Lineal 2019

Gestión de Investigación de Operaciones
GESTIÓN DE INVESTIGACIÓN DE
OPERACIONES (GIO)
Prof. Víctor M. Albornoz S.

e-mail: victor.albornoz@usm.cl
Segundo Semestre 2019
Contenidos
1. Introducción a la Investigación de Operaciones

Modelos de Programación Matemática
2. Programación Lineal
3. Programación Entera
4. Programación No- lineal
Modelos Probabilísticos
5. Procesos Estocásticos y Cadenas de Markov
6. Sistemas de Espera
Temario:
2.1. Introducción.
2.2. Resolución gráfica de problemas.
2.3. Modelos de Programación Lineal.
2.4. El Método Simplex.
2.5. Dualidad en Programación Lineal.
Supuestos básicos de esta clase de un modelo

de Programación Lineal:
□ Linealidad
□ Determinista
□ Variables reales
□ No - negatividad
Inicios Programación Lineal: publicación del Método

Simplex (primal) por George Dantzig en 1947.
Primer problema resuelto: Laderman (1947), tenía 9

restricciones y 77 variables, tomó 120 días/hombre.
Primera implementación computacional del Método

Simplex el año 1952 en un problema de 71 variables y
48 ecuaciones, tardó 18 horas.
En 1956, un código llamado RSLP1, implementado en un

IBM con 4Kb en RAM, admite la resolución de modelos
de hasta 255 restricciones.
A fines de los 70, existen software que resuelven

problemas con hasta 32.000 restricciones, desarrollados
por compañías como Ketron Co. e IBM.
En la década de los ochenta se producen significativos

avances en temas como:
• Algoritmos Polinomiales
• Algoritmo Simplex-Dual
• Álgebra Lineal Numérica
• Algoritmos de Punto Interior (Primal-Dual)
Modelo de logística militar (Bixbi, 2002) resuelto en un

mismo computador con diferentes versiones de un
conocido software de programación lineal:
restricciones variables no-ceros
pds 60 99.431 367.268 809.094

pds 80 129.181 467.192 1.025.706
pds100 156.171 546.469 1.193.533
Cplex 1.0 (1988) Cplex 5.0 (1997) Cplex 7.1 (2001)
pds 60 205798,0 seg. 7442,6 seg. 160,5 seg.

pds 80 - 42055,4 seg. 304,4 seg.
pds100 - 50413,1 seg. 256,0 seg
Existen por cierto problemas que pueden llegar a ser

difíciles de resolver.
Un problema de Scheduling que considera 157.323

restricciones y 182.812 variables de decisión, al ser
de programación entera se resuelve mediante una
secuencia de problemas de P.L.
El primero de la secuencia tarda 18 horas y luego de

resolver 1.780 problemas de P.L. aparece la primera
solución entera factible con un error de 3.7%, ¡al
cabo de 92 días! (conferencia Bixbi, 17 de Julio
2012, Santiago).
Temario:
2.1. Introducción.
La geometría de esta clase de problemas permite

apreciar alguna de sus propiedades más importantes.
Consideremos un problema introductorio, planteado como

uno problema de Programación Lineal:
Max 10x1 + 16x2

s.a. 2x1 + 2x2 ≤ 8
x1 + 2x2 ≤ 6
x1≥0, x2≥0.
Para su resolución geométrica se debe considerar dos

aspectos básicos que caracterizan el mismo.
En primer lugar, se debe obtener la región de puntos

factibles en el espacio, obtenida por medio de la
intersección de todos los semi-espacios que determinan
cada una de las inecuaciones conjuntamente con todos
los planos o rectas también presentes en las
restricciones del problema.
Enseguida, se estudia el comportamiento de las curvas de

nivel de la función objetivo, fijando la atención en la
dirección de crecimiento de la función, que corresponde a
la dirección del vector gradiente: ∇f(x1,x2) = (10,16)T.
De ahí se obtiene la solución óptima del problema en la

intersección de las restricciones activas, esto es las
rectas: 2x1+2x2=8 y x1+2x2=6
De donde su solución óptima y valor óptimo son:
x1* = 2 x2* = 2
z* = 10x1* + 16x2* = 52
3
4
4
6
Notar que se pueden dar otras situaciones en la

búsqueda de una solución óptima para esta clase de
problemas:
i) La solución óptima exista pero sean infinitas.
En el ejemplo, considere la nueva función

objetivo: z = 16x1+16x2.
ii) Problema no-acotado sin solución óptima, esto podría

ocurrir con una región de puntos factibles no - acotada.
En el ejemplo, remplace ambas desigualdades del tipo
≤ por una del tipo ≥.
iii) Existen problemas que no tienen solución al no

existir puntos factibles.
En el ejemplo, suponga que agregamos la restricción:
x1 ≥ 5.
Algunas preguntas que son parte del análisis

optimal asociado a la resolución del problema son:
1) ¿Cuál es el intervalo de variación de algún

coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?
Sea z = c1x1+c2x2
La solución óptima de la nueva función, seguirá
siendo: x1*= 2 ; x2*= 2 ssi:
− c1 1
− 1≤ ≤−
c2 2
También podemos estudiar el intervalo de un sólo

coeficiente, dejando el resto de los parámetros fijos:
Para c1: − c1 1
−1 ≤ ≤− ⇔ 8 ≤ c1 ≤ 16
16 2
Para c2>0: − 10 1
−1 ≤ ≤− ⇔ 10 ≤ c2 ≤ 20
c2 2
2) ¿ Cuál es la variación del actual valor óptimo de la

función objetivo, si cambiamos en una unidad algún
coeficiente del lado derecho de las restricciones ?
Estudiaremos por separado las variaciones de cada

uno de los coeficientes del lado derecho de las
restricciones, de modo preservar la geometría del
problema, esto es, que se conserven las mismas
restricciones activas de la solución óptima inicial.
Primera restricción.
La mayor variación del coeficiente del lado derecho se
alcanza en x1 = 6 y x2 = 0, de donde se obtiene:
z(6,0) = 10 * 6 + 16 * 0 = 60 y b1* = 2 * 6 + 2 * 0 = 12
La menor variación del coeficiente del lado derecho se

alcanza en: x1 = 3 ; x2 = 0, de donde se obtiene:
z(0,3) = 10 * 0 + 16 * 3 = 48 y b1 = 2 * 0 + 2 * 3 = 6
De aquí, se calcula el precio sombra λ1, que indica

la razón o tasa de cambio de la función objetivo con
respecto al cambio en una unidad del lado derecho:
z (6,0) − z (0,3) 60 − 48
λ1 = *
= =2
b1 − b1 12 − 6
Segunda restricción.
La mayor variación del coeficiente del lado derecho
se alcanza en x1 = 0 y x2 = 4, de donde se obtiene:
z(0,4) = 10*0 + 16*4 = 64 y b2*= 2*0 + 2*4 = 8
La menor variación del coeficiente del lado derecho

se alcanza en: x1= 4 ; x2= 0, de donde se obtiene:
z(4,0) = 10*4 + 16*0 = 40 y b2= 4 + 2*0 = 4
De aquí, se calcula el precio sombra λ2, que indica

la razón o tasa de cambio de la función objetivo con
respecto al cambio en una unidad del lado derecho:
z (0,4) − z ( 4,0) 64 − 40
λ2 = *
= =6
b2 − b2 8−4
Temario:
2.1. Introducción.
Etapas en la resolución de un problema de

naturaleza real.
□ Definición del problema.

