Manual e Implementación de Multisim 14 para Simular Circuitos Electricos y Electronicos en Ingenieria

Investigación de Operaciones
Ing. Rodrigo Sempértegui Álvarez

I. Introducción a la Investigación de Operaciones
I.1. Introducción
Antecedentes:
􀁺 Durante la Segunda Guerra Mundial, el mando británico
consultó a científicos y técnicos sobre distintas cuestiones
militares:
– Despliegue de radares.
– Dirección de operaciones antisubmarinas, de minas,
bombardeos y traslado de tropas.
􀁺 El resultado se llamó Investigación de Operaciones

Militares, y más tarde Investigación Operativa (IO)
􀁺 El MIT contribuyó a su puesta en marcha

– El profesor Morse (MIT) fue pionero en los EE.UU.
– Fundó el Centro OR del MIT y colaboró en la fundación de
ORSA.
3
¿Qué son las ciencias de la gestión (investigación

operativa)?
􀁺 Hoy en día: las ciencias de la gestión y la
investigación operativa suponen “el empleo de
modelos matemáticos para proporcionar pautas que

permitan a los gestores tomar decisiones efectivas
partiendo de la información de la que disponen, o
para hallar el modo de ampliar ésta, en caso de que
sea insuficiente para llegar a la decisión adecuada.”
􀁺 Comparar con: ciencias de la decisión, análisis
de sistemas, investigación operativa, dinámica de
sistemas, análisis operacional, sistemas de
ingeniería, ingeniería de sistemas y otros conceptos.
4
La investigación operativa en la historia

􀁺 1947
– Proyecto Scoop (Scientific Computation of
Optimum Programs), en el que George Dantzig y
otros científicos desarrollan el método simplex de

programación lineal.
􀁺 Década de 1950
– Años muy interesantes: progresos matemáticos,
teoría de colas, programación matemática.
Comparar con: Inteligencia artificial (I.A.) en los 60.
– Crece el interés: más progreso, grandes proyectos.
Comparar con: Inteligencia artificial en los 80.
5
– Época de desilusión y estancamiento. NPcompleto.

Expectativas más realistas.
– Gran expansión del uso de computadores

personales.
Acceso cada vez más fácil a datos. Se extiende la
disposición de los directivos al empleo de modelos.
– Uso creciente de sistemas de I.O.
Nuevos avances de la tecnología de I.O; p.ej:
ampliaciones de optimización y simulación a hojas
de cálculo, lenguajes de modelación, optimización a
gran escala. Mayor interconexión entre la I.A. y la I.O
6
La investigación operativa en el año 2000

􀁺 CIENTOS de oportunidades para el campo de la

I.O.
􀁺 Datos, datos y más datos
– Datos de e-business (click stream, compras, otros

datos de transacciones, correo electrónico, etc.)
– El proyecto del genoma humano y su desarrollo
􀁺 Mayor automatización en la toma de decisiones
􀁺 Necesidad de mayor coordinación para la
utilización de recursos (gestión de la cadena de
suministro)
7
Definición
Aplicación del método científico por un grupo multidisciplinario

personas a la resolución de un problema.
Objetivo
El principal objetivo de esta área de conocimientos consiste en

formular y resolver diversos problemas orientados a la toma de
decisiones, mediante métodos científicos, que optimizan el
funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilización de recursos escasos.
8
Naturaleza
La naturaleza de los problemas abordados pueden ser:

 Métodos determinísticos: Programación lineal, programación

entera, transporte, teoría de la localización o redes, programación
multicriterio, teoría de inventarios, etc. (Modelos de Prog.
Matemática)
 Métodos probabilísticos: Cadenas de markov, teoría de juegos,

líneas de espera, teoría de inventarios, etc.
 Métodos híbridos: Conjugan métodos determinísticos y

probabilísticos.
 Métodos heurísticos: soluciones basadas en la experiencia.
9
Gran cantidad de problemas reales cada más

complejos y especializados requieren de:
 Uso de metodologías para la formulación

matemática de estos problemas.
 Métodos y herramientas de resolución, como los

que provee la Investigación de Operaciones.
10
I.1.1 Formulación del Problema

1. Definir el Problema
– Definir el Problema
– Especificación de Objetivos
Observar el Sistema
2.
– Reunir Datos
– Estimar Valores de Parametros
3. Formular el Modelo Matemático para el Problema
– Representación Idealizada del Problema
4. Verificar el Modelo y usar el Modelo para Predicciones
– Estimar el Grado de Acercamiento del Modelo a la Realidad
5. Seleccionar la Alternativa Adecuada
– Escoger el modelo que mejor se adapta a los objetivos
6. Presentar los Resultados y Conclusiones del Estudio a la
Organización
7. Implantar y Evaluar las Recomendaciones
11
Formular el Problema
Observar el Sistema
Formular el Modelo Matemático
Verificar el Modelo y usar para predicciones
Seleccionar la Alternativa
Presentar Resultados y Conclusiones
Implantar y Evaluar
Recomendaciones
12
I.2 Elementos de un modelo de optimización.
Supongamos que se dispone de determinadas piezas para la

elaboración de dos productos finales. Se dispone de 8 “piezas

pequeñas” y 6 “piezas grandes”, que son utilizadas para elaborar
sillas (usando 2 piezas pequeñas y 1 pieza grande) y mesas
(usando 2 piezas de cada tipo).
Interesa decidir cuántas sillas y mesas fabricar de modo de obtener

la máxima utilidad, dado un beneficio neto de U$ 15 por cada silla y
de U$20 por cada mesa fabricada.
13
Posibles soluciones factibles a considerar, esto es soluciones

que respetan las restricciones del número de piezas
disponibles, son por ejemplo, fabricar:
• 4 sillas, que reportan una utilidad de U$60

• 1 sillas y 2 mesas , utilidad de U$55
• 3 mesas, utilidad de U$60
• 1 mesa y tres sillas, utilidad de U$65
• 2 sillas y 2 mesas, utilidad de U$70
• etc.
14
Componentes de un modelo matemático:

i) Las variables de decisión, que consiste en definir cuáles son las
decisiones que se debe tomar. En el ejemplo,

x: número de sillas elaboradas. y: número de mesas elaboradas.
¿Qué puedes decidir?

Ej: cuanto producir; cuanto invertir, y en qué, son variables de

decisión
ii) La función objetivo del problema, que permita tener el mejor

criterio para decidir entre todas las soluciones factibles. En el
ejemplo, maximizar la utilidad dada por:
z = f(x,y) = 15x + 20y
¿Qué quiere decir “mejor”?

Ej: maximizar beneficio, minimizar coste, … son objetivos
15
iii) Restricciones del problema, que consiste en definir un conjunto

de ecuaciones e inecuaciones que restringen los valores de las

variables de decisión a aquellos considerados como factibles. En el
ejemplo, respetar la disponibilidad de piezas para la fabricación de
sillas y mesas:
2x + 2y  8
Piezas pequeñas:
Piezas grandes : x + 2y  6
También se impone restricciones de no – negatividad:
x,y  0
¿Qué restricciones limitan las decisiones?
Ej: no exceder presupuesto, no usar más piezas que las disponibles,
etc.… son restricciones
iv) Resolución del Modelo y Análisis de la Solución
16
En resumen: Max 15x + 20y

sa: 2x + 2y  8
x + 2y  6
x,y  0
El ejemplo corresponde a un modelo de Programación Lineal.

Si además restringimos los valores de x e y a números
enteros, tendríamos un modelo de Programación Entera. Por
otra parte, si hubiese retornos crecientes a escala,
deberíamos emplear una función objetivo no lineal como
f(x,y) = cxa + dyb con a,b >1, y tendríamos un modelo de
Programación No Lineal.
17
BIBLIOGRÁFIA EN INVESTIGACIÓN DE OPERACIONES
1. Introducción a la Investigación de Operaciones, F.S. Hillier y

G.J. Lieberman, McGraw Hill, Sexta Edición, 1997.
2. Investigación de Operaciones, una introducción, H.A. Taha,

Prentice Hall, México, Sexta Edición, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier and
G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction. M.W.
Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling and
Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.
18
II. Modelos de Programación Matemática
Investigación de Operaciones Programación Lineal
Temario:
II.1. Introducción
II.2. Definiciones
II.3. Suposiciones de la PL
II.4. Ejemplos de modelamiento.
II.5. Resolución gráfica de problemas.
II.6. Análisis de Sensibilidad.
II.7. El Método Simplex.
II.8. Dualidad en Programación Lineal.
II.9. Análisis de Sensibilidad o Post-Optimal
20
Programación Lineal
II.1 INTRODUCCIÓN
 La programación lineal es un caso especial de la programación

matemática, en donde todas las funciones que participan en el
modelo son lineales.
 Utilización:
 Planificación
 Gestión de recursos humanos y materiales
 Transporte
 Planificación financiera
 Organización de la producción.
 Una extensa gama de problemas que aparecen en las áreas
de tipo industrial, económico, administrativo, militar, etc.
21
II.2 DEFINICIONES
 Función Lineal.- una función f(x1, x2, x3,…. xn) es una función
lineal de x1, x2, x3,…. xn, si y solo si para algún conjunto de
constantes c1, c2, c3,…. cn, existe una función f(x1, x2, x3,….
xn) = c1 x1+ c2 x2, c3 x3,…. cn xn
 Desigualdad Lineal.- una desigualdad f(x1, x2, x3,…. xn)≥ b ó

f(x1, x2, x3,…. xn)≤ b es lineal, si y solo si la función f(x1, x2,
x3,…. xn) es lineal y b es cualquier número real.
 Un problema de Programación Lineal.- es un problema de

optimización, para el cual:
 Se busca maximizar o minimizar una función lineal de variables de
decisión.
 Los valores de las variables de decisión satisfacen un conjunto de
restricciones. Cada restricción es una ecuación o una desigualdad
lineal.
22
La Región Factible y la Solución Óptima:

• Región Factible.- Es el conjunto de todos los puntos que

satisfacen todas las restricciones del problema de PL.
• Solución Óptima.- Para un problema de maximización en PL la

solución óptima es el punto o conjunto de puntos de la región
factible con mayor valor de la función objetivo. Para un problema
de minimización en PL la solución óptima es el punto o conjunto
de puntos de la región factible con menor valor de la función
objetivo.
23
 Suposiciones de Proporcionalidad y Aditividad.-

 El hecho de que la función objetivo de un problema de PL tiene

que ser una función lineal de las variables de decisión, tiene dos
implicaciones:
 La contribución de cada variable de decisión a la función objetivo es

proporcional al valor de la variable de decisión.
 La contribución a la función objetivo por parte de cualquier variable
de decisión es independiente de los valores de las otras variables
de decisión.
 El hecho de que cada restricción de un problema de PL tiene

que ser una desigualdad o igualdad lineal de las variables de
decisión, tiene también dos implicaciones:
 La contribución de cada variable al lado izquierdo de cada
restricción es proporcional al valor de la variable de decisión.
 La contribución de cada variable al lado izquierdo de cada
restricción independiente de los valores de las otras variables de
decisión.
24
• Suposición de Divisibilidad.-
– La suposición de divisibilidad requiere que cada variable de

decisión pueda tomar valores fraccionarios.
– En muchas situaciones donde no se presenta la divisibilidad,
redondear cada variable de la solución óptima del problema de PL

a un valor entero, puede proporcionar una solución razonable más
no necesariamente óptima.
• Suposición de Certidumbre.-
– La suposición de certidumbre significa que tiene que conocerse

con certidumbre cada parámetro (coeficiente de la función objetivo,
coeficientes de las variables de las restricciones, lado izquierdo de
las restricciones).
25
II.4 Ejemplos de modelamiento.

i) Problema de Transporte. El problema 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.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
26
Por ejemplo, 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
27
Diagrama:
C.D.1
X11
Planta 1
X12
X21 X22 C.D.2

Planta 2
X13
X23
C.D.3
Orígenes Destinos
28
Variables de decisión:
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
29
3) Oferta :
 250
P1 : x11 + x12 + x13

P2 : x21 + x22 + x23  400
Las variables de decisión deben aceptar soluciones como

números reales para tener un modelo de P.L.
30
ii) Problema de la dieta: este consiste en determinar una

dieta de manera eficiente, a partir de un conjunto dado de
alimentos, de modo de satisfacer ciertos requerimientos
nutricionales.
Supongamos que se tiene la siguiente información:
Leche Legumbre Naranjas Requerimientos

(galon) (1 porción) (unidad) Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
31
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.

Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Requerimientos mínimos de los nutrientes considerados:
3.2 x1 + 4.9 x2 + 0.8 x3  13
1.12 x1+ 1.3 x2 + 0.19 x3  15
32 x1+ + 9 x3  45
x1  0 ; x2  0 ; x3  0
32
iii) Problema de dimensionamiento de lotes:
Este consiste en hallar una política óptima de producción 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:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es decir, se debe satisfacer
toda la demanda del periodo). 33
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.
34

1) Restricciones de cotas, que reflejan la capacidad de
producción.
xt 150  t  Período
2) Restricciones de no negatividad
xt  0  t  Período
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
35
iv) Problema de planificación financiera:
Supongamos que un banco dispone de $250 millones para destinar

a 4 tipo de créditos ofrecidos, los cuales tienen las siguientes, tasas
de crédito:
• Primer crédito corriente (PCC) :12%
• Segundo crédito corriente (SCC) :16%

• Crédito para el hogar :16%
• Crédito personal :10%
La asignación de estos créditos, debe satisfacer la siguiente política
utilizada por la institución:
El monto asignado a los PCC, debe ser al menos, el 55% del monto
asignado a los créditos corrientes, y al menos un 25% del total del
dinero prestado.
El SCC, no puede exceder el 30% del total del dinero prestado, por
políticas tributarias el interés recibido por el banco no debe exceder
a un retorno del 14% sobre el capital prestado.
¿Cuánto asignar a cada tipo de crédito, de la manera más eficiente,
respetando la política del banco? 36
x1 :Monto asignado al PCC. x2 : Monto asignado SCC.

x3 : Monto asignado al crédito para el hogar.
x4 : Monto asignado al crédito personal.

Función Objetivo:
Se propone maximizar los retornos recibidos en la asignación,
dados por: 0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4
x1  0.55 ( x1 + x2 )
x1  0.25 ( x1 + x2 +x3 + x4 )
x2  0.30 ( x1 + x2 +x3 + x4 )
(0.12x1+0.16x2+0.16x3+0.10x4 )  0.14 ( x1+ x2 +x3 +x4 )
Adicionalmente: x1 + x2 +x3 + x4  250
37
v) Problema de mezcla de productos: en este problema una

refinería produce 4 tipos de gasolina (gas 1, gas 2, gas 3 y
gas 4). Dos características importantes de cada gasolina son
su número de performance (NP) y su presión de vapor (RVP),

que están dados por:
NP RVP Barriles diarios

gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300
38
Estas gasolinas pueden ser vendidas directamente a un

precio de $24,83 por barril o bien mezcladas para obtener
gasolinas de aviación (avgas A y avgas B). La calidad de
estas dos últimas junto con sus precios de venta son:
NP RV Precio por barril (US$)

avgas A Al menos 100 A lo más 7 26,45
Avgas B Al menos 91 A lo más 6 25,91
El NP y RVP de cada mezcla es un promedio de los

respectivos NP y RVP de las gasolinas empleadas.
Se desea obtener un plan de venta de las distintas gasolinas

que maximice los retornos.
39
xj : cant. de barriles del gas j que son vendidos sin mezclar, con j =
1, 2, 3, 4.
xA : cant. de barriles de avgas A. xB : cant. de barriles de avgas B.
xjA: cant. de gas j usado en avgas A. xjB: cantidad de gas j usado en avgas B.
Función objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
40
NP, avgas A:
107x 1A  93x 2 A  87x 3 A  108x 4 A

 100
xA
NP, avgas B:
107x 1B  93x 2B  87x 3B  108x 4B
 91
xB
RVP, avgas A:
5 x 1A  8x 2 A  4 x 3 A  21x 4 A
7
xA
RVP, avgas B:
5 x 1B  8 x 2 B  4 x 3 B  21x 4 B
6
xB
41
vi) Problema de expansión de la capacidad de un Sistema de
Potencia Eléctrica:
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: 1) Usar plantas térmicas a petróleo; 2) 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.
42
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.
43
 pt x t  gt yt 
T
Min
t 1
t
w t   yk
t  15
c t  z t  w t  dt k 1
t
y
t
z t   xk t  20 wt 
k  t 14
k t  15
k 1 wt
 0,30 t  1... T
t
ct  zt  w t
zt  x
k  t 19
k t  20 x t , yt , z t , w t  0
44
vii) Problema de Establecimiento del Horario de Trabajo:
Una oficina de correos necesita de un número diferente de

empleados de tiempo completo, para diferentes días de la semana.
El número de empleados de tiempo completo requeridos para cada
día se da en la taba siguiente:
DIA No. EMP. DIA No. EMP. DIA No. EMP.

