actual Solucin ptima con C1 fijo)
Ntese que en los extremos de los intervalos adems de incluir la actual Solucin ptima se
consideran nuevas combinaciones del dominio que mantienen el Valor ptimo y tambin son
Solucin ptima de D). Esta situacin determina que el problema tiene infinitas soluciones
ptimas.
2. Variacin en los lados derechos de las restricciones (clculo del "precio sombra"): Una
pregunta comn en el anlisis de sensibilidad resulta ver el impacto que tiene en el valor
ptimo una variacin marginal del lado derecho de alguna de sus restricciones (tanto aumento
o decrecimiento). El impacto en el valor ptimo por unidad de variacin del lado derecho de
una restriccin (manteniendo el resto constante) es el precio sombra asociado a dicha
restriccin. En nuestro ejemplo, considere que el lado derecho de la restriccin 1
(actualmente b1=10) corresponde a un recurso escaso (ejemplo: horas hombre, dinero,
tiempo, etc). Si sabemos que el actual valor ptimo V(P)=52, quisieramos saber por ejemplo,
cunto aumentara el valor ptimo se dispusiramos de una unidad adicional del recurso
escaso (es decir, pasando a b1*=11). En forma equivalente frecuentemente se plantea esta
inquietud como Cunto es lo mximo que se estara dispuesto a pagar por unidad adicional
del recurso asociado a la primera restriccin?. Este valor corresponde al precio sombra.
13

Precio Sombra Restriccin 1: Primero se considera el desplazamiento paralelo de la

Restriccin 1 (tanto en el sentido de crecimiento o decrecimiento del lado derecho), de modo
que la Solucin ptima se siga encontrando con las actuales restricciones activas (en nuestro
caso R1 y R2). Por ejemplo, desplazando R1 en la direccin de su decrecimiento, el ltimo
punto donde se intersecta R1 con R2 sera en el par ordenado (X,Y)=(0,8). Se propone al
usuario el clculo de la mxima variacin para R1 que se produce en (X,Y)=(8,0).

En consecuencia, el Precio Sombra asociado a la Restriccin 1 queda dado por:

Un Precio Sombra igual a 2 indica por ejemplo que si el lado derecho aumenta en 1 unidad, el
beneficio adicional (incremento en el Valor ptimo) es de 2 unidades. Adicionalmente, una
pregunta frecuente resulta en identificar el intervalo de variacin donde el precio sombra
calculado es vlido. El mximo valor al que puede adoptar el lado derecho de R1 es b1*, de
modo que la nueva solucin se siga encontrando con R1 y R2 activas. El valor de b1* se
obtiene al evaluar (X,Y)=(8,0) en la Restriccin 1: 2*(8) + 1*(0)=16. Siguiendo similar
razonamiento el mnimo valor que puede alcanzar el lado derecho de R1 es b1, que evaluado
en (X,Y)=(0,8) en R1 se obtiene: 2*(0) + 1*(8)=8.
Se recomienda al usuario hacer el clculo del Precio Sombra para la Restriccin 2, el cual
corresponde a 2. Si desea consultar un nuevo ejemplo ingrese a Resolucin Grfica en
Programacin Lineal.
14

Anlisis de sensibilidad grfico para 3 restricciones

La metodologa y conceptos presentados para el caso de 2 restricciones no difiere, sin
embargo, hay que tener especial cuidado cmo la inclusin de una tercera restriccin afecta el
anlisis. Veamos el siguiente ejemplo:

P) MAX 4X + 3Y

S.A. 6X + 2Y <= 120

...... .1X + 4Y <= 100

........5X + 5Y <= 150

..... ..X>= 0, Y>= 0

La resolucin grfica de este ejemplo permite obtener la solucin ptima X=15, Y=15 con
valor ptimo V(P)=105, tal como se observa en el grfico a continuacin:

Antes de proceder con el anlisis de sensibilidad es conveniente verificar si las actuales

restricciones del problema estan activas en el ptimo, es decir, si se cumplen en igualdad:

R1: 6*(15) + 2*(15) = 120 => R1 es una restriccin activa

R2: 1*(15) + 4*(15) < 100 => R2 no es una restriccin activa

15

R3: 5*(15) + 5*(15) = 150 => R3 es una restriccin activa

En el caso que el lado derecho de la restriccin sea un recurso, resulta lgico tener una
disposicin a pagar por unidad adicional en la medida que dicho recurso se este ocupando a
mxima capacidad. En consecuencia, una restriccin no activa tiene por definicin un precio
sombra igual a cero (caso de R2) ya que un aumento del lado derecho no aumentar el valor
ptimo actual V(P)=150. Sin embargo, slo en casos muy particulares podemos encontrar
restricciones activas con precio sombra (o costo reducido) igual a cero, lo que es ms la
excepcin que la regla.
Luego de esta introduccin veamos el clculo del precio sombra o costo reducido para la
restriccin 1 (R1). Primero, debemos desplazar en forma paralela la restriccin 1 hasta el
punto mximo donde la solucin ptima se siga encontrando con las actuales restricciones
activas R1 y R3. Dicho punto es (X,Y)=(30,0). Posteriormente, desplazamos en forma
paralela la restriccin 1 (R1) hasta el punto mnimo donde la solucin ptima se siga
encontrando con las actuales restricciones activas R1 y R3. Ntese que este desplazamiento
queda acotado hasta el punto donde la restriccin 2 (R2) se vuelve activa, que corresponde al
punto (X,Y)=(6,666, 23,333) como se muestra en la siguiente grfica:

Por consiguiente, el precio sombra asociado a la restriccin 1 queda dado por:

16

Siguiendo un procedimiento similar se pueden obtener los precios sombras asociadas a las
restantes restricciones.

Mtodo Simplex
Llevar un problema de Programacin Lineal a su forma estndar no siempre es inmediato. Un
error frecuente es tratar de resolver por el Mtodo Simplex un modelo que no cumple con el
diseo que exige el mtodo. A continuacin algunos ejemplos y casos especiales a tener en
cuenta:
Cambio de variables
Para resolver el siguiente problema de Programacin Lineal utilizando el Mtodo Simplex.
Max 2X1 + 2X2 + 4X3
S.A.
X2 + 2X3 <= 240 (R1)
X1 + X2 + X3 <= 400 (R2)
2X1 + X2 + X3 <= 360 (R3)
X1>=100 (R4) X2>=60 (R5) X3>=60 (R6)
Si se quisiera resolver directamente este problema utilizando Simplex, se debe agregar
variables de exceso para R4, R5 y R6 y luego variables artificiales para disponer de una
solucin bsica factible de modo de utilizar el Mtodo Simplex de 2 Fases. Claramente esto es
un trabajo tedioso por el gran tamao de la tabla resultante.
En consecuencia, lo ms eficiente es hacer un cambio de variables de modo que todas las
restricciones queden del tipo "<=" y de esta forma se dispone de una solucin bsica factible
inicial. Sea Y1=X1-100>=0; Y2=X2-60>=0; Y3=X3-60>=0. Reemplazamos en el modelo
anterior, el cual queda de la siguiente forma:

17

Max 2Y1 + 2Y2 + 4Y3 + 560

S.A.
Y2 + 2Y3 <= 60 (R1)
Y1 + Y2 + Y3 <= 180 (R2)
2Y1 + Y2 + Y3 <= 40 (R3)
Y1>=0 (R4) Y2>=0 (R5) Y3>=0 (R6)
Ntese que se podra obviar la restriccin 2 y obtener idnticos resultados. De todos modos
definimos la tabla inicial asociada a este nuevo problema:
Y1 Y2 Y3 S1 S2 S3
0

60

180

40

-2

-2 -4 0

Compruebe que Y1=5 (X1=105), Y2=0 (X2=60),Y3=30 (X3=90) con V(P)=690.

Problema infactible
Esta situacin se detecta cuando el valor ptimo del problema de la fase 1 es distinto de cero.
Max 3x1 + 2x2
s.a:

2x1 + x2 <= 2
3x1 + 4x2 >= 12
x1,x2 >= 0

Llevamos el modelo a su forma estndar agregando X3 como variable de holgura de la

restriccin 1, X4 como variable de exceso de la restriccin 2 y X5 como variable artificial de
la restriccin 2 que nos permita formar la base. De esta forma el modelo de la fase 1 queda
definido por:
Min

x5

s.a:

2x1 + x2 + x3 = 2
3x1 + 4x2 -x4 + x5= 12
x1,x2,x3,x4,x5 >= 0
18

Con tabla inicial:

X1 X2 X3 X4 X5
2

-1

12

Y tabla final de la fase 1:

X1 X2 X3 X4 X5
2

-5

-4

-1

-4

Ejemplo de problema no acotado

Esta situacin se detecta cuando al realizar el clculo de la variable que deja la base, todos los
elementos ykj de la columna j en la tabla, son negativos para j el ndice de una variable no
bsica con costo reducido negativo.
Max 2x1 + x2
s.a:

x1 - x2 <= 10
2x1 <= 40
x1,x2 >= 0

Donde la tabla inicial del mtodo simplex luego de agregar X3 y X4 como variables de
holgura para las restricciones 1 y 2 respectivamente es:

X1

X2

X3

X4

-1

10

40

-2

-1

19

Cabe destacar que en esta instancia ya se puede constatar que el problema es no acotado. X2
siendo variable no bsica los elementos de la respectiva columna son negativos o cero. Sin
embargo, si el usuario no se percata inmediatamente de esto, de todos modos llegar a la
misma conclusin en la iteracin posterior, luego de hacer entrar X1 a la base como aquella
variable no bsica con costo reducido ms negativo.