□ Formulación de un modelo.
□ Resolución computacional.
□ Verificación, validación, refinamiento.
□ Interpretación y análisis de resultados.
□ Implementación y uso.
En lo concerniente a la formulación de un modelo de

optimización, debemos tener presente:
□ Representación simplificada de la problemática, que

facilite su comprensión y estudio.
□ Traducción del problema a términos matemáticos
– objetivos: función objetivo
– alternativas: variables de decisión
– limitaciones del sistema: restricciones
□ Procurar un equilibrio entre sencillez, capacidad de
representación y resolución.
Problemas de Planificación de la Producción
Las firmas planifican el conjunto de sus

actividades en distintos niveles de decisión.
En particular, a nivel táctico, sobre un horizonte

de planificación mediano plazo, se busca
asegurar que los recursos sean obtenidos
eficazmente y también empleados eficientemente
de acuerdo a los objetivos de la firma.
Un primer modelo a este respecto es el modelo

de dimensionamiento de lotes de Wagner y
Whitin (1958).
Este problema consiste en hallar una política

óptima de producción de un determinado
producto para satisfacer demandas fluctuantes
en el tiempo, de modo de minimizar costos de
producción e inventario, considerando la
disponibilidad de diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta 150
unidades en cada uno de los 4 periodos en que se ha
subdividido el horizonte de planificación y se tiene
adicionalmente la siguiente información:
Periodos Demandas Costo Prod. Costo de Inventario
(unidades) (US$/unidad) (US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3
Supuestos adicionales:
- Existe un inventario inicial de 15 unidades.
- No se acepta demanda pendiente o faltante (es decir, se
debe satisfacer la demanda dada en cada periodo).
Variables de decisión:
xt : número de unidades elaboradas en el periodo t.
It : número de unidades de inventario al final del
periodo t.
Función objetivo:
Consiste en minimizar los costos de producción y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
Notar que en el óptimo I4 va a ser 0, así que incluso

podríamos no incluirla, pero de todos modos la
consideramos.
Restricciones del problema:

1) Restricciones de cotas, que reflejan la capacidad de
producción.
xt ≤150
2) Restricciones de no negatividad
xt ≥ 0
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195 Periodo 4
La planificación de la producción se ocupa de

proveer niveles óptimos de producción e
inventario de numerosos productos finales y
también decisiones relacionadas con mano de
obra.
Otros aspectos que dificultan la resolución del

problema son la dinámica de la demanda, la
estructura de los costos, restricciones de
capacidad, tiempos de setup, producción en
múltiples niveles, etc.
Ahora bien, para responder a estos factores se

utiliza comúnmente:
- creación de inventarios de productos finales
que equilibren la producción,
- planificación con demanda pendiente o
compras a proveedores externos
- cambios en el tamaño de la fuerza laboral,
- empleo de sobretiempo de la jornada laboral,
etc.
Como una manera de obtener el mejor plan ante
las alternativas discutidas previamente, es
posible formular y resolver un modelo de
optimización cuya solución óptima provea
simplemente el plan óptimo buscado.
En lo que sigue se describe un modelo de

programación lineal que considera diferentes
opciones: sobretiempo, inventario y faltante,
tomando en cuenta los distintos antecedentes
del problema.
Parámetros
ct = costo de producción en mes t
ht = costo de inventario en mes t
ut = costo demanda no satisfecha en mes t
wt = costo hora-hombre en mes t
ot = costo hora-hombre sobretiempo en mes t
dt = demanda para el mes t
r = horas de elaboración de una unidad
rmt = máximo de horas en tpo normal en mes t
omt = máximo de horas de sobretiempo en mes t
I0 = inventario inicial
Por su parte, las variables de decisión del

modelo corresponden a:
Xt = unidades elaboradas en mes t
It = nivel de inventario al término del mes t
Zt = unidades de demanda no satisfecha en mes t
Wt = horas-hombre en tpo normal en mes t
Ot = horas-hombre en sobretiempo en mes t

Min ∑t (ctXt + htIt + utZt + wtWt + otOt)
s.a.
Xt + It-1 - It + Zt = dt t=1,…,T
rXt = Wt + Ot t=1,…,T
0 ≤ Wt ≤ rmt t=1,…,T
0 ≤ Ot ≤ omt t=1,…,T
Xt≥0, It≥0, Zt≥0, t=1,…, T

A continuación se presenta un modelo de

Programación Lineal que extiende el anterior a
múltiples familias.
Este considera un nuevo subíndice asociado a

cada familia en cada uno para las variables de
decisión y parámetros del mismo.
Variables de decisión.
Xit = unidades elaboradas de la familia i en mes t
Iit = nivel de inventario de familia i al término del
mes t
Zit = unidades de dda. no satisfecha de familia i
en mes t
Wt = horas-hombre en tpo normal en mes t
Ot = horas-hombre en sobretiempo en mes t
Min ∑t ∑i (citXit + hitIit + uitZit ) + ∑t (wtWt + otOt)
s.a.
Xit + Ii(t-1) - Iit + Zit = dit i=1,…,N; t=1,…,T
∑i riXit = Wt + Ot t=1,…,T
0 ≤ Wt ≤ rmt t=1,…,T
0 ≤ Ot ≤ omt t=1,…,T
Xit≥0, Iit≥0, Zit≥0, i=1,…,N;t=1,…, T

