IO I - Guillermo Jimenez Lozano - Parte1

UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES
INVESTIGACIN OPERATIVA I
GUILLERMO JIMNEZ LOZANO Docente Universidad Nacional de Colombia
Manizales, marzo de 1999
1999 U N I V E R S I D A D N A C I O N A L
DE COLOMBIA SEDE MANIZALES
I.S.B.N 958-9322-42-5
AUTOR:
GUILLERMO JIMNEZ LOZANO

Administrador de Empresas Esp. Estadstica Esp. S i s t e m a s I n f o r m t i c o s P r o f e s o r Asistente Universidad Nacional de C o l o m b i a Sede M a n i z a l e s
REVISADO POR:
Diego Chvez Chamorro Matemtico Esp. M a t e m t i c a A v a n z a d a P r o f e s o r Asistente Universidad Nacional de C o l o m b i a Sede Manizales D a r o Urrea Urrea Administrador de Empresas Profesor Asociado Universidad Nacional de C o l o m b i a Sede Manizales J o s Gabriel C i u z C e r n Ingeniero A g r n o m o Ms. S e . A d m i n i s t r a c i n Industrial Esp. A d m i n i s t r a c i n de S i s t e m a s I n f o r m t i c o s P r o f e s o r Titular Universidad de C a l d a s
IMPRESO POR:
Centro de Publicaciones Universidad Nacional de C o l o m b i a Sede M a n i z a l e s M a r z o 1999 Primera Edicin
CONTENIDO
INTRODUCCIN
Con el presente trabajo se pretenden llenar dos aspiraciones; la primera, es plasmar los apuntes de clase en un texto, por ser ambiciosa la palabra, podra ser cartilla que sirva de base a los estudiantes de la Universidad Nacional de Colombia Sede Manizales, tanto de Ingeniera como de Administracin de Empresas y de Administracin de Sistemas Informticos debido a su costo y a la aplicabilidad en nuestro medio; y la segunda, comenzar en forma incipiente a tratar de superar la barrera de la escritura. Considero que esta primera experiencia es una pequea aproximacin en el arte de escribir, con lo cual espero que los docentes y estudiantes que lo utilicen sepan apreciar sus bondades, si es que las tiene y de alguna manera me hagan notar sus fallas y errores para corregir las futuras ediciones. Todos los desaciertos e incorrecciones son de mi entera responsabilidad. Deseo agradecer a todos y cada uno de los estudiantes de Pregrado y Postgrado los aportes que han tenido a bien hacerme durante los cursos que he impartido en la Universidad de Manizales, Universidad Autnoma de Manizales, ESAP, Universidad de Caldas y Universidad Nacional de Colombia Sede Manizales, la cual me ha brindado la oportunidad de perfeccionarme cada da ms en una muy deliciosa disciplina como es la Investigacin de Operaciones. Finalmente, de manera muy especial, quiero expresar mis ms sinceros agradecimientos a los docentes de Programacin Lineal e Investigacin de Operaciones (unos presentes y otros ausentes) en el Pregrado de Administracin de Empresas y en los Postgrados de Administracin de Sistemas Informticos y Estadstica, los cuales permitieron que me forjara como docente en un campo tan interesante como lo es la Investigacin Operativa.
Guillermo Jimnez Lozano
CAPTULO 1 TOMA DE DECISIONES GERENCIALES Y LA NECESIDAD DE LA INVESTIGACIN DE OPERACIONES
"A un seor le cortaron la cabeza, pero como despus estall una huelga y no pudieron enterrarlo, este seor tuvo que seguir viviendo sin cabeza y arreglrselas bien o mal". Julio Cortzar (Acefalia).
Consideramos la toma gerencial de decisiones como un proceso en donde un gerente (o un grupo) enfrentado a un problema, busca un curso alterno especfico de opciones entre un conjunto de posibles cursos de accin disponibles. En la mayora de los casos hay alguna incertidumbre sobre el futuro y as no podemos estar seguros de las consecuencias finales de la decisin elegida. Cmo se llega a una (o cualquiera) de estas situaciones de decisin? La toma de decisiones es la respuesta a un problema de decisin, que generalmente se presenta como resultado de una discrepancia entre las condiciones existentes y las metas y objetivos de la organizacin, representada por su gerente.
TIPOS DE DECISIONES Y SUS ELEMENTOS CONSTITUTIVOS

La figura N Q 1 ilustra varios tipos generales de situaciones de decisin en las que puede encontrarse un gerente. Estas situaciones comprenden: 1. Decisiones bajo certeza (en donde todos los hechos son conocidos con seguridad) versus incertidumbre, en donde el evento que ocurrir, (estado de la naturaleza) no es conocido con seguridad pero se le puede asignar una probabilidad o posibilidad a su ocurrencia. 2. Decisiones estticas (decisiones que se toman una y slo una vez) versus decisiones dinmicas (en donde se toman una secuencia de decisiones interrelacionadas, bien simultneamente o sobre varios perodos de tiempo). 3. Decisiones donde el oponente es la naturaleza (por ejemplo el estado de tiempo, de la naturaleza), o un oponente que piensa (racional). Considerando todas las posibles combinaciones de estos factores,hay ocho tipos generales de condiciones o situaciones de decisin que puede enfrentar un gerente. Por ejemplo, el punto seis de la figura Na 1 representa
una situacin de decisin esttica en donde existe incertidumbre y el oponente es racional. La programacin de produccin y la competencia frente a ventas futuras inciertas.
FIGURA N 1. TIPOS DE DECISIN Y SUS ELEMENTOS CONSTITUTIVOS
Los elementos de una decisin constan de: 1. 2. 3. 4. Una unidad de toma de decisin (individual, grupo, organizacin o sociedad). Un conjunto posible de acciones que pueden tomarse para resolver el problema de decisin. Un conjunto posible de estados que pueden ocurrir. Un conjunto de consecuencias asociadas con cada accin y estado posible que pueden ocurrir.
5. La relacin entre las consecuencias y los valores de la unidad de toma de decisin. Por consiguiente, en una situacin real de toma de decisin, la definicin y generacin de alternativas, estados y consecuencias es el aspecto ms difcil, sino crucial, del problema de decisin.
FIGURA N 2. TAXONOMA DE LAS SITUACIONES DE DECISIN
Por qu la toma de decisiones es compleja?

En primer lugar, por qu se presentan situaciones complejas de toma de decisiones? Una razn es que en nuestra sociedad contempornea, el ambiente poltico, econmico y tecnolgico y los factores competitivos interactan en ua forma bastante complicada. Por ejemplo, la seleccin de un sitio para una nueva planta debe basarse en la disponibilidad de fuerza laboral, acceso a mercados y materias primas, la actitud de la comunidad, consideraciones ambientales y ecolgicas, la posibilidad de incremento de salarios por parte de empresas regionales en el rea para evitar la fuga de su fuerza de trabajo, etc. Otros factores que pueden complicar la toma de decisiones son la organizacin (quiz sin saberlo) que puede perseguir metas incompatibles, la responsabilidad y autoridad para la toma de decisiones dentro de la organizacin que puede estar bastante difusa y el ambiente dinmico e incierto dentro del cual opera la organizacin. En trminos ms fundamentales, podemos decir que, en general las dificultades y complejidades de la toma de decisiones (an las relativamente simples) se deben a: 1. Los responsables de la decisin o a las unidades de toma de decisiones, sus valores, metas (que pueden ser inconsistentes con la organizacin), actitudes de riesgo y sus creencias o conocimiento de la situacin. 2. Los recursos limitados y la capacidad de la organizacin y su gente. 3. La complejidad de la situacin decisoria: a. La naturaleza mltiple de las metas y objetivos que se intentan lograr. b. El nmero de alternativas posibles que se deben escoger. c. Los eventos o estados posibles mltiples que pueden ocurrir. d. Las posibles consecuencias mltiples que pueden resultar cuando se toma una accin y ocurre un conjunto de eventos. 4. Las diferentes estructuras de preferencia de los individuos en la organizacin. 5. La interaccin de las decisiones hechas por diferentes tomadores de decisiones. La complejidad de un problema, o an una decisin relativamente simple puede crear confusin mental. La premisa bsica de la Investigacin de Operaciones es que es ms fcil resolver problemas complejos de decisin si los factores que influencian la decisin se hacen visibles y cuantificables. Es tambin fcil examinar y analizar un problema complejo, si los conceptos, herramientas y las tcnicas de Investigacin de Operaciones se utilizan para descomponer el problema en sus elementos ms simples; una vez que se hace esto, los elementos pueden agregarse o sintetizarse. Esto proporciona una visin del problema total y ayuda en su resolucin; intrnseco en el enfoque de Investigacin de Operaciones est la construccin de un modelo que sintetice los segmentos de una organizacin afectada por la decisin.
BENEFICIOS Y LIMITACIONES DEL ENFOQUE CIENTFICO EN LA TOMA DE DECISIONES

Obviamente, los gerentes tienen que tomar y toman decisiones constantemente. Para una situacin dada, un proceso formal de toma de decisiones puede resultar en una solucin idntica obtenido por medios intuitivos. Por otra parte, el hecho de que una decisin se tome dentro de un marco ordenado y matemticamente preciso, no podr juzgarse necesariamente en forma retrospectiva como una decisin bien tomada. La incertidumbre sobre las consecuencias futuras juega un papel fundamental aqu y as, un resultado no satisfactorio puede obtenerse an para la mejor decisin que haya podido ser hecha. Similarmente, a largo plazo, la aplicacin de un enfoque racional formal a la toma de decisiones puede fortalecer el proceso de toma de decisiones gerenciales. Esta afirmacin es soportada por la utilizacin sustancial de las tcnicas y modelos de Investigacin de Operaciones tanto en el sector privado como en el pblico y su adopcin en el plan bsico de casi cualquier escuela de Ingeniera y Negocios.
Cmo es beneficioso un enfoque formal en la toma de decisiones?

1. Proporciona a quienes toman las decisiones un conjunto de conceptos y herramientas que los capacitan para tomar decisiones de una manera lgica, consistente y con tanta precisin como sea posible. 2. Suministra a quienes toman las decisiones una visin mejorada del proceso de toma de decisiones de tal manera que ellos puedan mejorar su propio proceso intuitivo de toma de decisiones. 3. La formalizacin y cuantificacin del problema facilita la comunicacin y coordinacin. De esta manera, las preferencias divergentes y la informacin entre individuos puede reconciliarse y las decisiones se pueden coordinar. 4. La formalizacin de problemas de decisin rutinarios o repetitivos (por ejemplo el manejo de las actividades de operacin y ef monitoreo de tendencias peligrosas) libera a los gerentes para que se concentren en asuntos de ms presin, excepto cuando se presentan circunstancias poco comunes, que requieren revisin del curso de accin diario. De esta manera los gerentes logran mejor control de sus operaciones y pueden asignar su tiempo ms eficientemente. 5. La formalizacin facilita el desarrollo de mejores sistemas de planeacin organizacional, de control y de operacin. Un estudio de Investigacin de Operaciones iniciado para analizar un problema particular de decisin, puede convertirse finalmente en una parte integral del sistema de decisin de la organizacin y ser empleado repetitivamente. As, el costo de iniciar la primera aplicacin puede producir utilidades a largo plazo y generar beneficios que originalmente no se haban previsto. 6. Sirve para mantener registros, que es de gran valor histrico y corriente. As los gerentes, pueden seguir el desarrollo de un sistema, los nuevos gerentes familiarizarse con sistemas existentes ms rpidamente, los problemas se pueden aislar con mayor fiabilidad y las revisiones al sistema se pueden hacer ms fcilmente y se pueden hacer conocer de todas las personas involucradas.
10
Hay naturalmente, limitaciones con el uso del enfoque formal en la toma de decisiones. No importa qu tan sofisticado sea el diseo del sistema; un enfoque formal rara vez proporciona toda la informacin para la accin. Un enfoque formal incluye un modelo y un modelo no es una realidad sino una abstraccin de la realidad; por otra parte, el proceso mismo de construir un modelo formal de decisin involucra subjetividad adems de la manipulacin lgica de los smbolos y datos. Por tanto, los gerentes deben estar prevenidos de que un modelo no describe la realidad y por consiguiente las soluciones no son sagradas. En resumen, un enfoque de Investigacin de Operaciones no es siempre suficiente, sino que debe ser atemperado por el juicio proporcionado por el conocimiento de los administradores. Adems, una implementacin verdaderamente satisfactoria de un enfoque de Investigacin de Operaciones debe aplicar tanto las ciencias del comportamiento como las matemticas, debido a que el sistema resultante puede interactuar con los seres humanos. Por tanto, se debe tener en cuenta la capacidad de las personas y su voluntad para utilizar el sistema desarrollado.
FIGURA N 3. DIAGRAMA DE FLUJO DEL PROCESO TERICO DE DECISIN
11
MODELOS Y TCNICAS MULTIATRIBUTOS

