Unidad 1

TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico Superior de Coatzacoalcos
División de Ingeniería Industrial
AGO-DIC 2019.
Nombre del Alumno: CRUZ MARTINEZ VICTOR MANUEL
Apellido Paterno Apellido Materno Nombre(s)
ASIGNATURA: INVESTIGACIÓN DE OPERACIONES 2

UNIDAD 1: PROGRAMACIÓN POR METAS
No. Control: 17081151 Semestre: 5 Grupo: ‘’B’’
Nombre del Docente: LIC. JIMENEZ VENTURA BRICIO

Apellido Paterno Apellido Materno Nombre(s)
FECHA: 26/AGOSTO/2019
ÍNDICE
Introducción 3
1.1 Definición y conceptos generales. 4
1.2 Modelo general de metas. 4
1.3 Diferencias entre modelo lineal y modelo metas. 7
1.4 Modelos de una sola meta. 8
1.5 Modelos de metas múltiples. 9
1.6 Modelos de submetas dentro de una meta. 11
1.7 Métodos de solución. 11
1.8 Uso de software. 12
Conclusión 18
Referencias bibliográficas 19
Introducción
La Programación por Metas (Goal Programming) fue inicialmente introducida por
Charnes y Cooper en los años 50. Desarrollada en los años 70 por Ljiri, Lee, Ignizio
y Romero, es actualmente uno de los enfoques multicriterio que más se utilizan. En
principio fue dirigida a resolver problemas industriales, sin embargo, posteriormente
se ha extendido a muchos otros campos como la economía, agricultura, recursos
ambientales, recursos pesqueros, etc.
Resulta de gran interés, sobre todo, en problemas complejos de gran tamaño. A
diferencia de la programación lineal, la programación de metas (objetivos múltiples)
toma en cuenta, como ya se mencionó, varios objetivos.
La programación por metas es un enfoque para tratar problemas de decisión
gerencial que comprenden metas múltiples o inconmensurables, de acuerdo a la
importancia que se les asigna a estas metas.
El método de programación de metas permite alcanzar varios objetivos de manera
simultánea. La programación de metas establece un objetivo numérico especifico
para cada uno de los objetivos, formular una función objetivos para cada uno y
después buscar una solución que minimice la suma ponderada de las desviaciones
de estas funciones objetivas de sus metas respectivas.
En la presente investigación se dará a conocer sobre el tema de programación de
metas, definición y concepto de programación de metas, modelos generales de
metas, diferencia entre modelo lineal y modelo metas al igual que los modelos de
una sola meta, metas múltiples y modelos de submetas dentro de una meta, otro de
los temas que se dará a conocer es, los métodos de solución y por último los
softwares que se pueden utilizar para la programación de metas
1. Programación por metas

1.1 Definición y conceptos generales.
La programación u optimización por metas (goal programming), tiene por objetivo
alcanzar unas metas o niveles de logro para determinados objetivos y fue
desarrollada por Charnes y Cooper en 1955. De acuerdo con Güneş, la
programación por metas (gp), es una técnica o herramienta muy útil para los
tomadores de decisiones de tal forma que sea factible discutir y encontrar un
conjunto de soluciones apropiadas y aceptables en problemas de decisión con
múltiples objetivos o criterios. Por otra parte, determinar con precisión el valor real
de cada objetivo es muy difícil porque se obtiene sólo información parcial.
1.2 Modelo general de metas.
Los modelos generales de metas tienen como objetivo representan direcciones de

mejora de los atributos. La mejora puede interpretarse en el sentido (más del atributo
mejor) o bien (menos del atributo mejor). El primer caso corresponde a un proceso
de maximización y el segundo a uno de minimización de las funciones que
corresponden a los atributos que reflejan los valores del centro decisor. Como paso
previo a la definición de meta se introducirá el concepto de nivel de aspiración. Un
nivel de aspiración representa un nivel aceptable de logro para el correspondiente
atributo. La combinación de un nivel de aspiración con un atributo genera una meta.
Finalmente, el término criterio se utiliza como un término general que engloba los
tres conceptos precedentes (atributo, objetivo y metas). En otras palabras, los
criterios constituyen los atributos, objetivos o metas que se consideran relevantes
para un cierto problema decisional. Por consiguiente, la teoría de la decisión multi
criterio constituye un marco general o paradigma decisional en el que subyacen
diferentes atributos, objetivos o metas.
La forma del modelo de programación lineal sigue siendo la misma en programación