Problema deTransporte y Distribución
Un problema muy interesante en la logística de las

operaciones consiste en decidir cuántas unidades
trasladar desde ciertos puntos de origen (plantas,
ciudades, etc.) a ciertos puntos de destino (centros de
distribución, ciudades, etc..) de modo de minimizar los
costos de transporte, dada la oferta y demanda en dichos
puntos.
Problema de Transporte
(Hitchcock, 1941; Kantorovich 1942; Koopmans 1947)
Suponga que una empresa posee dos plantas que

elaboran un determinado producto en cantidades de 250
y 400 unidades diarias, respectivamente. Dichas
unidades deben ser trasladadas a tres centros de
distribución con demandas diarias de 200, 200 y 250
unidades, respectivamente. Los costos de transporte (en
$/unidad) son:
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
Diagrama:
C.D.1
X11
Planta 1
X12
X21 X22 C.D.2

Planta 2
X13
X23
C.D.3
Orígenes Destinos
xij = Unidades transportadas desde la planta i (i=1,2),

hasta el centro de distribución j (j=1,2,3)
Función Objetivo:
Minimizar el costo total de transporte dado por la

función:
21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del problema:
1) No Negatividad: xij ≥ 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
3) Oferta:
P1 : x11 + x12 + x13 = 250
P2 : x21 + x22 + x23 = 400
Problema de mezcla de productos

(Charnes, Cooper and Mellon, 1958).
En una refinería de petróleo, el petróleo crudo se
transforma en gasolina. Suponga que una en
particular produce 4 tipos de gasolina, que
denotaremos por Gasol. 1, Gasol. 2, Gasol. 3 y Gasol.
4.
Tres propiedades muy importantes de cada gasolina
son su octanaje (NP), su presión de vapor (RVP) y el
porcentaje de azufre (S).
Los valores de estas propiedades y la disponibilidad

diaria de cada gasolina se dan en la siguiente tabla:
NP RVP S Barriles diarios
Gasol. 1 107 5 0.4% 3800
Gasol. 2 93 8 0,45 2600
Gasol. 3 87 4 0,25% 4000
Gasol. 4 108 21 0,30% 1300

Estas gasolinas pueden ser vendidas directamente a un

precio de US$68 por barril o bien mezcladas para
obtener gasolinas de aviación (que denotaremos por
avgas A y avgas B). Las propiedades exigidas en la
elaboración de estos dos nuevos productos junto con
sus precios de venta son los siguientes:
NP RV S Precio por barril

(US$)
avgas A Al menos 100 A lo más 7 A lo más 0,30% 83
Avgas B Al menos 91 A lo más 6 A lo más 0,35% 80
El octanaje, presión de vapor y porcentaje de azufre de

cada mezcla es un promedio ponderado de las
respectivas propiedades de las gasolinas empleadas
en la misma. Asuma que no se producen pérdidas.
El problema consiste en determinar la cantidad exacta

de barriles a producir de cada gasolina de aviación, de
modo de maximizar los ingresos diarios y cumplir con
las exigencias de la mezcla.
xj : cantidad de barriles del Gasol. j que son
vendidos sin mezclar, con j = 1, 2, 3, 4.
xA : cantidad de barriles de avgas A.
xB : cantidad de barriles de avgas B.
xjA: cantidad de gas j usado en avgas A.
xjB: cantidad de gas j usado en avgas B.
Función objetivo:
Max 68 (x1 + x2 + x3 + x4) + 83xA + 80xB
Restricciones: x1 + x1A + x1B = 3800

x2 + x2A + x2B = 2600
x3 + x3A + x3B = 4000
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
NP, avgas A: 107 x1 A + 93 x2 A + 87 x3 A + 108 x4 A ≥ 100

xA
NP, avgas B: 107 x1B + 93 x2 B + 87 x3 B + 108 x4 B ≥ 91

xB
RVP, avgas A: 5 x1 A + 8 x2 A + 4 x3 A + 21x4 A ≤ 7

xA
RVP, avgas B: 5 x1B + 8 x2 B + 4 x3 B + 21x4 B

≤6
xB
S, avgas A: 0.40 x1 A + 0.45 x2 A + 0.25 x3 A + 0.30 x4 A

≤ 0.30
xA
S, avgas B: 0.40 x1B + 0.45 x2 B + 0.25 x3 B + 0.30 x4 B

≤ 0.35
xB
Problema de expansión de la capacidad

En este problema se desea planificar la expansión
de la capacidad de un sistema eléctrico para los
siguientes T años. La demanda (estimada) para el año
t corresponde a dt MW para t = 1, 2, ..., T. La capacidad
existente del sistema corresponde a ct MW para el
año t = 1, 2, ..., T.
Existen 2 alternativas para la expansión de la

capacidad del sistema:
• Usar plantas térmicas a petróleo.
• Usar plantas térmicas a gas.
Se requiere una inversión pt por MW instalado de una
planta a petróleo que esté operativa al comienzo del
año t, y el correspondiente costo para una planta a
gas es gt.
Por razones políticas y de seguridad, se ha decidido

que no más del 30% de la capacidad instalada,
corresponda a plantas a gas (nuevas).
Cada planta a petróleo tiene una vida de 20 años y
una planta a gas una vida de 15 años.
Se desea proponer un plan de expansión al mínimo
costo posible.
xt : cantidad de MW expandidos en planta a petróleo al
inicio del año t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas al
inicio del año t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas nuevas
a petróleo al inicio del año t.
wt : cantidad total de MW disponible en plantas nuevas
a gas al inicio del año t.
T
Función Objetivo: Min ∑ [p t x t + gt y t ]
t =1
=
Restricciones: c t + z t + w t ≥ dt
t
z t = ∑ xk t ≤ 20
k =1
t
zt = ∑ xk t > 20
k = t − 19
= −
t
w t = ∑ yk t ≤ 15
k =1
t
wt = ∑ yk t > 15
k = t −14
= −
wt
≤ 0,30 t = 1...T
ct + zt + w t
x t , yt , z t , w t ≥ 0
En lo que sigue se describe algunos detalles de

un problema relacionado con la expansión de la
capacidad de un sistema térmico de generación
eléctrica en Chile.
El problema consiste en determinar en qué
periodos llevar a cabo la expansión del sistema,
de entre un conjunto de tecnologías y tamaños
disponibles, de modo de enfrentar la demanda por
potencia eléctrica.
En Chile existen cuatro sistemas eléctricos:

- Sistema Interconectado del Norte Grande (SING)
- Sistema Interconectado Central (SIC)
- Sistema de Aysén
- Sistema de Magallanes
En el Sistema de Magallanes opera una sola

empresa, EDELMAG S.A., quien desarrolla las
actividades de generación, transmisión y
distribución de energía eléctrica, atendiendo
alrededor de 56 mil clientes.
Unidades Existentes a la fecha del trabajo:
Unidades consideradas para expansión:

Modelo de Optimización
Np
1
Min∑ t
(Cinv p + Cop p + Cfalla p )
p =1 (1 + r )
s.a.
Restricciones de demanda
Máximos técnicos de generación
Disponibilidad de unidades nuevas y existentes
Costo de Inversión
nd ng nt
Cinvp = ∑ cimdip XMDip + ∑ cimgjp XMGjp + ∑ citgkp XTGkp
i =1 j =1 k =1
donde XMDip, XMGip, XTGkp son las variables de decisión

que representan la decisión de MW a invertir en cualquier
periodo p del horizonte de planificación en las respectivas
tecnologías.
Costos de operación
Los costos de generación se asume conocidos durante
todo el horizonte de planificación y dependen del tipo
de combustible utilizado.
np
nmd  nes  nmg  nes  ntg  nes 
∑ ∑ i  ∑
p =1  i =1
cv
 e=1
PMDiep ⋅ he + ∑
 j =1
cu j∑
 e=1
PMG jep ⋅ he + ∑
 k =1
cwt∑
 e =1
PTGkep ⋅ he 

donde PMDiep, PMGjep y PTGiep son las variables de

decisión asociadas a los niveles de generación con
cada tipo de tecnología
Costos Variables
Mills/kWh
120,00
100,00
80,00 DIESEL
60,00 MGAS
40,00 TGAS
20,00
0,00
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Años
TGH TGS MGAS SULZ1 CAT1 MD1 MG1 TG1

Costo de Falla
np
 nes 
∑
p =1
cf i  ∑ PFep ⋅ he 
 e =1 
donde Pfep representa la variables de decisión asociada a

la potencia no atendida (falla).
COSTO
Energía de Falla
Restricciones de Demanda
nmd nmg ntg
∑ PMD
i =1
iep + ∑ PMG jep + ∑ PTGkep + PFep = Demep
j =1 k =1
Para cada segmento e de la curva de demanda del

periodo p.
Despacho Julio 06
MW
40
TGS
TG2
35
TG1
SULZ3
30
SULZ2
25 SULZ1
PF
20 MGAS
MG2
15 MG1
MD2
10 MD1
CAT3
5
CAT2
CAT1
0
[E1,6,7,S7]
Restricciones de generación de centrales existentes.

0 ≤ PMDiep ≤ ais PMDipmax i ∈ {nd + 1,..., nmd }, e ∈ {1,.., ne}, p ∈ {1,..., np}
0 ≤ PMG jep ≤ b sj PMG max

jp j ∈ {ng + 1,..., nmg }, e ∈ {1,.., ne}, p ∈ {1,..., np}
0 ≤ PTG kep ≤ bks PTG kpmax k ∈ {nq + 1,..., ntg}, e ∈ {1,.., ne}, p ∈ {1,..., np}
MW Despacho Febrero 06
40
TGS
35 TG2
TG1
30 SULZ3
SULZ2
25 SULZ1
PF
20
MGAS
MG2
15
MG1
MD2
10
MD1
CAT3
5
CAT2
CAT1
0
[E1,6,2,S1]
Restricciones asociadas a las decisiones de

expansión.
WMGip = WMGip −1 + XMGip p ∈ {1,..., np}; i ∈ {1,..., nd }
WMD jp = WMD jp −1 + XMD jp p ∈ {1,..., np}; j ∈ {1,..., ng}
WTGkp = WTGkp −1 + XTGkp p ∈ {1,..., np}; k ∈ {1,..., nt}
donde WMDip, WMGjp y WTGip son las variables de decisión

asociadas al total de la capacidad instalada hasta un
determinado periodo de generación con cada tipo de
tecnología
Restricciones operacionales asociadas a las

unidades nuevas.
0 ≤ PMDqep ≤ WMD p q ∈ {1,..., nd }, e ∈ {1,.., ne}, p ∈ {1,..., np}
0 ≤ PMGgep ≤ WMGp g ∈ {1,..., ng}, e ∈ {1,.., ne}, p ∈ {1,..., np}
0 ≤ PTGtep ≤ WTGp t ∈ {1,..., nq}, e ∈ {1,.., ne}, p ∈ {1,..., np}

Se resolvieron distintas instancias del problema,

que en el caso del modelo determinista requería
resolver un modelo con alrededor de 7.200
variables y unas 7.800 restricciones lineales.
Se empleó el lenguaje de modelado algebraico

AMPL con CPLEX como solver de optimización.
El modelo fue extendido a uno de Programación

Estocástica Entera para 100 escenarios que
poseía unas 577.000 variables y 642.000
restricciones.
Problema de planificación financiera.

Una empresa tiene compromisos financieros al inicio
de cada uno de los años listados en la siguiente
tabla, expresados en millones de pesos:
Año 3 4 5 6
20 22 24 26
Para ello la empresa desea construir una cartera de

inversiones de modo tal de minimizar la cantidad a
invertir al inicio del primer año y cubrir con ello estos
compromisos futuros, aprovechando los retornos que
brindan los instrumentos de la cartera.
Estas obligaciones serán cubiertas con inversiones en

instrumentos que tienen las siguientes características:
Tasa de Madurez
retorno (años)
Bono 1 5% 1
Bono 2 12% 2
Bono 3 18% 3
Bono 4 25% 4
Se busca encontrar el plan óptimo de inversiones.

Problema de planificación financiera.

Un fondo de pensiones tiene los siguientes
compromisos al final de cada uno de los
próximos 14 años, expresados en millones de
dólares:
Año 1 2 3 4 5 6 7
12 14 15 16 18 20 21
Año 8 9 10 11 12 13 14
22 24 25 30 31 31 32
Estas obligaciones serán cubiertas con la compra de

tres bonos al inicio del primer año, instrumentos que
tienen las siguientes características:
Precio Cupón Años Valor

actual anual nominal
Bono 1 980 mill. 60 mill. 5 1000 mill.
Bono 2 970 mill. 65 mill. 11 1000 mill.
Bono 3 1050 mill 75 mill. 14 1000 mill.
Los dineros remanentes de cada año se pueden

guardar en una cuenta bancaria que paga un 4%
anual al final de cada año.
Asuma que se puede comprar o disponer de una

fracción de cada tipo de bono y que los cupones se
pagan al final del año (en la misma proporción), incluido
el año de madurez del mismo.
El problema consiste en minimizar el costo total de la

inversión a realizar al inicio del primer año, de modo de
dar cumplimiento a las obligaciones del horizonte de
planificación.
x : fracción invertida en bono de 1000 mill. a 5 años
y : fracción invertida en bono de 1000 mill. a 11 años
z : fracción invertida en bono de 1000 mill. a 14 años
wt : millones destinados al ahorro al final del año t
Función Objetivo:
Min 980x + 970y + 1050z