La teora y el anlisis de decisin se aplican fuertemente a situaciones de decisin de sistemas orientados por metas; el tomador de decisiones se toma el trabajo de que el sistema obtenga metas y objetivos conocidos. El considera solamente estas alternativas y criterios los cuales, hasta donde l conoce, influencian significativamente el xito del esfuerzo. Para decisiones en donde se pueden describir adecuadamente por una sola variable, los mtodos existentes de asignacin de utilidades son adecuados. Sin embargo, cuando se requieren muchas variables para describir las consecuencias que se estn considerando, la asignacin de utilidades se vuelve difcil. Es quiz poco realista esperar que un tomador de decisiones obtenga un valor de utilidad sin proporcionarle a l algn medio de clasificar la informacin de atributos para cada alternativa. Consideremos ahora algunos mtodos disponibles para que un tomador de decisiones pueda enfrentarse a un problema de decisin multiatributo. 1. Los modelos no compensatorios: No permiten intercambios entre los atributos; las comparaciones se hacen en una base atributo por atributo y en general, la caracterizacin multidimensional no es amalgamable en un solo nmero de utilidad. En otras palabras, la dimensionalidad total del espacio atributo se retiene generalmente (aunque hay excepciones). Se subdivide en: a. Dominacin b. Satisfaccin (conjuntivo-disyuntivo) c. Lexicografa d. Maximn (minimx) e. Maximax 2. Los modelos compensatorios: El trmino "compensatorio" es utilizado en el sentido de que un valor bajo en algn atributo puede ser compensado (o "intercambiado") por un valor alto en algn otro atributo. Las diversas maneras en que los valores de los atributos compensan el uno al otro, sirven en parte, para distinguir los modelos.Los modelos descritos en esta seccin son: a. El modelo de utilidad aditiva. b. Modelos de utilidad configural. c. Modelos de representacin espacial. d. Modelos de programacin matemtica.
MODELOS DE DOMINACIN
Podemos reducir el nmero de alternativas que deben examinarse eliminando aquellas que son "dominadas"; la alternativa al se dice que domina la alternativa a2 si
12
Esto es, cuando comparamos todas las alternativas, si una alternativa tiene valores atributos por lo menos tan buenos o mejores para todos los atributos, decimos que esta alternativa domina a las otras. En otras palabras, la utilidad de a{ es mayor que la utilidad de a2 ( U ^ ) > U(a2)), as a] se prefiere a a2 (a,>a2). La eliminacin nos deja con alternativas no dominadas solamente (tambin llamada admisible, Pareto-Optimal). Cuando se emplea el criterio de dominacin: (1) la informacin numrica sobre los valores de los atributos es innecesaria, (2) ninguna suposicin est implicada respecto al grado de preferencia de los atributos particulares y (3) la dominacin no requiere que el tomador de decisiones d importancia relativa a cada uno de los atributos.
MODELOS DE SATISFACCIN
Hay dos tipos de modelos de satisfaccin que debemos considerar: conjuntivos y disyuntivos.Tanto los disyuntivos como los conjuntivos, no se emplean comnmente para ordenar alternativas, sino mas bien a dicotomizarlas en categoras aceptable-inaceptable. Con los modelos conjuntivos especificamos un valor mnimo (nivel de aspiracin, valor de corte, valor umbral, nivel meta) para cada uno de los atributos y nosotros decimos que la alternativa es "aceptable" si ella domina (o no es peor que) En otras palabras, todos los estndares o metas deben lograrse o sobrepasarse para poder que la alternativa sea aceptable Con los modelos disyuntivos especificamos un valor mximo para cada atributo crtico m y decimos que la alternativa es "aceptable" si sobrepasa aquel valor mximo en cada atributo crtico. En la forma disyuntiva, solamente uno o ms estndares deben excederse para que la alternativa sea aceptable; los modelos disyuntivos deben evaluar alternativas con base a su mximo en vez de los valores mnimos.
MODELO DE LEXICOGRAFA
Los modelos de lexicografa se distinguen de los modelos anteriores en que para el procesamiento de los datos se procede secuencialmente. Primero se clasifican las alternativas de acuerdo a los atributos ms importantes (metas). Si todas las alternativas pueden ordenarse con respecto al atributo ms importante, los atributos restantes no se consideran. Sin embargo, si algunas alternativas estn empatadas en el atributo ms importante, el tomador de decisiones procede al atributo siguiente ms importante, para resolver el subconjunto de alternativas empatadas. El proceso contina secuencialmente hasta que todas las alternativas se clasifican o hasta que todos los m atributos han sido considerados.
13
As, podemos definir un modelo lexicogrfico de la siguiente manera: supongamos que tenemos m atributos y que estos atributos se clasifican, de tal manera que el atributo 1 es ms importante que el atributo 2 y que el atributo 2 es ms importante que el atributo 3, etc. Consideremos dos acciones alternas a, y a que tengan los siguientes niveles de atributos:
2
si independiente de las Entonces, por ordenamiento lexicogrfico, a se prefiere a esta en los valores relativos entonces la eleccin entre relaciones entre para Si la eleccin se hace con respecto al tercer atributo (por Si de los segundos atributos ejemplo etc. Generalmente hablando, los modelos lexicogrficos suponen funciones de utilidad separadas o independientes para cada atributo en orden de preferencia por atributos. Por consiguiente el modelo lexicogrfico es no compensatorio y no puede representarse por una sola funcin de utilidad. Ninguna consideracin se da al atributo k si es posible clasificar todas las alternativas con respecto al atributo j, el atributo ms importante.
MAXIMIN (MINIMAX)
El procedimiento maximn selecciona las alternativas con el valor mnimo mayor de cualquier atributo. En smbolos:
El mtodo maximn puede ser utilizado solamente cuando los valores interatributos son comparables. El mtodo utiliza lo que podra llamarse una ponderacin degenerada especializada, puesto que la ponderacin, que puede ser diferente para cada alternativa, asignan un peso de "1" al peor valor del atributo y un peso de "0" a todos los otros. El mtodo requiere que, para cada una de las alternativas, el tomador de decisiones compare todos los valores de atributos para identificar el peor valor; este valor peor del atributo es entonces utilizado para representar la alternativa; la regla para el tomador de decisiones, entonces, es seleccionar aquella alternativa con el mximo de estos valores mnimos. La nica vez que el maximn es aplicable es cuando el comportamiento total de la alternativa se determina por el atributo ms dbil (por ejemplo el eslabn ms dbil de una cadena).
14
MAXIMAX
El procedimiento maximax selecciona la alternativa con el valor alto ms grande del atributo. En smbolos:
En contraste con el mtodo maximn, el mtodo maximax representa una alternativa para el mejor valor de su atributo. El tambin requiere un alto grado de comparabilidad y utiliza una ponderacin especializada degenerada (con un peso de "1" asignado al mejor atributo y "0" a todos los otros). En ambos casos del maximax y minimax la eleccin final se hace considerando solamente un atributo por alternativa, que es generalmente indeseable. Ambos mtodos suponen todos los atributos intercambiables en el sentido que no importa cul sea el que uno maximice; este mtodo es aplicable cuando las alternativas, que se describen por multiatributos, pueden ser especializados en uso a un atributo y el tomador de decisiones no tiene requerimientos a priori sobre cul atributo es ste.
MODELO DE UTILIDAD ADITIVA
Este modelo ha recibido la mayor atencin y ha sido ampliamente aplicado a todos los modelos UMA (Modelos de Utilidad Multiatributos). La forma bsica de este modelo,
(1)
El w. denota importancias relativas asignadas a cada uno de los atributos, reflejando su contribucin a la utilidad total. En esencia, cada w.ua.) refleja la componente de utilidad del valor del atributo j-simo asociado con la alternativa i-sima, esto es, la expresin puede escribirse:
(2)
MODELOS DE UTILIDAD CONFIGURAL (NO LINEAL)
Los modelos configrales UMA permiten manejar funciones ms complejas que el modelo aditivo lineal simple de la ecuacin (1) (2). Por ejemplo, si suponemos slo dos atributos y los valores de los atributos interactan, tendramos el siguiente modelo configural:
15
(3)
donde a., y a.2 son los valores de los atributos primero y segundo de la i-sima alternativa, respectivamente
donde U y U2 son los componentes de utilidad del primero y segundo valores del atributo y Ui3 es la componente de utilidad que tiene en cuenta el efecto de interaccin. El efecto de interaccin simplemente implica que cada atributo no es valorado en s mismo, esto es, no puede separarse en utilidades para cada atributo individual. Dos tipos de modelos configrales que pueden tomarse como aproximaciones compensatorias de modelos de compensacin (satisfaccin) conjuntivos o disyuntivos descritos anteriormente, se mencionan brevemente. Para el modelo conjuntivo, la aproximacin es:
(5)
donde las Wj son constantes que deben derivanrse. La formulacin anterior puede expresarse en forma logartmica como:
(6)
La ecuacin (6) tiene la forma aditiva lineal familiar de la ecuacin (1) y as puede resolverse de esta forma. La aproximacin del modelo disyuntivo requiere la seleccin de un conjunto de valores mximos h. para todos los atributos j. Estos valores se escogen arbitrariamente por encima de los valores ms altos obtenibles para cada alternativa en un atributo dado. El modelo se escribe como:
(7)
o en forma logartmica, como:
16
(8)
donde el modelo representado por la ecuacin (4) es de la forma aditiva lineal de la ecuacin (1). Se puede concluir esta seccin, diciendo que hay dos mtodos bsicos para estimar los valores de los parmetros de modelos compensatorios UMA: (1) Inferencia de los datos elegidos en el pasado utilizando modelos estadsticos como el anlisis de regresin y (2) Interrogacin directa.
MODELOS DE REPRESENTACIN ESPACIAL

Hay dos tipos de estos modelos, los cuales sern considerados ahora brevemente: 1. Curvas de indiferencia. Las curvas de indiferencia, que han sido largamente utilizadas en Economa, muestran las combinaciones de valores de atributos que son igualmente preferidas. Las alternativas que deben evaluarse son puntos de estas curvas de indiferencia en la cual ellas descansan, se puede generar un ordenamiento completo entre las alternativas. En esencia, este procedimiento es simplemente una forma grfica de realizar intercambios 2. Escalamiento multidimensional. Estos modelos se caracterizan por cuatro atributos, los cuales son: a. Un conjunto de alternativas especificadas, en algunos casos con valores de atributos vagos o desconocidos. b.Un procedimiento para obtener juicios intra e interatributos o un juicio agregado. c.La construccin de una representacin espacial. d.La identificacin de configuraciones ideales y la regla de eleccin basados en las alternativas de proximidad de estas configuraciones ideales. En el escalamiento multidimensional, la clasificacin de proximidades de pares de alternativas del tomador de decisiones puede utilizarse para construir una representacin espacial multidimensional. Las alternativas se representan por puntos en este espacio; los puntos que estn ms cercanos en trminos de preferencias. Al tomador de decisiones se le pide que localice su alternativa ideal en este espacio y entonces la distancia del punto ideal es medida (utilizando la medida euclidiana o cualquier otra medida), para clasificar las alternativas en orden de preferencia.
MODELOS DE PROGRAMACIN MATEMTICA

Esta clase general de modelos tiene el siguiente conjunto comn de caractersticas:
17
1. Un conjunto grande o infinito de alternativas. 2. Un conjunto tecnolgico, econmico o de restricciones de preferencia. 3. Una funcin objetivo que es compensatoria. 4. Un algoritmo (por ejemplo, el mtodo simplex de programacin lineal) que converge hacia una solucin ptima.
PROGRAMACIN LINEAL Y NO LINEAL

Un modelo regular de programacin lineal y no lineal puede mirarse como un modelo de decisin de atributos mltiples en el siguiente sentido. Las variables son los atributos, las restricciones lineales y no lineales son restricciones conjuntivas o combinaciones de atributos y hay una funcin objetivo compensatoria lineal o no lineal. El objeto es maximizar o minimizar la funcin objetivo sujeta a las restricciones. En contraste con los modelos UMA, no hay una lista pequea explcita de alternativas de las cuales escoger, sino mas bien un conjunto infinito o factible de alternativas implcitamente definidas por el conjunto de restricciones. Los algoritmos de solucin eficiente tales como el mtodo simplex, se utilizan para encontrar la alternativa ptima reuniendo la mejor combinacin o conjunto de valores de atributos (variables) factibles.
PROGRAMACIN META
En la formulacin de una Programacin Meta, el tomador de decisiones especifica niveles aceptables o deseables de los valores de cada atributo (por ejemplo restricciones de una sola variable) o en combinaciones de multiatributo (restricciones de multiatributo) y stos sirven como las metas primarias. En lugar de tratar de maximizar o minimizar la funcin objetivo directamente, como en la Programacin Lineal (No Lineal), deben minimizarse las desviaciones entre las metas y lo que puede lograrse dentro de un conjunto dado de restricciones. En el algoritmo Simplex de Programacin Lineal, tales desviaciones se denominan variables "sobrantes" o "faltantes". Las variables de decisin toman un nuevo significado en la programacin meta; la variable de desviacin se representa en dos dimensiones: desviaciones positivas y negativas de cada submeta o meta; entonces la funcin objetivo se convierte en la minimizacin de estas desviaciones, basados en la importancia relativa o prioridad asignada a ellos. La caracterstica distintiva de la Programacin Meta, es que las metas se satisfacen en una secuencia ordinal; esto es, las metas que son clasificada en orden de prioridad (importancia) por el tomador de decisiones, se satisfacen secuencialmente por el algoritmo de solucin. Obviamente no es siempre posible lograr cada meta en la extensin deseada por la administracin. En este sentido, la programacin meta puede mirarse como un procedimiento lexicogrfico.La programacin meta es un procedimiento de satisfaccin, en el sentido de que el tomador de decisiones trata de lograr un nivel "satisfactorio" de objetivos mltiples en vez del mejor resultado posible para un solo objetivo (como en la Programacin Lineal).
18
CAPTULO 2 PROGRAMACIN LINEAL