NECESARIO NECESARIO NECESARIO
Lunes 17 Martes 13 Miércoles 15
Jueves 19 Viernes 14 Sábado 16
Domingo 11
Las reglas sindicales señalan que cada empleado debe trabajar por
5 días consecutivos y después descansar 2 días. La oficina de
correos quiere cumplir con sus requerimientos diarios y utilizar
solamente empleados de tiempo completo. Formule un PL para
minimizar los empleados de tiempo completo
45
Variables de Decisión: xi : número de empleados que empieza a

trabajar el día i
Función Objetivo: Min z= x1 + x2 + x3 + x4 + x5 + x6 + x7
≥ 17
Restricciones: x1 + x4 + x5 + x6 + x7
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 15
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
xi ≥ 0 (i=1,2,3,…7)
46
PROBLEMAS PROPUESTOS:
1.- Supóngase que la oficina de correos puede obligar a trabajar un

día extra a la semana. Por ejemplo un empleado que ha trabajado de
lunes a viernes, tendría que trabajar el sábado. Se paga al empleado
50 dólares diarios por los 5 primeros días y 62 dólares por el día

extra (en caso de haber trabajado). Formule un PL cuya solución
permita a la oficina de correos minimizar el costo para cumplir con
sus necesidades laborales semanales.
2.-Supóngase que la oficina de correos tiene una planta de 25
empleados a tiempo completo y no se le permite ni contratar ni
despedir empleados. Formular un PL para programar el horario de
los empleados a fin de maximizar el número de fines de semana
libres recibidos por los empleados.
47
PROBLEMAS PROPUESTOS:
3.- Los empleados del Departamento de Policía trabajan dos turnos

de 6 horas diarias, escogidos entre los siguientes 4 turnos posibles:
1) de 0h a 6 h, 2) de 6h a 12h, 3) de 12 a 18h, 4) de 18 a 24h. Se
necesita el siguiente número de policías por cada turno: 1) 15, 2) 5,

3) 12 y 4) 6. A los policías que tienen turno consecutivos se les paga
12 dólares la hora y a los policías que no tienen turnos consecutivos
se le para 18 dólares la hora. Formule un PL para minimizar los
costos y cubrir la demanda diaria de fuerza laboral del Departamento
de Policía
48
II.5. Resolución gráfica de problemas.

Consideremos el siguiente problema a resolver gráficamente:
Max z = 3x1 + 5x2

sa:
x1 4
2x2  12
3x1 + 2x2  18
x1 , x2  0
49
x2 Región de puntos factibles

Función Objetivo
9
4 6 x1
50

Función Objetivo
9
4 6 x1
51

Función Objetivo
9
x* Solución Optima
4 6
52

Función Objetivo
9
x* Solución Optima
4 6
53

Función Objetivo
9
x* Solución Optima
4 6
54

Función Objetivo
9
x* Solución Optima
x*
6
4 6
55
En primer lugar, se debe obtener la región de puntos factibles

en el plano, obtenida por medio de la intersección de todos los
semi-espacios que determinan cada una de las inecuaciones
presentes en las restricciones del problema.
A continuación, con el desplazamiento de las curvas de nivel

de la función objetivo en la dirección de crecimiento de la
función (que corresponde a la dirección del vector gradiente
de la función, z(x1,x2) = (3,5)T, se obtiene la solución óptima
del problema en la intersección de las rectas: 2x2 = 12 y
3x1+2x2 = 18 (restricciones activas). Esto es:
x1 * = 2 x2 * = 6
z* = 3 x1* + 5 x2* = 36
56
Algunas reflexiones
Los ejercicios anteriores plantean un PROBLEMA DE DECISIÓN

Hemos tomado una situación real y hemos construido sus
equivalentes matemáticos: MODELO MATEMÁTICO
Durante la formulación de los modelos matemáticos, hemos

considerado el método cuantitativo que nos permitirá resolver el
modelo numéricamente ALGORITMO
El algoritmo es un conjunto de instrucciones que siguiendo de
manera ordenada producen una solución numérica
NUEVA DEFINICION
Ciencia para la representación de problemas reales mediante

modelos matemáticos que junto con métodos cuantitativos nos
permiten obtener una solución numérica a los mismos.
57
Notar que se pueden dar otras situaciones en la búsqueda de

una solución óptima para esta clase de problemas:
1) La solución óptima exista pero haya más de una. En

el ejemplo, considerese la nueva función objetivo:
z = 6x1+4x2.
2) El problema no tenga solución, dada una región de
puntos factibles no - acotada. En el ejemplo, reemplace
cada desigualdad  por una .
3) El problema no tenga solución, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la
restricción: x1  5.
58
II.3. Análisis de sensibilidad.

Consideremos otro ejemplo:

max z= 15x + 20 y
s.a. 2x+2y≤8
x+2y ≤6
x,y≥0
59
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3
2 4 6
60
A partir de la resolución gráfica del problema se tiene:

Solución óptima : x1*= 2 ; x2*= 2
Valor óptimo : z = z(2,2) = 70

El análisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:
1) ¿Cuál es el intervalo de variación de algún
coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?
61
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
62
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
63
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
64
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
65
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
66
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
67
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
68
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
69
Sea z = c1x1+c2x2
La solución óptima de la nueva función,

seguirá siendo: x1*= 2 ; x2*= 2 sí:
 c1 1
 1 
c2 2
70
También podemos estudiar el intervalo de un sólo coeficiente,

dejando el resto de los parámetros fijos:
Para C1:
 c1
1
 1   10  c1  20
20 2
Para C2:
 15 1
 1   15  c 2  30
c2 2
71
2) ¿Cuál es el intervalo de variación de los coeficientes

del lado derecho (términos libres) de las restricciones, de
modo que la actual solución siga siendo la óptima?
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.
72
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3
2 4 6 8
73
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3
2 4 6 8
74
Primera restricción.
La mayor variación del coeficiente del lado derecho se alcanza en
x=0 y y=4, de donde se obtiene:
z(0,4) = 15 · 0 + 20 · 4 = 80 y b1* = 0 + 2 · 4 = 8
La menor variación del coeficiente del lado derecho se alcanza en:
x=4 ; y=0, de donde se obtiene:
z(4,0) = 15 · 4 + 20 · 0 = 60 y b1 = 4 + 2 · 0 = 4
De aquí, se calcula el precio sombra P1, 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) 80  60
P1   5
b1*  b1 84
75
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
76
15x  20y
Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
4 6
77
Segunda restricción.

z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12

x=0 ; y= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b1= 2 x 0 + 2 x 3 = 6
unidad del lado derecho: z(6,0)  z(0,3) 90  60
P2   5
b2  b2
*
12  6
78
Ejemplo 2
Una fábrica produce 2 tipos de juguetes de madera: soldados y

trenes se vende un soldado en 27 dólares y se usan 10 dólares de
materia prima y 14 dólares en mano de obra. Se vende un tren en
21 dólares y se usan 9 de materia prima y 10 dólares en mano de

obra. La producción de soldados y trenes necesita de 2 tipos de
trabajo especializado: carpintería y acabado. Un soldado requiere
de 1 hora de carpintería y 2 de acabado. Un tren requiere de 1
hora de carpintería y una de acabado. La empresa dispone de 80
horas de carpintería y 100 de acabado y puede conseguir toda la
materia prima necesaria. La demanda de trenes no tiene límite
pero no se pueden vender mas de 40 soldados a la semana.
Formule un PL para maximizar la ganancia semanal.
79
x número de trenes
y número de soldados
max z = 3x + 2y ganancia
s.a. 2x+y ≤100 restricción de acabado

x +y ≤80 restricción de carpintería
x ≤40 restricción de demanda de soldados
x,y≥0
80
max z= 3x + 2y
s.a. 2x+y ≤100
x+y ≤80
x ≤40
x, y ≥ 0
81
solución
x=20
y=60
82
A partir de la resolución gráfica del problema se tiene:

Solución óptima : x*= 20 ; y*= 60
Valor óptimo : z = z(20,60) = 180

El análisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:
1) ¿Cuál es el intervalo de variación de algún
coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?
83
84
Sea z = c1x1+c2x2
La solución óptima de la nueva función,

seguirá siendo: x*= 20 ; y*= 60 sí:
 c1
2   1
c2
85
También podemos estudiar el intervalo de un sólo coeficiente,

dejando el resto de los parámetros fijos:
Para C1:
 c1
2   1  2  c1  4
2
Para C2:
3 3
2   1   c2  3
c2 2
86
2) ¿Cuál es el intervalo de variación de los

coeficientes del lado derecho (términos libres)
de las restricciones, de modo que la actual
solución siga siendo la óptima?

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.
87
max z= 3x + 2y
s.a. 2x+y ≤100
x+y ≤80
x ≤40
x, y ≥ 0
88
Primera restricción.
x=60 y y =0, de donde se obtiene:
z(60,0) = 3 · 60 + 2 · 0 = 180 y b1* = 2 · 60 + 1 · 0 = 120

x= 4 ; x2 = 0, de donde se obtiene:
z(40,0) = 3 · 40 + 2 · 0 = 120 y b1 = 2 · 40 + 1 · 0 = 80
Obsérvese que, aunque para 80≤b1≤120 la base actual es óptima
los valores de las variables de decisión y de la función objetivo
cambian. Por ejemplo si 80≤b1≤100 la solución óptima cambiará del
punto B a algún otro punto en el segmento AB. Similarmente si
100≤b1≤120 la solución óptima cambiará del punto B a algún otro
punto en el segmento AD.
89
Para ilustrar la idea, sea b1 el número de horas de acabado

disponibles. Si cambiamos b1 a 100+Δ sabemos que la base será
óptima para -20≤Δ ≤20 la solución para el PL será todavía e punto
en el que las restricciones de acabado y carpintería son obligatorias.
Por lo tanto si cambiamos b1 = 100+Δ se puede encontrar los

nuevos valores de las variables al resolver
2x + y = 100 + Δ y x + y =80
Esto produce que x=20+Δ, y y=60-Δ lo que significa que si
aumentamos el número de horas de acabado da como resultado un
aumento de número de soldados producidos y una disminución de
trenes producidos.
90

unidad del lado derecho:
z(60,0)  z(40,0) 180  120

P1    1.5
b1  b1
*
120  80
91
max z= 3x + 2y
s.a. 2x+y ≤100
x+y ≤80
x ≤40
x, y ≥ 0
92
Segunda restricción.

z(0,100) = 3·0 + 2·100 = 200 y b2*= 1·0 + 1·100 = 100

x=0 ; y=60, de donde se obtiene:
z(0,60) = 3·0 + 2·60 = 120 y b2= 1·0 + 1·60 = 60
Obsérvese que, aunque para 60≤b2≤80 la base actual es óptima los
valores de las variables de decisión y de la función objetivo cambian.
Por ejemplo si 60≤b2≤80 la solución óptima cambiará del punto B a
algún otro punto en el segmento BF. Similarmente si 80≤b1≤100 la
solución óptima cambiará del punto B a algún otro punto en el
segmento AC.
93
Ahora, sea b2 el número de horas de carpintería disponibles. Si

cambiamos b2 a 80+Δ sabemos que la base será óptima para -20≤Δ
≤20 la solución para el PL será todavía e punto en el que las
restricciones de acabado y carpintería son obligatorias.
Por lo tanto si cambiamos b2 = 80+Δ se puede encontrar los nuevos

valores de las variables al resolver
2x + y = 100 y x + y =80 + Δ
Esto produce que x=20-Δ, y y=60+2Δ lo que significa que si
aumentamos el número de horas de carpintería da como resultado
una disminución del número de soldados producidos y un
disminución de trenes producidos.
94
De aquí, se calcula el precio sombra P2, que

indica la razón o tasa de cambio de la función

objetivo con respecto al cambio en una unidad
del lado derecho:
z(0,100)  z(0,60) 200  120

P2   2
b2  b2
*
100  60
95
Supongamos que cambiamos b3 = 40+Δ se puede encontrar los

nuevos valores de las variables al resolver
2x + y = 100 y x + y =80
Esto produce que la solución original x=20, y y=60. Entonces se

puede demostrar que la base actual es óptima para un Δ ≥ -20, lo
que significa que si se cambia el lado derecho de esta restricción en
el intervalo en la cual la base es óptima, la solución del PL no
cambia.
96

Un PL puede tener restricciones en forma de igualdad o de

desigualdad. También pueden tener variables que tienen que
ser no negativas o no tener restricción de signo.
Para usar el Algoritmo Simplex hay que transformar el PL en

un problema equivalente, en el cual:
 Todas las restricciones son ecuaciones

 Todas las variables son no negativas
Un PL que se encuentra en esta forma está en su forma

ESTANDAR.
97
Ejemplo 1 de transformación en su forma

Estandar
Una Empresa produce dos tipos de cinturones: El modelo de

lujo y el modelo regular. Cada tipo requiere un metro de cuero.
El cinturón regular requiere de una hora de trabajo
especializado y el de lujo necesita de dos horas. Se dispone
semanalmente de 60 horas de mano de obra especializada y
40 metros de cuero. Si cada cinturón regular y cada cinturón
de lujo contribuyen a las ganancias con 3 y 4 dólares cada
uno; cual es el plan de producción para generar la máxima
utilidad?
98
Si definimos:
X1 = Número de cinturones de lujo producidos

X2 = Número de cinturones regulares producidos
El modelo sería:
Max Z= 4X1+3X2
s.a.
X1+ X2 ≤ 40 (Restricción del cuero)
2X1+ X2 ≤ 60 (Restricción de mano de obra)
X1, X2 ≥ 0 (Restricción de no negatividad)
99
El modelo en la forma estandar:
Max Z= 4X1+3X2
s.a.
X1 + X2 + S1 = 40 (Restricción del cuero)
2X1+ X2 + S2 = 60 (Restricción de mano de obra)
X1, X2, S1 , S2 ≥ 0 (Restricción de no negatividad)
100
Ejemplo 2 de transformación en su forma Estandar

Min Z= 50X1+20X2 +30X3 +80X4
s.a. 400X1+ 200X2 + 150X2 + 500X2 ≥ 500
3X1 + 2X2 ≥6
2X1 + 2X2 + 4X3 + 4X4 ≥ 10

2X1 + 4X2 + X3 + 5X4 ≥ 8
X1, X2 , X3 , X4 ≥ 0
En la Forma Estadar:
Min Z= 50X1+20X2 +30X3 +80X4
s.a. 400X1+ 200X2 + 150X2 + 500X2 –E1 = 500
3X1 + 2X2 –E2 =6
2X1 + 2X2 + 4X3 + 4X4 –E3 = 10
2X1 + 4X2 + X3 + 5X4 –E4 = 8
X1, X2 , X3 , X4 ,E1 ,E2 ,E3 ,E4 ≥ 0
101
Ejemplo 3 de transformación en su forma Estandar

Max Z= 20X1+15X2
s.a. X1 ≤ 100
X2 ≤ 100
50X1 + 35X2 ≤ 4000

20X1 + 15X2 ≥ 2000
X1, X2 ≥ 0
En la Forma Estadar:
Max Z= 20X1+15X2
s.a. X1 +S1 = 100
X2 +S2 = 100
50X1 + 35X2 +S3 = 4000
20X1 + 15X2 –E4 = 2000
X1, X2 ,S1 ,S2 ,S3 ,E4 ≥ 0
102
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
103
En resumen, es posible reformular de manera equivalente el

problema usando las siguientes justificaciones:
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)
104
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 variable de
exceso no negativa.
4) Siempre es posible escribir una variable libre de signo

como la diferencia de dos variables no negativas.
105
Considérese un sistema Ax = b de m ecuaciones lineales con n
variables (supóngase n≥m)
DEFINICION: Se obtiene una solución básica de Ax = b, haciendo

n-m variables (variables no básicas VNB) iguales a cero y
resolviendo el sistema resultante de m variables que quedan
(variables básicas VB).
Naturalmente, las selecciones diferentes de variables no básicas