Restricciones:
Final año 1: 60x + 65y + 75z = 12 + w1

Final año 2: 60x + 65y + 75z + 1.04 w1 = 14 + w2
…
Final año 5: 1060x + 65y + 75z + 1.04 w4 = 18 + w5
Final año 6: 65y + 75z + 1.04 w5 = 20 + w6
…
Final año 11: 1065y + 75z + 1.04 w10 = 30 + w11
Final año 12: 75z + 1.04 w11 = 31 + w12
Final año 13: 75z + 1.04 w12 = 31 + w13
Final año 14: 75z + 1.04 w13 = 32
Problema de Flujo Máximo en una red.
Consideramos una red de transporte, que conecta por

ejemplo una fábrica en Stuttgart (ST) con un centro de
distribución en Los Angeles (LA).
En cada mes se dispone de una capacidad máxima de

unidades que es posible enviar a través de cada tramo
de la red de
distribución
(en cientos de m3).
El problema consiste en determinar cuál es la mayor

cantidad de unidades que es posible enviar cada mes
(flujo) desde la planta en Stuttgart a Los Angeles y cuál
es la utilización que se debe hacer de los distintos
medios de transporte empleados.
Un ejemplo similar consiste en considerar una red de

oleoductos, que conectan una plataforma de extracción
(1) con una refinería (8).
En cada tramo (arco) se conoce la capacidad máxima

del oleoducto (en miles de m3/hr) y esta no es la misma
en toda la red.
El problema en este segundo ejemplo consiste ahora en

determinar cuál es la mayor cantidad de petróleo (flujo)
que se puede enviar desde la plataforma de extracción a
la refinería y cuál es la utilización que se debe hacer de
los distintos tramos del oleoducto.
El tamaño de la red puede dificultar la búsqueda de una

solución por simple inspección respecto de cuál es flujo
máximo que se puede enviar desde la fuente de origen
a la de destino y cuál es el flujo en cada tramo de la red
En general, una red se representa por medio de un grafo

G=(N,A), donde N={1,…,n} es el conjunto de nodos en la
red (8 en el ejemplo más abajo) y A es el conjunto de
arcos o enlaces que comunica de manera directa dos
nodos en la red, que corresponde a un subconjunto de
NxN = {(i,j) / iєN, jєN}.
En la red se identifica un par de nodos importantes, el

nodo-fuente desde donde se desea enviar un flujo,
digamos el nodo 1, y el nodo-destino que recibirá
dicho flujo, digamos el nodo n.
Los restantes nodos de la red se denominan nodos

intermedios.
Suponemos que en cada arco o enlace existe una

límite máximo de flujo que puede pasar a través de
dicho arco, que denotaremos por uij para cada arco
(i,j)єA
Variables de decisión del modelo de flujo máximo:
xi,j: variable continua con el flujo a través del arco (i,j)єA
f : flujo máximo a través de la red
Función Objetivo:
Max f
Restricciones:
∑j:(1,j)єA x1,j = f
∑i:(i,k)єA xi,k = ∑j:(k,j)єA xk,j para todo nodo k con k≠1, k≠ n
∑i:(i,n)єA xi,n = f
0 ≤ xi,j ≤ uij
Temario:
2.1. Introducción.
Etapas en la resolución de un problema de

naturaleza real.
□ Definición del problema.

□ Formulación de un modelo.
□ Resolución computacional.
□ Verificación, validación, refinamiento.
□ Interpretación y análisis de resultados.
□ Implementación y uso.
Resolución computacional
□ Determinar un valor óptimo de las variables de

decisión.
□ Puede haber distintos algoritmos y formas de
aplicarlos.
En lo que sigue consideremos el siguiente

problema de programación lineal en su forma
estándar.
Min c1x1 + c2x2 + ... + cnxn

sa a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
... ... ...
am1x1 + am2x2 + ... + amnxn = bm
xi ≥ 0, i = 1, 2, ..., n y m≤n
Matricialmente escrito como:
Min cTx
s.a. Ax = b
x≥0
No existe pérdida de la generalidad al suponer que

un problema viene dado en la forma estándar. En
efecto, si tuviésemos el siguiente problema:
P) Max 9u + 2v + 5z
s.a. 4u + 3v + 6z ≤ 50
u + 2v - 3z ≥ 8
2u – 4v + z = 5
u,v ≥ 0
z ∈ IR
Es posible reformular de manera equivalente el

problema anterior usando que:
1) Siempre es posible llevar un problema de

maximización a uno de minimización. Si f(x) es la
función objetivo a maximizar y x* es la solución
óptima:
f(x*) ≥ f(x) , ∀ x factible
- f(x*) ≤ - f(x) , ∀ x factible
∴ x* es también mínimo de - f(x)

2) Cada restricción del tipo ≤ puede ser llevada a una

ecuación de igualdad usando una (nueva) variable de
holgura no negativa, con un coeficiente nulo en la
función objetivo.
3) De igual modo, cada restricción del tipo ≥ puede

ser llevada a una ecuación de igualdad usando una
(nueva) variable de exceso no negativa.
4) Siempre es posible escribir una variable libre de

signo como la diferencia de dos variables no
negativas.
Considerando la siguiente notación:
u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
El problema P) puede ser escrito de manera

equivalente como:
Min - 9x1 - 2x2 - 5x3 + 5x4 + 0x5 + 0x6

sa: 4x1 + 3x2 + 6x3 - 6x4 + x5 =50
x1 + 2x2 - 3x3 + 3x4 - x6 = 8
2x1 - 4x2 + x3 - x4 = 5
xi ≥ 0, i=1,2,3,4,5,6.
La búsqueda de la solución óptima se restringe a

encontrar un vértice óptimo.
Cada vértice del conjunto de las restricciones del

problema, esto es del conjunto { x / Ax=b, x ≥ 0 },
corresponde en términos algebraicos a lo que se
conoce como una solución básica factible del
sistema Ax = b.
Una solución básica corresponde a la solución que

resulta de resolver el sistema de ecuaciones Ax=b
para exactamente m variables, fijando las restantes n-
m en un valor cero, llamadas respectivamente
variables básicas y no-básicas.
Una solución básica factible corresponde a una

solución básica que además satisface las condiciones
de no-negatividad.
Teorema Fundamental de la Programación Lineal:

Cada problema de PL en su forma estándar cumple con
las siguientes tres propiedades:
Si el problema no tiene solución óptima entonces es no-
acotado o infactible.
Si tiene una solución factible, tiene una solución básica
factible.
Si el problema tiene solución óptima, tiene una solución
básica factible óptima.
En lo que sigue suponemos que ran (A)=m y que por lo

tanto existe una matriz invertible B de mxm, que sin
pérdida de la generalidad asumimos corresponde a
aquella que definen las m primeras columnas de A
Lo anterior induce una partición de las variables y

parámetros del modelo como lo muestra la siguiente
diapositiva:
x1    
  x  m
c  m
A= B D x= = B c= B

m
  xD cD
   n−m
  n−m
xn    
m n-m
xB :variables básicas.
xD :variables no básicas.
B : es llamada matriz de base
cB :costos básicos.
cD :costos no básicos.
De este modo, el sistema Ax = b equivale a:

BxB + DxD = b
BxB = b − DxD
−1 −1
xB = B b − B D xD
donde esta última expresión da el valor de la solución
básica asociado a la actual base B, en este caso
asociada a las m primeras variables
Criterio de optimalidad:
cT x = cBT xB +cDT xD
T
B ( −1 −1
= c B b − B D xD +cDT xD )
T
B
−1
( T
= c B b + c −c B D xD
D
T
B
−1
)
valor vector de
actual costos
función reducidos.
objetivo
La ecuación que define cada uno de los costos

reducidos es:
rj = c j − c BT B −1A j
donde j es el índice de variable no-básica y Aj la
respectiva columna en A de esa variable.
La actual solución básica factible es óptima ssi
rj ≥ 0 ∀j, En caso contrario, existe una variable no
básica xp con costo reducido negativo, que entra a
la nueva base y que permite reducir el valor de la
función objetivo respecto de la actual solución.
Para decidir quién deja la base, es necesario calcular

el mayor valor que puede tomar la variable entrante
que garantiza la factibilidad de la nueva solución
básica. Con:
 y1 0   y1 p 
y  y 
B b=
20 
B Ap = 
−1 −1 2p
   
   
 ym 0   y m p 
y se debe calcular:
yk 0  y 
= Min  i 0 / yip > 0, i = 1,..., m  ⇒ xk deja la base
ykp  yip 
Ejemplo.
Resolver el siguiente problema de P.L.
Max 40x + 60y

sa: 2x + y ≤ 70
x + y ≤ 40
x + 3y ≤ 90
x,y ≥ 0
Primeramente, se deben agregar 3 variables de

holgura ( introducimos x1 , x2 , x3 - var.básicas), y llevar
a forma estándar (usamos x4 = x y x5 = y).
Min -40x4 – 60x5

sa: x1 + 2x4 + x5 = 70
x2 + x4 + x5 = 40
x3 + x4 + 3x5 = 90
xi ≥ 0, i = 1, 2, 3, 4, 5
Tabla inicial:
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Usamos como variable entrante a la base x5 (pues su

costo reducido r5<0).
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Se calcula x5=min {70/1,40/1,90/3 }=90/3=30, por lo

tanto sale de la base x3=0.
Actualizando, queda la siguiente tabla (no óptima), donde

la variable entrante a la base es x4 (pues r4<0).
x1 x2 x3 x4 x5
1 0 -1/3 5/3 0 40
0 1 -1/3 2/3 0 10
0 0 1/3 1/3 1 30
0 0 20 -20 0 1800
Como x4=min{40/(5/3),10/(2/3),30/(1/3)}=10/(2/3)=15, la
variable x2=0 y por ello es la que deja la base actual.
Actualizando, queda la siguiente tabla final:

x1 x2 x3 x4 x5
1 -5/2 ½ 0 0 15
0 -1/3 -1/2 1 0 15
0 1/3 ½ 0 1 25
0 20 10 0 0 2100
Como todos los costos reducidos son mayores o

iguales que cero nos encontramos en la solución
óptima.
 x 1  15 
 x 2  0 
x B =  x 4  = 15  xD =   =  
     x 3  0 
 x 5  25 
z* = - 40*15 – 60*25 = - 2100
En la formulación inicial, tenemos como solución

óptima x*=15, y *=25, con valor óptimo 2100.
Método Simplex:
Paso 0 : Escribir el problema de programación lineal en su

forma estándar: Min cTx
s.a. Ax = b
x≥
≥0
Paso 1 : Escoger una solución básica factible inicial.
Paso 2 : Escoger una variable no-básica con costo

reducido negativo que determina la variable entrante y
seguir al Paso 3. Si todos los costos reducidos son
mayores o iguales que 0, finalizar ya que la actual solución
básica factible es óptima.
Paso 3: Calcular el criterio de factibilidad que determina

qué variable deja la base. Si todas los valores en la
respectiva columna de la variable entrante (que
determinan el denominador en los cocientes a calcular)
son negativos o nulos el problema es no-acotado, finalizar.
Paso 4: Actualizar la tabla. Calcular el valor de las nuevas

variables básicas, los costos reducidos de las variables no-
básicos y el valor de la función objetivo. Volver al Paso 2.
No siempre es inmediata la obtención de una solución

básica factible inicial en las variables originales del
modelo.
Para conseguir esto existen varios procedimientos, entre

los cuales están:
• Método Simplex de dos fases.

• Método de la M–grande.
Método Simplex de dos Fases.
Fase 1. Se considera un problema auxiliar que resulta

de agregar variables auxiliares a las restricciones del
problema, de modo de obtener una solución básica
factible. Resolver por Simplex un nuevo problema que
considera como función objetivo la suma de las
variables auxiliares. Si el valor óptimo es cero ir a la
Fase 2. En caso contrario, no existe solución factible.
Fase 2. Resolver por Simplex el problema original a

partir de la solución básica factible inicial hallada en la
Fase1.
Ejemplo: considere el siguiente problema:
Max 2x1 + x2
s.a. 10x1 + 10x2 ≤ 9
10x1 + 5x2 ≥ 1
x1≥0, x2≥0.
Se debe agregar una variable de holgura (x3) y una

variable de exceso (x4), y llevarlo a su forma estándar.
Min -2x1 - x2
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x4 = 1
x1≥0, x2≥0, x3≥0, x4≥0
Aplicamos entonces el método en sus dos Fases:
Fase 1. Se agrega solo una variable auxiliar pues x3

puede ser usada igualmente como variable básica inicial
para el problema auxiliar que esta plantea:
Min x5
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x4 + x5 = 1
x1≥0, x2≥0, x3≥0, x4≥0, x5≥ 0
Queda la siguiente tabla inicial:
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
0 0 0 0 1 0
donde:
 x 1  0 
 x 3  9 
xB =   =   x D =  x 2  = 0 
 x 5   1    
 x 4  0 
Luego se hace cero el costo reducido de la variable x5

en la tabla anterior, y queda la siguiente tabla para
iniciar el Método Simplex.
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
Elegimos como variable entrante a x1 (pues r1<0).

x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
Calculamos x1=min{9/10,1/10}=1/10, por lo tanto sale x5.