" Cmo puede ser que las Matemticas, que son despus de todo un producto del pensamiento humano independiente de la experiencia, se adapten tan admirablemente a los objetos de la realidad?". Albert Einstein.
El objetivo primordial de la Programacin Lineal es optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales con restricciones, tambin lineales. Los problemas en Programacin Lineal corresponden a situaciones reales en las que se pretende identificar y resolver dificultades para la mejor utilizacin de recursos limitados y generalmente costosos. Es importante tener en cuenta algunos aspectos importantes inmersos en la teora general de sistemas, pero que en Investigacin Operativa son de mucha ayuda: 1. Las corrientes de entrada. 2. Proceso de conversin. 3. Las corrientes de salida. 4. La comunicacin de retroalimentacin. Lo anterior se traduce como el proceso de la toma de decisiones (figura No.4), la cual es probablemente la tarea ms caracterstica del ejecutivo, a la que se enfrenta cotidianamente, debido a la esencia misma de sus funciones. Como bien se sabe, la Investigacin Operacional es una herramienta e el proceso de la toma de decisiones, para lo cual tiene a su favor los criterios propios que intervienen en dicha secuencia, algunos de los principales son: Los hechos La experiencia La autoridad La intuicin
/
19
FIGURA N 4. PROCESO DE LA TOMA DE DECISIONES
En general, el problema que resuelve la Programacin Lineal se plantea as:
Funcin Objetivo
con las siguientes restricciones:
20
Restricciones formales (de rango); Recursos
La optimizacin puede corresponder a una funcin de maximizacin o minimizacin.
CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN LINEAL

Los supuestos en que se basa la Programacin Lineal y que ayudan a concluir sobre la formulacin presentada de un problema son: 'Proporcionalidad. Implica que la funcin objetivo Z, la cual queda reducida a y la utilizacin de cada recurso que sera son directamente proporcionales al valor de la actividad r determinada. Aditividad. Dados los niveles de actividad, el uso total de cada recurso y el valor resultante de Z deben igualar la suma correspondiente a las cantidades generadas por el valor de cada actividad. No negatividad. El resultado de cada una de las variables de decisin en la solucin ptima de ser positivo. Cuando se presentan variables negativas, stas se deben expresar como la adicin de variables positivas. * Optimalidad. En algunos casos las variables reales que describen las actividades tienen sentido nicamente con valores enteros; debemos tener en cuenta que en Programacin Lineal se aceptan valores reales positivos.
PLANTEAMIENTO DE MODELOS EN PROGRAMACIN LINEAL

A continuacin se plantean modelos usuales en nuestro medio, como aplicaciones industriales y/o comerciales. En Investigacin de Operaciones es importante plantear modelos, que luego de estandarizarlos queden estructurados como problemas de Programacin Lineal para proceder a su solucin.
Problema 1
La fbrica de Hilados y Tejidos "Manizales" requiere fabricar dos tejidos de calidad diferente se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo c. Para obtener un metro de T diariamente se necesitan 125 gr de a, 150 gr de b y 72 gr de c; para producir un metro de por da se necesitan 200 gr de a, 100 gr de b y 27 gr de c.
21
El T se vende a $4000 el metro y el T' se vende a $5000 el metro. Si se debe obtener el mximo beneficio, cuntos metros de se deben fabricar?
Plantear el anterior problema como un modelo de Programacin Lineal.
Variables de
decisin:
Cantidad de metros del tejido T a fabricar diariamente. Cantidad de metros del tejido T' a producir por da. Funcin de utilidad. Modelo (Primal):
MAX Z = 4000X 1 + 5000X2 sujeto a:
Problema 2
La empresa "Caldas" tiene un sistema de produccin constituido por tres secciones, a travs de las cuales elabora dos productos. En la primera seccin lo ms que se pueden procesar son 300 unidades del artculo uno o 400 del producto dos diariamente; la seccin segunda fabrica como mnimo 350 unidades del producto uno o 450 unidades del producto dos por da. La seccin tercera puede elaborar hasta 400 unidades del artculo uno o 500 unidades del artculo dos diariamente. Si los productos uno y dos generan una utilidad de $1000 y $700 respectivamente. Cuntos productos de cada uno se deben fabricar para maximizar la utilidad?. Plantear el anterior problema como un modelo de Programacin Lineal. Definicin de variables reales: Cantidad del producto uno a fabricar por da. X2: Cantidad del artculo dos a producir diariamente. Z : Funcin de utilidad.
22
Modelo (Primal):
Con sus restricciones: Primera seccin: cuando
Segunda seccin: cuando
Tercera seccin: cuando
En:
Con sus restricciones:
Problema 3
En una planta, la demanda estimada para el prximo ao es la siguiente: Primer trimestre Segundo trimestre Tercer trimestre Cuarto trimestre 15000 unidades 25000 unidades 40000 unidades 20000 unidades de de de de A. A. A. A.
23
En el almacn se cuenta con 10000 unidades, al iniciarse el perodo v se desea disponer de un inventario de 5000 unidades al finalizar el ao. La produccin durante el ltimo trimestre del perodo anterior fue de 5000 unidades. Si el costo de aumento de la produccin por unidad y el costo de almacenaje por unidad, el costo de disminucin de la produccin por unidad.
Qu cantidad deber producirse en cada trimestre para minimizar costos de manejo de produccin? Plantear este problema como un modelo de Programacin Lineal Definicin de variables: Produccin durante el trimestre j. Inventario al finalizar el trimestre j. Costo de aumento de produccin. Costo de disminucin de produccin. Costo de almacenamiento de produccin. Demanda estimada en el trii'iestre j. Unidades adicionales producidas sobre el nivel del trimestre j-1. Unidades en que el nivel de produccin disminuy sobre el trimestre j-1. 10000 unidades a Diciembre 31 de 1997 Inventario. 5000 unidades a Diciembre 31 de 1998 Inventario. 5000 unidades que se producen en el cuarto trimestre de 1997. Funcin de costos de manejo de produccin. Modelo (Primal):
24
Problema 4
Al Director Financiero de la Corporacin Financiera Nacional le han dado $50.000.000 para que invierta en un perodo de tres aos. El Director ha determinado que existen tres oportunidades de inversin disponibles en el momento y que son las siguientes: la inversin A rinde el 18% anual; la inversin B rinde el 12% el primer ao y el 21% los aos siguientes y la inversin C rinde el 55% al final del tercer ao y no se puede volver a invertir. Tambin ha encontrado que al comienzo del segundo ao existe otra oportunidad de inversin, la D que produce 25% al final del tercer ao y por una sola vez. El Director Financiero desea saber cunto dinero invertir, dnde y cundo en tal forma que la cantidad de dinero disponible al inicio del cuarto ao sea mximo. Plantear el anterior problema como un modelo de Programacin Lineal.
Variables de decisin:
Dinero a invertir al comienzo del ao i en la inversin A; Dinero a invertir al comienzo del ao 1 en la inversin C. Cantidad invertida en pesos al inicio del ao 2 en la inversin D. Dinero a principio del cuarto ao. i = 1,2,3
Cantidad invertida en pesos al inicio del ao i en la inversin B.
Modelo (Primal):
Sujeto a:
Problema 5
(Linear Programming and Extensions - George Bernard Dantzig - Princeton University -1963 - Pgina 67). Suponga que una gallina toma dos semanas para poner doce huevos para la venta o para empollar cuatro huevos. Cul es el mejor programa de poner huevos y empollar si al final del cuarto perodo todas las gallinas y pollos se venden a $12000 cada uno, los huevos a $200 cada uno? Asuma:
25
A. Un inventario inicial de cien huevos y cien gallinas. B. Cien gallinas y cero huevos. C. Cien gallinas y cero huevos y tambin un inventario final de cien gallinas y cero huevos. Plantear el anterior problema como un modelo de Programacin Lineal.
Variables reales:
Modelo (Primal):
sujeto a:
Con las siguientes restricciones:
26
C) MAX Z = 8000{100+200(X22+X32+X42)}+8000*100 Con sus restricciones:
Problema 6
Serendipity (Tomado de Management Science - Febrero de 1965). Los prncipes de Serendipity. Se fueron en un pequeo viaje. Ellos no podan llevar muchas maletas; Ms de trescientos libras las ponan a pensar. Planearon hasta el centavo. Cuando regresaron a Ceiln Descubrieron que sus dineros estaban a punto de acabar. Cuando, para su alegra, el prncipe Guillermo encontr
27
Una pila de cocos en el suelo. "Cada uno nos producir sesenta rupias", dijo el prncipe Ricardo. Cuando pis una piel de len. "Miren", grit el prncipe Roberto. Cuando observ ms pieles de len debajo del rbol. "Estas pieles nos pueden producir hasta trescientas rupias cada una. Si las podemos llevar hasta la orilla del mar". Cada piel pesaba quince libras y cada coco cinco, Pero haciendo de tripas corazn pudieron llevar todo a la orilla. La embarcacin de regreso a la isla era pequea. Quince pies cbicos de equipaje - eso era todo. Cada piel de len tomaba un pie cbico. Mientras que ocho cocos ocupaban el mismo espacio. Con todo el equipaje se hicieron a la mar Y en el viaje calcularon lo que sera su nueva riqueza. "Eureka", grit Roberto. Nuestra fortuna es tan grande, Que no existe otra forma de retornar as. Con cualquier otra piel o coco que hubiramos trado Ahora seramos ms pobres. Y no s qu Le escribir a mi amigo Horacio en Inglaterra, seguramente Slo l sabr apreciar nuestro Serendipity. Plantear el anterior problema como un modelo de Programacin Lineal.
Variables de decisin:
Nmero de cocos cargados en el bote. Cantidad de pieles de len cargadas en el bote. Funcin de utilidad correspondiente a los cocos y/o pieles de len cargados en el bote.
(Modelo Primal):
28
Problema 7
Un barco tiene tres bodegas: Proa, popa y centro; los lmites de capacidad para esas tres bodegas son: BODEGAS Proa Popa Centro PESO (ton) 2000 1500 3000 VOLUMEN (ft ) 100000 300000 135000
3
Se ofrecen las siguientes cargas y los responsables del barco pueden aceptar todo o parte de cada carga: CARCA A B C CANTIDAD (Ton) 6000 4000 2000 VOLUMEN (Ton/ft3) 60 50 25 UTILIDAD ($/Ton) 6 8 5
Buscando conservar el equilibrio en el barco, el peso de cada bodega debe ser proporcional a su capacidad en toneladas. Cmo se debe repartir la carga buscando maximizar las ganancias totales? Plantear el anterior problema como un modelo de Programacin Lineal. Definicin de variables
29
Z: Utilidad total.
(Modelo Primal):
Con las siguientes restricciones:
PROBLEMAS PROPUESTOS
Plantear cada uno de los problemas siguientes como un modelo de Programacin Lineal:
1. La Empresa Manizales tiene un programa estricto de compromisos de entrega de un producto para los prximos seis meses. El costo de produccin vara por mes, por los valores anticipados en costos de materiales; la capacidad de produccin de la Compaa es de 100 unidades por mes con tiempo normal y hasta 15 unidades adicionales por mes con tiempo extra. El cuadro siguiente muestra los requerimientos de entrega y los costos de produccin mensuales:
30
MES Compromisos de entrega (unidades) Costo por unidad normal Costo por unidad en tiempo extra
1 5
2 85
3 110
4 115
5 90
6 105
24000 24000 25600 25600 24800 25600 28000 28000 29600 29600 28800 29600
El costo de almacenar en inventario una unidad que no se vende es de $1600 por mes. El problema de la Compaa es determinar el nmero de unidades que debe producir cada mes en tiempo normal y en tiempo extra para cubrir los requerimientos con el menor costo; la empresa no tiene unidades disponibles al iniciar el mes 1 y no quiere que sobren unidades al terminar el mes 6.
2. La firma Punto Azul opera una serie de cafeteras para instituciones pblicas; para cumplir con las exigencias del Gobierno, se deben satisfacer ciertos requerimientos nutricionales: La cantidad mnima de vitamina A en una comida debe ser de 1 mg, mientras que los requerimientos mnimos de vitamina C y D son de 5 mg y 10 mg respectivamente. Se exige que en dichas cafeteras, al desayuno, se sirvan huevos y tocino. Cada libra de tocino contiene 1 mg de vitamina A, 10 mg de vitamina C y 50 mg de vitamina D; cada docena de huevos contiene 10 mg de vitamina A, 10 mg de vitamina C y 10 mg de vitamina D. Una libra de tocino vale $1800 y una docena de huevos cuesta $1000. Adicionalmente, se estipul que un desayuno no puede contener ms de cuatro huevos, ni ms de un tercio de libra de tocino, debido principalmente al tiempo de preparacin. Cmo estar compuesto el desayuno ms barato y ms nutritivo?
3. Un inversionista tiene disponibles dos actividades A y B para el comienzo de cada uno de los aos siguientes. Cada peso invertido en A al principio de un ao, devuelve $1,4 (una ganancia de $4), dos aos ms tarde y a tiempo para una reinversin inmediata. Cada peso invertido en B al comienzo del ao $1,7, tres aos ms tarde. Tambin tiene las inversiones C y D. Cada peso invertido en C al principio del segundo ao produce $2 cuatro aos ms tarde. Cada peso invertido en D al comienzo del quinto ao, retorna $1,3 un ao ms tarde. El inversionista empieza con $1.000.000 y quiere saber qu plan de inversiones maximiza la cantidad total de dinero que l puede acumular al principio del sexta ao, contado desde hoy.
31
CAPTULO 3 MTODOS DE S O L U C I N
"La Universidad saca a la luz todas las capacidades, incluyendo la incapacidad". A. Chjov.
GRFICO
Es limitado en el hecho de graficar como mximo tres variables. Consiste en representar cada una de las restricciones y encontrar cuando se pueda el polgono (poliedro) factible, comnmente llamado la regin factible, en la cual en uno de sus vrtices se obtiene la solucin ptima del problema, caso en el que la optimizacin se denomina: Solucin ptima nica. Adems las soluciones ptimas mltiples, no acotadas, infactibles y en un punto son fciles de visualizar. Es de anotar que los problemas de mayor dimensin tienen soluciones semejantes. Ejemplos: pginas 34, 35, 36 y 37.
COMENTARIOS GENERALES ACERCA DE LA OPTIMIZACIN