VNB llevaran a soluciones básicas diferentes.
La búsqueda de la solución óptima se restringe a encontrar un vértice
óptimo y cada vértice del conjunto de las restricciones del problema,
llamado región de puntos factibles, corresponde a una solución
básica factible del sistema Ax = b.
Esta solución básica factible, corresponde a su vez a aquellas
soluciones que resultan de resolver el sistema para exactamente m
variables, fijando las restantes n-m en cero, llamadas
respectivamente variables básicas y no-básicas, que además deben
satisfacer condiciones de no-negatividad
106
 II. Modelos de Programación Matemática
EJEMPLO 1 DE SOLUCION BASICA FACTIBLE:
max Z= 4x1 + 3 x2 max Z= 4x1 + 3 x2

s.a. x1 + x2 ≤ 40 s.a. x1 + x2 +s1 = 40

2x1 + x2 ≤ 60 2x1 + x2 +s2 = 60
x1, x2 ≥ 0 x1, x2, s1, s2 ≥ 0
Variables Variables Solución Básica Punto

Básicas No Básicas Factible
x1,x2 s1,s2 s1=s2= 0 x1= 20 x2= 20 E
x1,s1 x2,s2 x2=s2= 0 x1= 30 s1= 10 C
x1,s2 x2,s1 x2=s1= 0 x1= 40 s2= -20 No es sbf porque s2<0
x2,s1 x1,s2 X1=s2=0 s1= -20 x2= 60 No es sbf porque s1<0
x2,s2 x1,s1 x1=s1= 0 x2= 40 s2= 20 B
s1,s2 x1,x2 x1=x2= 0 s1= 40 s2= 30 F
107
108
EJEMPLO 2 DE SOLUCION BASICA FACTIBLE:
max Z= x1 + 2 x2 + 2 x3
s.a. 2 x1 + x2 ≤ 8
x3 ≤ 10
x1, x2, x3 ≥ 0
Variables Solución Básica Factible Punto Z
Básicas
x1,x3 x1=4 x3=10 x2=s1=s2=0 D 24
s1,s2 s1=8 s2=10 x1=x2=x3=0 F 0
s1,x3 s1=8 x3=10 x1=x2=s2=0 E 20
x2,x3 x2=8 x3=10 x1=s1=s2=0 C 36
x2,s2 x2=8 s2=10 x1=x3=s2=0 B 16
x1,s2 x1=4 s2=10 x2=x3=s1=0 A 4
109
110
Teorema Fundamental de la Programación Lineal:

Si un problema tiene solución óptima, tiene una solución

básica factible óptima.
111
Dada una matriz B de m x m invertible, esta induce una partición de

las variables y parámetros del modelo como se muestra a
continuación:
n  x1  xB  c B 
x     
m m
x   2    c 
B D     nm
  nm
A=      
m xn  xD  c D 
xB :variables básicas.
xD :variables no básicas.
m n-m cB :costos básicos.
B : es llamada una matriz de base cD :costos no básicos.
112
Supongamos el problema en la forma estandar:
Max z= 60 x1 + 30 x2 + 20 x3 + 0 s1 + 0 s2 + 0s3
s.a: 8 x1 + 6 x2 + x3 + s1 =48
4 x1 + 2 x2 + 1.5 x3 + s2 = 20
2 x1 + 1.5 x2 + 0. 5 x3 + s3 = 20
x1, x2, x3, s1, s2, s3≥ 0
Donde la solución es:

z= 280 con s1=24 ,x3=8 y x1=2
las variables básicas son: s1,x3,x1
las variables no básicas son: x2,s2,s3
113
Por lo tanto el sistema anterior puede expresarse como:

Max z= CB xB + CD xD
s.a: B xVB + D xD = b
xB , xD≥ 0
S1 x2
Es decir:
max z= 0 20 60 X3 + 30 0 0 s2
X1 s3
s.a. 1 1 8 S1 6 0 0 x2
0 1.5 4 X3 + 2 1 0 s2
0 0.5 2 X1 1.5 0 1 s3
S1 0 x2 0
X3 ≥ 0 s2 ≥ 0
X1 0 s3 0
114
Multiplicando las restricciones:

B xB + D xD = b por B-1:
B-1 B xB + B-1 D xD = B-1 b o bien:

xB + B-1 D xD = B-1 b
Donde:
1 2 -8
B-1= 0 2 -4
0 -0.5 1.5
115
Sustituyendo en nuestro ejemplo:
s1 1 2 -8 6 0 0 x2 1 2 -8 48
x3 + 0 2 -4 2 1 0 s2 = 0 2 -4 20
x1 0 -0.5 1.5 1.5 0 1 s3 0 -1 1.5 8
O bien:
s1 -2 2 -8 x2 24
x3 + -2 2 -4 s2 = 8
x1 1.25 -0.5 1.5 s3 2
116
Ahora expresemos la función objetivo de la misma manera:

Tomemos las restricciones
B xB + D xD = b y multipliquemos por el vector CBB-1
CB xB + CB B-1DxD= CBB-1 b
z- CB xB - CD xD =0
Sumando las dos últimas relaciones:

z+(CB B-1D- CD)xD= CBB-1 b
117
Criterio de Optimalidad:
c T x  cBT x B  cDT x D
T
B  1 1
 c B b  B D x B  cDT x D 
1

 cBT B b  cDT  cDT B D x B x D
1

valor actual vector de costos
de la función reducidos.
obj.
118
La ecuación que define cada uno de los costos

reducidos es:
rj  c j  cBT 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  j, existe una variable no básica xp con costo
reducido negativo, que entra a la nueva base.
119
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 
x  y 
B  1b    B  1A   2 p 
2 0
  j
 
   
x
 m0 y
 mp
y se debe calcular:
yk 0  yi0 
 Min  / yip  0  xk deja la base
ykp  yip 
120
Ejemplo.
Resolver el siguiente problema de P.L.

Max 40x + 60y
sa: 2x + y  70
x + y  40
x + 3y  90
x,y  0
Se deben agregar 3 variables de holgura ( s1 , s2 , s3 var.básicas), y
llevar a forma estándar (x1 = x y x2 = y).
Min -40x1 – 60x2
sa: 2x1 + x2 + s1 = 70
x 1 + x2 + s2 = 40
x1 + 3x2 + s3 = 90
x1, x2, x3, s1 , s2 , s3  0,
121
Tabla inicial:
x1 x2 s1 s2 s3
2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0
122
Usamos como variable entrante a la base x2 (pues r2<0).

x1 x2 s1 s2 s3
2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0
Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto sale s3.
123
Actualizando, queda la siguiente tabla (no óptima),

donde la variable entrante a la base es x1 (pues r1<0).
x1 x2 s1 s2 s3
5/3 0 1 0 -1/3 40
2/3 0 0 1 -1/3 10
1/3 1 0 0 1/3 30
-20 0 0 0 20 1800
Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15, por

lo tanto s2 deja la base actual.
124
Actualizando, queda la siguiente tabla final:
x1 x2 s1 s2 s3
0 0 1 -5/2 ½ 15
1 0 0 -1/3 -½ 15
0 1 0 1/3 ½ 25
0 0 0 20 10 2100
Como todos los costos reducidos son mayores o iguales que cero nos
encontramos en la solución óptima.
125
 x1  15 
    s2  0
xB  x 2   25 xD      
 s1  15  s3  0

z* = - 40 x 15 - 60 x 25 = - 2100
En la formulación inicial, tenemos como solución óptima

x*=15, y *=25, con valor óptimo 2.100.
126
Ejemplo 2 del método Simplex

Min Z= 2X1 -3X2

s.a.
X1 + X2 ≤ 4
X1 - X2 ≤ 6
X1, X2 ≥ 0
127
Método 1 -Z X1 X2 S1 S2 ld Variable Razón

Básica
Min Z= 2X1 - 3X2

1 2 -3 0 0 0 -Z=0
s.a.
X1 + X2 ≤ 4 0 1 1 1 0 4 S1=4 (4/1)=4
X1 - X2 ≤ 6 0 1 -1 0 1 6 S2=6 Ninguna
X1, X2 ≥ 0
-Z X1 X2 S1 S2 ld Variable
Básica
1 5 0 3 0 12 -Z=12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10
128
Método 2 Z X1 X2 S1 S2 ld Variable Razón

Básica
Max -Z= -2X1 +3X2

1 -2 3 0 0 0 Z=0
s.a.
X1 + X2 ≤ 4 0 1 1 1 0 4 S1=4 (4/1)=4
X1 - X2 ≤ 6 0 1 -1 0 1 6 S2=6 Ninguna
X1, X2 ≥ 0
-Z X1 X2 S1 S2 ld Variable
Básica
1 -5 0 -3 0 12 Z=-12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10
129
Resumen del Método Simplex:
Paso 0: Escribir el problema de programación lineal en su

forma estándar.
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
tres. Sin embargo, si todos los costos reducidos son mayores
que cero , parar, ya que la actual solución es la óptima.
Paso 3: Calcular el criterio de factibilidad que determina que
variable deja la base. Si todos los cuocientes son negativos:
problema no - acotado, parar.
Paso 4: Actualizar la tabla de modo de despejar el valor de las
nuevas variables básicas, los costos reducidos y el valor de la
función objetivo. Volver al Paso 2.
130
II.Programación Lineal
Modelos de Programación Matemática
No siempre es fácil obtener una solución básica

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

procedimientos como son:
• Método de la M – grande.
• Método Simplex de dos fases.
131
INTRODUCCIÓN
Hasta el momento sólo se han estudiado problemas

en la forma estándar.
Maximizar Z.
Restricciones de la forma menor igual.

Todas las variables no negativas
FORMA ESTANDAR
Maximizar Z= 3X1 + 5X2
Sujeto a: X1 ≤ 4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
X1, X2 ≥ 0
132
Existen variaciones cuando:

 Restricciones en forma de igualdad

 Lados derechos negativos
 Restricciones de la forma mayor igual que
 Función objetivo minimizar
133
Método de la M grande.
Paso 1: Modifique las restricciones de tal manera que el lado

derecho de cada restricción sea no negativa.
Paso 2: Transforme cada restricción de desigualdad a la forma
estandar
Paso 3: Si la restricción i es una igualdad o un restricción de ≥ añadir
una variable artificial ai
Paso 4: Sea M un número positivo muy grande. Si el PL es de
minimización añadir (para cada variable artificial) Mai a la función
objetivo. Si el PL es de maximización añadir (para cada variable
artificial) -Mai a la función objetivo.
Paso 5: Ya que cada variable artificial estará en la función objetivo
(renglón cero) eliminar todas las variables artificiales de la función
objetivo (renglón cero)
Paso 5: Resolver el problema con el método simplex.
134
1. RESTRICCION EN FORMA DE IGUALDAD
Cualquier restricción del tipo

a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn =b1
Es equivalente a
a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn ≤ b1
a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn ≥ b1
Lo que es inconveniente pues aumenta el número de restricciones
135
Lo que se hace entonces es introducir variables

artificiales
Cambiemos la tercera restricción de desiguladad de
Wyndor Glas c.o. por una igualdad
FORMA ESTANDAR
Maximizar Z= 3X1 + 5X2
Sujeto a: X1 ≤ 4
2X2 ≤ 12
3X1 + 2X2 = 18
X1, X2 ≥ 0
136
137
138
139
140
141
142
PROBLEMA REAL PROBLEMA ARTIFICIAL

Max z= 3 x1 + 5 x2 Max z= 3 x1 + 5 x2 - M x5
s.a. s.a.
x1 ≤ 4 x1 ≤ 4
2 x2 ≤ 12 2 x2 ≤ 12
3 x1 + 2 x2 = 18 3 x1 + 2 x2 ≤ 18
x1 , x2 ≥ 0 x1 , x2 ≥ 0
Así: 3 x1 + 2 x2 + x5 = 18
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
Ejemplo: Max 2x1 + x2

sa: 10x1 + 10x2  9
10x1 + 5x2  1
x1,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 +s3 =9
10x1 + 5x2 - e4 = 1
x1,x2, x3, x4  0
159
Método Simplex de dos Fases.
Fase 0: Usamos los pasos 1,2 y 3 del método de la M grande

Fase 1:
Paso 1: Por el momento, ignorar la función objetivo original. En su lugar
resuelva un PL cuya función objetivo es min w= Σ ai . La resolución de este
programa lineal hará las variables necesariamente iguales a cero.

Ya que cada ai ≥0, la solución del PL corresponderá a uno de los 3 casos
siguientes:
caso 1: El valor óptimo de w>0. En este caso el problema no tiene solución
caso 2: El valor óptimo de w=0, y no hay variables artificiales en la base
óptima de la fase I. En este caso omitimos todas las columnas que
corresponden a las variable artificiales en el cuadro de la fase I.
Combinamos la función objetivo original con las restricciones del cuadro
óptimo de la fase I. Pasamos a la fase II
caso 3: El valor óptimo de w=0, y por lo menos una variable artificial está
en la base óptima de la fase I. En este caso podemos encontrar la solución
para el PL original, si al final de la fase I, omitimos del cuadro óptimo de la
fase I todas las variables artificiales no básicas y cualquier variable del
problema original con coeficiente negativo en el renglón cero de l cuadro
óptimo de la fase I
Fase 2: Resolver el problema con el método simplex.
160
Aplicamos Simplex de dos Fases :

Fase 1: Min x5
sa: 10x1 + 10x2 +s3 =9
10x1 + 5x2 - e4 + a 5 = 1
x1,x2, x3, x4, x5 0
Quedando la siguiente tabla:
Variables x1 x2 s3 e4 a5 valor
Básicas
w 0 0 0 0 1 0
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
161
donde:
s3 9 x1 0
xB= = xD= x2 = 0
a5 1 e4 0
Luego se hace cero el costo reducido de la variable x5 de la

tabla anterior, y queda la siguiente tabla inicial.
Básicas
w -10 -5 0 1 0 -1
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
162

La variable entrante a la base es x1 ( pues r1 < 0).

Básicas
w -10 -5 0 1 0 -1
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto sale

a5.
163
Obteniéndose la siguiente tabla final:
Básicas
w 0 0 0 1 0 0
s3 0 5 1 1 -1 8
x1 1 1/2 0 -1/10 1/10 1/10

s3 8 x2 0
xB= = xD= e4 = 0
x1 1/10 a5 0
Donde, la anterior, corresponde a la solución óptima del problema

en la Fase 1, con valor óptimo 0. De aquí entonces tomamos x1 y
x3 como variables básicas.
164
Fase 2:
Variables x1 x2 s3 e4 valor
Básicas
z -2 -1 0 0 0
s3 0 5 1 1 8
x1 1 1/2 0 -1/10 1/10
En la tabla hacemos 0 los costos reducidos de variables básicas

Básicas
z 0 0 0 -1/5 1/5
s3 0 5 1 1 8
x1 1 1/2 0 -1/10 1/10
Luego la variable entrante a la base es e4 (pues r4<0). Y calculando

Min { 8/1, (-1/10)/(1/10) } = 8, se tiene que sale s3.
165
Quedando:
Básicas
z 0 1 1/5 0 9/5
e4 0 5 1 1 8
x1 1 1 1/10 0 9/10
donde la solución óptima del problema resulta ser:
e4 8 x2 0
xB xD
= = = =
x1 9/10 s3 0
166
Consideremos otro ejemplo para el caso 2

min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 ≤ 4
1 x1 + 3 x2 ≥ 20
x1 + x2 = 10
x1 , x2 ≥ 0
Aumentando las variables de holgura, exceso y artificiales
min z= 2 x1 + 3 x2
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 20
x1 + x2 + a3 = 10
167
Primera Fase
min w= a2 + a3
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 20
x1 + x2 + a3 = 10
variable w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 1/2 1/4 1 0 0 0 4
a2 1 3 0 -1 1 0 20
a3 1 1 0 0 0 1 10
168
sumamos las columnas 2 y 3 para eliminar las variables a2 y a3
VB w x1 x2 s1 e2 a2 a3 valor prueba
w 1 2 4 0 -1 0 0 30
s1 0 1/2 0 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 20 7
a3 0 1 1 0 0 0 1 10 10
169
Haciendo 1 al pivote
VB w x1 x2 s1 e2 a2 a3 valor
w 1 2 4 0 -1 0 0 30
s1 0 0.5 0 1 0 0 0 4
a2 0 1/3 1 0 -1/3 1/3 0 20/3
a3 0 1 1 0 0 1 10
Realizando operaciones
w 1 2/3 0 0 1/3 -4/3 0 10/3
s1 0 5/12 0 1 1/12 -1/12 0 7/3 28/5
x2 0 1/3 1 0 -1/3 1/3 0 20/3 20
a3 0 2/3 0 0 1/3 -1/3 1 10/3 1/5
170
w 1 2/3 0 0 1/3 -4/3 0 10/3
s1 0 5/12 0 1 1/12 -1/12 0 7/3

x2 0 1/3 1 0 -1/3 1/3 0 20/3
x1 0 1 0 0 1/2 -1/2 3/2 5
w 1 0 0 0 0 -1 -1 0
s1 0 0 0 1 -1/8 1/8 -5/8 1/4
x2 0 0 1 0 -1/2 1/2 -1/2 5
x1 0 1 0 0 1/2 -1/2 3/2 5
171
Fase 2
Volvemos a introducir la función objetivo original

VB z x1 x2 s1 e2 valor
z 1 -2 -3 0 0 0
s1 0 0 0 1 -1/8 1/4
x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5
Como tanto x1 como x2 están en la base óptima de la fase 1

debemos
VB eliminarlas del renglón
z x1 0x2 s1 e2 valor
z 1 0 0 0 -1/2 25
s1 0 0 0 1 -1/8 1/4
x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5
Debido a que no hay como mejorar la función objetivo original

Esta es OPTIMA
172
Supongamos que en el ejemplo anterior se cambia la segunda

min z= 2 x1 + 3 x2
restricción (a fin de analizar el caso 1)
s.a. 1/2 x1 + 1/4 x2 ≤ 4
1 x1 + 3 x2 ≥ 36
x1 + x2 = 10
x1 , x2 ≥ 0
Aumentando las variables de holgura, exceso y artificiales

min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10
173
Primera Fase
min w= a2 + a3
1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10
variable w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 0 1/2 1/4 1 0 0 0 4
a2 0 1 3 0 -1 1 0 36
a3 0 1 1 0 0 0 1 10
174
sumamos las columnas 2 y 3 para eliminar las variables a2 y a3

w 1 2 4 0 -1 0 0 46
s1 0 1/2 1/4 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 36 12
a3 0 1 1 0 0 0 1 10 10
175
w 1 -2 0 0 -1 0 -4 6
s1 0 1/2 1/4 1 0 0 -1/4 3/2
a2 0 -2 0 0 -1 1 -3 6
x2 0 1 1 0 0 0 1 10
Como ninguna variable en el renglón 0 tiene coeficiente positivo

se trata de un cuadro óptimo de la fase 1.
Debido a que el valor de w=6>0 el PL no tiene solución factible
176
Algunos 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 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.
177
II.5. Dualidad en Programación Lineal.