Obteniéndose la siguiente tabla final:
x1 x2 x3 x4 x5
0 5 1 1 -1 8
1 ½ 0 -1/10 1/10 1/10
0 0 0 0 1 0
 x 2  0 
 x 1  1 / 10 
xB =   =   x D =  x 4  = 0 
x 3   8     
 x 5  0
Una vez obtenida la solución óptima del problema en

la Fase 1, con valor óptimo 0, tomamos x1 y x3 como
variables básicas iniciales para la Fase 2.
Fase 2: Resolvemos el problema inicial a partir de la

solución básica factible obtenida (en las variables
originales), esto es:
x1 x2 x3 x4
0 5 1 1 8
1 ½ 0 -1/10 1/10
-2 -1 0 0 0
En la tabla hacemos 0 los costos reducidos de

variables básicas para poder aplicar el método
x1 x2 x3 x4
0 5 1 1 8
1 ½ 0 -1/10 1/10
0 0 0 -1/5 1/5
Luego la variable entrante a la base es x4 (pues

r4<0), calculando x4=min{8/1, · }=8, se tiene que
deja la base x3.
Actualizando la tabla queda:

x1 x2 x3 x4
0 5 1 1 8
1 1 1/10 0 9/10
0 1 1/5 0 9/5
de donde la solución óptima del problema resulta
ser:
 x 1  9 / 10   x 2  0 
xB =   =   xD =   =  
x 4   8   x 3  0 
Casos especiales
1) Problema Infactible. Esta situación se detecta cuando

el valor óptimo del problema de la Fase 1 da mayor
que cero.
2) Múltiples soluciones óptimas. Esta situación se

detecta cuando existen costos reducidos iguales a cero
en una o más de las variables no-básicas óptimas.
3) Problema no acotado. Esta situación se detecta

cuando al realizar el cálculo de la variable que deja la
base, todos los elementos ykj de la columna j en la
tabla, son negativos para j el índice de una variable no
básica con costo reducido negativo.
Temario:
2.1. Introducción.
Consideremos un ejemplo de producción de 2

productos finales que hacen uso de tres recursos
escasos (máquinas), cuyas disponibilidades en horas
corresponden a los lados derechos de las restricciones
del siguiente modelo:
P) Max 40x1 + 60x2

sa: 2x1+2x2 ≤ 70
x1 + x2 ≤ 40
x1 + 3x2 ≤ 90
x1, x2 ≥ 0
La solución óptima y el valor óptimo del problema

P) esta dada por:
x1* = 15
x2* = 25
z = v(P) = 2100
En lo que sigue, combinaremos las distintas restricciones

del problema, ponderando por los valores no-negativos π1,
π2 y π3 cada una, respectivamente, de modo de obtener la
mejor cota superior del valor óptimo del problema P). Vale
decir:
π1(2x1+2x2) + π2(x1+x2) + π3(x1+3x2) ≤ 70π

π1 + 40π
π2 + 90π
π3
Para garantizar que el lado derecho de esta última

desigualdad sea una cota superior de la función objetivo
se debe cumplir que :
2 π1 + π2 + π3 ≥ 40
2π
π1 + π2 + 3 π3 ≥ 60
La mejor elección de esta cota se obtendría al

resolver el siguiente problema de optimización:
D) Min 70 π1 + 40 π2 + 90 π3
sa: 2 π1 + π2 + π3 ≥ 40
2ππ1 + π2 + 3 π3 ≥ 60
π1, π2, π3 ≥ 0
Este problema se conoce como el problema “ Dual” D)

asociado al problema “Primal” P).
También resulta que al formular el problema dual de

D) se obtiene el problema primal (o uno equivalente).
Cualquiera de los dos entrega la misma información y

el valor óptimo alcanzado es el mismo.
Más generalmente, si el problema primal es:

n
P) Max ∑c x
j =1
j j
n
sa : ∑a
j =1
ij x j ≤ bi i = 1,2,..., m
xj ≥ 0 j = 1,2,..., n
su dual resulta el problema:
m
D) Min ∑ bi πi
i=1
=
m
sa : ∑ aij πi ≥ c j j = 1,2,..., n
i =1
=
πi ≥ 0 i = 1,2,..., m
Lo que se puede expresar en forma matricial como:
P) Max cTx
sa: Ax ≤ b
x≥0
D) Min bT π
sa: AT π ≥ c
π≥0
Notar que D) corresponde de manera equivalente a:

Max -bT π
sa: -AT π ≤ -c
π≥0
De modo que su dual resulta ser:
D) Min -cTx
sa: -A x ≥ -b
x≥0
es decir, “el dual del dual es el problema primal”.
Problema Dual. Dado el problema primal con la
estructura mostrada a la izquierda, su respectivo
problema dual corresponde al de la derecha,
empleando como notación que ai es una fila de la
matriz de restricciones y Aj una columna de la
misma:
Max cTx Min bTπ
s.a. aix ≤ bi i∈
∈M1 s.a. πi ≥ 0 i∈
∈M1
aix ≥ bi i∈
∈M2 πi ≤ 0 i∈
∈M2
aix = bi i∈
∈M3 πi∈ℜ i∈∈M3
xj ≥ 0 j∈
∈ N1 AjTπ ≥ cj j∈
∈ N1
xj ≤ 0 j∈
∈ N2 AjTπ ≤ cj j∈
∈ N2
xj∈ℜ j∈
∈ N3 AjTπ = cj j∈
∈ N3
Teorema de dualidad débil:
Si x ∈ ℜn, es una solución factible del problema primal

P) y π ∈ ℜm, una solución factible del problema dual
D), entonces:
n m
c x = ∑ c j x j ≤ ∑ bi πi = b T π
T
j=1 i =1
En particular, si ambas soluciones son los óptimos de

sus respectivos problemas, sus valores óptimos
cumplen que :
v(P) ≤ v(D)
Teorema de dualidad fuerte:
Si x* = (x1*, x2*, ..., xn*)T, es una solución óptima

problema primal P), entonces el problema dual D) tiene
solución óptima π* = (π1*, π2*, ..., πm*)T que satisface:
n m
v(P) = c x * = ∑ c j x j * = ∑ bi πi * = b T π = v(D)
T
j=1 i =1
Además:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
Teorema de Holguras Complementarias:
Sean x=(x1*, x2*, ..., xn*)∈ℜ