La solucin de un problema es ptima nica cuando slo existe un punto extremo del conjunto de soluciones factibles que hace posible encontrar el valor mximo de la funcin objetivo. La solucin es ptima mltiple cuando existen varios puntos (un lado del poliedro de soluciones factibles) que hacen posible encontrar el mximo valor de la funcin objetivo. Es posible encontrar problemas en los cuales la solucin ptima no toma ningn valor finito sino infinito. En modelos reales lo que sucede es un problema formulado incorrectamente; en estos casos se presentan utilidades bastante altas. Un problema tiene solucin no factible cuando no es posible encontrar un espacio de soluciones factibles, por incompatibilidad de las restricciones o porque el espacio de soluciones se encuentra en un cuadrante diferente al primero (no se cumplen las condiciones de no negatividad). La solucin es en un punto cuando se tienen dos pares de restricciones paralelas en el primer cuadrante. Uno de los pares forman paralelismo con respecto al eje X y barren hacia la derecha e izquierda respectivamente cada una de las restricciones; el otro par tiene paralelas al eje Y y barren hacia arriba y abajo simultneamente.
33
Ejemplos
1) La Hilandera "Cordillera" produce dos tipos de tela, cada una vara en el proceso de fabricacin. La tela de lujo requiere de 18 horas de tintura, 9 horas de estampado y produce una utilidad de $400 el metro; la tela estndar necesita 3 horas de tintura, 4 horas de estampado y produce una utilidad de $200 el metro; se dispone de 800 horas para tintura y 600 horas para estampado cada mes. Se ha pronosticado que la demanda mensual para la tela de lujo no es ms de 80 metros y de la tela estndar no es ms de 150 metros. La gerencia desea saber el nmero de metros de tela de cada clase que debe producir la empresa para maximizar la utilidad total. Formule, resuelva e interprete las variables de este problema como un modelo de Programacin Lineal.
Definicin de variables:
Cantidad de metros de tela de lujo a producir mensualmente. Nmero de metros de tela estndar a fabricar por mes. Utilidad total.
Modelo (Primal):
sujeta a:
Solucin grfica
34
Solucin
ptima nica
Resolver el anterior problema como un modelo de Programacin Lineal
Solucin
grfica
35
Solucin
ptima Mltiple
(Alterna):
Solucin Alterna 1 :
Solucin Alterna 2:
sujeta a:
Solucionar el anterior problema como un modelo de Programacin Lineal

Solucin grfica
Solucin ptima no acotada o ilimitada o indeterminada

36
4) MAX Z = 4Xj + 3X2 Con sus restricciones:
Solucin grfica
Solucin infactible o no factible o sin solucin.
ALGORITMO SIMPLEX
Fue creado en 1947 y se le atribuye a George Bernard Dantzig (Estados Unidos) y Kantorovich (Rusia). Con este algoritmo se resuelven problemas de m restricciones v n variables: las restricciones nueden ser, y m con respecto a n puede ser El nmero de soluciones bsicas factibles es menor o igual a:
(Ejemplo No.l Pgina 34)
37
Es menor porque en algunos casos existen soluciones alternas que quedan en la misma recta o en lneas paralelas a la solucin ptima. Dichas soluciones forman en cualquier caso un conjunto convexo. Solucin No. 1 2 3 4 5 6 Variables Xj 0 0 0 44,4 66,6 31,1 Funcin Objetivo Z 0 NF 30000 17777,7 NF 28444,4
x2
0 266,6 150 0 0
80
S, 800 0 350 0 -400 0
S2
600
80 80 80 35,6 13,4 48,9
s3
s4
150 919,6 0 150 150 70
-466,6 0 200 0 0
El problema general de Programacin Lineal (pgina) se puede plantear de la siguiente manera (matricialmente): Sujeta a:
Nota: La OPT (optimizacin) puede corresponder a un MAX o a un MIN. El anterior modelo se escribe en una tabla:
38
Donde C. : Coeficiente de las variables bsicas. X.: i Variables bsicas, C : Coeficientes de las variables bsicas y no bsicas. S : Variables de holgura (relleno). S : Variables de supervit (exceso). A n : Variables artificiales. B. : Disponibilidad de recursos. Z Valor de Z
costos de oportunidad. Parmetros de optimizacin: Costos reducidos netos Ilustraremos este modelo resolviendo el problema de la Hilandera Cordillera, (Ejemplo No.l en pgina 34)
Solucin analtica
A. Estandarizar el modelo: Consiste en colocar las inecuaciones en forma de ecuaciones, utilizando para esta caso variables de holgura (relleno): Se puede usar indistintamente
Las variables aparte del nombre original se denominan variables no bsicas y las variables se llaman variables basicas. Este nombre lo reciben por el sitio en el que se encuentran ubicadas.
B. Establecer el cannico del sistema: Buscar que en el sistema en cada ecuacin una variable tenga coeficiente +1 y en las dems ecuaciones 0 (tratar de formar la matriz identidad); si todas las inecuaciones son de la forma inmediatamente nos queda conformado el cannico. C. Las variables que forman el cannico pasan a ser las variables dependientes del sistema (variables bsicas); las otras son las variables independientes del sistema (variables no bsicas).
39
El modelo se desarrolla a travs de entrada de variables a la base y salida de variables de la base, es decir, intercambio de variables, una en cada iteracin. en la funcin objetivo. Para nuestro caso, Criterio de entrada de variables a la base: las candidatas en el tablero 1 a entrar a la base son (-400, -200), tomamos la variable que ms se aleja Cuando hay empate entre de cero por la izquierda, es decir, -400 que corresponde a la variable variables a entrar a la base, se prefieren las variables reales (decisin); cuando el empate es entre variables de la misma naturaleza se rompe arbitrariamente. Criterio de salida de variables de la base: s: subndice de la posible variable a salir de la base. En nuestro ejemplo, las variables opcionadas a entrar a la base son: (800/18, 600/9, 80/1) = (44.4, 66.1, 80), escogemos la variable que es aquella que menos se aleja de cero por la derecha y es 44.4. Cuando hay empates entre variables a salir de la base, se recomienda escoger las variables diferentes a las de decisin, o sea, artificiales, de exceso o de holgura; cuando el empate se da entre variables de igual clase, se rompe al azar. En los casos de empate de la variable de salida de la base, la(s) variable(s) que queda(n) en la base en el tablero siguiente, forman una solucin que se denomina degenerada, porque dicha variable toma el valor de cero en la base; si tal variable se toma para salir de la base, antes que su valor cambie, la variable bsica entrante correspondiente tambin deber permanecer en cero y el valor de Z no cambiar. El valor que queda interceptado entre la columna de entrada y fila de salida se llama pivote. La rutina de clculo para pasar de un tablero a otro es la siguiente: La variable de entrada a la base (columna) se recalcula como uno en el elemento pivote y en las dems posiciones cero. La variable de salida de la base (fila) para el tablero siguiente divide cada una de sus celdas entre el pivote. Los dems elementos se recalculan mediante la aplicacin de la siguiente frmula:
donde: Dato nuevo. Dato antiguo. Proyecciones, su orden no importa en la frmula. Elemento pivote. Para nuestro ejemplo, al pasar del tablero 1 al tablero 2:
40
Soluciones
Analticas
1) La Hilandera "Cordillera" produce dos tipos de tela, cada una vara en el proceso de fabricacin.La tela de lujo requiere de 18 horas de tintura, 9 horas de estampado y produce una utilidad de $400 el metro; la tela estndar necesita 3 horas de tintura, 4 horas de estampado y produce una utilidad de $200 el metro; se dispone de 800 horas para tintura y 600 horas para estampado cada mes. Se ha pronosticado que la demanda mensual para la tela de lujo no es ms de 80 metros y de la tela estndar no es ms de 150 metros. La gerencia desea saber el nmero de metros de tela de cada clase que debe producir la empresa para maximizar la utilidad total. Formule, resuelva e interprete las variables de este problema como un modelo de Programacin Lineal. Definicin de variables:
Cantidad de metros de tela de lujo a producir mensualmente. Nmero de metros de tela estndar a fabricar por mes. Utilidad total. Modelo (Primal):
Sujeta a:
Solucin
Analtica
Estandarizacin: Se puede usar indistintamente
41
TABLERO 1 SIMPLEX
Entra a la base X1( sale de la base X3
TABLERO 2 SIMPLEX
Entra a la base X , , sale de la base X4
42
TABLERO 3 SIMPLEX
Entra a la base X3, sale de la base X6
TABLERO 4 SIMPLEX
Solucin
Optima Unica:
43
Resolver el anterior problema como un modelo de Programacin Lineal Solucin Analtica
Forma
Estndar
TABLERO 1
44
TABLERO 2 SIMPLEX
No hay quien entre a la base (Forzamos a la variable X2 a entrar a la base)
Solucin ptima Mltiple (Alterna)
Solucin ptima
1:
V.B.
V. no B.
indica solucin ptima mltiple
TABLERO 3 SIMPLEX
No hay quien entre a la base (Si quisiramos observar que ocurre podramos forzar a entrar a la base a X4 y a salir de la base la variable X2 (Tablero 2)) Solucin V.B. ptima 2: V. no B.
45
Sujeta a:
Solucionar el anterior problema como un modelo de Programacin Lineal
Solucin Analtica
Estandarizacin
TABLERO 1 SIMPLEX
46
Entra a la base X, Sale de la base X
TABLERO 2 SIMPLEX
V.B.
V. no B.
TABLERO 3 SIMPLEX
Entrada a la base no hay variable de salida, lo cual conduce a una solucin ptima no acotada o ilimitada o indeterminada para el problema de maximizacin. Para un modelo de minimizacin la solucin ptima se encuentra en uno de los vrtices del polgono (poliedro).
47

Solucin analtica: forma estandar se agrega una nueva funcin objetivo
conformar el Tablero Simplex
con lo cual, restada de la ecuacin (2) nos permite
TABLERO 1 SIMPLEX
Entra a la base X , Sale de la base X