Mltiples soluciones ptimas

Esta situacin se detecta cuando existen costos reducidos iguales a cero en una o ms de las
variables no bsicas ptimas.
Max 3x1 + 2x2
s.a:

5x1 + 2x2 <= 140

3x1 + 2x2 <= 120
x1,x2 >= 0

Con tabla final del Mtodo Simplex:

X1

X2 X3

X4

1/2

-1/2

10

-3/4

5/4

45

120

Ntese que se ha encontrado una de las infinitas soluciones ptimas para el problema
(X1=10,X2=45, V(P)=120). Esto debido a que la variable no bsica X3 tiene costo reducido
igual a cero en el ptimo. Cmo se puede obtener otro vrtice con similar valor ptimo?.
Se debe forzar la entrada entonces de X3 a la base y sacar de la base una de las variables
20

bsicas actuales (si sigue el clculo notar que esta corresponde a X1). Finalmente, el nuevo
vrtice ptimo es X1=0, X2=60, V(P)=120. El resto de las infinitas soluciones ptimas esta
contenida en tramo que une los 2 vrtices tal como se muestra en la figura:

Relaciones de Dualidad en Programacin Lineal

El modelo dual de un problema de Programacin Lineal consiste en una instancia alternativa
de modelamiento que nos permite rescatar la informacin del problema original
conocido comnmente como modelo primal. En consecuencia es suficiente con resolver uno
de ellos (primal o dual) para poder obtener la solucin ptima y valor ptimo del problema
equivalente (primal o dual segn sea el caso). Para ello se puede utilizar las condiciones
del Teorema de Holguras Complementarias.

Las relaciones de dualidad se pueden resumir en el siguiente cuadro:

21

La tabla anterior se puede interpretar tanto de izquierda a derecha como de derecha a

izquierda. A continuacin se presenta un modelo de optimizacin que considerado como el
problema primal y que en un artculo previo fue resuelto a travs del Mtodo Simplex de 2
Fases.

Como en este caso el problema primal es de minimizacin, para definir su respectivo

problema dual leeremos la tabla que resume las relaciones de dualidad desde izquierda a
derecha. En consecuencia, el problema dual ser uno de maximizacin. Adicionalmente la
primera y segunda restriccin del problema primal definirn las variables de decisiones
(variables duales) en el problema dual (Y1 e Y2, respectivamente), siendo los coeficientes en
la funcin objetivo los actuales valores de los lados derechos de las restricciones del problema
primal. De esta forma la funcin objetivo del problema dual queda definida por la siguiente
expresin:

Luego por cada variable en el problema primal vamos a tener la misma cantidad de
restricciones en el problema dual. En este caso las variables X1, X2 y X3 definirn la
estructura de las restricciones 1, 2 y 3 en nuestro problema dual. Por ejemplo la primera
restriccin del problema dual (asociada a la variable primal X1) sera2Y1+2Y2<=160. Notar

22

que los coeficientes que ponderan a las variables duales son los parmetros asociados a la
variable X1 en el primal en la primera y segunda restriccin, respectivamente. La restriccin
en el dual es del tipo <= debido a que la variable X1 en el problema primal de
minimizacin tiene la condicin de no negatividad (>=0). Por ltimo el lado derecho de la
restriccin es el coeficiente que tiene la variable X1 en la funcin objetivo del problema
primal. Siguiendo el procedimiento las restricciones del problema dual seran:

Finalmente como las 2 primeras restricciones del problema primal son del tipo>= en el
problema primal de minimizacin, las respectivas variables duales asociadas en el problema
de maximizacin sern no negativas. De esta forma el problema dual es:

BIBLIOGRAFIA:
http://www.vitutor.com/algebra/pl/programacion_lineal.html
http://www.programacionlineal.net/
http://www.gestiondeoperaciones.net/programacion_lineal/relaciones-de-dualidad-enprogramacion-lineal-como-pasar-de-primal-a-dual/

23