∈ℜn una solución factible
T
del problema primal P) y π=(ππ1*, π2*, ..., πm*) ∈ℜm
una solución factible del respectivo dual. Los
vectores x y π son soluciones óptimas de sus
respectivos problemas si y sólo si:
(∑j aijxi* - bi)π

πi* = 0 i=1,…,m
(∑i aijπi* - cj)xj* = 0 j=1,…,n
Ejemplo: P) Min 3x1 + 4x2 + 5x3

sa: x1+ 2x2 + 3x3 ≥ 5
2x1 + 2x2 + x3 ≥ 6
x1, x2, x3 ≥ 0
D) Max 5 π1 + 6 π2
sa: π1 + 2ππ2 ≤ 3
2π
π1 + 2ππ2 ≤ 4
3π
π1 + π2 ≤ 5
π1, π2 ≥ 0
Resolvemos D) por Simplex, en su forma estándar:
π1 π2 π3 π4 π5
1 2 1 0 0 3
π 3  3
2 2 0 1 0 4 x B = π 4  = 4
π 5  5 
3 1 0 0 1 5
 π  0 
-5 -6 0 0 0 0 xD =  1  =  
π 2  0
Luego la variable entrante a la base es π2 (pues

r2<0). Y calculando Min { 3/2, 4/2, 5/1 } = 3/2, se
tiene que sale π3
π1 π2 π3 π4 π5
 π 2  3 / 2 
½ 1 ½ 0 0 3/2
xB = π 4  =  1 
1 0 -1 1 0 1    
 π 5  7 / 2
5/2 0 -1/2 0 1 7/2
 π1  0 
-2 0 3 0 0 9 xD =   =  
 π 3  0 
Luego la variable entrante a la base es π1 (pues

r2<0). Y calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)}
= 1, se tiene que sale π4
π1 π2 π3 π4 π5
0 1 1 -1/2 0 1  π1  1
1 0 -1 1 0 1 x B =  π 2  = 1
   
0 0 2 -5/2 1 1  π 5  1
0 0 1 2 0 11  π 3  0 
xD =   =  
 π 4  0 
Sol. óptima de D):
π1* = 1; π2* = 1; v(D) = 11
Es posible encontrar entonces la solución óptima del
problema primal a partir del Teorema de Holguras
Complementarias o simplemente (en este caso
particular) a partir de los costos reducidos óptimos del
problema dual resuelto por el M.Simplex, de donde:
x1* = 1; x2* = 2; x3* = 0; v(P) = 11
BIBLIOGRÁFIA COMPLEMENTARIA EN PROGRAMACIÓN

LINEAL
1. Linear Programming and Network Flow, M.Bazaraa, J.Jarvis

and H.Sherali. Fourth Edition 2009, Wiley.
2. Introduction to Linear Optimization, D.Bertsekas and J.Tsitsiklis.
Athena Scientific USA, 1997.
3. Linear Programming, V.Chvátal. W.H. Freeman and Company,
New York, 1983.
4. Linear Programming and Extensions, G. Dantzig. Princeton
University Press, New Jersey, eleventh printing, 1998.
5. Introducción a la Programación Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana, 1989.
6. Linear and Combinatorial Programming, K. Murty. John Wiley
& Sons, Inc., New York, Second Edition 1976.

Lineal 2019

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Lineal 2019

Caricato da

Copyright:

Formati disponibili

Gestión de Investigación de Operaciones

Prof. Víctor M. Albornoz S.

1. Introducción a la Investigación de Operaciones

Supuestos básicos de esta clase de un modelo

Inicios Programación Lineal: publicación del Método

Primer problema resuelto: Laderman (1947), tenía 9

Primera implementación computacional del Método

En 1956, un código llamado RSLP1, implementado en un

A fines de los 70, existen software que resuelven

En la década de los ochenta se producen significativos

Modelo de logística militar (Bixbi, 2002) resuelto en un

pds 60 99.431 367.268 809.094

Cplex 1.0 (1988) Cplex 5.0 (1997) Cplex 7.1 (2001)

pds 60 205798,0 seg. 7442,6 seg. 160,5 seg.

Existen por cierto problemas que pueden llegar a ser

Un problema de Scheduling que considera 157.323

El primero de la secuencia tarda 18 horas y luego de

La geometría de esta clase de problemas permite

Consideremos un problema introductorio, planteado como

Max 10x1 + 16x2

Para su resolución geométrica se debe considerar dos

En primer lugar, se debe obtener la región de puntos

Enseguida, se estudia el comportamiento de las curvas de

De ahí se obtiene la solución óptima del problema en la

De donde su solución óptima y valor óptimo son:

Notar que se pueden dar otras situaciones en la

i) La solución óptima exista pero sean infinitas.

En el ejemplo, considere la nueva función

ii) Problema no-acotado sin solución óptima, esto podría

iii) Existen problemas que no tienen solución al no

Algunas preguntas que son parte del análisis

1) ¿Cuál es el intervalo de variación de algún

También podemos estudiar el intervalo de un sólo

2) ¿ Cuál es la variación del actual valor óptimo de la

Estudiaremos por separado las variaciones de cada

La menor variación del coeficiente del lado derecho se

De aquí, se calcula el precio sombra λ1, que indica

La menor variación del coeficiente del lado derecho

De aquí, se calcula el precio sombra λ2, que indica

Etapas en la resolución de un problema de

□ Definición del problema.

En lo concerniente a la formulación de un modelo de

□ Representación simplificada de la problemática, que

Problemas de Planificación de la Producción

Las firmas planifican el conjunto de sus

En particular, a nivel táctico, sobre un horizonte

Un primer modelo a este respecto es el modelo

Este problema consiste en hallar una política

Notar que en el óptimo I4 va a ser 0, así que incluso

Restricciones del problema:

La planificación de la producción se ocupa de

Otros aspectos que dificultan la resolución del

Ahora bien, para responder a estos factores se

En lo que sigue se describe un modelo de

Por su parte, las variables de decisión del

Xt = unidades elaboradas en mes t

It = nivel de inventario al término del mes t

Zt = unidades de demanda no satisfecha en mes t

Wt = horas-hombre en tpo normal en mes t

Ot = horas-hombre en sobretiempo en mes t

Xt≥0, It≥0, Zt≥0, t=1,…, T

A continuación se presenta un modelo de

Este considera un nuevo subíndice asociado a