2
48
TABLERO 2 SIMPLEX
No hay variable candidata de entrada solucin infactible o no tiene solucin.
permanece en base. Por lo tanto, no hay solucin factible, o
Se ha llegado a la solucin ptima de un problema de Programacin Lineal cuando todos los elementos del rengln de evaluacin neta son cero o negativos para el problema de maximizacin y cero o positivos para el problema de minimizacion.
Clases de solucin
Los principales tipos de solucin: Optima nica: Se da cuando slo existe un punto extremo del conjunto de soluciones factibles que hace posible encontrar el valor ptimo de Z, es decir, si solamente los costos relativos de los vectores bsicos son cero (problema 1 pg. 34 y 41). Optima mltiple: Se presenta cuando si habindose satisfecho los criterios de optimalidad, los costos relativos de algn vector no bsico aparece a nivel cero (problema 2 pg. 35 y 44 ). No acotada o ilimitada o indeterminada: En cualquier iteracin del procedimiento simplex, si el vector que debe salir de la base se llama y todas las correspondientes esta solucin se llama ilimitada (problema 3 pg. 36 y 46). Infactible o no factible o sin solucin: Se presenta cuando en el tablero ptimo queda una variable artificial en la base (problema 4 pg. 37 y 48). Degenerada (degradada): Se da cuando en un tablero del Simplex una variable bsica toma el cero en lugar de un valor positivo; este caso se presenta normalmente cuando se escoge arbitrariamente una variable para salir de la base cuando hay empate entre algunas variables (problema 1 pg. 34 y 41). Es de advertir que cuando el empate entre las variables es cero, se conduce al caso llamado ciclaje, el cual consiste en que despus de varias iteraciones a partir de una solucin, se regresa nuevamente a la misma solucin.
49
Para corregir esta dificultad se han desarrollado dos mtodos: Perturbacin de Chames. Reglas lexicogrficas de Dantzig, Orden y Wolfe.
Interpretacin de la solucin ptima del modelo primal (problema 1 pg. 34 y 41): No debe fabricar tela de lujo. Debe producir 150 metros de tela estndar. Sobran 350 horas de tinturado. No sobran horas de estampado. Hay un excedente de 80 metros de tela de lujo. Se venden todos los metros de tela estndar que se producen. La utilidad mxima es de $30000.
OTROS PROBLEMAS EMPLEANDO SIMPLEX
Sujeta a
Forma estndar I:
50
Forma estndar II:
Notas: 1. La variable se llama de holgura (relleno), la variable variable se llama artificial. se denomina de supervit (exceso) y la
2. En la estandarizacin II al aparecer la variable artificial con el objeto de resolver el problema se debe reflejar en la funcin objetivo multiplicada por M (constante de valor alto), sumada o restada a la funcin objetivo segn el problema sea de minimizacin o de maximizacin, lo cual se hace para que el problema se pueda optimizar. El anterior mtodo se denomina de la Gran M.
Forma estndar III:
La ecuacin 0' se obtuvo de la siguiente manera: 0-2*M.
TABLERO 1 SIMPLEX
Entra a la base la variable Xj y sale de la base la variable A,. La columna correspondiente a la variable artificial se puede borrar sin ningn problema.
51
TABLERO 2 SIMPLEX
Pasa a ser variable bsica S2 y se convierte en variable no bsica S,.

TABLERO 3 SIMPLEX
Solucin
ptima
nica:
Forma estndar I:
52
Forma estndar II:
Forma estndar III:
TABLERO 1 SIMPLEX
Entra a la base la variable
y sale de la base
TABLERO 2 SIMPLEX
Solucin infactible o solucin no factible o no tiene solucin, ya que qued una variable artificial en la base.
53
Nota:
Cuando se tiene un problema de minimizacin, se puede resolver de las siguientes maneras: 1. Multiplicar la funcin objetivo por menos uno (-1), con lo cual se resuelve un problema de maximizar a menos Z (-Z) y se aplica el procedimiento expuesto anteriomente. de valor 2. Para aplicar el mtodo Simplex Directo se escoge como variable de entrada aquella ms negativo (el que ms se aleja de cero por la izquierda) y la variable de salida es igual que en el problema de maximizacin. El problema se debe detener cuando todos los valores de la fila de evaluacin neta sean cero o positivos (no hay valor negativo de entrada).
EJERCICIOS PROPUESTOS
Resolver grficamente cada uno de los siguientes problemas y decir a qu tipo de solucin corresponde.
Sujeta a:
Sujeta a:
54
Resolver los siguientes problemas mediante la aplicacin del algoritmo Simplex y decir a qu tipo de solucin corresponde:
Sujeta a:
55
Sujeta a:
Sujeta a:
DESARROLLOS RECIENTES EN PROGRAMACIN LINEAL El algoritmo Simplex, usando el criterio del peor caso, est clasificado como un algoritmo de complejidad de tipo exponencial, es decir, que el tiempo de terminacin del mtodo Simplex puede llegar a crecer exponencialmente en trminos del problema a resolver. El Simplex necesita a lo sumo 2" -1 iteraciones para encontrar la respuesta (n es el nmero de variables).
56
Cuando se aplica este algoritmo a la solucin de un problema de Programacin Lineal en la forma estndar, se encuentra normalmente una solucin ptima despus de examinar menos de 3m soluciones bsicas factibles. Recientemente se encontr que este mtodo examin un promedio de 2m soluciones bsicas factibles, antes de encontrar la solucin ptima (m es el nmero de restricciones). Sin embargo, este algoritmo se emplea todava en la actualidad porque realiza anlisis post-ptimo con las variables que intervienen en la solucin del problema. En 1979 el Ruso L. G. Khachian present un mtodo para resolver problemas de Programacin Lineal denominado del elipsoide, un algoritmo simple, de complejidad de tipo polinmico, usando tambin el criterio del peor caso, slo que se comprob, usando simulacin, que el tiempo estimado de terminacin del mtodo del elipsoide era no slo obtenido en el peor de los casos, sino en casi todos los casos. El Hind Narendra Karmarkar en 1984 de Bell Laboratories present un algoritmo de tipo polinmico, el cual lleva su nombre. Dicho mtodo converge a una solucin ptima al moverse a travs de la regin factible (pero que no realiza anlisis post-ptimo). El algoritmo de Karmarkar ha resultado ser hasta cien veces ms rpido que el mtodo Simplex especialmente en problemas con miles de variables y/o restricciones.
RESUMEN
57
CAPTULO 4 LA DUALIDAD EN PROGRAMACIN LINEAL
"Nuestros problemas estn hechos por el hombre y pueden, por consiguiente, ser resueltos por el hombre y el hombre es tan grande como quiere serlo". John Fitzgerald Kennedy.
Fundamentalmente se trabaja con las siguientes opciones:
PRIMAL
DUAL
59
con sus restricciones:
sujeta a:
El dual se debe a la optimizacin del modelo del transporte sin trabajar con el simplex.
PRIMAL
m restricciones n variables
DUAL
m variables n restricciones
MAX MIN MIN TEOREMAS DE LA DUALIDAD
MIN MAX MAX
1. Si el primal o el dual tienen solucin ptima finita entonces el dual o el primal tendrn solucin ptima finita. 2. Si el primal o el dual tienen solucin ptima no acotada, entonces el dual o el primal no tendrn solucin (ser) infactible. 3. Si el primal o el dual no tienen solucin, entonces el dual o el primal no tienen solucin.
Continuando con el ejemplo resuelto por Simplex, vamos a plantear, resolver e interpretar las variables correspondientes al dual.
Primal:
sujeta a:
60
Dual:
Forma estndar I:
Forma estndar II:
TABLERO 1 DUAL SIMPLEX
Variables de salida: (-400, -200) =
Se escoge la que ms se aleja de cero por la izquierda.
Variables de entrada: (800/-18, 600/-9, 80/-1,150/0) = (-44.4, -66.6, -80, N.E.D.) = -44.4 Se toma aquella variable que menos se aleje de cero por la izquierda.
61
Nota: NED: significa que la divisin entre cero no se encuentra definida. Sale de la base la variable y entra a la base la variable
TABLERO 2
Variable que sale
Variable que entra:
TABLERO 3
Variable aue pasa a ser no bsica: Variable que pasa a ser bsica: Hay empate entre escogemos
TABLERO 4
Llegamos al ptimo. A continuacin observamos qu ocurre si en lugar de escoger
62
TABLERO 3'
Variable que se convierte en no bsica: Variable que se convierte en bsica: TABLERO 4'
ptimo para el tablero 4
ptimo para el tablero
Con las respuestas conseguidas anteriormente se obtiene la corroboracin de resultados entre primal y dual con sus mtodos correspondientes Simplex y Dual-Simplex (Tableros 4 y 4'). Los coeficientes de las variables de holgura en la funcin objetivo del primal son los valores de las variables reales del dual en orden ascendente. Los coeficientes de las variables de decisin en la funcin objetivo del primal son los valores de las variables del holgura del dual en orden ascendente.
63
INTERPRETACIN ECONMICA DE LOS PROBLEMAS PRIMAL Y DUAL Para el primal:
Nivel de actividad j (j = 1,2,3,...,n). Utilidad unitaria de la actividad j. Utilidad total. Cantidad de recurso i disponible. Cantidad de recurso i consumido (i = 1,2,3,...,m) por cada unidad de actividad j.
Para el dual:
Valor implcito o precio sombra o costo marginal del recurso i Costo unitario del recurso. Valor total implcito de los recursos. Cantidad de artculos j a producir. Como cada unidad de actividad j en el problema primal consume a., unidades del recurso se
interpreta como la contribucin en la utilidad de la mezcla de recursos que seran consumidos si una unidad de actividad j fuera usada (j = 1,2,3,...n). Establece que la contribucin en la utilidad de la mezcla de recursos debe ser por lo menos tanto si fueran usados por una unidad de actividad j, de otra manera no se estara haciendo el mejor uso posible de estos recursos. La contribucin en la utilidad del recurso i (i=l,2,3,...,m) debe ser no negativa, de lo contrario sera mejor no usar el recurso.
ANLISIS DE SENSIBILIDAD
Fundamentalmente cuando se trabaja en Programacin Lineal es importante realizar un anlisis de post-optimalidad para observar por medio de simulacin si los cambios que le vamos a introducir al modelo original, en qu aspectos nos benefician o nos afectan en las variables y/o parmetros. Es importante tener en cuenta que los cambios que se realizan en el modelo original deben ser factibles y deben responder a situaciones reales que la empresa puede llegar a vivir en un momento determinado.
64
Para observar las variaciones que ocurren o no, vamos a ilustrar las diversas situaciones con el siguiente ejemplo:
sujeta a:
1. Cambio en un
cuando
no es bsica:
Va a cambiar un nmero en la fila de desde hasta la nueva solucin sigue siendo factible ya que no se han cambiado las restricciones, ni los recursos. Cuando hay un cambio en un del primal, solamente cambia el lado derecho de la j-esima restriccin del dual; puede ocurrir que la solucin ya no sea factible (una de las variables bsicas ser menor que cero). La funcin objetivo va a asegurar una solucin ptima, porque los recursos del primal no se han cambiado.
Ejemplo: Se cambia la funcin objetivo de: a: 2. Cambio en un cuando es bsica:
La nueva solucin en el ptimo debe ser ptima o mejorar, pero en algunos casos puede no ser factible.
Ejemplo: Cambiando la funcin objetivo de: a:
65
3. Cambio en un
(recurso):
Los nicos cambios posibles son en los lados derechos de las restricciones, porque estos lados dan los valores de las variables de la base y stas se pueden volver negativas; cuando no hay cambios en los la solucin encontrada sigue siendo ptima. En el caso en que un b. se vuelve negativo se debe emplear el Dual Simplex para solucionar el primal. Ejemplo: Cambiando la segunda restriccin de: a:
4. Cambio en
cuando
es no bsica: en todas las filas del tablero; como no es bsica, si la
fila
En estos casos cambian los coeficientes de la solucin sigue siendo ptima.
Es ms fcil investigar si la solucin anterior es todava ptima con el dual, ya que el nico cambio es en la j-esima restriccin; , porque los valores ptimos de las variables originales
no cambian; la solucin anterior es factible y an ptima si la nueva restriccin no se viola.
Ejemplo: Cambiando la segunda restriccin de: a: 5. Cambio en cuando es bsica:
La solucin siempre cambia (hasta volverse no factible y puede ser an una solucin ptima. Se deben encontrar los nuevos coeficientes de los Xj, es decir, los nuevos nmeros dentro de la tabla, ya que seguramente la matriz idntica sufri con el cambio. Al cambiar en el dual la j-sima restriccin y su solucin, puede que la nueva solucin no sea factible (si viola las restricciones), ni ptima.
Ejemplo: Cambiando la segunda restriccin de: a:
66
6. Adicin de una nueva restriccin: Dicha adicin no mejora la solucin ptima slo puede eliminar algunas de las soluciones; cuando la anterior solucin an es factible, debe ser la solucin ptima. Se debe averiguar si la nueva restriccin se cumple o no; cuando se cumple, no hay problema. En caso contrario, se deben agregar las variables correspondientes. Ejemplo: Aadiendo la nueva restriccin: 7. Adicin de una nueva variable: Luego de encontrar la solucin ptima del problema, se concluye que no se han considerado todas las actividades que consumen recursos y que aportan a funcin objetivo. Tener en cuenta una nueva actividad exige aadir una nueva variable con sus respectivos coeficientes a la funcin objetivo y a las restricciones. Si hacemos que la nueva variable pertenezca a las no bsicas, no es difcil investigar que si la solucin ptima anterior es todava ptima, en este caso no hay cambio en la fila Z- C y por lo tanto la solucin del dual no vara. Cuando hay un cambio en el dual (adicin de una nueva restriccin), correspondiente a la nueva variable del primal; si la nueva restriccin se cumple usando la vieja solucin del dual, la antigua solucin del primal (cuando la nueva variable es no bsica) es la solucin no ptima. En caso contrario, quedan como desconocidos todos los coeficientes de la nueva variable en las varias filas del tablero, estas constantes se deben buscar y la nueva variable que seguramente tendr Z-C negativo, buscar entrada a la base. Cambiando el modelo original:
sujeta a:
67
1. La Compaa "Deporgolf' fabrica equipos y accesorios para golf, cuyos administradores han decidido incursionar en el mercado de las bolsas para bastones de golf hechas de piel, a preciso mediano y alto. El distribuidor de Deporgolf est muy entusiasmado con la nueva lnea de productos y aceptado comprar todas las bolsas de golf que fabrique la empresa en los tres meses siguientes. Despus de una investigacin cuidadosa de las etapas necesarias para fabricar una bolsa, los administradores determinan que cada bolsa que se produzca requerir de las siguientes operaciones: Cortar y teir el material. Coser. Terminar (insertar el portasombrilla, los separadores de los palos, etc.). Inspeccionar y embalar. El director de la manufactura ha llegado a la conclusin de que si la Compaa fabrica un modelo estndar de precio medio, se requiere 7/10 de hora en el Departamento de Corte y Teido, 1/2 hora en el Departamento de costura, 1 hora en el Departamento de Terminado y 1/10 de hora en el Departamento de Inspeccin y Embalaje. El modelo de lujo ms costoso requiere de 1 hora para Corte y Teido, 5/6 de hora para costura, 2/3 de hora para el Terminado y 1/4 de hora para Inspeccin y Embalaje. El Departamento de Costos ha analizado estas cifras de produccin, ha asignado todos los costos pertinentes y ha concluido que se obtendr una contribucin a la utilidad de $9000 por cada bolsa estndar y $8000 por cada bolsa de lujo que se produzca. Adems, despus de estudiar las proyecciones de las cargas de trabajo en los departamentos, el director de manufactura estima que para la produccin de la bolsa de golf en los tres meses siguientes, habr disponibles 603 horas de tiempo de Corte y Teido, 600 horas de Costura, 708 horas de Acabado y 135 horas de Inspeccin y Embalaje. Plantear, resolver e interpretar las variables correspondientes al primal y dual del problema anterior. 2. Resolver el dual del siguiente problema y comparar sus respuestas con las encontrada en el primal:
sujeta a:
68
3. Resolver y comparar las soluciones en el siguiente problema (dual-primal):
4. La fbrica Maniz:iles ensambla automviles y camiones. Cada automvil contribuye con $270000 a la utilidad y cada camin contribuye con $360000; en la siguiente tabla se muestran los recursos requeridos para la produccin de un automvil y de un camin. Cada da, la Compaapuede rentar hasta 98 mquinas tipo I a un costo de $45000 la mquina; actualmente, la fbrica dispone de 73 mquinas tipo II y 260 toneladas de acero, consideraciones del mercado indican que se deben ensamblar por lo menos 88 automviles y 26 camiones.
Plantear y resolver el anterior problema de Programacin Lineal, para dar respuesta a las siguientes preguntas: a. Si los automviles contribuyeran con $279000 a la ganancia. Cul sera la nueva solucin ptima para el problema? b. Cul es la mxima cantidad que la Fbrica Manizales tendra que estar dispuesta a pagar para rentar una mquina adicional del tipo I por un da? c. Cul es la mxima cantidad que la Compaa tendra que estar dispuesta a pagar por una tonelada extra de acero? d. Si la empresa tuviera que producir por lo menos 86 automviles. Cul sera la utilidad? e. Esta subsidiaria automotriz considera la posibilidad de producir vehculos para todo terreno Un jeep genera $540000 de utilidad y requiere 1, 2 das de la mquina I, 2 das de la mquina II y 4 toneladas de acero.Tendra que producir la Fbrica Manizales algn jeep?
69
CAPTULO 5 EL PROBLEMA DEL TRANSPORTE