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.
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 * = 5
x2* = 25
z = v(p) = 2100
178
En lo que sigue, combinaremos las distintas restricciones del

problema, ponderando por los valores 1, 2 y 3 cada una,
respectivamente, de modo de obtener la mejor cota superior
del valor óptimo del problema P). Vale decir:
1(2x1+2x2) + 2(x1+x2) + 3(x1+3x2)  70 1 +

40 2 + 90 3
Para garantizar que el lado derecho de esta última

desigualdad sea una cota superior de la función objetivo se
debe cumplir que :
2 1 + 2 + 3  40
21 + 2 + 3 3  60
179
La mejor elección de esta cota se obtendría al resolver:
D) Min 70 1 + 40 2 + 90 3
sa: 2 1 + 2 + 3  40
21 + 2 + 3 3  60
1, 2, 3  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.
180
Más generalmente, si el problema primal es:
P) n
Max  c jx j
j1
n
 aij x j  bi i  1,2,..., n
sa :
j1
xj  0 j  1,2,..., m
su dual resulta el problema: m
D) Min  bi i
i 1
m
sa :  aij i  c j j  1,2,..., n
i 1
i  0 i  1,2,..., m
181
Lo que se puede expresar en forma matricial como:
P) Max cTx
sa: Ax  b
x0
D) Min bT 
sa: AT   c
0
Si el problema primal corresponde a:
P) Max -cTx
sa: Ax  b
x0
Su dual resulta ser:
D) Min -bT 
sa: AT   c
0
Es decir, el dual del dual es el problema primal
182
Teorema de dualidad débil:

Si x  IRn, es una solución factible del problema primal P) y  IRm, una
solución factible del problema dual D), entonces:
n m
c x   c j x j   bi i  b T 
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 * = (1*, 2*, ..., m*)T
que satisface:
n m
v(P)  c x *   c jx j *   bi i *  bT   v(D)
T
j1 i1
183
Además:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
Ejemplo: P) Min 3x1 + 4x2 + 5x3

sa: x1+ 2x2 + 3x3  5
2x1 + 2x2 + x3  6
x 1 , x2 , x3  0
D) Max 5 1 + 6 2
sa: 1 + 22  3
21 + 22  4
31 + 2  5
1, 2  0
184
Resolvemos D) por Simplex, en su forma estándar:

1 2 3 4 5
 3  3 
1 2 1 0 0 3
xB  4   4
   
2 2 0 1 0 4
  5  5 
3 1 0 0 1 5
  1  0 
-5 -6 0 0 0 0 xD      
  2  0 
Luego la variable entrante a la base es 2 (pues r2<0). Y
calculando Min { 3/2, 4/2, 5/1 } = 3/2, se tiene que sale 3
185
1 2 3 4 5   2  3 / 2 
½ 1 ½ 0 0 3/2 xB  4    1 
   
 5  7 / 2
1 0 -1 1 0 1
5/2 0 -1/2 0 1 7/2   1  0 
xD      
-2 0 3 0 0 9   3  0 
Luego la variable entrante a la base es 1 (pues r2<0). Y
calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)} = 1, se tiene que
sale 4
186
1 2 3 4 5  1  1
x B   2   1
0 1 1 -1/2 0 1    
1 0 -1 1 0 1  5  1
0 0 2 -5/2 1 1   3  0 
xD      
0 0 1 2 0 11   4  0 
Sol. óptima de D):

1* = 1; 2* = 1; v(D) = 11
Sol. óptima de P):
x1* = 1; x2* = 2; x3* = 0; v(P) = 11
187
Método Simplex Dual:
La idea de este método consiste en resolver de alguna

manera el problema dual asociado a P) en la tabla y variables

del problema primal P), según veremos en su aplicación a un
problema primal (ejercicio anterior).
Min 3x1 + 4x2 + 5x3
sa: x1+ 2x2 + 3x3  5
2x1 + 2x2 + x3  6
x 1 , x2 , x3  0
188
Min 3x1 + 4x2 + 5x3 + 0x4 + 0x5

sa: x1 + 2x2 + 3x3 - x4 5 x(-1)

2x1 + 2x2 + x3 - x5  6 x(-1)
x1 , x2 , x3 , x4 , x5  0
x1 x2 x3 x4 x5
-1 -2 -3 1 0 -5
-2 -2 -1 0 1 -6
3 4 5 0 0 0
189
En la tabla anterior se toman dos variables de exceso x4 y x5 ,

y se multiplica por un número negativo con la finalidad de

encontrar la matriz identidad IRn, además es necesaria la
condición de que los costos reducidos de la tabla sean
mayores que cero ( lo que en este caso se cumple).
En la tabla anterior se escoge, usando el lado derecho, alguna
variable con valor negativo.
Escogemos x5 , variable que dejará la base. Enseguida , se

obtiene la variable entrante calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.
De donde resulta que x1 entra a la base.
190
x1 x2 x3 x4 x5
0 -1 -5/2 1 -1/2 -2
1 1 1/2 0 -1/2 3
0 1 7/2 0 3/2 -9
La tabla posee aún un lado derecho negativo (costos

reducidos negativos del problema dual), por lo cual no es
factible en P).
191
x4 (=-2) deja la base, luego calculamos :

Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo que x2 entra a la

base.
x1 x2 x3 x4 x5
0 1 5/2 -1 ½ 2
1 0 -2 1 -1 1
0 0 1 1 1 -11
La tabla posee lados derechos no-negativos (costos reducidos

positivos del problema dual) y también los costos reducidos de las
variables no básicas x3, x4 y x5 son no-negativos , por lo que
tenemos una solución factible en P) que es la solución óptima del
problema.
 x 1   1
x   x 2   2  v(P)  11
   
 x 3  0
192
II.6. Análisis de Sensibilidad o Post-Optimal
1) ¿Qué ocurre con las actuales variables básicas si se cambia

algún coeficiente del lado derecho (b)?
y se cumple: xB  0
1
Si calculamos: xB  B b
Las mismas variables básicas lo son también de la nueva solución
óptima, calculada con el nuevo b .
Si lo anterior no se cumple, se puede aplicar el Método Simplex
Dual.
2) ¿ Qué ocurre con la actual solución óptima si se agrega una
nueva variable al problema ?
Para decidir si la actual solución básica es óptima para el nuevo

problema, calculamos el costo reducido de la nueva variable
mediante la formula:
rk  ck  cBTB1Ak
193
donde k es el índice de la nueva variable y Ak su respectiva
columna en la matriz de coeficientes. Si se cumple que rk0 se

conserva la actual solución óptima. En caso contrario, se sigue con
el Simplex.
3) ¿ Que ocurre con la actual solución óptima del problema P) si se
cambian los coeficientes que definen la función objetivo ?
Supongamos que el vector de coeficientes en la función objetivo

cambia a un vector c  IR
n
La actual solución óptima también lo es para P

con:
T
P) Min c x
sa : Ax  b
x0
194
Siempre que los nuevos costos reducidos sean mayores o

iguales a cero (notar que también cambia el valor de la
función objetivo en la actual solución óptima). Es decir se
debe cumplir que:
rD  cD  cBT B 1D  0 o equivalent emente

T
rj  c j  c B 1 Aj  0
B j
En caso contrario, se aplica el Simplex a partir de la tabla final
de P) con los nuevos costos reducidos y nuevo valor de la
actual solución básica.
195
Veamos los cambios que tienen lugar cuando sólo varía un

coeficiente del vector c de la función obj.
a) Cambio de un coeficiente asociado a una variable no-

básica xJ:
Se conserva la misma solución óptima del problema P) ssi.
para esa variable xJ:
T 1
rj  c j  cBB A j 0 j
196
Consideremos :
c j  c j  j
Por lo tanto se conserva la misma solución ssi:
j  rj  c j  c j  rj
197
b) Cambio en un coeficiente de la función objetivo

asociado a una variable básica:

En este caso para tener la misma solución óptima,
se debe cumplir que el costo reducido de todas las
variables.a cero.
T 1
rj  c j  cBB A j 0
0 
c i  c i  i cB  cB  i 1  cB  iei

0 
198
Si el incremento es cualquiera en el siguiente

intervalo, se conserva la misma solución óptima:
 rj   rj 
Max  / yij  0  i  Min  / yij  0
 yij   yij 
donde rj es el costo reducido de la respectiva

variable no básica en la actual solución óptima y los
coeficientes yij denotan las entradas en la tabla final
del Simplex asociadas a la variable básica xi (cuyo
costo cambia) y la respectiva variable no básica xj
199
Ejemplo:
La siguiente tabla, es la tabla final de un

problema de programación lineal.
1,00 2,33 1,67 0,00 0,27 -0,07 1333,33

0,00 -0,03 0,03 1,00 -0,01 0,03 66,67
0,00 6,67 3,33 0,00 2,93 0,27 18666,67
Con esta tabla realizaremos un análisis de

sensibilidad:
200
a) Variar los recursos ( lado derecho):

Las xB del problema primal no cambian como base
óptima, si los valores asociados a estas variables.
xB  B1b y se cumple xB  0
Para calcular estos intervalos de recursos, se

necesita la matriz inversa asociada a las variables
básicas del tabla final.
201
 4 10   4 / 15  1 / 15
B  B 1

 1 40    1 / 150 2 / 75 
Intervalo recurso 1:
 4 / 15  1 / 15 6000  b1 
  1 / 150 2 / 75  x  4000   0
   
20000 4 b1 10000 b1
 0   0
15 15 150 150
b1  5000  b1  10000
202
 5000  b1  10000

1000  b1  16000
Intervalo recurso 2:
 4 / 15  1/ 15  6000 
 1/ 150 2 / 75  x 4000  b   0
   2
 2500  b2  20000

1500  b2  24000
203
Variable x1:
Max {0}  C1  Min {((20/3)/(7/3)),((10/3)/(5/3))}
0  D1  2 10  C1* 12
Variable x4:
Máx {((20/3)/(-1/30))}  D4  Min {((10/3)/(1/30))}
-200  D4  100 -60  C4* 240
204
Variable x2:
C2* = C2 + 2 C2 = -20
2 - r2 C2*  - 20 - ( 20/3)
C2*  - 80/3
Variable x3:
C3* = C3 + 3 C3 = -18
3 - r3 C3*  - 18 - ( 10/3)
C3*  - 64/3
205
BIBLIOGRÁFIA EN PROGRAMACIÓN LINEAL
1. Linear Programming and Network Flow, M.Bazaraa,

J.Jarvis and H.Sherali. John Wiley & Sons, Inc., New York,
Second Edition 1990.
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, tenth printing, 1993.
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.
7. Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.
206
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN LINEAL

Preguntas de consulta frecuente en Programación Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
Servidor NEOS, guía de software de Programación Lineal:

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html
Servidor NEOS, ejemplo problema de la dieta:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/diet/index.html
Guía de software de Programación Lineal en revista OR&MS Today

(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml
207
Programación Entera
Temario:
III.1. Introducción y ejemplos de modelamiento.

III.2. Resolución de problemas de P. E.
III.3. Método de Branch and Bound.
209
Ejemplo de Restricciones “O”
Seat considera la fabricación de 3 tipos de automóviles: compacto, mediano

y largo. En la tabla se presentan los recursos requeridos y las ganancias
proporcionadas por cada tipo de automóvil. En la actualidad se cuenta con
6000 ton de acero y 60000 horas de trabajo. Para que la producción de un

tipo de automóvil sea económicamente factible hay que fabricar al menos
1000 unidades de este tipo. Formular un modelo matemático para optimizar
las ganancias.
COMPACTO MEDIANO LARGO

Ton. de acero 1.5 3 5
hors de trabajo 30 25 40
ganancia (dolares) 2000 3000 4000
210
Consideremos como variables de decisión

x1 = número de automóviles compactos
x2 = número de automóviles medianos
x2 = número de automóviles grandes
Por lo tanto la función objetivo (ganancia de la fábrica):

Max z=2000 x1+ 3000x2 + 4000x3
R1 x1≤ 0 ó x1≥1000
R2 x2≤ 0 ó x2≥1000
R3 x3≤ 0 ó x3≥1000
R4 1.5 x1 + 3 x2 + 5 x3 ≤ 6000
R4 30 x1 +25 x2 + 40 x3 ≤ 60000
211
Restricciones “O”
Se dan dos restricciones de la forma:

f(x1, x2,… xn) ≤ 0 g(x1, x2,… xn) ≤ 0
Se desea asegurar que se cumpla por lo menos una de las dos
restricciones. Deberá agregarse las siguientes dos restricciones:
f(x1, x2,… xn)≤ My g(x1, x2,… xn)≤M(1-y)
Donde: y es una variable 0-1 y M es un número muy grande que
asegure que se satisfagan:
f(x1, x2,… xn)≤M g(x1, x2,… xn)≤M
Para todos los valores de x1, x2,… xn que satisfagan las otras
restricciones.
212
Max z=2000 x1+ 3000x2 + 4000x3
R1 x1 ≤ M1 y1
1000- x1 ≤ M1(1-y1)
R2 x2 ≤ M2 y2
1000- x2 ≤ M2(1-y2)
R3 x3 ≤ M3 y3
1000- x3 ≤ M3(1-y3)
R4 1.5 x1 + 3 x2 + 5 x3 ≤ 6000
R4 30 x1 +25 x2 + 40 x3 ≤ 60000
x1, x2, x3 ≥ 0
y1, y2, y3 = 0 ó 1
213
Ejemplo de Restricciones “SI ENTONCES”
STour recibe pagos de los turistas con tarjetas de crédito de 4 regiones

diferentes galápagos, costa, sierra y oriente. El valor promedio de pagos
por los clientes de cada región es galápagos 70000, costa 50000, sierra
60000 y oriente 40000. STour debe decidir hacia donde deben enviar los
clientes sus pagos, ya que recibe el 20% de interés anual y desea recibir
los pagos lo más pronto posible. STour considera montar las oficinas para
procesar los pagos en cuatro ciudades Puerto Ayora, Guayaquil, Cuenca y
Puyo. El número promedio de días (a partir del envío del pago) hasta la
liquidación de un cheque y hasta que STour pueda depositar el dinero
depende de la ciudad a la cual se manda el pago como se muestra en la

tabla siguiente. El costo anual por manejar una oficina es de 50000. Si se
abre la oficina en Puerto Ayora solo puede recibir el dinero de galápagos y
de ninguna otra región (si galápagos envía su dinero a la Puerto Ayora
entonces ninguna otra región puede enviar el dinero a Puerto Ayora)
Formular un PL para minimizar la suma de los costos por intereses
perdidos y por el manejo de la oficina. Supóngase que cada región debe
enviar su dinero a una sola oficina.
DESDE HACIA
P.Ayora Guayaquil Cuenca Puyo
Galápagos 2 6 8 8
Costa 6 2 5 5
Sierra 8 5 2 5
Oriente 8 5 5 2
214
Investigación de Operaciones Programación Entera
Restricciones “SI ENTONCES”

