22 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL lineal despus de la aplicacin inicial del mtodo smple.

El captulo 7 e amina varias e tensionesmuy empleadas de este mtodo e introduce el algoritmo de punto interior que en ocasiones se usapara resolver problemas de programacin lineal an ms grandes que los que maneja el mtodosmple. Los captulos 8 y 9 consideran algunos problemas especiales de programacin lineal cuyatrascendencia justifca su estudio individual.Adems, en varios de los captulos posteriores se vern aplicaciones de programacin lineala otras reas de la investigacin de operaciones.Este captulo comienza con el desarrollo de un ejemplo prototpico simplifcado de un proble-ma de programacin lineal. Este ejemplo es tan pequeo que puede resolverse de manera directaen una grfca. En las secciones 3.2 y 3.3 se presentan el modelo general de programacin lineal ysus supuestos bsicos. La seccin 3.4 proporciona algunos ejemplos adicionales de programacinlineal. La seccin 3.5 describe cmo pueden establecerse y resolverse problemas de programa-cin lineal de tamao mediano en una hoja de clculo. Sin embargo, algunos problemas realesrequieren modelos en verdad masivos . La seccin 3.6 ilustra cmo suelen surgir estos modelos degran tamao y cmo se pueden ormular de manera correcta con la ayuda de lenguajes especialesde modelado como MPL su ormulacin se describe en esta seccin o LINGO (la ormulacinde este modelo se presenta en el suplemento 2 de este captulo en el sitio web del libro). 3.1 EJEMPLO PROTOTPICO La WYNDOR GLASS CO. produce artculos de vidrio de alta calidad, entre ellos ventanas ypuertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1,los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar lalnea de produccin de la compaa. Se discontinuarn varios productos no rentables y se dejarlibre una parte de la capacidad de produccin para emprender la abricacin de dos productosnuevos cuyas ventas potenciales son mu y prometedoras:Producto 1: una puerta de vidrio de 8 pies con marco de aluminioProducto 2: una ventana corrediza con marco de madera de 4 por 6 piesEl producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta2. El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha con-cluido que la compaa puede vender todos los productos que se puedan abricar en las plantas. Sinembargo, como ambos productos competiran por la misma capacidad de produccin en la planta 3,no est claro cul mezcla de productos sera la ms rentable . Por lo tanto, se ha ormado un equipode IO para estudiar este problema.El grupo comenz por realizar juntas con la alta administracin para identifcar los objetivosdel estudio. Como consecuencia de ellas se desarroll la siguiente defnicin del problema: Determinar cules tasas de produccin deben tener los dos productos con el fn de maximizar lasutilidades totales , sujetas a las restricciones impuestas por las capacidades de produccin limita-das disponibles en las tres plantas. (Cada producto se abricar en lotes de 20 unidades, de maneraque la tasa de produccin est defnida como el nmero de lotes que se producen a la semana.) Sepermite cualquier combinacin de tasas de produccin que satisaga estas restricciones, inclusono abricar uno de los productos y elaborar todo lo que sea posible del otro. El equipo de IO tambin identifc los datos que necesitaba reunir: 1. Nmero de horas de produccin disponibles por semana en cada planta para abricar estosnuevos productos. (Casi todo el tiempo de estas plantas est comprometido con los productosactuales, lo que limita la capacidad para manu acturar nuevos productos.) 2. Nmero de horas de abricacin que se emplea para producir cada lote de cada artculo nuevoen cada una de las plantas. 3. La ganancia por lote de cada producto nuevo. (Se escogi la ganancia por lote producido

como una medida adecuada una vez que el equipo lleg a la conclusin de que la gananciaincremental de cada lote adicional producido sera, en esencia, constante , sin que importase elnmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para iniciar T2 23 la produccin y la comercializacin de estos nuevos productos, la ganancia total de cada uno esapro imadamente la ganancia por lote que se produce multiplicada por el nmero de lotes .)La obtencin de estimaciones razonables de estas cantidades requiri del apoyo de personalclave en varias unidades de la compaa. El personal de la divisin de manuactura proporcion losdatos de la primera categora mencionada. En la segunda categora, el desarrollo de estimacionesrequiri un anlisis de los ingenieros de manu actura involucrados en el diseo de los procesos deproduccin para elaborar los nuevos artculos. Al analizar los datos de costos que se obtuvieron, junto con la decisin sobre los precios de la divisin de marketing, el departamento de contabilidadcalcul las estimaciones para la tercera categora.La tabla 3.1 resume los datos reunidos.De inmediato, el equipo de IO reconoci que se trataba de un problema de programacin li-neal del tipo clsico de mezcla de productos y procedi a la ormulacin del modelo matemticocorrespondiente. Formulacin como un problema de programacin lineal La defnicin del problema planteado indica que las decisiones que deben tomarse son el nmero delotes de los productos que se abricarn semanalmente, de manera que se ma imice su ganancia total.Para ormular el modelo matemtico de programacin lineal de este problema se defne x 1 5 nmero de lotes del producto 1 que se abrican por semana x 2 5 nmero de lotes del producto 2 que se abrican por semana Z 5 ganancia semanal total (en miles de dlares) que generan estos dos productos Recuadro de aplicacin Swit & Company es una empresa diversifcada productorade protena con base en Greeley, Colorado. Con ventas anua-les de ms de 8 000 millones de dlares, la carne de res y susproductos derivados son, por mucho, la parte ms grande delnegocio de la compaa.A fn de mejorar las ventas de la empresa y su desem-peo en la manu actura, la alta administracin concluy quenecesitaba alcanzar tres objetivos importantes. Uno ue per-mitir a los representantes de servicio al cliente hablar a susms de 8 000 clientes para transmitirles inormacin precisaacerca de la disponibilidad de inventario actual y uturo, almismo tiempo que consideraban echas de entrega solicitadasy edad m ima del producto en el momento de su entrega.Un segundo objetivo ue producir un programa efciente denivel de turno para cada planta en un horizonte de 28 das. Eltercer objetivo consisti en determinar de manera e acta siuna planta poda embarcar una cantidad solicitada de pedi-dos-lneas-artculos en la echa y a la hora requeridas dadas ladisponibilidad de ganado y las restricciones impuestas por lacapacidad de la planta.Para en rentar estos tres desa os, un equipo de IO desa-rroll un sistema integrado de 45 modelos de programacinlineal basado en tres ormulaciones de modelo para programarde manera dinmica sus operaciones de abricacin de carneen cinco plantas en tiempo real cuando recibe los pedidos. Losbenefcios totales auditados que se observaron en el primer ao de operacin de este sistema ueron de 12.74 millones dedlares , de los cuales 12 millones correspondieron a la optimi- zacin de la mezcla de productos . Entre otros benefcios se des-tacan la disminucin de las rdenes perdidas, la reduccin delos descuentos de precio y la mejora de las entregas a tiempo.