por meta, es decir, también se tiene una función objetivo que optimizar sujeta a una
o más restricciones. Sin embargo, dentro de este marco de referencia se agregarán
dos conceptos nuevos. El primero es el de las restricciones de meta en lugar de las
restricciones de recurso que se han analizado. El segundo concepto es el de rango

de prioridad entre las funciones de objetivo. Una vez que se establece un problema
en el formato del modelo general de programación lineal, para obtener la solución
puede aplicarse el MÉTODO SIMPLEX modificado solo para tomar en cuenta las
prioridades.
La programación por metas es un enfoque para tratar problemas de decisión

gerencial que comprenden metas múltiples o inconmensurables, de acuerdo a la
importancia que se les asigne a estas metas. El tomador de decisiones debe ser
capaz de establecer al menos una importancia ordinal, para clasificar estas metas.
Una ventaja importante de la programación meta es su flexibilidad en el sentido de
que permite al tomador de decisiones, experimentar con una multitud de variaciones
de las restricciones y de prioridades de las metas cuando se involucra con un
problema de decisión de objetivos múltiples.
El primer paso en la formulación de un modelo de programación por metas consiste

en fijar los atributos que se consideran relevantes para el problema que se está
analizando. Una vez establecidos los atributos, se pasa a determinar el nivel de
aspiración que corresponde a cada atributo, es decir, el nivel de logro que el centro
decisor desea alcanzar. Seguidamente, se conecta el atributo con el nivel de
aspiración, por medio de la introducción de las variables de desviación negativa y
positiva, respectivamente. Así para el atributo i-ésimo, se tiene la siguiente meta:
donde, como es habitual, f(x) representa la expresión matemática del atributo i-
ésimo, Ti su nivel de aspiración, ni y pi las variables de desviación negativa y
positiva, respectivamente. Las variables de desviación negativa cuantifican la falta
de logro de una meta con respecto a su nivel de aspiración, mientras que las
variables de desviación positiva cuantifican el exceso de logro de una meta con
respecto a su nivel de aspiración.
Como un nivel de aspiración no puede simultáneamente sobrepasarse y quedar por

debajo de él, al menos una de las dos variables de desviación tomará valor cero
cuando la meta alcanza exactamente su nivel de aspiración.
Una vez clarificado el significado de las variables de desviación, es importante

introducir el concepto de variable de decisión no deseada. Una variable de decisión
se dice que no es deseada cuando al centro decisor le interesa que la variable en
cuestión alcance su valor más pequeño (esto es cero). Cuando la meta deriva de
un atributo del tipo más del atributo mejor (objetivo a maximizar) la variable no
deseada (a minimizar), será la variable de desviación negativa (cuantificación de la
falta de logro). Finalmente, cuando se desea alcanzar exactamente el nivel de
aspiración tanto la variable de desviación negativa como la positiva son variables
no deseadas y por tanto variables a minimizar.
Existen cuatro formas de restricciones de objetivos, según se permita variación

hacia arriba o hacia abajo:
 CASO 1: Se permiten desviaciones en ambas direcciones.

 CASO 2: Solo se permiten desviaciones hacia abajo.
 CASO 3: Solo se permiten desviaciones hacia arriba
 CASO 4: No se permiten desviaciones.
No existe algo en la programación por objetivos que prohíba incluir restricciones que
no sean de objetivo o restricciones de recurso.
El significado de las variables de desviación no deseadas puede clarificarse por

medio del siguiente cuadro.
Metas y variables de desviación
Forma inicial de Forma de la Variable de

la meta meta desviación no
transformada deseada (a
minimizar)
Fi(x) ti fi(x) ni pi = ti ni
Fi(x) ti fi(x) ni pi = ti pi
Fi(x)=ti fi(x) ni pi = ti ni pi
1.3 Diferencias entre modelo lineal y modelo metas.

MODELO LINEAL:
Puede definirse como un esquema de relación entre una variable “Y” (exógena) y
otras variables X (X1X2 ...Xk) (endógenas).
Y= F. LINEAL (X) + PERTURBACIÓN ALEATORIA
(Modelo Lineal Simple)
Y= F. LINEAL (X1, X2...Xk) + PERTURBACIÓN ALEATORIA
(Modelo Lineal General)
MODELO DE METAS:
Es un enfoque para tratar problemas de decisión gerencial que comprenden metas

múltiples o ilimitadas, de acuerdo a la importancia que se les asigne a estas metas.
El tomador de decisiones debe ser capaz de establecer al menos una importancia

ordinal, para clasificar estas metas.
1.4 Modelos de una sola meta.

La función objetivo para un problema de programación por meta siempre es
minimizar alguna combinación de variables de desviación. Desde un punto de vista
de toma de decisiones administrativa, esto significa que se está buscando la
combinación de variables reales por ejemplo (mesas y sillas) que cumplan mejor
con todos los objetivos. Esto podría llamarse optimizar un conjunto de objetivos
"satisfactorios" o satisfacer.
La forma exacta de la función objetivo varía según la respuesta a estas dos

preguntas:
1. ¿Son conmensurables o proporcionales los objetivos?
2. ¿Cuál es la importancia relativa de cada objetivo?
• Objetivos conmensurables de igual importancia: este es el caso más sencillo,

aunque muy pocas veces se encuentra en la práctica. Aquí los objetivos se miden
en una escala común (conmensurables y tienen la misma importancia.
• Ponderación preferente de los objetivos: las ponderaciones de preferencia

pueden aplicarse a cualquier grupo de objetivos conmensurables. Las
ponderaciones deben reflejar la utilidad o el valor de los objetivos.
• Rango de prioridad de los objetivos: ¿qué pasa cuando los objetivos no son
conmensurables, cuando no hay una escala común para comparar las desviaciones
de los diferentes objetivos? Este es un caso importante, al que se enfrentan con
frecuencia los administradores. Si el administrador puede ordenar o dar un rango

para sus metas entonces la solución es posible.
Quizás no sea una tarea fácil dar un rango a los objetivos de acuerdo con su
importancia, pero es algo que la mayoría de las personas entienden y pueden lograr.
En la programación por objetivos se le asigna la prioridad P1al objetivo más
importante, siguiendo P2 a una prioridad más baja. No existe limite en el número de
niveles de prioridad, pero debe asignarse una prioridad para cada variable de
desviación. Se permiten empates o prioridades iguales.
Los problemas de programación por meta se resuelven en orden de prioridad. Es

decir, se prueba la optimización en el nivel de prioridad más alto ignorando las
prioridades más bajas hasta optimizar este nivel.
1.5 Modelos de metas múltiples.

Muy frecuentemente los problemas de decisión de las organizaciones productoras
de bienes y servicios tienen objetivos y metas múltiples que son conflictivos entre
sí. Para esto se diseñó la Programación con Metas Múltiples, en las cuales se puede
jerarquizar y priorizar las diferentes metas intervinientes en el modelo.
 Meta unilateral inferior: Establece un límite inferior por abajo del cual no se
quiere ir (pero se aceptan desvíos a la meta que deberá minimizarse).
 Meta unilateral superior: Establece un límite superior que no se quiere exceder
(pero se aceptan desvíos a la meta que deberá minimizarse).
 Meta bilateral: Establece un blanco específico que no se quiere perder hacia
ningún lado.
EJEMPLO METAS MÚLTIPLES
Considera la información que se presenta en la siguiente tabla:
Departamentos
Producto 1 2 3 4
1 .10 2.1 1 .3 415
2 .08 1.4 .7 .2 362

3 .05 1.1 .6 .15 216
4 .04 .9 .5 .1 68
Disp. hrs/mes 320 2400 800 450
 El producto 2 no debe exceder 90 unidades al mes.

 Cada hora extra aumenta los costos en $20.00
 Metas:
 Alcanzar utilidades de por lo menos $350,000.00 al mes.
 Maximizar la utilización de los 4 departamentos.
 No producir más del 50% de la producción total en cualquiera de los 4 productos
(en unidades).
 Limitar el número de horas extras en el departamento 2 a 300 hrs. al mes.
Definición de variables:
xi = cantidad a producir del producto i mensualmente. i = 1,2,3,4.
F.O.
Min Z = d1- +d2- +d3- +d4- + d5- +d6+ +d7+ +d8+ +d9+ +d10+
s.a.
1) 415x1 +362x2 +216x3 + 68x4 -20d2+ - 20d3+ - 2 0d4+ - 20d5+ -d1 + + d1-
=350,000
2).10x1+.08x2+.05x3+.04x4 -d2+ + d2- = 320
2.1x1 +1.4x2 +1.1x3 +0.9x4 -d3+ + d3- = 2400
x1+.7x2+.6x3+.5x4 -d4+ +d4- = 800
.3x1 +.2x2 +.15x3 +.1x4 -d5+ +d5- = 450
3)x1-d6+ +d6- = .5(x1+x2+x3+x4) ! .5x1-.5x2-.5x3-.5x4 -d6+ +d6- = 0
-.5x1 +.5x2 -.5x3-.5x4 -d7+ +d7- = 0
-.5x1-.5x2+.5x3-.5x4 -d8+ +d8- = 0
-.5x1-.5x2-.5x3+.5x4 -d9+ +d9- = 0
4)d3+ -d10+ +d10- = 300
Restricciones estructurales:
x2" 90
xi" 0 para toda i
di+,di- " 0 para toda i.
1.6 Modelos de submetas dentro de una meta.

META: El punto final hacia el cual se entiende la acción, implica el cumplimiento de
un objetivo básico que requiere de una serie de logros en los cuales están
frecuentemente empeñados varios estamentos de la compañía, ya sea en diversas
áreas o en una de ellas.
SUBMETAS: Son aquellos logros colocados por debajo de las metas y que resultan
necesarios para el cabal cumplimiento de los objetivos básicos.
Las submetas son más detalladas; conforman parte de una red de jerarquías y se
asimilan a los peldaños necesarios para avanzar en forma consistente hacia el
cumplimiento de metas.
1.7 Métodos de solución.

Una vez que el modelo este validado, los pasos siguientes consisten en:
Implementar el modelo: Trabajar con el cliente para poder extraer los máximos
beneficios del trabajo realizado
Actualizar el modelo: Es evidente que la realidad es cambiante, por ello el modelo

debe adaptarse a las nuevas circunstancias de manera continua si se pretende que
siga teniendo utilidad.
1.Programación meta ponderada: se basa en el establecimiento de ponderaciones

para las variables de desviación. La programación meta afecta con coeficientes
numéricos las variables de desviación de la función objetivo y resuelve el problema
utilizando el método simplex.
2.Programación meta lexicográfica: se basa en resolver el problema de

programación meta obteniendo inicialmente una solución para las variables metas
más importantes, es decir, aquellas que tienen prioridad 1. Seguidamente se busca
la solución para aquellas variables desviación con prioridad 2 pero agregando
nuevas restricciones al sistema dadas por el valor que se obtuvo para las variables
de prioridad 1 obtenidas en la solución anterior y así sucesivamente hasta llegar a
la solución de las variables de última prioridad.
3.Método simplex multicriterio: le proporciona valores a las prioridades siempre que

P1 sea mucho mayor que P2 y P2 mucho mayor que P3>>P4>>P5..... y busca como
solución óptima aquella que proporcione una mejor utilización de los recursos.
El método más utilizado es el de la Programación meta ponderada.
La utilidad de estos enfoques se reduce considerablemente en problemas

decisionales de un tamaño relativamente elevado. De las ideas que se acaban de
exponer se desprende que en problemas complejos que conllevan la formulación
de modelos de cierto tamaño, los enfoques multiobjetivo son de limitado interés y
tienen que dejar paso a otros enfoques con una solidez teórica tal vez menor, pero
con una operatividad muy superior. Dentro de esta línea pragmática puede
encuadrarse la programación por metas.
1.8 Uso de software.

Solver es una herramienta de análisis que tiene el programa Excel, permite calcular
el valor de una celda que depende de diversos factores o variables donde a la vez
existen una serie de restricciones que han de cumplirse.
Solver de Excel realiza cálculos para la solución de problemas de programación

lineal, en donde a partir de una función lineal a optimizar, el fin es obtener valores
óptimos ya sean máximos o mínimos.
Otro de los softwares utilizados para resolver problemas de programación por metas
o simplemente de programación es el QSB; el cual es: un paquete de herramientas
muy versátil que permite el análisis y resolución de modelos matemáticos,
problemas administrativos, de producción, proyectos, inventarios, transporte, entre
muchos otros. Ofrece una interfaz básica pero amigable, y es la aplicación por
excelencia utilizada por profesionales de Ingeniería Industrial y áreas
administrativas para la resolución de sus modelos de programación lineal, continua
o entera.
A continuación, se muestra un ejemplo realizado en QSB
El problema trata sobre la planificar la producción de una fábrica de papel,