Se desea asegurar que se cumpla g(x1,x2,…xn)≥0 si se satisface

f(x1,x2,…xn)>0, mientras que si no se satisface f(x1,x2,…xn)>0
entonces g(x1,x2,…xn)≥0 no debe satisfacerse. Deberá agregarse
las siguientes dos restricciones, en definitiva f(x1,x2,…xn)>0
implica g(x1,x2,…xn)≥0 :
-g(x1, x2,… xn)≤My f(x1, x2,… xn)≤ M(1-y)
Donde: y es una variable 0-1 y M es un número muy grande que
asegure que se satisfagan:
f(x1, x2,… xn)≤M -g(x1, x2,… xn)≤M
Para todos los valores de x1, x2,… xn que satisfagan las otras
restricciones.
215
FUNCION OBJETIVO
Intereses perdidos
 Desde Galápagos
A Puerto Ayora 0.2(70000)*2=28000

A Guayaquil 0.2(70000)*6=84000
A Cuenca 0.2(70000)*8=112000
A Puyo 0.2(70000)*8=112000
 Desde Costa
A Puerto Ayora 0.2(50000)*3=30000
A Guayaquil 0.2(50000)*2=20000
A Cuenca 0.2(50000)*5=50000
A Puyo 0.2(50000)*5=50000
216
FUNCION OBJETIVO
Intereses perdidos cont…

 Desde Sierra
A Puerto Ayora 0.2(60000)*8=96000

A Guayaquil 0.2(60000)*5=60000
A Cuenca 0.2(60000)*2=24000
A Puyo 0.2(60000)*5=60000
 Desde Oriente
A Puerto Ayora 0.2(40000)*8=64000
A Guayaquil 0.2(40000)*5=40000
A Cuenca 0.2(40000)*5=40000
A Puyo 0.2(40000)*2=16000
217
FUNCION OBJETIVO
Xij= 1 si se envía el dinero de la zona i a la ciudad j

0 caso contrario
Yi= 1 si se abre la oficina en la ciudad I

0 caso contrario
Si tomamos la función en miles de dólares
Z= +28X11+84X12+112X13+112X14
+60X21+20X22+50X23+50X24
+96X31+60X32+24X33+60X34
+64X41+40X42+40X43+16X44
+50Y1+50Y2+50Y3+50Y4 218
RESTRICCIONES
Tipo 1: de cada zona se envíe a una ciudad

X11+X12+X13+X14=1
X21+X22+X23+X24=1
X31+X32+X33+X34=1
X41+X42+X43+X44=1
Tipo 2: Si de la zona j envían a la ciudad i entonces Yi=1
Xij≤Yj (i=1,2,3,4; j=1,2,3,4)

ó
X1i+X2i+X3i+X4i ≤ 4Yi (i=1,2,3,4)
219
RESTRICCIONES
Tipo 3: si galápagos envía su dinero a la Puerto Ayora

entonces ninguna otra región puede enviar el dinero a
Puerto Ayora
Si X11=1 Entonces X21=0, X31=0, X41=0
Se puede escribir como
Si X11>0 Entonces X21+X31+X41≤0 (-X21-X31-X41≥0)
f=X11 g=-X21-X31-X41
Deberá incluirse las dos restricciones:
X11≤M(1-y) X21+X31+X41≤My
220
Funciones lineales por partes
Supongamos que una función lineal por partes tiene los puntos de
ruptura b1,b2,…bn. Para algún k (k=1,2,3…n-1), bk ≤ x≤ bk+1.
Entonces, para algún número zk (0 ≤ zk ≤1) se puede escribir x
como:
x= zk bk+(1-zk)bk+1
Ya que f(x) es lineal para bk ≤ x≤ bk+1 , podemos escribir como:
f(x)=zk f(bk)+(1-zk) f(bk+1 )
Paso 1: donde se presenta f(x) remplazar por
z1f(b)+z2f(b2)+z3f(b3)…..znf(bn)
Paso 2: añadir las siguientes restricciones:
z1≤y1, z2≤y1+y2 , z3≤y1+y2……. zn-1 ≤yn-2+yn-1, zn ≤1
y1+y2+y3….+yn-1=1
z1+z2+z3….+zn-1=1
X=z1b1+z2b2+z3b3+…….znbn
221
Ejemplo de Funciones lineales por partes
Supóngase que se produce gasolina a partir de petoleo. Al comprar

el petróleo de nuestro proveedor se recibe un descuento por

cantidad. Los 500 primeros galones de petróleo cuestan 0.25
dólares el galón; los siguientes 500 galones a 0.20 dólares; y los
siguientes 500 galones a 0.15 dólares Se pueden comprar como
máximo 1500 galones
222
223
a) Problema de la mochila.
Una empresa está pensando invertir en cuatro proyectos diferentes,

cada proyecto se finaliza a lo más en 3 años. Los flujos de caja
requeridos en cada año junto con el Valor Presente Neto de cada
proyecto, concluIdos los años de ejecución, y las disponibilidades de
recursos financieros se resumen en la siguiente tabla:

Proy 1 Proy 2 Proy 3 Proy 4 Disp. Recursos
Año 1 10 8 6 12 30
Año 2 8 15 4 0 15
Año 3 18 0 16 0 12
V.P.N. 35 18 24 16
Interesa determinar en cuáles proyectos invertir de modo de conseguir el

mayor V.P.N. de la inversión.
224
1, si se invierte en el proyecto i
xi   con i  1,2,3,4
0, sin o
Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
225
Restricciones (tres alternativas):
1) Reinvirtiendo el dinero no utilizado en un período:

Año1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30
Año2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1
Año3: 18x1 + 16x3  12 + s2

xi  {0,1} i = 1,2,3,4
2) Sin invertir el dinero no utilizado en un período, pero utilizando el
retorno de los proyectos concluídos:
Año1: 10x1 + 8x2 + 6x3 + 12x4  30
Año2: 8x1 + 15x2 + 4x3  15 + 16x4
Año3: 18x1 + 16x3  12 + 18x2
xi  {0,1} i = 1,2,3,4
226
3) Reinvirtiendo el dinero no utilizado en un período y, también

el retorno de proyectos concluidos:
Año1: 10x1+ 8x2+ 6x3+ 12x4+ s1 = 30
Año2: 8x1+ 15x2+ 4x3 + s2 = 15 + s1 + 16x4

Año3: 18x1 + 16x3  12 + s2 + 18x2
xi  {0,1} i = 1,2,3,4
227
Notar que el conjunto de las soluciones factibles es finito. Esto
ocurrirá generalmente con los problemas de Programación Entera

(puros). En el ejemplo, el número de soluciones factibles no supera el
número de las soluciones binarias del problema (variables
restringidas sólo a valores 0 o 1) que son 24 = 16, dado el número de
variables utilizadas, de hecho las soluciones factibles son menos de

16 pues en particular xi=1 para i=1,2,3,4 no satisface las
disponibilidades de capital en cualquiera de las tres alternativas.
228
Tomemos el ejemplo de la mochila dado con anterioridad
Supongamos que adicionalmente la inversión efectuada requiera

nuevas restricciones.
- Se debe invertir en al menos 1 de los 3 primeros proyectos:
x1 + x2 + x3  1
- El proyecto 2 no puede ser tomado a menos que el proyecto 3 si
sea tomado: x2  x3
- Se puede tomar el proyecto 3 o 4 pero no ambos: x3 + x 4  1
- No se puede invertir en más de dos proyectos: x1 + x2 + x3 + x4  2
229
b) Cumplimiento de un subconjunto de las restricciones de un
problema.
Consideremos un problema que posee las siguientes restricciones:
12x1 + 24x2 + 18x3  2400
15x1 + 32x2 + 12x3  1800

20x1 + 15x2 + 20x3  2000
Supongamos además, que nos basta con obtener alguna solucion
óptima que verifique el cumplimiento de al menos 2 de las 3
restricciones anteriores.
1, si la restricció n j se satisface

yj  
0, casocontrario
230
Cada inecuación anterior la reemplazamos por:

12x1 + 24x2 + 18x3  2400 + M1 (1- y1)
15x1 + 32x2 + 12x3  1800 + M2 (1- y2)
20x1 + 15x2 + 20x3  2000 + M3 (1- y3)

Además, debemos agregar la restricción que permita que a lo
más una de las restricciones no se cumpla:
y1 + y2 + y3  2 Mi = constante lo suf. grande
231
c) Inclusión de costos fijos.
Supongamos que se desea tener lotes de compra de un producto

dado, para satisfacer demandas que fluctúan en el tiempo sobre un

horizonte de planificación dividido en T períodos.
Asumimos conocidos: una estimación de la demanda dt, con t = 1,
2, ..., T, los costos fijos asociados a la compra de una unidad pt,
los costos asociados al mantenimiento de una unidad en inventario
de cada período ht y los costos fijos asociados a la gestión de
compra en el período t, st.
Observación: no se permite unidades de faltante.
232
Variables de decisión
x t: número de unidades compradas en t.

It : nivel de inventario al final del período t.
con t: 1, 2, ..., T
1, si se hace una compra en el periodo t

yt  
0, sin o
233
Función objetivo
T
Min  st yt  pt x t  ht It
t 1
Restricciones
xt + It-1 - It = dt t = 1, 2, ..., T
I0 = inventario inicial
xt  Mt yt t = 1, 2, ..., T
Mt = cte. grande
234
d) Problema de cobertura:
Dado un número de regiones o zonas, en las cuales se ha

subdividido una comuna, cuidad, país, etc., digamos que un total de
m, se desea instalar un cierto número de servidores (escuelas,
centros de atención primaria de salud, compañías de bomberos,

etc.) de entre un conjunto de n potenciales servidores ubicados en
alguna de las zonas dadas.
Se conoce la información relativa a que zonas pueden ser atendidas
por cada uno de los n potenciales servidores, es decir, se conoce la
matriz de incidencia A = (aij) donde :
1, si la zona i puede ser atendida por el servidor j
aij  
0, sin o
con i  1,2,..., m y j  1,2,..., n
235
Se desea determinar cuáles son los servidores que deben ser

instalados de modo de dar cobertura a cada zona, dados los costos
de instalación cj del servidor j.
1, si se instala el servidor j
xj  
0, sin o n
Función objetivo: Min  cj xj
j1
Restricciones: Para cada zona i n

 aij x j  1
j 1
Se agrega la siguiente restricción, si adicionalmente, hay algún

límite en el número de servidores que se pueden instalar (digamos
k) : m
 xj  k 236
j1
e) Problema de transporte y localización:

Si se tiene un conjunto de m clientes que demandan di

unidades de un producto determinado. Una compañía desea
satisfacer esas demandas desde un cierto conjunto de
plantas elegidas de n potenciales lugares donde se
instalarán.
Sean cj los costos asociados a la instalación de la planta j , vj

el costo unitario de producción de la planta j y tij el costo de
transporte de una unidad desde la planta j al cliente i .
Se desea decidir cuáles plantas abrir y el tamaño de cada
una de modo de satisfacer las demandas estimadas.
237
1, si se abre la planta j
yj  
0, sin o
xij = el número de unidades elaboradas en la planta j para

satisfacer el cliente i, con j = 1,...,n y i = 1,....,m.
238
Función objetivo:

Min  c j y j   v j   xij  
n n m n m
 i 1 
  tij xij
j 1 j 1 j 1 i 1
Costo de Costo de Costo de

Instalación Producción Transporte
239
Restricciones:
1) Demanda cliente i: m
 xij  di
i 1
2) Relacionar variables de producción con las asociadas

a la apertura de plantas (variables binarias):
n
 xij  M j y j
j1
donde Mj es una constante grande (por ejemplo,
capacidad máxima de producción de la planta j), con xij
 0 e yj  {0,1}.
240
III.2. Resolución de problemas de P. E.

Supongamos que tenemos el siguiente problema

de programación lineal:
PL) Max cTx
s.a. Ax=b
x0
Pero todas o una parte de las variables deben
restringir su valor a números enteros, dando origen
a un problema de Programación Entera (puro) o
de Programación Entera- Mixta, respectivamente.
241
Por ejemplo:
PLE) Max cTx
s.a. Ax=b
x  0, xj entero
El problema PL) corresponde a la relajación continua del
problema PLE), que resulta de eliminar las condiciones de
integralidad de las variables de decisión en PLE).
El valor óptimo de PL) provee sólo una cota superior del

valor óptimo de PLE). Notar sin embargo, que si la solución
óptima de PL) cumple con la integralidad de los valores
requiridos, entonces esta solución es también solución
óptima de PLE).
242
243
244
245
Ejemplo
PLE) Max x2
s.a. - 2x1 + 2x2  1
2x1 + x2  7
x1  0, x2  0 enteros
246
2x1 + x2  7 x2 - 2x1 + 2x2  1
. .
. . .
. . . . x1
3.5
247
Notar que en el ejemplo la solución óptima puede ser hallada por
simple enumeración de todas las soluciones factibles. Aquí las

soluciones óptimas son:
x1 * = 1 o x1* = 2
x2 * = 1 x2* = 1
Esta alternativa de enumeración queda naturalmente restringida a
problemas muy pequeños.
Alternativamente, podemos resolver la relajación continua asociada
al problema PLE). Si la solución óptima de la relajación continua da
una solución entera, esa es la solución óptima no solo del problema
lineal sino que también lo es del problema lineal entero.
En el ejemplo, la solución de la relajación continua es:
x1 = 3/2 x2 = 2
248
A partir de esta última solución podemos redondear o truncar los

valores que no salieron enteros, obteniendo respectivamente en el
ejemplo:
x1 = 2 x1 = 1
x2 = 2 x2 = 2
las cuales no son soluciones factibles de PLE), de modo que desde
el punto de vista de una resolución numérica no es suficiente con
resolver la relajación continua.
Todavía podrían resultar soluciones factibles de PLE), pero no
neceasariamente óptimas. Por ejemplo:
PLE) Max f(x1, x2) = x1 + 5x2
s.a. x1 + 10x2  10
x1  1
x1  0, x2  0 enteros
249
Solución óptima de PL)

x1 = 1 f(1,9/10)=5,5
x2 = 9/10
Redondeando o truncando los valores

x1 = 1 infactible x1 = 1 f(1,0)=1
x2 = 1 x2 = 0
Pero la solución óptima de PLE) es:
x1 = 0; x2 = 1; v(PLE) = 5
250
Consideremos el siguiente problema de programación entera:

PLE) Max 21x1 + 11x2

s.a. 7x2 + 4x2  13
x1  0
x2  0
x1, x2 enteros
Consideremos inicialmente la resolución de la relajación continua de

PLE), que consiste en eliminar las condiciones de integralidad.
251

x2
3 x2 = 3
3/2
2 x2 = 2
21x1+11x2=39
1 x2 = 1
13/7 sol. relajada
x1
x1 = 1 x1 = 2
21x1+11x2 7x1+4x2=13 252
Descripción del método Branch and Bound (maximización)
Paso 0
Hacer P0), la relajación continua de PLE)

Fijar la cota inferior del v(PLE) en -.
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programación lineal.
Agotar este problema, usando:
(i) que se encontró una solución entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que la actual cota del
valor óptimo v(PLE).
253
Si el problema Pi) resulta agotado y da solución entera, mejorar el

valor de la cota inferior de v(PLE).
Si todos los problemas están agotados, parar.
Solución óptima de PLE), la solución entera asociada a la actual

cota inferior de v(PLE), si existe (si no existe entonces PLE) es
infactible)
Si el problema no está agotado pasar al paso 2.
Paso 2
Seleccionar una variable xj= ûj, cuyo valor en la solución óptima de
Pi) no de entero.
Eliminar la región correspondiente a
ûj < ûj < ûj + 1
Crear dos nuevos problemas de programación lineal que incorporen
a Pi) dos restricciones mutuamente excluyentes: xj  ûj, xj  ûj
+1 una en cada problema y volver al paso 1.
254
x1 = 13/7
P0) Relajación continua
x2 = 0
-< z  39
P0 z = 39
P1) Max 21x1 + 11x2
x11 x12
x1 = 1 s.a. 7x1 + 4x2  13
x2 = 3/2
P1 P2 x1  1
z = 37.5 x1  0
x22 infactible
x21 x2  0
x1 = 1 x1 = 5/7 P2) Max 21 x1 + 11x2
x2 = 1 P11 P12 x2 = 2 s.a. 7x1 + 4x2  13
z = 32 z = 37 x1  1
x11 x2  1
x1 = 0
x2 = 13/4 x1  0
P121 P122
z = 35.75 x2  0
x24 infactible De donde 32  z  39
x23
x1 = 0 
x2 = 3 P1211 P1212 Solución óptima
z = 33 infactible x1* = 0; x2* = 3; z = 33 255
BIBLIOGRÁFIA EN PROGRAMACIÓN ENTERA
1) Integer Programming, L.A.Wolsey. John Wiley & Sons,

Inc., New York, 1998.

2) Combinatorial Optimization C.H.Papadimitriou and
K.Steiglitz. Prentice Hall Inc., USA, 1982.
3) Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
4) Integer and Combinatorial Optimization, George L.
Nemhauser and Laurence A. Wolsey. John Wiley & Sons, Inc.,
New York, 1999.
5) Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.
256
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN ENTERA

Preguntas de consulta frecuente en Programación Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html
Servidor NEOS, guía de software de Programación Entera:

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html
Servidor NEOS, ejemplo problema corte de rollos:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/cutting/index.html
Guía de software de Programación Lineal en revista OR&MS Today

(INFORMS Magazine):
257
Programación No - lineal
Temario:
IV.1. Introducción y ejemplos.

IV.2. Propiedades básicas de los problemas de
programación no-lineal.
IV.3. Problemas de optimización no restringida.
IV.4. Problemas con restricciones de igualdad.
IV.5. Problemas con restricciones de igualdad y
desigualdad.
IV.6. Métodos de optimización restringida.
258
IV.1. Introducción y Ejemplos
A esta clase de problemas de optimización pertenecen todos

aquellos, en los cuales la función objetivo y/o las restricciones son

funciones no-lineales de las variables de decisión.
En particular, la programación no-lineal provee una manera de

abordar el no cumplimiento del supuesto de proporcionalidad de la
programación lineal, permitiendo la programación de economías o
deseconomías de escala y/o retornos crecientes o decrecientes a
escala.
259
a) Rendimientos decrecientes a escala.

Una compañía vende cuatro productos diferentes. El retorno que
provee cada producto es una función de la cantidad de recursos
asignados a la promoción y venta de cada producto, según la

siguiente tabla:
PRODUCTO RETORNO (M$)

Producto 1 10.000 x1 0.50
Producto 2 7.500 x2 0.75
Producto 3 9.000 x3 0.60
Producto 4 15.000 x4 0.30
260
En este ejemplo:
xi es la cantidad de recursos asignados al producto i, con i = 1,2,3,4.
El siguiente modelo provee una asignación de estos recursos, de

modo de maximizar las utilidades, considerando una inversión anual

no superior a los M$ 75.000.
Max
10.000 x10.5 + 7.500 x20.75 + 9.000 x30.6 + 15.000 x40.3
s.a:
x1 + x2 + x3 + x4  75.000
xi  0; i = 1, 2, 3, 4, 5.
261
b) Aproximación y ajuste de curvas.

Supongamos que se tiene un conjunto de datos
correspondientes a una determinada función y=g(x)
(desconocida), digamos (x1,y1), (x2,y2), .., (xm,ym) y se desea

aproximar g(x) por una función h(x)
ym
y2
y1
x1 x2 xm
262
Algunas elecciones posibles:

i) h (x) = a0 + a1 x
ii) h (x) = a0 + a1 x + a2 x2
iii) h (x) = a0 + a1 x a2
iv) h (x) = a0 e a1x
v) h (x) = a0 + a1 x + a2 ea3x
vi) h (x) = a0 + a1 ln(x)
263
¿Cómo elegir los coeficientes a=(a0,...,an) en la función h(x) que

aproxima o ajusta los datos observados?
Se define una función de error: e(x,a) = g(x) – h(x)
Una elección posible de los coeficientes ai resulta de minimizar la

suma ponderada de los errores al cuadrado en cada uno de los
datos , es decir:
m m
Min F(a) =  i e(x i , a)2=  i i
 ( y  h( x i )) 2
i1 i1
264
Que da origen a un problema de programación no-lineal sin

restricciones.
Si escogemos 1 = ... = m = 1 y h(x) = a0 + a1x, el problema
corresponde a una regresión lineal.
h(x)= a0 + a1x
ym
y2
y1
x1 x2 xm
265
Cuya solución resulta ser:
m
 yi 
a0    
i1  m 
m 
  yi x i 
a 1   i1m 
 2 
  xi 
 i 1 
266
c) Localización de instalaciones.
Una compañía petrolera desea construir una refinería que
recibirá suministros desde tres instalaciones portuarias,
cuyas coordenadas se muestran en la siguiente figura:
Puerto B
40
30 Puerto C
Puerto A
30 80
267
Si denotamos por x e y las respectivas coordenadas de la

refinería que se debe instalar, una posible elección es aquella
que resulta de minimizar la cantidad total de tubería
necesaria para conectar la refinería con los puertos, dada

por:
Min f(x,y) = ( x  0)2  ( y  0)2 

(x  30)2  ( y  40)2 
(x  80)2  ( y  30)2
268
La solución óptima calculada por el solver de Excel es:

x*=30,8052225
y*= 37,8900128
Puerto B
Puerto C
Refinería
Puerto A
269
d) Optimización de carteras de inversión

Se desea obtener una cartera de inversiones en base a distintos
instrumentos (acciones, pagarés, bonos, etc). La cartera elegida
deberá reflejar un compromiso entre los retornos de los

instrumentos elegidos y el riesgo asociado a cada uno de ellos, de
hecho es natural esperar que a mayor retorno haya un mayor riesgo
y también que exista cierta correlación entre los retornos de los
distintos instrumentos de la cartera.
A continuación se formula un modelo para obtener una cartera de
inversión de un tomador de decisiones con aversión al riesgo, con
un vector de retornos que tiene una distribución normal con media:
r = (r1, r2, ..., rn)T y matriz de covarianza: Q = (sij) con i = 1, 2, ...,
n y j = 1, 2, ..., n donde sii denota la varianza del retorno del
instrumento i y donde sij (i  j) es la covarianza de los retornos del
instrumento i con el j.
270
Sea xi el porcentaje de inversión del instrumento i en la cartera, con
i = 1, 2, ..., n las variables de decisión del modelo y sea K una

constante de aversión al riesgo.
El siguiente modelo (propuesto por Markowitz, Premio Nobel de
Economía 1991), combina ambos elementos presentes en una
decisión de esta naturaleza:

n n n
Max  rixi  K  sij xix j
i1 i1 j1
n
sa :  xi  1
i1
xi  0 1  1,2,...,n
Usando el servidor Neos para una cartera con tres acciones
seleccionadas del menú para este problema en el servidor y un
bono, se tiene:
271
Selected value of K is 10.00

Risk less rate of return (monthly) is 0.00407
Name Avg Return Std Pet of optimal

(monthly, pet) Desviation Portfolio
Coca Cola Co 2,885 6,574 48,6
Exxon Corp 1,647 4,939 13,7
Texaco Inc 1,869 6,381 16,6
Bond 0,407 0 21
272
Optimal Portfolio Statistics
Avg Return (monthly, pet) 2,03

Std Desviation 4,02

Pet of Optimal Potrfolio 27,2
21.0% Coca Cola

48.6% Exxon Corp
Texaco Inc
16.7%
Bond
13.7%
273
IV.2. Propiedades básicas de los problemas de programación
no-lineal.
De manera general, un problema de optimización considera la

resolución de un modelo como el que sigue:
P) Min f(x)
x  D  IRn
s.a.
Donde f: IRn IR es una función, comúnmente continua y

diferenciable, y D es el dominio de factibilidad del problema,
generalmente dado por:
D = {x IRn / gi(x) = bi i=1,...,m; hr(x) dr r =1,...,l}
Decimos que x*  D es un mínimo global o solución óptima del
problema P) si:
f(x*)  f(x) para todo x  D
Por otra parte, decimos que x^  D es un mínimo local del problema

P) si:
f(x^)  f(x) para todo x en una vecindad de x^
(x  D  B(x^, ))
274
Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1x5
f(x) Son mínimos locales x=1,

x+ y x*, en tanto la
solución óptima o
mínimo global es x*
x*
x
1 2 3 4 5
x+
275
f(x,y) = -4x3 + 3x - 6y
276
f(x,y) = x2 - 4x - 2y
277
Existen resultados que garantizan la existencia y unicidad de la
solución de un problema de programación no lineal.

Teorema (Weiertrass). Si f es una función continua y D es un
conjunto no vacío cerrado y acotado de IRn, entonces P) tiene
solución óptima.
Teorema. Si f es una función continua y D es un conjunto cerrado
no vacío y además f cumple que: lim f ( x )   ,

|x| 
entonces P) tiene solución óptima.

Por su parte, la unicidad de la solución óptima se puede garantizar
sólo bajo ciertas condiciones muy especiales.
De igual modo es posible garantizar si un mínimo local es un
mínimo global del problema.
Para esto se requiere saber si el problema P) es un problema
convexo, esto es si la función objetivo f(x) es convexa y el conjunto
D de puntos factibles es un conjunto convexo.
278
Definición. Decimos que f: IRnIR es una función convexa si:

fx + (1-)y )  f(x) + (1-)f(y)
para todo x, y  D (x  y) con   [0, 1]

Si la desigualdad anterior se cumple de manera estricta, decimos
que f es estrictamente convexa.
Lineal a
tramos
f(y)
f(x)
x y
279
Adicionalmente, se tiene el siguiente resultado

Teorema. Si f es una función dos veces
continuamente diferenciables, las siguientes

afirmaciones son equivalentes:
i) f es una función convexa
ii) f(x)  f(y) + fT(y)(x-y) para dos puntos
cualesquiera x e y.
iii) La matriz hessiana de las segundas derivadas
parciales de f, denotada en lo que sigue por D2f(x),
es semi positiva definida para todo x.
280
Por otra parte, también podemos caracterizar si un

conjunto cualquiera es convexo o no, de acuerdo a la
siguiente:
Definición. D  IRn, un conjunto no vacío, es convexo

ssi x + (1-) y  D, para todo x  D, y  D con 
 [0,1].
y y
x
x
Es convexo No es convexo
281
Así por ejemplo, si h(x) es una función convexa el conjunto

D = { x  IRn  h(x)  d } es convexo para cualquier escalar real d.
También es posible demostrar que la intersección de conjuntos
convexos es un conjunto convexo. De aquí que por ejemplo el

problema
P) Min f(x)
s.a hr(x)  dr r=1,2,...,l
Con f(x) y hr(x) funciones convexas para r=1,2,..,l definen un
problema convexo, pues el dominio de factibilidad es la intersección
de los conjuntos convexos Dr={ x  IRn  hr(x)  dr }, para r=1,2,..,l.
Teorema. Si P) es un problema convexo y x* es un mínimo local de
P) entonces x* es un mínimo global o solución óptima de P), si
además, f es una función estrictamente convexa x* es una solución
óptima única.
282
La principal dificultad en los problemas de programación no lineal es

que incluyen restriciones no lineales de igualdad como g(x) = b y el
conjunto de puntos {xIRn : g(x)=b} generalmente no es convexo
cuando g(x) es una función no lineal cualquiera. Por lo tanto no
todos los problemas de programación no lineal son convexos y esto
hace más difícil garantizar que la solución encontrada por un solver

sea una solución óptima del problema.
Como puede verse en el siguiente ejemplo, que resolveremos
gráficamente, la geometría de los problemas también cambia
respecto de lo observado en programación lineal.
Consideremos el siguiente problema:
Min (x1 - 3)2 + (x2 - 4)2
s.a. x1 + x 2  5
x1 - x2  5/2
x1  0, x2  0
283
284
La solución óptima x* de este problema se alcanza el punto x1* = 2,

x2* = 3 correspondiente al único punto de la curva de nivel que tiene
el menor valor y que intersecta la región de puntos factibles.
Notar que la solución ya no corresponde a un vértice del dominio de

factibilidad del problema, aún cuando todavía esta solución se
alcanza en la frontera de dicho conjunto.
Sin embargo, esto último, a diferencia de lo que ocurre en
programación lineal, no siempre se produce. Si por ejemplo el
problema es ahora:
Min (x1 - 2)2 + (x2 - 2)2
s.a x1 + x2  5
x1 - x2  5/2
x1  0, x2  0
285
La solución cambia a lo representado en la siguiente figura, donde

la solución óptima se alcanza en x1* = 2, x2* = 2, ahora
perteneciente al interior del dominio de factibilidad del problema.
286
Gráficamente,
también
podemos
observar la
presencia de
divesos mínimos
locales en un
problema no
lineal.
287
IV.3. PROGRAMACION NO RESTRINGIDA

En esta sección consideraremos un problema
P) Min f(x) con x  IRn
A esta clase de problemas pertenece por ejemplo el problema de

aproximación y ajuste de curvas. Sin embargo, la principal razón
para su estudio radica en la extensión de las ideas y métodos para
esta clase de problemas a los problemas de optimización
restringida.
A continuación se resumen algunos resultados teóricos para esta
clase de problemas:
Teorema (condiciones necesarias de primer orden). Si f es una

función continuamente diferenciable y x+  IRn es un mínimo local
de P), entonces: f(x+) = 0.
288
Teorema (condiciones necesarias de segundo orden). Si f es una

función dos veces continuamente diferenciable y x+  IRn es un
mínimo local de P), entonces:
f(x+) = 0 y D2 f(x+) es semi positiva definida.
Dado lo anterior, no todos los puntos x  IRn que satisfacen las

propiedades mencionadas son mínimos locales de la función, sin
embargo existen resultados que proveen condiciones necesarias y
suficientes para que un punto sea un mínimo local.
Teorema (condiciones necesarias y suficientes de segundo orden).
Sea f una función dos veces continua diferenciable en x+  IRn . Si
f(x+) = 0 y D2f(x+) es positiva definida, entonces x+ es un mínimo
local estricto.
Teorema. Sea f una función convexa continuamente diferenciable,

entonces x+ es un mínimo global ssi f(x+) = 0.
289
Ejemplo. Considere la función:

f(x1,x2) = 3 x12 + x23 - 3/2 x22
su gradiente y matriz Hessiana corresponden a:
 6x1 
f ( x )   2 
 2
3 x  3 x 2
6 0 
D f (x )  
2

 0 6 x 2  3 
290
De modo que hay dos posibles candidatos, x+ = (0, 0)T

y x* = (0, 1)T, que satisfacen las condiciones necesarias de
primer orden. Sin embargo
6 0 
D f (x )  
2

 0 6 x 2  3 
sólo es positiva definida en x* = (0,1), de modo que x* es un
mínimo local del problema.
291
IV.3. Problemas de optimización no restringida.

292
La mayor parte de los algoritmos de optimización para abordar esta

clase de problemas pertenecen a la clase de algoritmos generales
de descenso que reducen el cálculo de un mínimo local a una
secuencia de problemas de búsqueda lineal (o búsqueda
unidimensional).
Decimos que un vector d  IRn es una dirección de descenso de la
función f en el punto x+ ssi la derivada direccional de f en x+ en la
dirección d, es negativa:
x2
f(x)
d x+
-f(x)
Z=20
Z=10 x1
293
Consideremos además la función unidimensional (en una variable)

g() = f(x+ + d)
donde  es un escalar real llamado el tamaño del paso. Esta función
da el valor de la función f cuando uno se mueve a partir del punto x+
en la dirección d un cierto paso .

Claramente, si g’(0) = fT(x+)d < 0, es posible escoger un paso  tal
que:
g() = f(x+ + d) < f(x+) = g(0)
esto es, que reduzca el valor de la función respecto del valor actual
en x+.
294
Algoritmo general de descenso

1) Considere un punto inicial x = x0. Hacer k = 0.
2) Escoger una dirección de descenso dk.
3) Realizar una búsqueda lineal que seleccione un paso k tal que:

gk(k) = f(xk + kdk) < f(xk) = gk(0)
4) Hacer xk+1 = xk + kdk.
5) Hacer un test de convergencia. Si converge parar. En caso
contrario, hacer k=k+1 y volver a 2)
En el paso 5), los criterios más usuales de convergencia son que se
cumpla:
 f(xk)   
f(xk+1) - f(xk)/ (1+ f(xk))  
para un cierto número L de valores consecutivos de k, y donde  es
una tolerancia de error dada, por ejemplo  = 10-4.
295
Existen varios métodos para escoger una dirección de descenso,

uno de ellos es:
Método del Descenso más Pronunciado

En este método, también conocido como Método del Gradiente o
Método de Cauchy, dado la actual aproximación xk, la dirección de
descenso se escoge como:
dk = -f(xk)
Ejemplo.Considerar el problema:
Min (x1 – 2)4 + (x1 – 2x2)2

sa:  x1 
 x   IR
2
 2
que resolvemos usando el método del descenso más pronunciado

a partir del punto x10 = 0, x20 = 3
296
297
Iteración k xk f(xk) f(xk) k

1 (0.00,3.00) 52.00 (-44.00,24.00) 0.062
2 (2.70,1.51) 0.34 (0.73, 1.28) 0.24

3 (2.52,1.20) 0.09 (0.80,-0.48) 0.11
4 (2.43,1.25) 0.04 (0.18, 0.28) 0.31
5 (2.37,1.16) 0.02 (0.30,-0.20) 0.12
6 (2.33,1.18) 0.01 (0.08, 0.12) 0.36
7 (2.30,1.14) 0.009 (0.15,-0.08) 0.13
8 (2.28,1.15) 0.007 (0.05, 0.08)
298
Otra elección posible para la dirección de descenso es la que usa el:

Método de Newton
Aquí el vector dk se calcula como la solución del siguiente sistema

de ecuaciones:
D2f(x)dk = - f(x)
Sin embargo, a pesar de ser un método más eficiente que el anterior
respecto de su rápidez de convergencia, requiere en cada iteración,
el cálculo de las segundas derivadas parciales y la resolución de un
sistema de ecuaciones. Además, dk está garantizada que es una
dirección de descenso sólo si D2f(xk) es positiva definida.
Al aplicar el método al ejemplo anterior se tiene:
299
f(xk)
Iteración k f(xk)
1 (0.00,3.00) 52.00 (-44.00,24.00)
2 (0.67,0.33) 3.13 (-9.39,-0.04)
3 (1.11,0.56) 0.63 (-2.84,-0.04)
4 (1.41,0.70) 0.12 (-0.80,-0.04)
5 (1.61,0.80) 0.02 (-0.22,-0.04)
(-0.07, 0.00)
6 (1.74,0.87) 0.05 (-0.0003,-0.04)
8 (1.83,0.91) 0.0009
300
IV.4. Problemas con restricciones de igualdad.
El problema que se desea abordar consiste en:

P) Min f(x)
s.a. g1(x) = b1
g2(x) = b2
g m(x) = bn mn
Definición. Decimos que x  IRn es un punto regular de las

restricciones del problema P) ssi:
gi(x) = bi i = 1, 2, ..., m
g1(x), g2(x), ..., gm(x) son vectores l.i.
301
Para presentar algunos resultados teóricos, que permiten el cálculo

de mínimos locales, se introdujo la definición anterior, que se
relaciona con el cumplimiento de ciertas condiciones de regularidad
del problema.
A continuación, introducimos la función Lagrangiana asociada a P):

m
L(x,  )  f (x)   i (gi (x)  bi )
i1
donde   1, 2, ..., m)T representa el vector de los Multiplicadores
de Lagrange.
Los siguientes resultados teóricos establecen ciertas propiedades

que satisface un mínimo local, las cuales muestran, en particular,
que dicho punto es un punto estacionario de la función lagrangeana.
302
Teorema. (Condiciones necesarias de primer orden):

Sean f(x) y g1(x),g2(x),...,gm(x) funciones continuamente
diferenciales y sea x^ un mínimo local que además es un punto
regular de las restricciones de P), entonces existe un vector λ^ 

IRm, de multiplicadores de Lagrange tales que:
m
 x L(x ,  )  f (x )   î gi (x ^ )  0
^ ^ ^
i1
303
Teorema (Condiciones necesarias y suficientes de

segundo orden).
Sean f, g1 ,g2, ..., gm funciones dos veces

continuamente diferenciables y sea x^  IRn un
punto regular de las restricciones de P) que junto
con λ^  IRm, satisfacen:
m
 xL(x ,  )  f (x )   îgi (x ^ )  0
^ ^ ^
i1
y que m
D f (x )   î D2gi (x ^ )
2 ^
i1
es una matriz positiva definida entonces x^ es un
mínimo local de P).
304
Ejemplo:
Min x12  x 22
sa : x1  x 2  4
 x1 
x   IR 2
 2
Buscamos la solución óptima usando las
condiciones de optimalidad:
305
h1(x )  x1  x 2  4
f (x )  x12  x 22 ;m  1
f (x )  (2x1, 2x 2 )T 0 0 
h1( x )   
 0 0 
2 0  0 0 
D f (x )  
2 D h( x )  
2

  0 0 
 0 2 
306
Luego las condiciones de primer orden son:

2x1 + λ1 = 0
2x2 + λ1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
Resolviendo el sistema: x1 = x2 = 2; λ1 = -4,

luego por existencia de la solución óptima
de P) se tiene que la solución óptima es :
x1=2 , x2=2
307
De todos modos las condiciones de segundo orden

se cumplen pues:
2 0  0 0   2 0 
 0 2    1 0 0    0 2 
     
es positiva definida.
Notar que en x* se tiene: m
 f (x )   *i hi (x * )
*
i1
 4  4 T  41 1T
308
IV.5. Prob. con rest. de igualdad y desigualdad.

Por último consideramos un problema más general

de optimización:
P) Min f(x)
s.a. gi(x) = bi i = 1, 2, ..., m
hr(x) = dr r = 1, 2, ..., l
En este caso decimos que x^ es un punto regular

de las restricciones del problema ssi:
309
gi(x^) = bi ; i = 1, 2, ..., m
hr(x^)  dr ; r = 1, 2, ..., l
g1(x^), g2(x^), ..., gm(x^), hj(x^) vectores l.i.
con j  { r / hr(x^) = dr }
310
Teorema (condiciones necesarias de primer orden

de Karush-Kuhn-Tucker (KKT)).
Suponga que las funciones f, g1, ..., gm, h1, ..., hl
son continuamente diferenciables. Sea x^ un
punto regular de P) y mínimo local del problema,
entonces existen multiplicadores de lagrange: 1, 2
, ..., m y m1 , m2 , ..., ml  0 :
m l
f (x )    i gi (x )   m r hr (x )  0
^ ^ ^
i 1 r 1
m r (hr (x ^ )  dr )  0 ; r  1, 2, ..., l
311
IV.6. Métodos de optimización restringida.

a) Método de activación de restricciones

Este método se aplica en esta descripción a
problemas que sólo poseen restricciones de
desigualdad.
La idea es que si el problema no restringido tiene
una solución óptima que no satisface una parte de
las restricciones, se considera k restricciones como
de igualdad y se resuelve este problema
restringido hasta llegar a un conjunto de
restricciones activas cuya solución también
satisface las restricciones omitidas.
312
Paso1: Resuelva el problema no restringido. Si el

óptimo satisface todas las restricciones parar, en
caso contrario, hacer k=1 e ir al paso 2.
Paso 2: Activar cualquiera de las k restricciones y

hallar una solución que satisfaga las condiciones
de optimalidad KKT. Si la solución resulta factible
para las restantes restricciones parar. Sino, active
otro conjunto de k restricciones y repita el paso. Si
se han tomado todos los conjuntos de k
restricciones sin hallar solución factible ir al paso 3.
313
Paso 3: Si k = L (# total de restricciones)

no existe solución factible. En caso
contrario, hacer k= k+1 e ir a paso 2.
Ejemplo. Consideremos el problema:

Min (2x1 – 5)2 + (2x2 – 1)2
s.a. x1 + 2x2  2
x1, x2  0
314
El problema no restringido tiene como

solución a
x1* = 5/2 y x2* = ½
obtenida al resolver: f(x) = 0
Claramente, este punto no satisface la

restricción:
h1(x1,x2) = x1 + 2x2  2.
315
Consideramos entonces activa la restricción

lineal, esto es resolvemos:
f(x1, x2) + m1 h1(x1, x2) = 0

h1 (x1, x2) = 2
Cuya solución optima es:

x1^ = 22/10 = 11/5
x2^ = -1/10
m1^ = -12/5 que no satisface x2
0
316
Continuando con el método, si sólo se activa x1= 0 se

llega al mínimo local:
x1 = 0, x2 = ½ m2= 0, m1= 0, m3= 0
Notar que otro mínimo local se tiene con

x1 + 2x2  2 y x2 = 0 activas, obteniéndose:
x1 = 2, x2 = 0.
317
b) Método de Frank – Wolfe.

Este método permite la resolución de un problema

cuya función objetivo es una función convexa no-
lineal y cuyas restricciones son todas lineales. Este
método reemplaza la función objetivo por una
secuencia de funciones lineales que la aproximan,
dando así origen a una secuencia de problemas de
programación lineal.
318
Si xk es la actual aproximación a la solución

óptima del problema
P) Min f(x)
s.a. Ax = b
x0
Entonces la expansión en serie de Taylor

en torno a x =xk, a saber f(x) = f(xk) +
f(xk)(x – xk), permite aproximar el
problema P) por el problema lineal:
319
Min f(xk) + f(xk)(x – xk)

s.a. Ax = b
x0
o equivalentemente, eliminando los
términos constantes, se puede considerar
el problema:
PLk) Min f(xk)x
s.a. Ax = b
x0
320
Si xPLk denota la solución óptima de PLk), este

punto no necesariamente es cercano a xk de
modo que es necesario proponer un punto que
resulte de hacer una minimización

unidimensional en el segmento que une xk con
xPLk.
Todo lo anterior se resume en el siguiente

algoritmo:
321
Pao 0: Escoger un punto inicial factible x0. Hacer

k = 1.
Paso 1: Evaluar c= f(xk-1)

Paso 2: Hallar la solución óptima xPLk del siguiente
problema lineal
Min cT x
s.a. Ax = b
x0
322
Paso 3: Para la variable   [0, 1], se define

g() = f(xk-1 +  [xPLk – xk-1])
Usar algún procedimiento de minimización

unidimensional para hallar un k que aproxime la
solución de Min { g() /   [0, 1]}
323
Paso 4: Hacer xk = xk-1 + k (xPLK – xk-1)

Paso 5: Si se satisface el criterio de parada del
método, parar. En caso contrario, hacer k = k + 1 y

volver al Paso 1.
324
Ejemplo.
Min x12 – 5x1 + 2x22 – 8x2
sa: 3x1 + 2x2  6

x1, x2  0
Iteración k x k-1  f(x k-1) xLPk xk k

1 (0, 0) (-5, -8) (0, 3) (0, 2) 2/3
2 (0, 2) (-5, 0) (2, 0) (5/6, 7/6) 5/12
325
BIBLIOGRÁFIA EN PROGRAMACIÓN NO LINEAL
1. Nonlinear Programming, M.Bazaraa, H.Sherali and C.Shetty.

John Wiley & Sons, Inc., New York, Second Edition 1993.
2. Nonlinear Programming, D.Bertsekas. Athena Scientific USA,

1995.
3. Numerical Methods for Unconstrained Optimization and
Nonlinear Equations, J.Dennis and R.Schnabel. SIAM Classics in
Applied Mathematics 16. SIAM Publications, Philadelphia, 1996.
4. Practical Methods of Optimization, R.Fletcher. John Wiley &
Sons, Inc., 1981.
5. Introducción a la Programación Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana 1989.
6. Mathematical Programming: Theory and Algorithms, M.Minoux.
John Wiley & Sons, Inc., New York, 1986
7. Optimization Software Guide, J.Moré and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.
326
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN NO

LINEAL
Preguntas de consulta frecuente en Programación No Lineal:

http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html
Servidor NEOS, guía de software de Programación No Lineal :

http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/unconstropt.html
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/constropt.html
Servidor NEOS, ejemplo problema de carteras de inversión:

http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html
Guía de software de Programación No Lineal en revista OR&MS Today

(INFORMS Magazine):
327
Investigación de Operaciones III. Programación Dinámica
Contenidos
III. Programación Dinámica
328
 La programación dinámica se utiliza tanto en problemas lineales

como no lineales.
 La programación dinámica es útil para resolver un problema
donde se deben tomar una serie de decisiones interrelacionadas.
 A diferencia de la P.L., la programación dinámica no tiene
formulación matemática estándar. Se trata de un enfoque de tipo
general para la solución de problemas, y las ecuaciones se
derivan de las condiciones individuales de los mismos.
329
El problema de la diligencia
Un cazafortunas desea ir de Missouri a California en una
diligencia, y quiere viajar de la forma más segura posible. Tiene

los puntos de salida y destino conocidos, pero tiene múltiples
opciones para viajar a través del territorio.
Se entera de la posibilidad de adquirir seguro de vida como
pasajero de la diligencia.
El costo de la póliza estándar (Cij) se muestra en la tabla de la
siguiente página.
¿Cuál es la ruta que minimiza el costo de la póliza de seguro?
330
331
Algunas Alternativas de Solución

1. Enumeración exhaustiva: enumerar todas las rutas
posibles, calcular su costo y elegir la de menor valor. En

total son 18.
2. Elegir la ruta más barata en cada etapa. Esta solución no
necesariamente conduce al óptimo global. Un pequeño
sacrificio en una etapa puede permitir mayores ahorros
más adelante
3. Programación Dinámica:
 Estrategia de solución: un problema complejo es
desagregado en problemas más simples que se resuelven
etapa por etapa
 En el caso de la diligencia un problema simple sería pensar
qué pasaría si al viajero sólo le faltara una etapa del viaje
332
Por P.D. la solución sería entonces ir desde el estado actual (i

cualquiera que sea) y llegar a su destino final (estado J) al costo cij.

Se hace lo mismo para cada jornada (etapa), ensanchando el
problema. Así encontramos la solución óptima del lugar al que debe
dirigirse teniendo en cuenta la información de la iteración anterior.
Formulación
Sea Xn ( n = 1,2,3,4 ) las variables que representan el destino
inmediato en la etapa n.
A → X1 → X2 → X3 → X4 Donde X4 = J
Sea fn (S, Xn) el costo total de la mejor política global para las etapas
restantes, dado que el agente se encuentra en el estado S, listo para
iniciar la etapa n y se dirige a Xn como destino inmediato.
333
Dados S y n , sea Xn* el valor de Xn (no necesariamente único), que

minimiza fn (S , Xn) , y sea fn*(S) el valor mínimo correspondiente de

fn (S, Xn) entonces:
fn* (S) = Min Xn fn(S, Xn) = fn(S, Xn*)
Costo Mínimo costo

fn(S, Xn) = Inmediato + futuro (etapa
(etapa n) n+1 en adelante)
= cs , xn + fn+1* (Xn)
↓ ↓
Costo por ir Costo óptimo
de la ciudad i acumulado
al destino j
334
Etapa n=4
Como el destino final (estado J) se alcanza al terminar la etapa 4,

entonces
f5*(J) = 0
El objetivo es hallar f1*(A) y su ruta correspondiente.

Cuando el cazafortunas tiene sólo una etapa por recorrer (n=4) , su
ruta de ahí en adelante, estará determinada por el estado actual (H o
I) y su destino final X4=J
La ruta será: S →J donde S= H o I
Luego f4*(S) = cS,J + f5*(J) = cS,J

f4(H) = cH,J = 3
f4(I) = cI,J = 4
335
Etapa n=3
El cazafortunas tiene 2 etapas por recorrer (n=3).

Suponga que sale de E.
Luego f3*(E) = 4 y X3* = H

En general para la etapa 3 se tiene:
336
Etapa n=2
En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer

(n=2). Suponga que sale de C.
Luego f2*(C) = 7 y X2* = E

En general para la etapa 2 se tiene:
337
Etapa n=1
En la primera etapa, el cazafortunas tiene todas las jornadas por

recorrer (n=1). Necesriamente debe salir de A.
Luego f1*(A) = 11 y X1* = C ó D

Veamos:
338
La solución del problema gráficamente

Podemos ver que hay 3 soluciones óptimas
339
Características de la P.D.
1. El problema se puede dividir por etapas, que requieren una política

de decisión en cada una de ellas.
2. Cada etapa tiene un cierto número de estados asociados a su
inicio. (Estados son las diferentes condiciones posibles en las que se
puede encontrar el sistema en cada etapa del

problema).
3. El efecto de la política de decisión en cada etapa, es transformar el
estado actual en un estado asociado con el INICIO de la siguiente
etapa.
4. El procedimiento pretende hallar la política óptima para el
problema completo. Esto quiere decir, la política a emplear desde
cualquier posible estado del problema.
5. Dado el estado actual, la política óptima desde este estado es
independiente de las políticas adoptadas en las etapas anteriores.
(la solución depende únicamente del estado actual y no de cómo se
llegó allí) PRINCIPIO DE OPTIMALIDAD EN LA P.D., (Richard
Bellman, 1957)
340
Características de la P.D. cont….
6. El procedimiento de la solución termina cuando se obtiene la

política óptima de la última etapa (por lo general la solución en esta
etapa es trivial)
7. Siempre se dispone de una relación recursiva (esto es lo que
permite trabajar las decisiones interrelacionadas).

La relación recursiva será:
fn* (Sn)= Max Xn { fn (Sn, Xn) } ó fn* (Sn)= Min Xn { fn (Sn, Xn) }
Donde:
N: Número de etapas
n: etiqueta para la etapa actual (n=1,2,3,…N)
Sn: Estado actual para la etapa n
Xn: Variable de decisión para la etapa n
341
Características de la P.D cont….
8.Cuando se tiene una relación recursiva como la de la función, el

procedimiento de solución “hacia atrás” inicia en la última etapa y se
mueve hacia la primera, etapa por etapa
Xn* : Valor óptimo de Xn dado Sn
342
ALGORITMO DE P.D. HACIA ATRÁS: Para cada valor

probable de la variable de estado al inicio de la etapa,
determinar el mejor estado final
ALGORITMO DE P.D. HACIA ADELANTE: Para cada

valor probable de la variable de estado al final de la
etapa, determinar el mejor estado inicial
343
INTRODUCCIÓN
• Esta es una nueva herramienta que nos ayuda en la

resolución de los diferentes tipos de problemas.
• Así el objetivo es de minimizar costes y/o maximizar los

beneficios.
• Estando dados de la siguiente forma:
optimizar f ( x) con las restriccio nes

hi ( x)  bi i  1.....l

hi ( x)  bi i  1.....m
h ( x)  b i  1.....n
 i i
INTRODUCCIÓN
 Un algoritmo eficiente que se puede utilizar es el

simplex.
 Para el caso de tener muchas variables este ya no

resulta eficiente, por el tiempo que requiere para
realizar los cálculos.
INTRODUCCIÓN
 Existen los llamados Problemas de Optimización

Combinatorios que contienen variables de
decisión enteras y el espacio de soluciones está

formado por ordenaciones o subconjuntos de
números naturales.
 Los más conocidos son:

 Problema de la mochila
 Problema del viajante
Knapsack problem-De la
 Consiste en:
mochila
 Seleccionar de entre un conjunto de n productos, cada

uno con un valor ci y un volumen vi.
 Determinando aquellos que quepan en un recipiente con

volumen V y que tengan el mayor valor posible. Así se
determina un subconjunto para el cual:
| *  1..n
c i
i  max  ci
i 1.. n
i
con la restricció n
v V
i
i
Knapsack problem-De la
mochila
 xi toma el valor de 1 cuando el item se introduce en

la mochila
 xi toma el valor de n0 en caso contrario.
 Así: max  ci xi
i 1
con las restriccio nes

n
v x
i 1
i i V
xi  0,1 i  1..n
Travelling Salesman Problem(TSP)

 Dado un mapa de carreteras, se desea visitar n
ciudades de forma que se recorra el menor número de

kilómetros y solo se visite una sola vez cada ciudad.
6 Solución Optima es la ruta

15
<1, 6, 3, 4, 2, 5>
20
1 16 7
Con un coste de 61km.
3
12 20
16 7 8
5
9 21
2 10 4
Problemas de tipo
combinatorio
 La enumeración completa del conjunto de

soluciones y la generación del conjunto de
soluciones factibles no es eficiente.
 El tiempo de cálculo crece exponencialmente con

el número de ítems del problema.
Problema de la mochila
 Para el problema de la mochila el número de
subconjuntos del conjunto {1..n} es 2n
 Si un computador pudiese generar en un segundo un

millón de esos subconjuntos el tiempo para hallar la
solución sería:
 Con n = 20, 220 = un segundo.

 Con n = 40, 240 = dos semanas.
 Con n = 60, 260 = 365 siglos.
Problemas P
 Aquellos para los cuales se conocen algoritmos que
necesitan un tiempo polinominal para ofrecer una

solución óptima.
 Son resolubles eficientemente.

Problemas NP
 Aquellos para los cuales no se conoce un algoritmo
polinomial de resolución.
 No son algorítmicamente resolubles eficientemente.
 P es un subconjunto de NP:
P  NP
Problemas NP-completos
 La mayoría de problemas de interés empresarial son
NP-completos.
 No se ha podido encontrar algoritmos eficientes para la

resolución de problemas NP-completos.
HEURÍSTICAS
Del griego heuriskein que significa encontrar.
Son algoritmos que ofrecen soluciones factibles, que

aunque no optimicen la función objetivo, se
supone que al menos se acercan al valor óptimo.
Las heurísticas son utilizadas como una herramienta

útil que da soluciones a problemas reales.
HEURÍSTICAS
Definición:
“Procedimientos simples, a menudo basados en el

sentido común, que se supone ofrecerán una buena
solución (aunque no necesariamente la óptima) a
problemas difíciles, de un modo fácil y rápido”
Zanakis, Evans 1981
HEURÍSTICAS
Factores para la utilización de métodos heurísticos:

a. Cuando no existe un método exacto de

resolución o éste requiere mucho tiempo de
cálculo o memoria.
b. Cuando no se necesita la solución óptima.
c. Cuando los datos son poco fiables.
d. Cuando las hay limitaciones de tiempo,
espacio, etc.
e. Como paso intermedio en la aplicación de otro
algoritmo.
HEURÍSTICAS
Ventajas:
 Permiten mayor flexibilidad para el manejo de las

características del problema.
 Ofrecen más de una solución.

Inconvenientes:
HEURÍSTICAS
 No es posible conocer la calidad de la solución.
 Existen métodos para realizar acotaciones. Un

procedimiento es el de relajar el problema, de manera que
sea más fácil de resolver.
 Cuando estos procedimientos no son posibles, se puede

utilizar métodos que indican que la heurística no es
buena.
 Siempre una técnica exacta es mejor que cualquier tipo de

heurística.
TIPOS DE HEURÍSTICAS
 MÉTODOS CONSTRUCTIVOS
 MÉTODOS DE DESCOMPOSICIÓN
 MÉTODOS DE REDUCCIÓN
 MANIPULACIÓN DEL MODELO
 MÉTODOS DE BÚSQUEDA POR ENTORNOS

MÉTODOS
 Añaden
CONSTRUCTIVOS
paulatinamente componentes
individuales a la solución, hasta que se obtiene
una solución factible.
 ALGORITMOS GOLOSOS O DEVORA-DORES

(GREEDY)
MÉTODOS DE DESCOMPOSICIÓN
 (“Divide y vencerás”) Dividen el problema en

subproblemas más pequeños, siendo el
output de uno el input de otro.
 APLICACIÓN A UN PROBLEMA DE
PROGRAMACIÓN LINEAL MIXTA.
MÉTODOS DE REDUCCIÓN
 Identificanalguna característica que
presumiblemente deba poseer la solución
óptima.
MANIPULACIÓN DEL MODELO

 Modifican la estructura del modelo,
haciéndolo más sencillo de resolver, y
deduciendo de su solución, la solución del

problema original.
 REDUCIR EL ESPACIO DE SOLUCIONES
 AUMENTAR EL ESPACIO DE SOLUCIONES

MÉTODOS DE BÚSQUEDA POR
ENTORNOS
 Partiendo de una solución factible inicial, y

mediante alteraciones de esa solución, pasan de
forma iterativa a otras soluciones factibles de su
entorno.
 CRITERIO DE PARADA
 ALMACENAMIENTO DE SOLUCIÓN ÓPTIMA.
 PASO DE UNA SOLUCIÓN FACTIBLE A OTRA.

(NEIGHBORHOOD)
MÉTODO DE BÚSQUEDA LOCAL O DE
DESCENSO
 En cada iteración se pasa de una solución actual
a una de su entorno que sea mejor que ella,
finalizando cuando todas las soluciones del

entorno sean peores.
 OPTIMOS LOCALES.
EJEMPLO DE FUNCIÓN
CON UN ÓPTIMO LOCAL

Solución inicial
Óptimo local
Xi-2 Xi-1 Xi Xi+1

Recocido Simulado
 Recocer:
 Proceso térmico para obtener estados de baja energía en

un sólido, mediante un baño térmico.
 Para cada temperatura durante el proceso de
recocido, el sólido puede alcanzar el equilibrio
térmico solo si el enfriamiento se produce
lentamente.
 Caso contrario puede llegar a estados meta-
estables.
Recocido Simulado
 La evolución de un sólido en el baño térmico puede ser
simulado mediante el algoritmo de la Metrópolis, basado
en las técnicas Monte Carlo.

 Realiza en paso de un estado a otro según:
 Si el estado generado posee una energía menor que el
estado que actualmente se tiene, se acepta el estado
generado como actual.
 Caso contrario el estado se aceptará con una
determinada probabilidad, la cual está en función de:
 La temperatura
 La diferencia entre los dos niveles de energía.
Algoritmos genéticos
 “Técnicas de búsqueda basadas en la mecánica de la
selección natural y genética” [Goldberg, 1989]
 Los algoritmos genéticos son flexibles y pueden ser

aplicados en un amplio número de problemas.
 En los algoritmos biológicos, la información
hereditaria es pasada a través de los cromosomas o

genes, los cuales a su vez están formados de un
determinado número de valores (alelos).
 Los organismos pueden agruparse formando

poblaciones, los que mejor se adaptan tienen
mayor probabilidad de sobrevivir y reproducirse.
 Los alelos pueden representar valores de las
variables de decisión, que se corresponderán con

los genes.
 Los cromosomas representan las soluciones.
 Los algoritmos genéticos, trabajan sobre una

población de soluciones generando una nueva en
cada iteración.
Búsqueda Tabú
 Los orígenes de la búsqueda tabú se ubican a
fines de los 60s y principios de los 70s.
 Se atribuye a Fred Glover, quien desarrolló esta

heurística para tratar de resolver problemas de
cubierta no lineal, aunque varios de sus principios
también fueron delineados independientemente
por P. Hansen .
Búsqueda Tabú
 El uso de estructuras flexibles de memoria basadas en atributos,
diseñadas para permitir una mejor explotación de los criterios de

evaluación y la información histórica de la búsqueda que se
conseguiría con estructuras rígidas de memoria o con sistemas
carentes de memoria
 Un mecanismo asociado de control basado en la interacción entre las

condiciones que limitan y hacen más flexible el proceso de
búsqueda. Este mecanismo se encuentra inmerso en la técnica en la
forma de restricciones y criterios de aspiración
 La incorporación de memorias de diferente duración (de corto a largo

plazo), para implementar estrategias que intensifiquen y
diversifiquen la búsqueda. Las estrategias de intensificación
refuerzan las propiedades de las combinaciones de movimientos que
han demostrado ser buenas, mientras que las estrategias de
diversificación dirigen la búsqueda hacia nuevas regiones del espacio
de soluciones factibles.
 Una entre las metaheurísticas más exitosas que
GRASP
aparecieron en los últimos años del siglo pasado es
GRASP.
 un método multiarranque diseñado para resolver

problemas difíciles en optimización combinatoria. En
su versión básica cada iteración consiste en dos fases:
una fase constructiva cuyo producto es una solución
factible buena, aunque no necesariamente un óptimo
local, y una búsqueda local, durante la cual se
examinan vecindades de la solución, al llegar a un
óptimo local la iteración termina.
 La iteraciones continúan, guardando la mejor solución

encontrada en cada una de ellas, hasta que se alcanza
un criterio de terminación.
 Una de las misiones en una red neuronal consiste en
Redes Neuronales simular las propiedades observadas en los sistemas

neuronales biológicos a través de modelos matemáticos
recreados mediante mecanismos artificiales
 Una red neuronal se compone de unidades llamadas

neuronas. Cada neurona recibe una serie de entradas a
través de interconexiones y emite una salida. Esta salida
viene dadas por 3 enlaces:
 Enlace Sináptico
 Enlace de Activación
 Enlace de Transferencia
Redes Neuronales
 Enlace Sináptico: que por lo general consiste en la

sumatoria de cada entrada multiplicada por el peso
de su interconexión (valor neto). Si el peso es
positivo, la conexión se denomina excitatoria; si es

negativo, se denomina inhibitoria.
 Enlace de activación: que modifica a la anterior.

Puede no existir, siendo en este caso la salida la
misma función de propagación.
 Enlace de transferencia: que se aplica al valor

devuelto por la función de activación. Se utiliza
para acotar la salida de la neurona y generalmente
viene dada por la interpretación que queramos
darle a dichas salidas

Manual e Implementación de Multisim 14 para Simular Circuitos Electricos y Electronicos en Ingenieria

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

Manual e Implementación de Multisim 14 para Simular Circuitos Electricos y Electronicos en Ingenieria

Caricato da

Copyright:

Formati disponibili

Investigación de Operaciones

Ing. Rodrigo Sempértegui Álvarez

􀁺 El resultado se llamó Investigación de Operaciones

􀁺 El MIT contribuyó a su puesta en marcha

¿Qué son las ciencias de la gestión (investigación

modelos matemáticos para proporcionar pautas que

La investigación operativa en la historia

otros científicos desarrollan el método simplex de

– Época de desilusión y estancamiento. NPcompleto.

– Gran expansión del uso de computadores

La investigación operativa en el año 2000

􀁺 CIENTOS de oportunidades para el campo de la

– Datos de e-business (click stream, compras, otros

Aplicación del método científico por un grupo multidisciplinario

El principal objetivo de esta área de conocimientos consiste en

La naturaleza de los problemas abordados pueden ser:

 Métodos determinísticos: Programación lineal, programación

 Métodos probabilísticos: Cadenas de markov, teoría de juegos,

 Métodos híbridos: Conjugan métodos determinísticos y

 Métodos heurísticos: soluciones basadas en la experiencia.

Gran cantidad de problemas reales cada más

 Uso de metodologías para la formulación

 Métodos y herramientas de resolución, como los

I.1.1 Formulación del Problema

Formular el Modelo Matemático

Verificar el Modelo y usar para predicciones

Presentar Resultados y Conclusiones

I.2 Elementos de un modelo de optimización.

Supongamos que se dispone de determinadas piezas para la

elaboración de dos productos finales. Se dispone de 8 “piezas

Interesa decidir cuántas sillas y mesas fabricar de modo de obtener

Posibles soluciones factibles a considerar, esto es soluciones

• 4 sillas, que reportan una utilidad de U$60

Componentes de un modelo matemático:

decisiones que se debe tomar. En el ejemplo,

¿Qué puedes decidir?

Ej: cuanto producir; cuanto invertir, y en qué, son variables de

ii) La función objetivo del problema, que permita tener el mejor

¿Qué quiere decir “mejor”?

iii) Restricciones del problema, que consiste en definir un conjunto

de ecuaciones e inecuaciones que restringen los valores de las

iv) Resolución del Modelo y Análisis de la Solución

En resumen: Max 15x + 20y

El ejemplo corresponde a un modelo de Programación Lineal.

BIBLIOGRÁFIA EN INVESTIGACIÓN DE OPERACIONES

1. Introducción a la Investigación de Operaciones, F.S. Hillier y

2. Investigación de Operaciones, una introducción, H.A. Taha,

 La programación lineal es un caso especial de la programación

xn) = c1 x1+ c2 x2, c3 x3,…. cn xn

 Desigualdad Lineal.- una desigualdad f(x1, x2, x3,…. xn)≥ b ó

 Un problema de Programación Lineal.- es un problema de

La Región Factible y la Solución Óptima:

• Región Factible.- Es el conjunto de todos los puntos que

• Solución Óptima.- Para un problema de maximización en PL la

 Suposiciones de Proporcionalidad y Aditividad.-

 El hecho de que la función objetivo de un problema de PL tiene

 La contribución de cada variable de decisión a la función objetivo es

 El hecho de que cada restricción de un problema de PL tiene

– La suposición de divisibilidad requiere que cada variable de

redondear cada variable de la solución óptima del problema de PL

– La suposición de certidumbre significa que tiene que conocerse

II.4 Ejemplos de modelamiento.

i) Problema de Transporte. El problema consiste