Fuente: A. Biby, B. Downs y M. Sel, A Scheduling and Capa-ble-to-Promise Application or Swit & Company, en Interaces , 36 (1): 39-50, enero-ebrero de 2006. (En nuestro sitio web, www.mhhe.com/hillier, se proporciona un vnculo con este artculo.) TABLA 3.1 Datos del problema de la Wyndor Glass Co. Tiempo de produccinpor lote, horasProductoTiempo de produccinP l a n t a 1 2 d i s p o n i b l e a l a s e m a n a , h o r a s 1042 2 1 2 3103 2 1 8 G a n a n c i a p o r l o t e $ 3 0 0 0 $ 5 0 0 0 24 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL Por lo tanto, x 1 y x 2 son las variables de decisin del modelo. Si se usa el ltimo rengln dela tabla 3.1 se obtiene Z 5 3 x 1 1 5 x 2 .El objetivo es elegir los valores de x 1 y x 2 que ma imice Z 5 3 x 1

1 5 x 2 , sujeta a las restriccionesimpuestas sobre sus valores por las capacidades de produccin limitadas de las cuales se disponenen las tres plantas. La tabla 3.1 indica que cada lote del producto 1 que se produce por semanaemplea una hora de produccin en la planta 1, y slo se dispone de 4 horas semanales. En trminosmatemticos, esta restriccin se e presa mediante la desigualdad x 1 # 4. De igual manera, la plan-ta 2 impone la restriccin 2 x 2 # 12. El nmero de horas de produccin usadas a la semana en laplanta 3 que se consume al elegir x 1 y x 2 como las tasas de produccin de los nuevos productos sera3 x 1 1 2 x 2 . En consecuencia, la epresin matemtica de la restriccin de la planta 3 es 3 x 1 1 2 x 2 # 18. Por ltimo, como las tasas de produccin no pueden ser negativas, es necesario restringir lasvariables de decisin a valores no negativos: x 1 $ 0y x 2 $ 0.Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste enseleccionar valores de x 1 y x 2 para Maximizar Z

 3 x 1 5 x 2 , sujeta a las restricciones 3 x 1 2 x 2 18 2 x 2 12 x 1 4 y x 1 0, x 2 0. (Observe cmo la inormacin de la tabla 3.1 en esencia se duplica en la distribucin de los coef-cientes de x 1 y x 2 en el modelo de programacin lineal.) Solucin grca Este pequeo problema tiene slo dos variables de decisin, esto es, slo dos dimensiones, as quese puede usar un procedimiento grfco para resolverlo. Este procedimiento incluye la construc-cin de una grfca de dos dimensiones con x 1 y x 2 como los ejes. El primer paso es identifcar losvalores de ( x 1 , x 2 ) permitidos por las restricciones. Este objetivo se logra dibujando cada una delas rectas que limitan los valores permitidos por una restriccin. Para comenzar, observe que lasrestricciones de no negatividad x 1

$ 0y x 2 $ 0 eigen que el punto ( x 1 , x 2 ) se encuentre en el lado positivo de los ejes (incluso sobre cualquiera de los dos ejes), es decir, en el primer cuadrante. Des-pus, debe observarse que la restriccin x 1 # 4 signifca que ( x 1 , x 2 ) no puede estar a la derecha dela recta x 1 5 4. Estos resultados se muestran en la fgura 3.1, en la que el rea sombreada contienelos nicos valores de ( x 1 , x 2 ) permitidos.De manera parecida, la restriccin 2 x 2 # 12 (o de modo equivalente, x 2 # 6) implica que larecta 2 x 2 5 12 debe agregarse a la rontera de la regin permisible. La ltima restriccin, 3 x 1 1 2 x 2 #

18, se encuentra al grafcar los puntos ( x 1 , x 2 ) tales que 3 x 1 1 2 x 2 5 18 (otra recta) para completarla rontera. (Observe que los puntos que cumplen 3 x 1 1 2 x 2 # 18 son aquellos que estn sobre opor debajo de la recta 3 x 1 1 2 x 2 5 18, por lo que sta es la recta que limita, y ms all de ella, ladesigualdad no se satis ace.) En la fgura 3.2 se muestra la regin de valores permisibles de ( x 1 , x 2 ),llamada regin actible . (La demostracin llamada Graphical Method mtodo grfco en elOR Tutor proporciona un ejemplo detallado de la construccin de la regin actible.)El paso fnal es seleccionar, dentro de esta regin actible, el punto que ma imiza el valor de Z 5 3 x 1 1 5 x 2 . Para descubrir cmo realizar este paso de manera efciente se pueden intentaralgunos valores por prueba y error. Por ejemplo, probar, Z 5 10

5 3 x 1 1 5 x 2 para ver si eistealgn valor de ( x 1 , x 2 ) dentro de la regin permisible que d un valor de 10 para Z . Si se dibuja larecta 3 x 1 1 5 x 2 5 10 se puede ver que eisten muchos puntos sobre esta recta que estn dentro dela regin (vea la fgura 3.3). Despus de intentar este valor arbitrario de Z 5 10 se tiene una mejor No obstante, en el captulo 2 se puso de manifesto que un buen estudio de investigacin deoperaciones no slo encuentra una solucin para el modelo inicial ormulado. Cada una de lasseis etapas que se describieron es importante, incluso las pruebas e haustivas del modelo (vea laseccin 2.4) y el anlisis posptimo (seccin 2.3).Si reconoce la totalidad de estas realidades prcticas, el equipo de IO est listo para evaluar lavalidez del modelo de una manera ms crtica (esta e plicacin continuar en la seccin 3.3), y parallevar a cabo un anlisis de sensibilidad sobre el e ecto que tendra el hecho de que las estimacionesdadas en la tabla 3.1 ueran dierentes debido a ineactitudes, cambios en las circunstancias, etc.(Este tema continuar en la seccin 6.7.) Continuacin del proceso de aprendizaje con OR Courseware ste es el primero de muchos puntos en los cuales ser til emplear el OR Courseware que se en-cuentra en el CD que acompaa al libro. Un programa clave en este CD es el llamado OR Tutor quecontiene un ejemplo de demostracin completo del mtodo grfco que se estudia en esta seccin.Esta demostracin comienza por la introduccin de un problema y la ormulacin de un modelo deprogramacin lineal, antes de aplicar el mtodo grfco para resolverlo, con la intencin de propor-cionar un ejemplo adicional de ormulacin de un modelo. Al igual que muchos otros ejemplosde demostracin en otras secciones, ste resalta los conceptos que son diciles de eplicar en unapgina impresa. En el apndice 1 se puede consultar la documentacin sobre el sotware.Si el lector desea ver ms ejemplos puede consultar la seccin de problemas resueltos Worked Examples en el sitio web del libro. Esta seccin incluye unos cuantos ejemplos consoluciones completas para casi todos los captulos, as como un complemento de los ejemplos dellibro y del OR Tutor. Los ejemplos de este captulo comienzan con un problema relativamentedirecto que implica la ormulacin de un pequeo modelo de programacin lineal y la aplicacindel mtodo grfco. Los ejemplos siguientes implicarn de manera progresiva un reto mayor.Otra parte clave del OR Courseware es un programa llamado