"Se debe hacer todo tan sencillo como sea posible, pero no ms sencillo" Albert Einstein.
Es un problema de redes, que no se resuelve por Simplex, ya que queda bastante extenso, porque resultan igualdades al establecer las ecuaciones de oferta entre las fuentes y de demanda hacia los destinos. Usualmente, se tiene una determinada capacidad en cada fuente y se requiere otra en cada destino. El objetivo bsico del problema del transporte es satisfacer las expectativas de los clientes estableciendo rutas entre las fuentes y los destinos a un costo mnimo; un ejemplo se muestra a continuacin:
El modelo del transporte es utilizado fundamentalmente cuando un producto (servicio) debe ser enviado de un almacn (fbrica) a un usuario, para lo cual es factible generar varias rutas; de stas, la ptima es aquella de costo mnimo y corresponde a una solucin que puede ser degenerada o no degenerada.
MTODOS DE SOLUCIN
Bsicamente existen dos mtodos para resolver problemas de transporte:
Mtodos de inicializacin
Para solucionar el problema del transporte se emplean primordialmente los siguientes modelos:
71
1. 2. 3. 4. 5. 6.
Mtodo de (del) la Esquina (Extremo) Noroeste (Noroccidental). Columna mnima. Fila mnima. Matriz mnima. Mtodo Vogel. Algoritmo de Russell.
Mtodos de optimizacin
Principalmente se emplean los siguientes: 1. 2. 3. 4. 5. Stepping Stone. Mtodo de Wagener. Primal de Balinski y Gmory. Solucin Numrica de Houthakker. Primal dual para el transporte.
Nota: Algunos modelos no requieren de la solucin inicial, como el de Houthakker y el Primal dual para el transporte, ya que ellos inician el problema y llegan hasta la solucin ptima.
PLANTEAMIENTO DE UN PROBLEMA
Los nodos de suministro son m, los cuales estn ofreciendo: requerimiento n, correspondiente a demanda:
NODO OFERTA
anlogamente hay nodos de
NODO REQUERIMIENTO
Unidades enviadas del nodo de oferta i al nodo de requerimiento Costo de enviar una unidad el nodo de oferta i al nodo de requerimiento Costo total.
72
Ejemplo:
Una compaa de las instalaciones A, B, y C suministra a los distribuidores D, E, F y G. Las capacidades mensuales son 20,30 y 45 unidades, respectivamente; los requerimientos mensuales de los distribuidores son 10,15,40 y 30 unidades, para los distribuidores D, E, F y G; los costos unitarios de envo son los siguientes:
Plantear y resolver el anterior problema como un modelo de transporte. Determinar el plan ptimo de distribucin.
Solucin: Primer paso:
Segundo paso:
Cuando valor correspondiente a la diferencia. se crea una columna (fila) ficticia con costos cero y toma el
Tercer paso:
Buscar una solucin factible inicial bsica no degenerada (S.F.I.B.N.D) con las siguientes caractersticas: 1. Asuma m + n - 1 . 2. Las variables bsicas no deben formar un ciclo.
73
REGLA DE LA ESQUINA NOROESTE

Se empieza en la celda (A,D) y se asigna lo mximo que se pueda por fila - columna y se sigue sucesivamente de la misma manera hasta llegar a la celda (C,G) y obtener as una solucin factible inicial
W = $695 donde NA: Nmero de asignaciones.
Planteamiento del modelo primal
sujeto a las siguientes restricciones:
MTODO DE VOGEL
En cada fila y columna se calcula por diferencia, el mnimo costo a partir de los dos menores costos; de esta manera se tienen m+n diferencias. Se debe buscar la fila o columna cuya diferencia sea mayor y Cuando los requerimientos estn asignar a la base la correspondiente a la celda de costo ms bajo satisfechos, se debe eliminar dicha fila o columna y continuar con el proceso hasta terminar la tabla. En caso de empates se rompen arbitrariamente.
74
W = 20(0) + 30(5) + 10(10) + 15(10) + 10(15) + 10(5)
W = $600
S.F.B.I.N.D.
Cuarto paso:
Buscar si la solucin hasta aqu obtenida es ptima; en caso contrario se debe optimizar, para lo cual se puede tomar el tablero uno (W=695) o el tablero dos (W=600)
MTODO DE STEPPING STONE (AZAR)

Este mtodo se debe a Chames y a Cooper; con posterioridad fue modificado por George Bemard Dantzig y comenz a llamarse MODI o de las Consiste en construir el llamado tablero de costos bsicos (T.C.B) a partir de la frmula ltimo, el tablero de costos no bsicos (T.C.N.B.) con la aplicacin de Si todos los solucin es ptima nica; si algunos ruta alterna, sin que vare si se tienen varios y por
la solucin es ptima mltiple, cada celda igual a cero indica una se escoge el ms negativo y se asigna en dicha celda.
Tablero de costos bsicos (T.C.B).
Se toma para su elaboracin el tablero dos.
75
o columna en la que se ha realizado el mayor nmero de asignaciones Nota: En aquella fila se le da un valor arbitrario cero a la variable, con el objeto de obtener todos los valores de las y de las Cuando hay empate, ste se rompe al azar.
A continuacin se elabora el tablero de costos no bsicos (T.C.N.B.):
76
En este caso, como
= -5, se asigna en dicha celda:
77
Lo cual nos dice que estamos en el ptimo. Adems se presentan rutas alternas, es decir, la respuesta de este problema se refiere a una solucin ptima mltiple (alterna), la cual se determina de acuerdo a los
78
ptimo
7:
Solucin ptima no degenerada ptimo 2:
Solucin ptima degenerada Optimo 3:
79
Solucin ptima degenerada NOTA: Cuando se tiene un problema de transporte de maximizacin, se aplica el mismo procedimiento que para el problema de minimizacin con el cambio siguiente: Si para todas las variables no bsicas, entonces la solucin bsica factible actual es ptima. De otra manera, debemos colocar la variable con el valor ms negativo de en la base mediante el procedimiento de pivoteo.
1. La administracin de la Fbrica Nacional de Trigo ha decidido la expansin de su capacidad de produccin tanto de su factora central, como de sus otras fbricas. A continuacin, se presentan los requerimientos y capacidades de las ciudades y de las factoras: Nuevos Requerimientos (Unidades) Ibagu Neiva Tunja 200 200 300 Nueva Capacidad en las fbricas (Unidades) Santaf de Bogot D.C. 300 Medelln Cali 150 250
Los costos entre las factoras y los centros de distribucin son:
80
Plantear y resolver el anterior problema como un modelo de transporte. 2. La Compaa Agroinsumos ofrece tres clases de abono para los cultivos que se presentan en la zona cafetera (Armenia, Manizales, Pereira). Determine el mejor modelo de transporte a partir de la informacin dada en la siguiente tabla:
3. La Compaa de Automotores es especialista en el ensamble de vehculos. En los siguientes cuadros se dan las ofertas, demandas y costos (semanales):
Plantear y resolver el anterior problema, es decir, encontrar el ptimo en un modelo de transporte.
81
CAPTULO 6 EL PROBLEMA DE ASIGNACIN

"Un buen pasatiempo matemtico vale ms y aporta ms a la Matemtica, que una docena de artculos mediocres". Jonh Edenson Littlewood La formulacin del problema general de asignacin es:
Sujeta a:
Corresponde a un caso especial del problema del transporte en el cual las variables slo pueden tomar el valor 0 o 1; tomar el valor 1 si el origen i se hace corresponder al destino j y 0 en caso contrario. El algoritmo para resolver problemas de asignacin se denomina Hngaro, ya que fueron dos matemticos Hngaros, Knig (1916) y Egervary (1931), los que aportaron las teoras que sirven de base a este mtodo. Este problema se presenta en diversos casos de toma de decisiones. Los problemas tpicos de asignacin implican asignar tareas a mquinas, trabajadores a tareas y proyectos, personal de ventas a territorios de ventas, contratos a licitaciones. Una caracterstica importante de los problemas de asignacin es que se asigna un trabajador, una tarea,..., a una sola mquina, proyecto,.... En particular se busca el conjunto de asignaciones que optimice el objetivo planteado, tal como minimizar costos, minimizar tiempo o maximizar utilidad.
EL MTODO HNGARO
Este algoritmo se usa para resolver problemas de minimizacin, ya que es ms eficaz que el empleado para resolver el problema del transporte por el alto grado de degeneracin que pueden presentar los problemas de asignacin. Las fases para la aplicacin del mtodo Hngaro son:
83
Paso 1. Encontrar primero el elemento ms pequeo en cada fila de la matriz de costos m*m; se debe construir una nueva matriz al restar de cada costo el costo mnimo de cada fila; encontrar para esta nueva matriz, el costo mnimo en cada columna. A continuacin se debe construir una nueva matriz (denominada matriz de costos reducidos) al restar de cada costo el costo mnimo de su columna. Paso 2. (En algunos pocos textos este paso se atribuye a Flood). Consiste en dibujar el nmero mnimo de lneas (horizontales o verticales o ambas nicamente de esas maneras) que se requieren para cubrir todos los ceros en la matriz de costos reducidos; si se necesitan m lneas para cubrir todos los ceros, se tiene una solucin ptima entre los ceros cubiertos de la matriz. Si se requieren menos de m lneas para cubrir todos los ceros, se debe continuar con el paso 3. Paso 3. Encontrar el menor elemento diferente de cero (llamado k) en la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el paso 2; a continuacin se debe restar k de cada elemento no cubierto de la matriz de costos reducidos y sumar k a cada elemento de la matriz de costos reducidos cubierto por dos lneas (intersecciones). Por ltimo se debe regresar al paso 2.
i
Notas:
1. Para resolver un problema de asignacin en el cual la meta es maximizar la funcin objetivo, se debe multiplicar la matriz de ganancias por menos uno (-1) y resolver el problema como uno de minimizacin. 2. Si el nmero de filas y de columnas en la matriz de costos son diferentes, el problema de asignacin est desbalanceado. El mtodo Hngaro puede proporcionar una solucin incorrecta si el problema no est balanceado; debido a lo anterior, se debe balancear primero cualquier problema de asignacin (aadiendo filas o columnas ficticias) antes de resolverlo mediante el mtodo Hngaro. 3. En un problema grande, puede resultar difcil obtener el mnimo nmero de filas necesarias para cubrir todos los ceros en la matriz de costos actual. Se puede demostrar que si se necesitan j lneas para cubrir todos los ceros, entonces se pueden asignar solamente j trabajos a un costo cero en la matriz actual; esto explica porqu termina cuando se necesitan m lneas. Mediante el siguiente ejemplo vamos a ilustrar la manera de aplicar el mtodo Hngaro a la solucin de un problema de asignacin de minimizacin: Una factora tiene cuatro operarios, los cuales deben ser asignados al manejo de cuatro mquinas; las horas requeridas para cada trabajador en cada mquina se dan en la tabla adjunta; el tiempo a laborar por cada operario en cada una de las mquinas se pretende que sea mnimo, para lo cual se busca la asignacin ptima posible.
84
Aplicando el mtodo Hngaro tenemos:
Restamos 10, 12, 9 y 14 (costos mnimos de cada fila) de cada elemento en cada una de las filas correspondientes:
En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran todos los ceros.
Encontramos el menor valor que est por fuera de las rectas (1), lo restamos de esos mismos valores y lo adicionamos en las intersecciones:
85
Solucin ptima nica: A-l, B-4, C-3 y D-2. Lo anterior quiere decir que Antonio va a laborar en la mquina 1 (10 horas), Bernardo en la mquina 4 (12 horas), Carlos va a trabajar en la mquina 3 (12 horas) y Diego en la mquina 2 (16 horas). La combinacin ptima de los recursos para este problema de minimizacin de asignacin es de 50 horas, resultantes de adicionar las asignadas a cada uno de los operarios en cada una de las mquinas. Dicho valor corresponde al valor ptimo de la funcin objetivo.
En cada uno de los siguientes problemas de minimizacin correspondientes a asignacin, encontrar la asignacin ptima, es decir, la mejor combinacin de los recursos. 1.
2.
3.
86
CAPTULO 7 PROGRAMACIN LINEAL ENTERA