supongamos que cuenta con dos procesos, uno mecánico y otro químico, por los
cuales se puede obtener la pulpa de celulosa para la producción de papel.
Modelo de programación multiobjetivo:
Objetivos Max f1(x)= 1000 X1 + 3000 X2 (Maximizar el margen bruto)
Min f2(x)= X1 +2 X2 (Minimizar la demanda biología de O2)
Restricciones Rígidas Iníciales:
1000X1 + 3000X2 >= 300000 (Margen Bruto)
X1 + X2 <=400 (Empleo)
X1 <= 300 (Capacidades de Producción)
X2<= 200
X1, X2 >= 0
Variables de decisión y atributos/objetivos relevantes del problema:
G1: Para la demanda biológica de oxígeno: Un nivel de aspiración de 300 unidades,

pues desea que sea lo mas pequeña posible.
G2: Para el margen bruto: Alcanzar un valor lo más grande posible, ojal1 mayor de
400000 unidades por millón.
G3: Para el empleo: No desea ni quedarse corto ni contratar mano de obra adicional
G4: El decisor no desea superar sus capacidad de producción, lo que implicaría

recurrir a turnos extras.
Definiendo las restricciones tipo metas:
G1= X1 + 2X2 + n1-p1= 300 (Demanda Biologíca de O2)
G2= 1000X1+ 3000X2 + n2-p2=400000 (Margen bruto)
G3= X1 +X2 + n3 –p3= 400 (Empleo)
G4= X1 + n4- p4 = 300 (Capacidades de Producción)
G5= X2 + n5 – p5= 200
X1, X2 >=0
Introducción del Problema en QSB

Seleccionamos Ok, y nos abre la siguiente ventana donde deberemos de introducir

los valores de las variables.
Ahora si procedemos a dar de alta nuestras variables tal cual las pusimos en la parte
de arriba, ya que si no lo hacemos QSB nos las cambiara, esto lo hacemos en la
sección de Edit, Variable Names.
Ahora podemos definir las metas y restricciones
Después nos vamos alas herramientas del menú y seleccionamos Solve and
Analyze. Seleccionamos Solve the Problem y el problema se resuelve mediante el
método simplex y nos da el siguiente resultado.
Hoja de resumen de la información

Interpretación:
De la tabla podemos concluir que:
Las toneladas de celulosa a producir por medio mecánicos son 300
Dado que n1 y p1 son ambas cero, la demanda biológica de oxígeno mínimo es de

300 unidades, igual al nivel de aspiración.
La meta 2, asociada con el margen bruto, se queda por debajo del nivel de aspira
con en cuenta de 100000 unidades por millón, el valor que asume la variable de
desviación n2
La meta de empleo se fija de 100 unidades de mano de obra menos que el nivel de
aspiración que era de 400
Las metas 4 y 5 , relacionadas con los niveles máximos de producción por cada
método, se fijan en 0 tonelada de capacidad no aprovechada, para la , y 200 para
la 5.
Conclusión
La programación por metas es un modelo de optimización altamente efectivo
cuando se busca obtener resultados factibles en determinadas operaciones que
involucren varios objetivos a la vez, tiene como enfoque para tratar problemas de
decisión gerencial que comprenden metas múltiples o inconmensurables, de
acuerdo a la importancia que se les asigna a estas metas. La programación por
meta cuenta con varios modelos como pueden ser de una sola meta asta de
múltiples metas del mismo modo existen soluciones de distintos modos.
El primer paso en la formulación de un modelo de programación por metas consiste

en fijar los atributos que se consideran relevantes para el problema que se está
analizando. Una vez establecidos los atributos, se pasa a determinar el nivel de
aspiración que corresponde a cada atributo, es decir, el nivel de logro que el centro
decisor desea alcanzar. Seguidamente, se conecta el atributo con el nivel de
aspiración, por medio de la introducción de las variables de desviación negativa y
positiva, respectivamente. Los problemas de programación por meta se resuelven
en orden de prioridad. Es decir, se prueba la optimización en el nivel de prioridad
más alto ignorando las prioridades más bajas hasta optimizar este nivel.
Referencias bibliográficas
HILLIER, Y LIBERMAN
Introducción a la investigación de operaciones
edit. Mc. Graw. Hill 1999.
TAHA. H.
Investigación de Operaciones
Edit. Prentice Hall. 1999
EPPEN, G. D.; GOULD, F. J. Y SCHMIDT, C. P.

Investigación de Operaciones en ciencia Administrativa.
Edit. Prentice Hall. 1999.
BAZARAA, M, HARVIS, J.
Programación Lineal y Flujo en Redes.
Edit. Limusa.
DAVIS R. Mckeown, P.
Modelos cuantitativos en administración
Edit. Iberoamericana 1998.
AVIEL, Goldany.
Mathematical Programmin For
Industrial Engeneers
Marcel Dekker Inc.New.York.1996

Unidad 1

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

Unidad 1

Caricato da

Copyright:

Formati disponibili

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico Superior de Coatzacoalcos

Instituto Tecnológico Superior de Coatzacoalcos

División de Ingeniería Industrial

ASIGNATURA: INVESTIGACIÓN DE OPERACIONES 2

No. Control: 17081151 Semestre: 5 Grupo: ‘’B’’

Nombre del Docente: LIC. JIMENEZ VENTURA BRICIO

1. Programación por metas

1.2 Modelo general de metas.

Los modelos generales de metas tienen como objetivo representan direcciones de

La forma del modelo de programación lineal sigue siendo la misma en programación

restricciones de recurso que se han analizado. El segundo concepto es el de rango

La programación por metas es un enfoque para tratar problemas de decisión

El primer paso en la formulación de un modelo de programación por metas consiste

Como un nivel de aspiración no puede simultáneamente sobrepasarse y quedar por

Una vez clarificado el significado de las variables de desviación, es importante

Existen cuatro formas de restricciones de objetivos, según se permita variación

 CASO 1: Se permiten desviaciones en ambas direcciones.

El significado de las variables de desviación no deseadas puede clarificarse por

Metas y variables de desviación

Forma inicial de Forma de la Variable de

1.3 Diferencias entre modelo lineal y modelo metas.

Es un enfoque para tratar problemas de decisión gerencial que comprenden metas

El tomador de decisiones debe ser capaz de establecer al menos una importancia

1.4 Modelos de una sola meta.

La forma exacta de la función objetivo varía según la respuesta a estas dos

1. ¿Son conmensurables o proporcionales los objetivos?

2. ¿Cuál es la importancia relativa de cada objetivo?

• Objetivos conmensurables de igual importancia: este es el caso más sencillo,

• Ponderación preferente de los objetivos: las ponderaciones de preferencia

frecuencia los administradores. Si el administrador puede ordenar o dar un rango

Los problemas de programación por meta se resuelven en orden de prioridad. Es

1.5 Modelos de metas múltiples.

EJEMPLO METAS MÚLTIPLES

Considera la información que se presenta en la siguiente tabla:

2 .08 1.4 .7 .2 362

 El producto 2 no debe exceder 90 unidades al mes.

1.6 Modelos de submetas dentro de una meta.

1.7 Métodos de solución.

Actualizar el modelo: Es evidente que la realidad es cambiante, por ello el modelo

1.Programación meta ponderada: se basa en el establecimiento de ponderaciones

2.Programación meta lexicográfica: se basa en resolver el problema de

3.Método simplex multicriterio: le proporciona valores a las prioridades siempre que

El método más utilizado es el de la Programación meta ponderada.

La utilidad de estos enfoques se reduce considerablemente en problemas

1.8 Uso de software.

Solver de Excel realiza cálculos para la solución de problemas de programación

A continuación, se muestra un ejemplo realizado en QSB

El problema trata sobre la planificar la producción de una fábrica de papel,

Modelo de programación multiobjetivo:

Objetivos Max f1(x)= 1000 X1 + 3000 X2 (Maximizar el margen bruto)

Min f2(x)= X1 +2 X2 (Minimizar la demanda biología de O2)

Restricciones Rígidas Iníciales:

1000X1 + 3000X2 >= 300000 (Margen Bruto)

X1 <= 300 (Capacidades de Producción)

Variables de decisión y atributos/objetivos relevantes del problema:

G1: Para la demanda biológica de oxígeno: Un nivel de aspiración de 300 unidades,

G4: El decisor no desea superar sus capacidad de producción, lo que implicaría

Definiendo las restricciones tipo metas:

G1= X1 + 2X2 + n1-p1= 300 (Demanda Biologíca de O2)

G2= 1000X1+ 3000X2 + n2-p2=400000 (Margen bruto)

G3= X1 +X2 + n3 –p3= 400 (Empleo)

G4= X1 + n4- p4 = 300 (Capacidades de Producción)