IOR Tutorial . ste realiza mu-chos procedimientos interactivos para ejecutar los di erentes mtodos de solucin que se presentanen el libro, lo que permite que el lector se enoque en el aprendizaje y la ejecucin de la lgica delmtodo en orma efciente, mientras que la computadora realiza los clculos numricos. Se incluyeun procedimiento interactivo para aplicar el mtodo grfco en la programacin lineal. Una vezque se haya captado este primer procedimiento, un segundo enoque permite aplicar con rapidez elmtodo grfco para desarrollar anlisis de sensibilidad sobre el e ecto de cambios en los datos delproblema. Despus, es posible imprimir los trabajos y resultados como una tarea. Como los otrosprocedimientos del IOR Tutorial, stos estn especfcamente diseados para proporcionar al lectoruna e periencia de aprendizaje efciente, amena y enriquecedora mientras realiza sus tareas.Cuando se ormule un modelo de programacin lineal con ms de dos variables de decisin,por lo que no puede usarse el mtodo grfco, el mtodo smplex descrito en el captulo 4 permi-tir encontrar una solucin ptima de inmediato. Obtenerla tambin es til para la validacindel modelo puesto que encontrar una solucin sin sentido indica que se cometieron errores en laormulacin del modelo.En la seccin 1.4 se mencion que el OR Courseware es una introduccin a los tres paquetesde sotware comerciales que ms se usan E cel Solver, LINGO/LINDO y MPL/CPLEX pararesolver una variedad de modelos de IO. Los tres paquetes incluyen el mtodo smple para resolver problemas de programacin lineal. En la seccin 3.5 se describe cmo usar E cel para ormulary resolver modelos de programacin lineal en el ormato de una hoja de clculo. Las descripcionesde los otros paquetes se proporcionan en la seccin 3.6 MPL y LINGO, los suplementos 1 y2 de este captulo en el sitio web del libro LINGO, la seccin 4.8 CPLEX y LINDO y elapndice 4.1 LINDO. Adems, el OR Courseware incluye un archivo para cada uno de los trespaquetes que muestra cmo se puede usar para resolver los ejemplos en este captulo. 3.2 MODELO DE PROGRAMACIN LINEAL El problema de la Wyndor Glass Co. se dise para ilustrar un problema comn de programacinlineal, en versin simplifcada. Sin embargo, esta tcnica es muy verstil como para describirlamediante un solo ejemplo. En esta seccin se presentarn las caractersticas generales de los pro-blemas de programacin lineal y las distintas ormas legtimas del modelo matemtico. 3.2 MODELO DE PROGRAMACIN LINEAL 27 28 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL Comenzaremos por establecer la terminologa y notacin bsicas. La primera columna dela tabla 3.2 resume los componentes del problema de la Wyndor Glass Co. La segunda introducetrminos ms generales de estos componentes, que se ajustarn a muchos problemas de programa-cin lineal. Los trminos clave son recursos y actividades en los que m denota el nmero de tiposde recursos que se pueden usar y n el nmero de actividades que se consideran. Algunos ejem-plos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Losejemplos de actividades incluyen inversin en proyectos especfcos, publicidad en un medio de-terminado y el envo de bienes de cierta uente a cierto destino. En cualquier aplicacin de pro-gramacin lineal es posible que todas las actividades sean de un tipo general (como cualquiera deestos tres ejemplos), a consecuencia de lo cual cada una correspondera en orma individual a lasalternativas especfcas dentro de esta categora general.Como se describi en la introduccin del captulo, el tipo ms usual de aplicacin de progra-macin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible decada recurso es limitada, de orma que debe asignarse con todo cuidado. La determinacin de estaasignacin implica elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de desempeo .Ciertos smbolos se usan de manera convencional para denotar los diversos componentesde un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con suinterpretacin para el problema general de asignacin de recursos a actividades. Z 5 valor de la medida global de desempeo.

x j 5 nivel de la actividad j (para j 5 1, 2, . . . , n ). c j 5 incremento en Z que se obtiene al aumentar una unidad en el nivel de la actividad j . b i 5 cantidad de recurso i disponible para asignarse a las actividades (para i 5 1, 2, . . . , m ). a ij 5 cantidad del recurso i consumido por cada unidad de la actividad j .El modelo plantea el problema en trminos de tomar decisiones sobre los niveles de las actividades,por lo que x 1 , x 2 ,..., x n se llaman variables de decisin . Como se resume en la tabla 3.3, los valores TABLA 3.2 Terminologa comn de programacin lineal E j e m p l o m o d e l o P r o b l e a g e n e r a l

C a p a c i d a d d e p r o d u c c i n d e l a s p l a n t a s R e c u r s o s 3 plantas m recursosF a b r i c a c i n d e p r o d u c t o s A c t i v i d a e s 2 productos n actividadesTasa de produccin del producto j, x j Nivel de actividad j, x j Ganancia Z Medida global de desempeo Z TABLA 3.3 Datos necesarios para elaborar un modelo de programacin lineal para manejar la asignacin de recursos a actividades Consumo de recursos por unidad de actividadActividadCantidad deR e c u r s o 1 2 . . . n recursos disponibles 1 a 11 a 12 ... a 1 n b 1 2 a 21 a 22 ... a 2 n b 2 ... . . . . . . . . . . . . . . ma m 1 a m 2 ... a mn b m Contribucin a

Z por c 1 c 2 ... c n unidad de actividad de c j , b i y a ij (para i 5 1, 2, . . . , m y j 5 1, 2, . . . , n ) son las constantes de entrada al modelo. Las c j , b i y a ij tambin se conocen como parmetros del modelo.Observe la correspondencia entre la tabla 3.3 y la tabla 3.1. Una forma estndar del modelo Para proceder con el problema de la Wyndor Glass Co., ahora se puede ormular el modelo mate-mtico del problema general de asignar recursos a actividades. En particular, este modelo consisteen elegir valores de x 1 , x 2 ,..., x n para Maximizar Z

 c 1 x 1 c 2 x 2 ... c n x n , sujeta a las restricciones a 11 x 1 a 12 x 2 ... a 1 n x n b 1 a 21 x 1 a 22 x 2 ... a 2 n x n b 2 o a m

1 x 1 a m 2 x 2 ... a mn x n b m , y 1 0, x 2 0, ..., x n 0. sta es llamada nuestra orma estndar 1 del problema de programacin lineal. Cualquier situacincuya ormulacin matemtica se ajuste a este modelo es un problema de programacin lineal.Observe que el modelo del problema de la Wyndor Glass Co. se ajusta a la orma estndarcon m 5 3y n 5 2.En este momento se puede resumir la terminologa comn de los modelos de programacinlineal. La uncin que se desea maimizar, c 1 x 1 1 c 2 x 2

1 1 c n x n , se llama uncin objetivo . Porlo general, se hace reerencia a las limitaciones como restricciones . Las primeras m restricciones(aquellas con una uncin de todas las variables a i 1 x 1 1 a i 2 x 2 1 1 a in x n en el lado izquierdo) aveces reciben el nombre de restricciones uncionales (o restricciones estructurales ). De maneraparecida, las restricciones x j $ 0 se conocen como restricciones de no negatividad (o condicionesde no negatividad ). Otras formas Debe hacerse notar que el modelo anterior no se ajusta a la orma natural de algunos problemas deprogramacin lineal. Las otras ormas legtimas son las siguientes: 1. Minimizar en lugar de ma x

imizar la uncin objetivo: Minimizar Z c 1 x 1 c 2 x 2 ... c n x n 2. Algunas restricciones uncionales con desigualdad en sentido mayor o igual que: a i 1 x 1 a i 2 x 2 ... a in x n b i para algunos valores de i . 3. Algunas restricciones uncionales en orma de ecuacin: a i 1 x 1 a i 2 x 2

... a in x n b i para algunos valores de i . 4. Algunas variables de decisin sin la restriccin de no negatividad: x j no est restringida en su signo para algunos valores de j .Cualquier problema que incluye una, varias o todas estas ormas con las otras partes del modeloanterior tambin se clasifca como un problema de programacin lineal. La interpretacin de laspalabras asignacin de recursos limitados entre actividades que compiten puede ya no aplicarse 1 Se llama nuestra orma estndar en lugar de la orma estndar porque otros libros adoptan ormas distintas El valor ms avorable signifca el valor ms grande si la uncin objetivo debe maximizarse , oel valor ms pequeo si la uncin objetivo debe minimizarse .La mayor parte de los problemas tendr nada ms una solucin ptima. Sin embargo, tambines posible tener ms de una. Esto ocurrira en el ejemplo si la ganancia por lote producido del pro-ducto 2 se cambiara a 2 000 dlares. Este hecho cambiara la uncin objetivo a Z 5 3 x 1 1 2 x 2 , demanera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) seran solucionesptimas, situacin que se ilustra en la fgura 3.5. Igual que en este caso, cualquier problema quetenga soluciones ptimas mltiples

tendr un nmero infnito de ellas, todas con el mismo valorde la uncin objetivo.Otra posibilidad es que el problema no tenga soluciones ptimas , lo cual ocurre slo si: 1) notiene soluciones actibles, o 2) las restricciones no impiden que el valor de la uncin objetivo ( Z )mejore indefnidamente en la direccin avorable (positiva o negativa). Este caso se conoce comoun problema con Z no acotada u objetivo no acotado . El ltimo caso sera cierto si, por error, enel ejemplo se omitieran las ltimas dos restricciones uncionales del modelo, lo cual se ilustra enla fgura 3.6.Ahora se introducir un tipo especial de soluciones actibles que tiene un papel importantecuando el mtodo smple trata de encontrar una solucin ptima.Una solucin actible en un vrtice (FEV) es una solucin que se encuentra en unaesquina de la regin actible.(Las soluciones FEV tambin se conocen como puntos extremos o esquinas , pero preerimos laterminologa ms sugerente de vrtice .) La fgura 3.7 pone de relieve cinco soluciones actibles enlos vrtices del ejemplo.En las secciones 4.1 y 5.1 se analizarn varias propiedades tiles de las soluciones FEV paraproblemas de cualquier tamao, incluso la siguiente relacin con las soluciones ptimas. Relacin entre las soluciones ptimas y las soluciones FEV: Considere cualquier pro-blema de programacin lineal con soluciones actibles y una regin actible acotada. Elproblema debe poseer soluciones FEV y al menos una solucin ptima. Adems, la mejorsolucin FEV debe ser una solucin ptima. Entonces, si un problema tiene e actamenteuna solucin ptima, sta debe ser una solucin FEV. Si el problema tiene mltiples so-luciones ptimas, al menos dos deben ser soluciones FEV. 2468 x 2 2 4 6 8 x 1 01010Maimizar Z 5 3 x 1 1 2 x 2 ,sujeta a x 1 # 4 # 12 # 182

x 2 2 x 2 3 x 1 1 x 1 $ 0, x 2 $ 0y Z 5 18 5 3 x 1 1 2 x 2 Cada punto en este segmento de lneaoscura es ptimo, cada uno con Z 5 18. Reginactible FIGURA 3.5 El problema de la Wyndor Glass Co. tendra mltiplessoluciones ptimas si la funcin objetivo se cam-biara a Z 5 3 x 1 1 2 x 2 . 3.2 MODELO DE PROGRAMACIN LINEAL 31

32 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL El ejemplo tiene eactamente una solucin ptima, ( x 1

, x 2 ) 5 (2, 6), que es FEV. (Considresela orma como el mtodo grfco que conduce a la solucin ptima que es FEV.) Cuando se modifcael ejemplo para que tenga soluciones ptimas mltiples, como se muestra en la fgura 3.5, dos deestas soluciones ptimas (2, 6) y (4, 3) son soluciones actibles en los vrtices. 3.3 SUPUESTOS DE PROGRAMACIN LINEAL En realidad, todos los supuestos de programacin lineal estn implcitos en la ormulacin delmodelo que se present en la seccin 3.2. En particular, desde un punto de vista matemtico,los supuestos simplemente son que el modelo debe tener una uncin objetivo lineal sujeta arestricciones lineales. Sin embargo, desde el punto de vista de modelacin, estas propiedades FIGURA 3.6 El problema de la Wyndor Glass Co. no tendra solu-ciones ptimas si la nicarestriccin funcional fuera x 1 # 4, puesto que x 2 podra aumentar de modoindenido en la regin factible sin llegar a un valor mximo de Z 5 3 x 1 1 5 x 2 . 2468 x 2 2 6 x 1 010Maimizar Z 5 3 x 1 1 5 x 2 ,sujeta ay x 1 # 4 x

4 8

1 $ 0, x 2 $ 010(4, 2), Z 5 22(4, 4), Z 5 32(4, 6), Z 5 42(4, 8), Z 5 52(4, 10), Z 5 62(4, ` ), Z 5 ` Reginactible FIGURA 3.7 Los puntos indican lascinco soluciones FEV parael problema de la Wyndor Glass Co. ( 0 , 6 ) ( 2 , x 2 (4, 0)(4, 3) x 1 Reginactible(0, 0)

matemticas de un modelo de programacin lineal implican que se deben considerar ciertos su-puestos acerca de las actividades y datos del problema que ser modelado, incluso algunos acercadel e ecto de las variaciones en el nivel de las actividades. Vale la pena hacer hincapi en ellaspara que sea ms sencillo evaluar si esta tcnica es adecuada para un problema dado. An ms, esnecesario analizar por qu el equipo de IO de la Wyndor Glass Co. concluy que la ormulacinde programacin lineal proporcionaba una representacin satis actoria del problema. Proporcionalidad La proporcionalidad es un supuesto sobre la uncin objetivo y sobre las restricciones uncionales,como se resume a continuacin. Supuesto de proporcionalidad: La contribucin de cada actividad al valor de la uncinobjetivo Z es proporcional al nivel de la actividad x j , como lo representa el trmino c j x j enla uncin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdode cada restriccin uncional es proporcional al nivel de la actividad x j

, como lo repre-senta en la restriccin el trmino a ij x j . En consecuencia, este supuesto elimina cualquiere ponente di erente de 1 para las variables en cualquier trmino de las unciones ya seala uncin objetivo o la uncin en el lado izquierdo de las restricciones uncionales enun modelo de programacin lineal. 2 Para ilustrar este supuesto, considere el primer trmino (3 x 1 ) en la uncin objetivo ( Z 5 3 x 1 1 5 x 2 ) del problema de la Wyndor Glass Co. Este trmino representa la ganancia generada porsemana (en miles de dlares) cuando se abrica el producto 1 a una tasa de x 1 lotes por semana. Lacolumna de proporcionalidad satisecha de la tabla 3.4 muestra el caso que se supuso en la seccin3.1, esto es, que la ganancia sin duda es proporcional a x 1 de manera que 3 x 1 es el trmino apropiadode la uncin objetivo. Por el contrario, las siguientes tres columnas muestran casos hipotticosdierentes en los que el supuesto de proporcionalidad no se cumple.Vea primero la columna del caso 1 en la tabla 3.4. Este caso surgira si se tuvieran costos fjos asociados al arranque de la abricacin del producto 1. Por ejemplo, es posible que e istan costosdebidos a la preparacin de las instalaciones de produccin. Tambin puede haber costos asociadoscon el arreglo de la distribucin del nuevo producto. Como se trata de costos en los que se incurreuna sola vez, deben amortizarse cada semana para que sean conmensurables con Z (ganancia enmiles de dlares por semana). Suponga que se hace esta amortizacin y que los costos de prepa-racin o fjos totales signifcan una reduccin de 1 en el valor de Z , la ganancia, sin considerarlos costos fjos es de 3 x 1 . Esto quiere decir que la contribucin del producto 1 a Z es 3 x 1 2 1 para x 1

. 0, mientras que la contribucin es 3 x 1 5 0 cuando x 1 5 0 (no hay costo fjo). Esta uncin deganancias, 3 dada por la curva continua en la fgura 3.8, sin duda no es proporcional a x 1 . 2 Cuando la uncin incluye algn trmino de producto cruzado , la proporcionalidad debe interpretarse en el sentidode que los cambios en el valor de la uncin son proporcionales a los cambios en cada variable ( x j ) en orma individual,dados cualesquiera valores fjos para las otras variables. Por lo tanto, un trmino de producto cruzado satisace la propor-cionalidad siempre que cada variable del trmino tenga un e ponente de 1. (Sin embargo, cualquier trmino de productocruzado viola el supuesto de aditividad que se estudiar en seguida.) 3 Si la contribucin del producto 1 a la uncin Z uera 3 x 1 2 1 para toda x 1 $ 0, incluso x 1 5 0, entonces la constantefja, 2 1, se podra eliminar de la uncin objetivo sin cambiar la solucin ptima y se restablecera la proporcionalidad.Sin embargo, en este caso no es posible, ya que la constante 2 1 no se aplica si x

1 5 0 viola la aditividad. En las tres columnas, las contribuciones individuales de los productos en cuantoal uso de la capacidad de la planta 3 son las que se supusieron, es decir, 3 x 1 para el producto 1 y 2 x 2 para el producto 2, o sea, 3(2) 5 6, para x 1 5 2 y 2(3) 5 6 para x 2 5 3. Igual que en la tabla 3.5, ladierencia estriba en el ltimo rengln que ahora da el valor total de la uncin para el tiempo deproduccin que se utiliza cuando se abrican los dos productos de manera conjunta.En el caso 3 (vea la tabla 3.6), el tiempo de produccin para los dos productos est dado por la uncin 3 x 1 1 2 x 2 1 0.5 x 1 x 2 , de manera que el valor total de la uncin es 6 1 6 1 3 5 15 cuando( x 1 , x 2 ) 5 (2, 3), lo que viola el supuesto de aditividad de que el valor es slo 6

1 6 5 12. Estecaso puede surgir justo de la misma orma que se describi en el caso 2 (tabla 3.5): tiempo adi-cional desperdiciado en el cambio de procesos de produccin entre los dos productos. El trminoadicional de producto cruzado (0.5 x 1 x 2 ) representa el tiempo de produccin desperdiciado en esta orma. (Observe que el desperdicio de tiempo al cambiar de un producto a otro da por resultado,en este caso, un trmino positivo de producto cruzado en donde la uncin total mide el tiempo deproduccin utilizado, mientras que lleva a un trmino negativo de producto cruzado en el caso 2puesto que esa uncin total mide la ganancia.)En el caso 4 de la tabla 3.6, la uncin de la capacidad que se usa es 3 x 1 1 2 x 2 2 0.1 x 12 x 2 , porlo que el valor de la uncin para ( x 1 , x 2 ) 5 (2, 3) es 6 1 6 2 1.2 5 10.8. Este caso surge de lasiguiente manera. Igual que en el caso 3, suponga que los dos productos requieren el mismo tipo demaquinaria y equipo, pero que ahora el tiempo para cambiar de un producto a otro es relativamentepequeo. Como cada producto pasa por una serie de operaciones, las instalaciones de produccinindividual, que por lo general se dedican a ese producto, tendran algunos tiempos ociosos. Estasinstalaciones podran utilizarse durante estos tiempos en otros productos. En consecuencia, eltiempo total de produccin usado cuando se abrican en orma conjunta los dos productos, esmenor que la suma de los tiempos de produccin usados por los productos individuales cuando se abrican por separado.Despus de analizar los tipos posibles de interaccin de los dos productos ilustrados en estoscuatro casos, el equipo de IO concluy que ninguno tena un papel importante en el problema realde la Wyndor Glass Co. Por lo tanto, el supuesto de aditividad se adopt como una aproimacinrazonable.En otros problemas, si la aditividad no es un supuesto razonable, de orma que algunas o todaslas unciones matemticas del modelo necesariamente son no lineales (debido a trminos de pro-ducto cruzado), resulta defnitiva la entrada en el mbito de la programacin no lineal (captulo 12). Divisibilidad El siguiente supuesto se refere a los valores permitidos para las variables de decisin. Supuesto de divisibilidad:

En un modelo de programacin lineal, las variables de deci-sin pueden tomar cualquier valor, incluso valores no enteros , que satisagan las restric-ciones uncionales y de no negatividad. En consecuencia, estas variables no estn restrin-gidas a slo valores enteros. Como cada variable de decisin representa el nivel de algunaactividad, se supondr que las actividades se pueden realizar a niveles raccionales .En el problema de la Wyndor Glass Co., las variables de decisin representan tasas de pro-duccin (nmero de lotes de un producto abricados a la semana). Como estas tasas pueden tomar cualquier valor raccional dentro de la regin actible, el supuesto de divisibilidad se cumple.En ciertas situaciones, el supuesto de divisibilidad no se cumple porque algunas o todas lasvariables de decisin deben restringirse a valores enteros . Los modelos matemticos con esta res-triccin, que se llaman modelos de programacin entera , se estudiarn en el captulo 11. Certidumbre El ltimo supuesto se refere a los parmetros del modelo, es decir, a los coefcientes c j , en la un-cin objetivo, los coefcientes a ij , en las restricciones uncionales y los b i en el lado derecho de lasrestricciones uncionales. Supuesto de certidumbre: Se supone que los valores asignados a cada parmetro de unmodelo de programacin lineal son constantes conocidas . 3.3 SUPUESTOS DE PROGRAMACIN LINEAL 37 38 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL En los problemas reales, el supuesto de certidumbre casi nunca se satis ace por completo. Porlo general se ormula un modelo de programacin lineal para elegir un curso de accin uturo. Eneste caso, los valores de los parmetros que se emplean estn basados en una prediccin de lascondiciones uturas, lo que es inevitable que introduzca cierto grado de incertidumbre.Por esta razn, siempre es importante realizar un anlisis de sensibilidad despus de encon-trar una solucin ptima de los valores supuestos de los parmetros. Como se present en la seccin2.3, el propsito general es identifcar los parmetros sensibles (es decir, aquellos cuyo valor nopuede cambiar mucho sin cambiar la solucin ptima), debido a que un cambio mayor en el valorde un parmetro sensible de inmediato enva la seal de la necesidad de introducir un cambio enla solucin usada.El anlisis de sensibilidad tiene un papel importante en el problema de la Wyndor Glass Co.,como se ver en la seccin 6.7. De cualquier manera, es necesario adquirir algunos conocimientosadicionales antes de terminar esta historia.En algunos casos, el grado de incertidumbre en los parmetros es demasiado grande para queel anlisis de sensibilidad lo pueda manejar. En estas situaciones es necesario establecer, en ormae plcita, estos parmetros como variables aleatorias . Se han desarrollado ormulaciones de estetipo, que se pueden consultar en las secciones 23.6 y 23.7 del sitio web del libro. Los supuestos en perspectiva En la seccin 2.2 se hizo hincapi en que el modelo matemtico intenta ser slo una representacinidealizada del problema real. Por lo general se requieren aproimaciones y los supuestos de sim-plifcacin para que el modelo se pueda manejar. Agregar demasiados detalles y precisin puedehacer que el modelo sea di cil de manipular para llevar a cabo un anlisis til del problema. Enrealidad, todo lo que se necesita es que e ista una correlacin relativamente alta

entre la prediccindel modelo y lo que de hecho pasara en el problema real.Este consejo sin duda es aplicable a la programacin lineal. Es muy recuente en las aplica-ciones reales de esta tcnica que casi ninguno de los cuatro supuestos se cumpla. Ecepto, quiz,en el caso del supuesto de divisibilidad , deben esperarse pequeas disparidades. Esto es cierto enespecial para el supuesto de certidumbre , de manera que es normal que deba aplicarse el anlisisde sensibilidad para compensar la violacin de este supuesto.Sin embargo, es importante que el equipo de IO eamine los cuatro supuestos en el problemaque se estudia y analice el tamao de las disparidades. Si cualquiera de los supuestos es violadode manera importante, es necesario disponer de varios modelos alternativos, como se ver en cap-tulos posteriores de este libro. Una desventaja de estos modelos es que los algoritmos disponiblespara resolverlos no son tan poderosos como el de programacin lineal, pero en algunos casoseste inconveniente se ha solucionado. En algunas aplicaciones se utiliza el poderoso en oque deprogramacin lineal para el anlisis inicial y despus un modelo ms complejo para per eccionarel anlisis.Al trabajar los ejemplos de la siguiente seccin se demostrar que el anlisis del grado en quese cumplen los cuatro supuestos de la programacin lineal es una buena prctica. 3.4 EJEMPLOS ADICIONALES El problema de la Wyndor Glass Co. es un ejemplo prototpico de programacin lineal en variosaspectos: comprende la asignacin de recursos limitados entre actividades que compiten por ellos,su modelo se ajusta a la orma estndar y su conteto es el tradicional de planeacin para mejorarla administracin. Sin embargo, la aplicacin de la programacin lineal es mucho ms etensa.Esta seccin comienza por ampliar el horizonte. Al estudiar los siguientes ejemplos observe quese caracterizan como problemas de programacin lineal por el modelo matemtico, ms que porsu conte to. Luego, debe considerarse que el mismo modelo matemtico surge en muchos otrosconte tos con slo cambiar los nombres de las actividades.Estos ejemplos son versiones simplifcadas de aplicaciones reales. Como el problema deWyndor y el ejemplo de demostracin del problema grfco en el OR Tutor, el primero de estosejemplos tiene slo dos variables de decisin, de manera que puede ser resuelto mediante el m-todo grfco. Ahora se trata de un problema de minimizacin y tiene una mezcla de ormas para

las restricciones uncionales. (Este ejemplo simplifca de manera considerable la situacin real dedisear una terapia de radiacin, pero el primer Recuadro de aplicacin en esta seccin describe elemocionante impacto que en realidad est teniendo la IO en esta rea.) Los ejemplos subsecuen-tes tienen muchas ms de dos variables de decisin y por lo tanto son ms diciles de ormular.Aunque se mencionarn las soluciones ptimas que se obtienen por medio del mtodo smple, enesta seccin el enoque se concentra en la manera de ormular el modelo de programacin linealpara estos problemas ms grandes. En las secciones subsecuentes y en el captulo siguiente se darmayor importancia a las herramientas de sotware y al algoritmo (mtodo smple) que se utilizapara resolver dichos problemas.Si el lector considera que requiere ejemplos adicionales de ormulacin de modelos de pro-gramacin lineal pequeos y relativamente directos antes de tratar con los ejemplos de ormulacinms grandes, se le sugiere regresar al caso de demostracin del mtodo grfco en el OR Tutor y alos ejemplos en la seccin de Worked Eamples de este captulo en el sitio web del libro. Diseo de terapia de radiacin Acaban de diagnosticar que Mary padece cncer en una etapa bastante avanzada. Especfcamente,tiene un tumor grande en el rea de la vejiga, una lesin que aecta a toda la vejiga.Mary recibir los cuidados mdicos ms avanzados disponibles, para proporcionarle la mejorposibilidad de supervivencia. Estos cuidados incluyen una terapia de radiacin extensa .La terapia implica el uso de una mquina de rayos e ternos que enva radiacin ionizante atravs del cuerpo de la paciente y daa tanto los tejidos cancerosos como los sanos. Es normal quese administren los rayos con precisin desde dierentes ngulos en un plano de dos dimensiones.Debido a la atenuacin, cada rayo descarga ms radiacin sobre el tejido cercano al punto deentrada que sobre el cercano al punto de salida. La dispersin tambin provoca que parte de laradiacin se descargue sobre tejidos que estn uera de la trayectoria directa del rayo. Debido aque las clulas del tumor casi siempre se encuentran diseminadas entre clulas sanas, la dosis deradiacin a travs de la regin del tumor debe ser sufciente para matar las clulas malignas queson un poco ms sensibles a ella, pero sufcientemente pequea para no matar a las clulas sanas.Al mismo tiempo, la dosis acumulada que reciben los tejidos crticos no debe e ceder los nivelesde tolerancia establecidos, con el objeto de prevenir complicaciones que puedan resultar ms seriasque la enermedad misma. La dosis completa que recibe el cuerpo sano debe minimizarse.Debido a la necesidad de balancear con cuidado todos estos actores, el diseo de la terapia deradiacin es un proceso muy delicado. La meta principal de

este diseo es elegir la combinacinde rayos que se utilizar y la intensidad de cada uno para generar la mejor distribucin posible de ladosis. (La uerza de la dosis en cualquier punto del cuerpo se mide en unidades llamadas kilorads .)Una vez diseado el tratamiento, se administra en muchas sesiones durante varias semanas.En el caso de Mary, el tamao y la localizacin del tumor hacen que el diseo de su tratamientosea un proceso ms delicado que lo usual. La fgura 3.11 muestra un diagrama de un corte trans-versal del tumor visto desde arriba, al igual que los tejidos cercanos crticos que deben evitarse.Estos tejidos incluyen rganos vitales por ejemplo, el recto y estructura sea el mur y lapelvis que atenuarn la radiacin. Adems, se muestra el punto de entrada y la direccin de losnicos dos rayos que se pueden usar en este caso con un grado relativamente moderado de segu-ridad. (El ejemplo se ha simplifcado en este punto, pero en la realidad se consideran docenas derayos posibles.)En el caso de cualquier rayo propuesto de una cierta intensidad, el anlisis para determinarcul sera la absorcin de radiacin resultante por distintas partes del cuerpo requiere desarrollar undicil proceso. En resumen, con base en un anlisis anatmico cuidadoso, la distribucin de energadentro de un corte transversal de dos dimensiones se puede grafcar en un mapa de isodosis en elque las curvas representan la uerza de la dosis como un porcentaje de la uerza de sta en el puntode entrada. Despus, se coloca una red fna sobre dicho mapa. Si se suma la radiacin absorbidaen los cuadros que contienen cada tipo de tejido, se puede calcular la dosis promedio que absorbeel tumor, los tejidos sanos y los tejidos crticos. La absorcin de la radiacin es aditiva cuando seadministra ms de un rayo (en orma secuencial).Despus de un anlisis e haustivo, el equipo mdico estim con detalle los datos necesariospara el diseo del tratamiento de Mary, cuyo resumen se presenta en la tabla 3.7. La primera co-lumna presenta una lista de las reas del cuerpo que deben considerarse y las dos siguientes pro42 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL 051015510 x 1 x 2 0.3 x 1 1 0.1 x 2 # 2.70.6 x 1 1 0.4 x 2 $ 6(6, 6)(7.5, 4.5) Z 5 5.25 5 0.4 x 1 1 0.5 x 2 0.5

x 1 1 0.5 x 2 5 6 FIGURA 3.12 Solucin grca del diseode la terapia de radiacinde Mary. TABLA 3.8 Datos de recursos de la Confederacin Sur de Kibbutzim K i b b u t z T e r r e n o d i s p o n i b l e ( a c r e s ) A s i g n a c i n d e a g u a ( p i e s - a c r e ) 1 4 0 0 6 0 0 2 Debido a la disponibilidad limitada de agua para irrigacin, la Con ederacin no podr usartodo el terreno irrigable para los cultivos de la prima temporada. Para asegurar la equidad entrelos tres kibbutzim, han acordado que cada uno sembrar la misma proporcin de sus tierras irriga-bles disponibles. Por ejemplo, si el kibbutz 1 siembra 200 de sus 400 acres disponibles, entoncesel kibbutz 2 deber sembrar 300 de sus 600 acres, mientras que el kibbutz 3 sembrara 150 acresde los 300 que tiene. Cualquier combinacin de estos cultivos se puede sembrar en cualquiera delas granjas. El trabajo al que se enrenta la ofcina de coordinacin tcnica consiste en planearcuntos acres deben asignarse a cada tipo de cultivo en cada kibbutz, de orma que cumpla con lasrestricciones dadas. El objetivo es ma imizar el rendimiento neto total de la Conederacin Surde Kibbutzim. Formulacin como un problema de programacin lineal. Las cantidades sobre lasque se tomar la decisin son el nmero de acres que se dedicar a cada cultivo en cada kibbutz.

Las variables de decisin x j ( j 5 1, 2, . . . , 9) representan estas nueve cantidades, como se muestraen la tabla 3.10.Como la medida de efcacia Z es el rendimiento neto total, el modelo de programacin linealque resulta para este problema es Maximizar Z 1,000

x 1 x 2 x 3 750 x 4 x 5 x 6 250 x 7 x 8 x 9 , sujeta a las siguientes restricciones: 1. Terreno para uso en cada kibbutz: x 3 x 6 x 9 300 x 2 x 5 x 8 600 x 1 x 4 x 7

400 2. Asignacin de agua para cada kibbutz: 3 x 3 2 x 6 x 9 3753 x 2 2 x 5 x 8 8003 x 1 2 x 4 x 7 600 3. Total de acres para cada cultivo: x 7 x 8 x 9 325 x 4 x 5 x 6 500 x 1

 x 2 x 3 600 4. Igual proporcin de rea plantada: x 3 x 6 x 9 300 x 1 x 4 x 7 400 x 2 x 5 x 8 600 x 3 x 6 x 9 300 x 1 x 4 x 7 400 x 2

x 5 x 8 600 TABLA 3.9 Datos de cultivos de la Confederacin Sur de KibbutzimC a n t i d a d C o n s u m o d e a g u a R e n d i m i e n t o C u l t i v o m x i m a ( a c r e s ) ( a c r e p i e / a c r e ) n e t o ( $ / a c r e ) R e m o l a c h a 6 0 0 3 1 0 0 0 Algodn5002750S o r g o 3 2 5 1 2 5 0 TABLA 3.10 Variables de decisin del problema de la Confederacin Surde Kibbutzim Asignacin (acres)KibbutzC u l t i v o 1 2 3 Remolacha x 1 x 2 x 3 Algodn x 4 x 5 x 6 Sorgo x 7 x 8 x 9 3.4 EJEMPLOS ADICIONALES 43

44 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL 5. No negatividad: x j 0, para j 1, 2, p , 9. Esto completa el modelo, a ecepcin de las igualdades que no estn en la orma apropiada para unmodelo de programacin lineal porque algunas variables estn en el lado derecho de las ecuaciones.En consecuencia, la orma fnal 5 es 4 x 3 x

6 x 9 3 x 1 x 4 x 7 0 x 2 x 5 x 8 2 x 3 x 6 x 9 03 x 1 x 4 x 7 2 x 2 x 5 x 8 0 La ofcina de coordinacin tcnica ormul este modelo y despus aplic el mtodo smple (que se desarrolla en el captulo 4) para encontrar una solucin ptima x 1 ,

x 2 , x 3 , x 4 , x 5 , x 6 , x 7 , x 8 , x 9 133 13 , 100, 25, 100, 250, 150, 0, 0, 0, como se muestra en la tabla 3.11. El valor ptimo de la uncin objetivo que obtuvieron es Z 5 633, 333 1 3 , es decir, un rendimiento neto total de $633,333.33. Control de la contaminacin del aire La NORI & LEETS CO., una de las mayores productoras de acero del mundo occidental, est lo-calizada en la ciudad de Steeltown y es la nica empresa grande de la localidad. La comunidad hacrecido y prosperado junto con la compaa, que de momento emplea cerca de 50 000 residentes.La actitud de los habitantes ha sido siempre lo que es bueno para Nori & Leets es bueno para no-sotros. Sin embargo, esta actitud est cambiando; la contaminacin no controlada del aire debidaa los altos hornos de la planta est en camino de arruinar la apariencia de la ciudad y de poner enpeligro la salud de sus habitantes.Como resultado, despus de una revuelta entre los accionistas se eligi un nuevo consejodirectivo ms responsable. Los nuevos directores han decidido seguir polticas de responsabilidadsocial y realizar plticas con las autoridades de la ciudad y con grupos de ciudadanos para tomarmedidas respecto de la contaminacin ambiental. Juntos han establecido estndares rigurosos decalidad del aire para la ciudad de Steeltown.Los tres tipos principales de contaminantes son partculas de materia, idos de azu re e hi-drocarburos. Los nuevos estndares requieren que la compaa reduzca su emisin anual de estoscontaminantes en las cantidades que se presentan en la tabla 3.12. El consejo directivo ha dado TABLA 3.11 Solucin ptima del problema de la Confederacin Surde Kibbutzim Mejor asignacin (acres)KibbutzC u

l t i v o 1 2 3 R e m o l a c h a 1 3 3 13 1 0 0 2 5 Algodn100250150S o r g o 0 0 0 5 En realidad, cualquiera de estas ecuaciones es redundante y se puede eliminar si as se desea. Debido a la orma de lasecuaciones, cualesquiera dos de las restricciones re erentes al terreno til tambin se pueden eliminar porque se satisacende manera automtica cuando se satis acen las restricciones restantes del terreno til y estas ecuaciones. Sin embargo, lainclusin de restricciones no necesarias no produce problemas (e cepto un es uerzo computacional un poco mayor), porlo que no es necesario preocuparse por identifcarlas y eliminarlas del modelo ormulado 48 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL Con las restricciones especifcadas en las tablas 3.16 y 3.17, la administracin desea determi-nar la cantidad que debe producir de cada grado y la mezcla eacta de materiales que usar paracada uno, de manera que se ma imice la ganancia semanal neta ingresos totales por ventas menos costo total del amalgamado, independiente del costo del tratamiento fjo de 30 000 dlares porsemana que ser cubierto por donaciones. Formulacin como un problema de programacin lineal. Antes de intentar cons-truir un modelo de programacin lineal debe tenerse mucho cuidado en la defnicin apropiada delas variables de decisin. Si bien muchas veces esta defnicin es obvia, otras es la parte medularde la ormulacin. Despus de identifcar con claridad cul es la in ormacin que sirve y la ormams conveniente de manejarla mediante las variables de decisin, se pueden establecer la uncinobjetivo y las restricciones sobre los valores de estas variables de decisin.En este problema especfco, las decisiones que deben tomarse estn bien defnidas, pero valela pena pensar un poco en la manera de manejar la inormacin a travs de ellas. (Se recomiendaintentar hacerlo y ver si primero se obtiene el siguiente conjunto inapropiado de variables dedecisin.)Como un conjunto de decisiones se refere a la cantidad de cada grado de producto que sedebe abricar, parecera natural defnir un conjunto de variables de decisin acorde. Siguiendotentativamente esta lnea de pensamiento se defne y i 5 nmero de libras del producto de grado i producidas por semana ( i 5 A , B ,

C ).El otro conjunto de decisiones es la mezcla de materiales de cada grado de producto. Esta mezcla seidentifca por la proporcin de cada material en el producto, lo que sugiere defnir el otro conjuntode variables de decisin como z ij 5 proporcin del material j en el producto de grado i ( i 5 A , B , C ; j 5 1, 2, 3, 4).Sin embargo, en la tabla 3.17 se proporcionan los costos del tratamiento y la disponibilidad de losmateriales por cantidad (libras) y no en proporciones , y es esta inormacin en cantidades la quese necesita registrar en algunas de las restricciones. Para el material j ( j 5 1, 2, 3, 4),Cantidad en libras de material j usado por semana 5 z Aj y A z Bj y B z Cj y C .Por ejemplo, como la tabla 3.17 indica que se dispone de 3 000 libras del material 1 por semana,una restriccin del modelo sera z Aj y A

 z Bj y B z Cj y C 3 000. Desaortunadamente, sta no es una restriccin legtima de programacin lineal. La e presin dellado izquierdo no es una uncin lineal porque incluye la multiplicacin de variables. Por lo tanto,no se puede construir un modelo de programacin lineal con estas variables de decisin.Por suerte, e iste otra manera de defnirlas que se ajusta al ormato de programacin li-neal. (Es posible identifcar alguna manera de hacerlo?) Este objetivo se logra con slo sustituir TABLA 3.17 Datos de los materiales de desechos slidos de Save-lt Co. Costo del tratamientoLibras por M a t e r i a l s e m a n a d i s p o n i b l e ( $ ) p o r l i b r a R e s t r i c c i o n e s a d i c i o n a l e s 13,0 0 0 3 . 0 0 1 . D e c a d a m a t e r i a l d e b e n r e c o l e c t a r s e y 22,0 0 0 6 . 0 0 t r a t a r s e a l m e n o s l a m i t a d d e l a s l i b r a s 34,0 0 0 4 . 0 0 d i s p o n i b l e s p o r s e m a n a . 41,0 0 0 5 . 0 0 2 . D e b e n u s a r s e $ 3 0 0 0 0 s e m a n a l e s p a r a tratar estos materiales.

cada producto de las variables de decisin anteriores por una sola variable. En otras palabras sedefne nmero total de libras del material j asignadas al producto grado i por semana,

x ij z ij y i (para i A , B , C ; j 1, 2, 3, 4) y despus se defnen x ij como las variables de decisin. Al combinar las x ij en dierentes ormas sellega a las siguientes cantidades necesarias en el modelo (para i 5 A , B , C ; j 5 1, 2, 3, 4). x ij x i 1 x i 2 x i 3 x i 4 proporcin del material j en el producto de grado i

. x Aj x Bj x Cj nmero de libras de material j usado por semana. x i 1 x i 2 x i 3 x i 4 nmero de libras del producto grado i fabricado por semana. El hecho de que esta ltima epresin sea una uncin no lineal no causa complicaciones. Porejemplo, considere la primera especifcacin para el producto grado A en la tabla 3.16 (la propor-cin de material 1 no debe e ceder de 30%). Esta limitacin conduce a la restriccin no lineal x A 1 x A 1 x A 2 x A 3 x A 4 0.3. Sin embargo, al multiplicar ambos lados de esta desigualdad por el denominador se llega a larestriccin equivalente x A 1

 0.3 x A 1 x A 2 x A 3 x A 4 , de manera que 0.7 x A 1 0.3 x A 2 0.3 x A 3 0.3 x A 4 0, es una restriccin legtima de programacin lineal.Con este ajuste a las tres cantidades dadas se determinan directamente todas las restriccionesuncionales del modelo. La uncin objetivo se basa en la meta de la administracin de maimizarla ganancia semanal total ingresos totales por ventas menos costo total del amalgamado quese obtiene por los tres grados de productos. En consecuencia, la ganancia por libra de cada gradode producto se obtiene mediante la resta del costo del amalgamado que se presenta en la terceracolumna de la tabla 3.16 del precio de venta que aparece en la cuarta columna. Estas dierencias proporcionan los coefcientes de la uncin objetivo.Por lo tanto, el modelo completo de programacin lineal es 3.5 x C 1 x C 2 x C

3 x C 4 ,Maximizar Z 5.5 x A 1 x A 2 x A 3 x A 4 4.5 x B 1 x B 2 x B 3 x B 4 sujeta a las siguientes restricciones: 1. Especifcaciones de mezcla (segunda columna de la tabla 3.16): x C 1 0.7 x C 1 x C 2 x C 3

 x C 4 grado C , material 1. x B 4 0.1 x B 1 x B 2 x B 3 x B 4 grado B , material 4 x B 2 0.1 x B 1 x B 2 x B 3 x B 4 grado B , material 2 x B 1 0.5 x

B 1 x B 2 x B 3 x B 4 grado B , material 1 x A 4 0.2 x A 1 x A 2 x A 3 x A 4 grado A , material 4 x A 3 0.5 x A 1 x A 2 x A 3 x A 4

grado A , material 3 x A 2 0.4 x A 1 x A 2 x A 3 x A 4 grado A , material 2 x A 1 0.3 x A 1 x A 2 x A 3 x A 4 grado A , material 1 3.4 EJEMPLOS ADICIONALES 49

50 CAPTULO 3 INTRODUCCIN A LA PROGRAMACIN LINEAL 2. Disponibilidad de materiales (segunda columna de la tabla 3.17): x A 4 x B 4 x C 4 1 x A 3 x B 3 x C 3 4 x A 2

0 0 0 m a t e r i a l

 x B 2 x C 2 2 0 0 0 m a t e r i a l 2 x A 1 x B 1 x C 1 3 0 0 0 m a t e r i a l 1 3. Restricciones sobre las cantidades tratadas (lado derecho de la tabla 3.17): x A 4 x B 4 x C 4 5 0 0 m a t e r i a l x A 3 x B 3 x C 3 2 0 0 0 m a t e r i a l x A 2 x B 2 x C

2 1 0 0 0 m a t e r i a l 2 x A 1 x B 1 x C 1 1 5 0 0 m a t e r i a l 1 4. Restriccin sobre el costo del tratamiento (lado derecho de la tabla 3.17): 5 x A 4 x B 4 x C 4 30 000.3 x A 1 x B 1 x C 1 6 x A 2 x B 2 x C 2 4 x A

3 x B 3 x C 3 5. Restricciones de no negatividad: x A 1 0, x A 2 0, ..., x C 4 0. Esta ormulacin completa el modelo, ecepto que las restricciones de las especifcaciones dela mezcla necesitan reescribirse en la orma adecuada para un modelo de programacin lineal contodas las variables en el lado izquierdo y combinar los trminos:Especifcaciones de mezcla: 0.3 x C 1 0.7 x C 2 0.7 x C 3 0.7 x C 4 0 grado C , material 1. 0.1 x B

1 0.1 x B 2 0.1 x B 3 0.9 x B 4 0 grado B , material 4 0.1 x B 1 0.9 x B 2 0.1 x B 3 0.1 x B 4 0 grado B , material 20.5 x B 1 0.5 x B 2 0.5 x B 3

0.5 x B 4 0 grado B , material 1 0.2 x A 1 0.2 x A 2 0.2 x A 3 0.8 x A 4 0 grado A , material 4 0.5 x A 1 0.5 x A 2 0.5 x A 3 0.5 x A 4 0 grado A , material 3

 0.4 x A 1 0.6 x A 2 0.4 x A 3 0.4 x A 4 0 grado A , material 20.7 x A 1 0.3 x A 2 0.3 x A 3 0.3 x A 4 0 grado A , material 1 La tabla 3.18 muestra una solucin ptima para este modelo, y despus estos valores de x ij seusan para calcular otras cantidades de inters dadas en la misma tabla. El valor ptimo de la uncinobjetivo que se obtiene es Z 5 35 109.65 (o sea, una ganancia semanal total de $35,109.65). TABLA 3.18 Solucin ptima del problema de Save-lt Co.

Libras usadas por semanaMaterialNmero de librasG r a d 1 2 3 4 p r o d i d a s p o r s e m a n a A 4 1 2 . 3 8 5 6 4 4 7 . 4 4 . 8 2 .149( 1 9 . 2 % ) ( 4 0 % ) ( 2 0 . 8 % ) ( 2 B 2.5 8 7 . 7 5 1 7 . .5 5 2 . 6 5 7 . 5 5 .175 ( 5 0 ( 1 0 % ) ( 3 0 % ) ( 1 0 % ) C 0 0 0 t a l 3 0 0 0 3 7 7 2 0 0 0 9 4 7

o u c

9 2 0 5 1 % ) % ) 1

. 9

0 0 T 1