"La preocupacin por el hombre y su destino, siempre debe constituir el inters principal de todos los esfuerzos tcnicos, la preocupacin de los grandes problemas no resueltos de la organizacin del trabajo y la distribucin de los bienes, para que las creaciones de nuestra mente sean una bendicin y no una calamidad para la humanidad. Nunca olvides esto en medio de tus diagramas y ecuaciones". Albert Einstein. Sus pioneros fueron Wagner (1950) y Martne (1959). La diferencia entre el problema que se estudia en este captulo y los estudios en captulos anteriores sobre Programacin Lineal, consiste en que se exige que algunas o todas de las variables sean nmeros enteros. Si se requiere que todas las variables sean enteras, se dice que se habla de Programacin Lineal Entera Pura; si se necesita que algunas de las variables de decisin sean nmeros enteros, se tiene un problema de Programacin Lineal Entera Mixta. En algunas aplicaciones, slo se permite que todas las variables tomen valores de cero o uno, hablamos en estos casos de Programacin Lineal Entera Binaria (Digital); si se requiere que solamente algunas de las variables tomen valores de cero o uno, se tiene un problema de Programacin Lineal Entera Binaria Mixta. Para resolver problemas de Programacin Lineal Entera, se utilizan varios algoritmos como son: Ralph Gmory, Ramificacin y Acotamiento, y Aditivo de Egon Balas. A continuacin presentamos el algoritmo de Gmory y un problema resuelto paso a paso para observar la manera de aplicarlo.
ALGORITMO GMORY
Se pretende mostrar una de las versiones de Gmory (fraccional), existen otros, como son el entero y el mixto. Paso 1. Resolver el problema primal, si la solucin es entera, corresponde a la ptima para el problema de Programacin Lineal Entera. Paso 2. Seleccionar decimales y escoger aquel que tenga la mayor parte fraccionaria tomando las ecuaciones completas.
87
Paso 3. Se separan la parte entera, es decir, quedarse solamente con la parte fraccionaria. Paso 4. Nota/Luego de encontrar una solucin ptima para el primal, por Simplex y despus de agregarle la primera nueva ecuacin al sistema se pasa a Dual-Simplex, para quitarle la infactibilidad al sistema. A partir del siguiente ejemplo, vamos a mostrar la manera de aplicar el algoritmo de Gmory para solucionar un problema de Programacin Lineal Entera:
Estandarizacin:
TABLERO 1 SIMPLEX
Variable que entra a la base:
Variable que sale de la base:
TABLERO 2 SIMPLEX
Variable que pasa a ser bsica:
Variable que pasa a ser no bsica:
88
TABLERO 3 SIMPLEX
Solucin ptima nica para el problema primal:

pero para el problema de Programacin Lineal Entera no nos sirve la respuesta, ya que las variables de decisin tienen valores fraccionarios. Para resolver este problema, aplicamos un refinamiento de la Programacin Lineal, el cual corresponde al algoritmo de Gmory:
TABLERO 4 DUAL - SIMPLEX
Variable que se vuelve no bsica:
Variable que se vuelve bsica:

TABLERO 5 SIMPLEX
Variable que entra a la base:
Variable que sale de la base:
89
TABLERO 6 SIMPLEX
Solucin
ptima al problema de Programacin Lineal Entera:
MTODO DE RAMIFICACIN Y ACOTAMIENTO Cada problema de Programacin Lineal Entera para su solucin se divide en dos subproblemas; para cada subproblema puede ocurrir lo siguiente: 1. Cuando el problema es no factible se da por terminado. 2. La solucin es entera mejor que cualquier solucin entera conocida, es candidata a solucin; en este caso no se busca mas. 3. Es fraccionario mejor que la solucin entera conocida ms adecuada, se parte en dos este problema. 4. Es peor que la mejor entera conocida; no se investiga ms. Ejemplo: Con sus restricciones
Solucin
Analtica:
Estandarizacin:
90
TABLERO 1 SIMPLEX
TABLERO 2
Solucin ptima nica de Programacin Lineal: Programacin Lineal Entera.
ms no de
91
Encontrar el ptimo en los siguientes problemas de Programacin Lineal Entera:
Sujeta a:
Sujeta a:
92
ANEXO G E O R G E BERNARD DANTZIG Y LA HISTORIA (Y EL FUTURO) DE LA PROGRAMACIN LINEAL
George Bernard Dantzig naci en 1914. Su padre era profesor de Matemticas, se retir dejando su puesto de Jefe del Departamento de Matemticas en la Universidad de Maryland poco despus de la Segunda Guerra Mundial. Su madre era una lingista especializada en idiomas eslavos. Dantzig estudi su carrera en la Universidad de Maryland, donde se gradu en 1936. Le disgustaba el hecho de no haber visto "ni una sola aplicacin en alguno de los cursos de Matemticas que haba tomado en Maryland".1 Al ao siguiente hizo estudios de posgrado en la escuela de Matemticas de la Universidad de Michigan. Sin embargo, exceptuando la Estadstica, le pareci que los cursos eran demasiado abstractos; "tan abstractos, que l slo deseaba una cosa: abandonar sus estudios de posgrado y conseguir un trabajo".
George BernardDantzig (Foto de Edward W. Souza En 1937 Dantzig dej News Service, Stanford University, Stanford, Estadstica en el Bureau California)
Michigan para trabajar como empleado en of Labor Statistics. Dos aos despus se inscriba en Berkeley para estudiar un Doctorado en Estadstica.
La historia de la tesis doctoral de Dantzig es ahora parte del anecdotario de las Matemticas. Durante su primer ao en Berkeley, llev un curso de Estadstica con el famoso Jerzy Ney mann. En una ocasin lleg tarde a una de las clases de Neymann. En la pizarra estaban escritos dos problemas que l supuso eran problemas de tarea. Dantzig, consecuentemente, los copi y los resolvi, aun cuando le parecieron "un poco ms difciles que los problemas ordinarios". Unos das despus se los entreg a Neymann, disculpndose por haber llegado tarde. Aproximadamente seis semanas despus -a las 8:00 de un domingo por la maana-, Neymann lleg aporreando la puerta de Dantzig, explicndole que haba escrito una introduccin a uno de los artculos de Dantzig y que quera que la leyera a fin de poder enviar el artculo para su publicacin. Los dos "problemas de tarea " que Dantzig haba resuelto eran, en realidad, dos famosos problemas no resueltos de la Estadstica. Las soluciones de estos problemas se convirtieron en su tesis doctoral, a sugerencia de Neymann.
1 Las citas que aparecen en esta resea se han tomado de la entrevista con Dantzig que fue publicada en la edicin de marzo de 1986de The College Mathematical Journal, pginas de la 293a la 314. Los entrevista do res fueron Dona IdJ. Albers y Constance Reid.
93
No obstante, Dantzig termin su doctorado hasta 1946. Poco despus del comienzo de la Segunda Guerra Mundial se uni a la Fuerza Area deE.uados Unidos y trabaj con el CombatAnalysis Branch of Statistical Control. Despus de recibir su Doctorado, regres a la Fuerza Area como el asesor de Matemticas del U. S. Air Forc Controller. Fu en ese trabajo donde encontr los problemas que le llevaron a hacer sus grandes descubrimientos. La Fuerza Area necesitaba una forma ms rpida de calcular el tiempo de duracin de las etapas de un programa de despliegue, entrenamiento y suministro logstico. El trabajo de Dantzig generaliz lo hecho por el economista, ganador del Premio Nobel, Wassily Leontief. Dantzig pronto se dio cuenta de que los problemas de planeacin con los que se encontraba eran demasiado complejos para las computadoras ms veloces de 1947 (y aun para las de la actualidad). La siguiente es la explicacin de Dantzig acerca de las dificultades que tuvo que encarar: "Un ejemplo sencillo ilustra la dificultad fundamental de formular un problema de planeacin utilizando un enfoque de anlisis de actividades. Considere el problema de asignar 70 hombres a 70 empleos. Una "actividad" consiste en asignar el isimo hombre al jsimo empleo. Las restricciones son dos: en primer lugar hay 70 hombres, cada uno de los cuales debe asignarse o un puesto y en segundo lugar, cada uno de los 70 puestos existentes debe estar ocupado. El nivel de una actividad puede ser 1, lo cual indica que est siendo usada, o O, lo cual significa que no. En consecuencia hay 2 x 70 = 140 restricciones y 70 x 70 = 4900 actividades con 4900 variables correspondientes de decisin uno-cero. Por desgracia tambin hay factorial de 70 permutaciones o formas de hacer las asignaciones. El problema consiste en comparar el factorial de las 70 formas y elegir la que sea la ptima o "mejor" segn algn criterio previamente establecido. En el ejemplo anterior, factorial de 70 es un nmero muy grande. A fin de tener una idea de qu tan grande es, supngase que se hubiese tenido una computadora IBM del tipo mainframe en el instante en el que ocurri el Big Bang hace quince millones de aos. Habra podido, entre ese entonces y ahora, examinar todas las soluciones posibles ? No! No obstante, supngase que se hubiese tenido una computadora aun ms poderosa, una que pudiese examinar mil millones de asignaciones por segundo. La respuesta seguira siendo negativa. An si la tierra se llenase con computadoras cuyas rapideces fueran de nanosegundos, todas ellas trabajando en paralelo, la respuesta an sera no. Sin embargo, si existiesen diez tierras, todas llenas con computadoras del tipo mencionado, todas programada en paralelo desde el instante del Big Bang hasta que el sol fuese una esfera fra, entonces quizs h: respuestc podra ser s. Lo notable es que el mtodo simplex, con la ayuda de una computadora moderna, puede resolver este problema en una fraccin de segundo". Antes de que Dantzig pudiese descubrir el mtodo simplex, le fue necesario primero tener un modelo prctico de Programacin Lineal. He aqu la descripcin de Dantzig del proceso: "Cuando el problema de la planeacin fue formulado inicialmente para la Fuerza Area, no exista la nocin exacta de una funcin objetivo, la idea de una meta claramente definida. Por supuesto, tenamos slo un falso respeto hacia el concepto de objetivo. En el discurso de los militares escuch a menudo decir, "nuestro objetivo es ganar la guerra"En el mundo de los negocios se escuchara quizs "nuestro objetivo es obtener ganancias". Sin embargo, era imposible hallar alguna relacin directa entre la meta establecida y las acciones emprendidas para tal fin. Si se estudiaba con cuidado el paso siguiente, se poda ver que algn lder haba promulgado un montn de reglas bsicas que, en su concepto, llevaran hacia la meta. Esto distaba mucho de lo que sera honestamente estudiar todas las combinaciones alternativas de las acciones para elegir la mejor combinacin. Los que mandan generalmente mueven las manos y dicen "He considerado todas las alternativas", pero es casi siempre basura. Lo ms probable es que no pudiesen estudiar todas las combinaciones. Antes de 1947 era inconcebible pensar en la existencia de una herramienta como la Programacin Lineal que permitiese examinar millones de combinaciones. No haba algoritmo o herramienta computacional que pudiera hacer eso.
94
No descubr el modelo de la Programacin Lineal en un instante, sino que tuvo un proceso de evolucin. Se dedic casi un afio completo a la tarea de decidir si mi modelo podra ser utilizado en la formulacin de problemas prcticos de distribucin de tiempos. Como usted sabe, la planeaciny la distribucin de tiempos se llevaron a una escala inmensa durante la guerra. El funcionamiento de la Fuerza Area fue equivalente al funcionamiento de la economa de toda una nacin. En el proceso intervinieron cientos de miles de personas. La logstica tuvo una magnitud difcil de entender para alguien que no haya estado ah. Mi colega Marshall Wood y yo revisamos miles de situaciones tomadas de nuestra experiencia durante la guerra. Las reglas bsicas empleadas en la planeacin se expresaban en un formato completamente distinto del que se emplea en la actualidad para formular un programa lineal. Lo que hicimos fue revisar estas reglas una por una y demostrar que casi todas ellas podan reformularse aceptablemente en un formato de Programacin Lineal. Pero no todas. En algunos casos era necesario tomar en cuenta el carcter discreto de las variables y las no convexidades. Cuando formul por primera vez mi modelo de Programacin Lineal, lo hice sin una funcin objetivo. Estuve luchando por algn tiempo con la adicin de reglas bsicas para elegir de entre las soluciones factibles la que en algn sentido fuese "ptima ". Pero pronto abandon esta idea y la sustitu por la de una funcin objetivo a ser maximizada. El modelo que formul no estaba hecho especficamente para fines militares. Poda aplicarse a toda clase de problemas de planeacin; todo lo que tena que hacerse era cambiar los nombres de las columnas y los renglones y entonces era aplicable a un problema de planeacin econmica lo mismo que a un problema de planeacin industrial" Habindose ya establecido el problema general de Programacin Lineal, fue necesario hallar soluciones en un tiempo razonable. Aqu rindi frutos la intuicin geomtrica de Dantzig: "Comenc observando que la regin factible es un cuerpo convexo, es decir, un conjunto polidrico. Por tanto, el proceso se podra mejorar si se hacan movimientos a lo largo de los bordes desde un punto extremo al siguiente. Sin embargo, este procedimiento parec a ser demasiado ineficiente. En tres dimensiones, la regin se poda visualizar como un diamante con caras, aristas y vrtices. En los casos de muchos bordes, el proceso llevara a todo un recorrido a lo largo de ellos antes de que se pudiese alcanzar el punto de esquina ptimo del diamante". Esta intuicin llev a la primera formulacin del mtodo simplex en el verano de 1947. El primer problema prctico que se resolvi con este mtodo fue uno de nutricin. El 3 de octubre de 1947Dantzig visit el Institute for Advanced Study donde conoci a John von Neumann, quien por entonces era considerado por muchos como el mejor Matemtico del mundo. Von Neumann le platic a Dantzig del trabajo conju.i 'o que estaba realizando con Oscar Morgenstern acerca de la teora de juegos. Fue entonces cuando Dantzig supo por primera vez del importante teorema de la dualidad. En 1976 el presidente Gerald Ford otorg a Dantzig la Medalla Nacional de Ciencias, que es la presea ms alta de los Estados Unidos en Ciencia. En la ceremonia en la Casa Blanca se cit a George Bernard Dantzig "Por haber inventado la Programacin Lineal, por haber descubierto mtodos que condujeron a aplicaciones cientficas y tcnicas en gran escala a problemas importantes en logstica, elaboracin de programas, optimizacin de redes y al uso de las computadoras para hacer un empleo eficiente de la teora matemtica". Dantzig se sorprendi de que el mtodo simplex funcionara con tanta eficiencia. Citando de nuevo sus palabras: "La mayor parte de las ocasiones el mtodo simplex resolva problemas de m ecuaciones en 2m o en 3m pasos, algo realmente impresionante. En realidad nunca pens que fuese a resultar tan eficiente.
95
En ese entonces yo an no haba tenido experiencias con problemas en dimensiones mayores y no confiaba en mi intuicin geomtrica. Por ejemplo, mi intuicin me deca que el procedimiento requerira demasiados pasos de un vrtice al siguiente. En la prctica son muy pocos pasos. Dicho con pocas palabras, la intuicin en espacios de dimensiones mayores no es muy buena gua. Slo ahora, 52 aos despus de haber propuesto el mtodo simplex por primera vez, la gente est comenzando a tener una idea de por qu el mtodo funciona tan bien como lo hace". El mtodo simplex se sigue utilizando ampliamente ms de 50 aos despus de su descubrimiento porque en realidad es muy eficiente. Sin embargo, hace poco2 el matemtico Narendra Karmarkar, de los Laboratorios Bell, descubri un mtodo que podra trabajar considerablemente ms rpido que el mtodo simplex en ciertos tipos de problemas. Dicho mtodo, llamado algoritmo de Karmarkar, trabaja en el interior del conjunto restriccin en vez de hacerlo en las esquinas. No obstante, cabe sealar que las evidencias ms recientes sugieren que el mtodo simplex es tan rpido como el algoritmo de Karmarkar en problemas que tengan aproximadamente hasta 20 000 variables. Slo en problemas realmente grandes, como por ejemplo el de un circuito de conmutacin telefnica, es el algoritmo de Karmarkar significativamente ms rpido. Una precisin acerca de la terminologa: un simplex es un tipo especial de conjunto convexo polidrico. Se dice que los vectores tienen puntos (o vectores) en Ms concretamente, sean son linealmente independientes.- Si los independencia afn si los n vectores puntos puntos tienen independencia afn, entonces el conjunto convexo ms pequeo que contiene los , tres puntos tienen independencia afn si no son colineales. El conjunto en se llama n-smplex. En convexo ms pequeo que contiene tres puntos no colineales es un tringulo con estos puntos como vrtices. cuatro puntos tienen independencia afn si no son coplanares. Por tanto, un 2-smplex es un tringulo. En El conjunto convexo ms pequeo que contiene cuatro de tales puntos es un tetraedro. Este es el 3-smplex. Vase la figura adjunta:
Los tringulos y los tetraedros son conjuntos polidricos convexos, no obstante que los conjuntos convexos polidricos no son necesariamente simplex. Por ejemplo, en un rectngulo es un conjunto convexo polidrico pero no es un simplex (vase la definicin precedente). El mtodo simplex fue llamado as por George Dantzig, aunque no es claro por qu eligi ese nombre. Habra sido ms adecuado llamarlo "mtodo del conjunto convexo polidrico".
2 Los primeros resultados fueron publicodos por Kormarkj' como "A New Polinomioi Time Algorithm for Linear Programming" en Combinatorica 4(4), 1984, pginas373a 395.
96
BIBLIOGRAFA
ANDERSON, David R. / Sweeney Dennis J. / Williams Tilomas A. Introduccin a los modelos cuantitativos para Administracin. Grupo Editorial Iberoamrica. Mxico. 1993. BERGREN, Stephen. Algunas tcnicas de la Investigacin de Operaciones. Mimeografiado Universidad Tecnolgica de Percira. DANTZIG, George Bernard. Linnear Programniing and Extensions. Princeton University Press New Yersey. 1993. EPPEN G.D. / Gould F.J. / Schmidt C.P./ Moore J. H. Introduccin a la Ciencia Administrativa. PrenticeHall Hispanoamrica. Mxico. 1999. GALLAGHER Charles A./ Wation Hugh J.Mtodos cuantitativos para la toma de decisiones en Administracin. Me Graww Hill Mxico. 1982. GASS, Sal I. Programacin Lineal. Mxico. 1978. GROSSMAN, Stanley I. Aplicaciones de Algebra Lineal. Me Graw Hill. Mxico. 1992. HILLIER, Frederick S. / Lieberman Gerald J. Introduccin a la Investigacin de Operaciones. Me Graw Hill. Mxico. 1997. JAUFFRED M, Francisco J. /Moreno Bonett Alberto /Acosta J. Jess. Mtodos de Optimizacin. Representaciones y Servicios de Ingeniera. Mxico. 1974. MATHUR Kainlesh / Solow Daniel. Investigacin de Operaciones. Prentice Hall. Mxico . 1996 MOSKOWITZ, Herbert / Wright Gcidon C. Investigacin de Operaciones. Prentice/Hall Carvajal Cali. 1982. NAMAKFOROOSH, Mohammad. investigacin de Operaciones. Limusa. Mxico. 1984. PRAWDA Witenberg, Juan. Mtodos y Modelos de Investigacin de Operaciones. Limusa. Mxico. 1982. TAHA, Hamdy A. Investigacin de Operaciones.Prentice Hall. Mxico. 1998. VARELA, Jaime Enrique. Investigacin de Operaciones. Fondo Educativo Interamericano. Santaf de Bogot D.C. 1982.
97
Esta obra se termin de imprimir en los Talleres del Centro de Publicaciones de la Universidad Nacional de Colombia - Sede Manizales, en el mes de marzo de 1999

IO I - Guillermo Jimenez Lozano - Parte1

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

IO I - Guillermo Jimenez Lozano - Parte1

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES

GUILLERMO JIMNEZ LOZANO Docente Universidad Nacional de Colombia

Manizales, marzo de 1999

DE COLOMBIA SEDE MANIZALES

GUILLERMO JIMNEZ LOZANO

Centro de Publicaciones Universidad Nacional de C o l o m b i a Sede M a n i z a l e s M a r z o 1999 Primera Edicin

Guillermo Jimnez Lozano

CAPTULO 1 TOMA DE DECISIONES GERENCIALES Y LA NECESIDAD DE LA INVESTIGACIN DE OPERACIONES

TIPOS DE DECISIONES Y SUS ELEMENTOS CONSTITUTIVOS

FIGURA N 1. TIPOS DE DECISIN Y SUS ELEMENTOS CONSTITUTIVOS

FIGURA N 2. TAXONOMA DE LAS SITUACIONES DE DECISIN

Por qu la toma de decisiones es compleja?

BENEFICIOS Y LIMITACIONES DEL ENFOQUE CIENTFICO EN LA TOMA DE DECISIONES

Cmo es beneficioso un enfoque formal en la toma de decisiones?

FIGURA N 3. DIAGRAMA DE FLUJO DEL PROCESO TERICO DE DECISIN

MODELOS Y TCNICAS MULTIATRIBUTOS

MODELOS DE UTILIDAD CONFIGURAL (NO LINEAL)

o en forma logartmica, como:

MODELOS DE REPRESENTACIN ESPACIAL

MODELOS DE PROGRAMACIN MATEMTICA

PROGRAMACIN LINEAL Y NO LINEAL

CAPTULO 2 PROGRAMACIN LINEAL

FIGURA N 4. PROCESO DE LA TOMA DE DECISIONES

En general, el problema que resuelve la Programacin Lineal se plantea as:

con las siguientes restricciones:

Restricciones formales (de rango); Recursos

La optimizacin puede corresponder a una funcin de maximizacin o minimizacin.

CARACTERSTICAS DE LOS PROBLEMAS DE PROGRAMACIN LINEAL

PLANTEAMIENTO DE MODELOS EN PROGRAMACIN LINEAL

Plantear el anterior problema como un modelo de Programacin Lineal.

MAX Z = 4000X 1 + 5000X2 sujeto a:

Con sus restricciones: Primera seccin: cuando

Segunda seccin: cuando

Tercera seccin: cuando

Con sus restricciones:

Con sus restricciones:

Cantidad invertida en pesos al inicio del ao i en la inversin B.

Con las siguientes restricciones:

C) MAX Z = 8000{100+200(X22+X32+X42)}+8000*100 Con sus restricciones:

Con sus restricciones:

Con las siguientes restricciones:

COMENTARIOS GENERALES ACERCA DE LA OPTIMIZACIN

Con sus restricciones:

Resolver el anterior problema como un modelo de Programacin Lineal

Solucionar el anterior problema como un modelo de Programacin Lineal

Solucin ptima no acotada o ilimitada o indeterminada

4) MAX Z = 4Xj + 3X2 Con sus restricciones:

Resolver el anterior problema como un modelo de Programacin Lineal

Solucin infactible o no factible o sin solucin.

(Ejemplo No.l Pgina 34)

S, 800 0 350 0 -400 0

80 80 80 35,6 13,4 48,9

Estandarizacin: Se puede usar indistintamente

Entra a la base X1( sale de la base X3

Entra a la base X , , sale de la base X4

Entra a la base X3, sale de la base X6

Con sus restricciones:

Resolver el anterior problema como un modelo de Programacin Lineal Solucin Analtica

No hay quien entre a la base (Forzamos a la variable X2 a entrar a la base)

Solucin ptima Mltiple (Alterna)

indica solucin ptima mltiple

Solucionar el anterior problema como un modelo de Programacin Lineal

Entra a la base X, Sale de la base X

Con sus restricciones: