Вы находитесь на странице: 1из 13

PROGRAMACIN LINEAL

Alumno: Desimoni Gernimo E.


Profesor: Diego lvarez
Ctedra: Economa agraria
Ao: 2015

INTRODUCCIN
Las decisiones que se deben tomar en torno al manejo de recursos naturales pueden conllevar un proceso
difcil, el encargado de tomar esta decisin debe tener en cuenta mltiples variables como ser el deseo de
proteger los ecosistemas, las presiones de lograr un mayor desarrollo econmico, la demanda de alimentos
seguros y sustentables para el medio ambiente y la preocupacin por la preservacin de especies en peligro
de extincin y paisajes naturales.
El siguiente trabajo se basa en ejercicios de programacin lineal planteados en el libro de Taha de
Investigacin de operaciones, nos limitamos a resolver ciertos problemas planteados en el mismo con el
objetivo de resolver a travs de la funcin Solver de Excell los distintos modelos.

MODELO DE TRANSPORTE Y DE ASIGNACIN DE ALIMENTOS PARA MERCADOS


AGRCOLAS
Una aplicacin frecuente de programacin lineal (PL) son los problemas de decisin de transporte de
alimentos, stos forman parte de una clase especial de PL conocido como optimizacin en red, se basa en
determinar cmo mover un producto en la forma ms eficiente dadas ciertas restricciones tales como oferta
disponible (capacidad de planta) desde cada lugar de produccin y la demanda efectiva en cada destino de
consumo. Generalmente el objetivo es minimizar los costos de transporte.
Los costos de transporte son particularmente importantes para los commodities en el sector agropecuario.
La mayora de estos son muy voluminosos y unos cuantos son altamente perecederos. Consecuentemente,
los costos de transportar tienen un costo relativo muy alto para muchos productos agrcolas. Como
resultado de esto los alimentos, los productores de alimentos, manufacturas y las cooperativas agrcolas
estn interesados en disear rutas que sean lo s eficiente posible. La programacin lineal es muy usada
para ayudar a disear rutas eficientes.
En esta seccin, el problema de transporte es presentado como un problema de PL. Un ejemplo simple se
usar para ilustrar la estructura bsica de muchos modelos. Luego, se describir el problema de transbordo,
el mismo extiende el modelo de transporte para incluir actividades de almacenamiento y / o procesamiento
que representan nodos intermedios en la red de trasporte. Esto es especialmente importante para los
commodoties agrcolas, debido a que en su gran mayora pasan por procesos de transformacin a lo largo de
la cadena de produccin. Un caso especial del problema de transporte llamado de transbordo es descrito
luego. El problema de transbordo busca adaptar los recursos disponibles a las tareas en la forma ms
eficiente posible. (Harry M. Kaiser, 2011)

EL MODELO DE TRANSPORTE
MG Auto tiene tres plantas: en Los ngeles, Detroit y New Orleans; y dos centros principales de distribucin
en Denver y en Miami. Las capacidades de las tres plantas durante el prximo trimestre sern 1000, 1500 y
1200 autos. Las demandas trimestrales en los dos centros de distribucin son 2300 y 1400 autos. El
kilometraje entre las fbricas y los centros de distribucin se ve en la tabla 5.1. (Taha, 2004)
TABLA 5.1
Denver
Miami
Los ngeles
1000
2690
Detroit
1250
1350
New Orleans
1275
850
La empresa transportista cobra 8 centavos por milla y por auto. El costo de transporte por auto, en las
distintas rutas y redondeado hasta el $ ms prximo, se calcula como se ve en la tabla 5.2.
TABLA 5.2
Los ngeles (1)
Detroit (2)
New Orleans (3)

Denver (1)
$80
$100
$102

Miami (2)
$215
$108
$102 $68

El modelo de programacin lineal para el problema es el siguiente:

Funcin objetivo
Variables de decisin

Minimizar z=80*X11+215*X12+100*X21+ 108*X22+ 102*X31+ 68*X32


X11

X12

X21

X22 X31

X33

Restricciones

Precio
Sombra

Valores ptimos de variables 1000


0 1300 200 0 1200
de decisin
Coeficientes de funcin
80
215 100 108 102 68 313200
objetivo
Los ngeles
1
1
1000 <=
1000
-20
Detroit
1
1
1500 <=
1500
0
New Orleans
1
1
1200 <=
1200
-40
Denver
1
1
1
2300 >=
2300
100
Miami
1
1
1
1400 >=
1400
108
Todas estas restricciones son ecuaciones, porque el abasto total desde las tres fuentes (1000 + 1500 + 1200
= 3700 autos) es igual a la demanda total en los dos destinos (2300 + 1400 = 3700 autos).
La solucin ptima se resume en la figura 5.2. Indica que se manden 100 autos de Los ngeles a Denver,
1300 de Detroit a Denver, 200 de Detroit a Miami y 1200 de New Orleans a Miami. El costo mnimo de
transporte asociado es 80*1000+215*0+100*1300+ 108*200+ 102*0+ 68*1200 = $313200.

Precio sombra y anlisis de sensibilidad


El precio sombra de -20 en la planta de Los ngeles significa que si la capacidad de produccin de dicha
planta se incrementa en 1, el costo total de transporte disminuir en $20, misma interpretacin para el
precio sombra de -40 en la planta de New Orleans, por el contrario aumentar en una unidad la capacidad de
planta en Detroit no reducira el costo total de transporte; esto se debe a que resulta ms barato transportar
a Denver desde Los ngeles y a Miami desde New Orleans comprado con Detroit. Si la empresa estuviera
analizando cambiar su mapa de produccin, sera ptimo aumentar la produccin en New Orleans en primer
lugar, luego en Los ngeles y reducir la de Detroit.
Por otro lado el precio sombra positivo de 100 y 108 en Denver y Miami respectivamente hace referencia a
lo que dice el sentido comn, aumentar las cantidades entregadas aumentar el costo total de envo, pero
para poder entregar ms habr que aumentar tambin la produccin, de esta manera habra que restar al
precio sombra del centro de distribucin el de la planta. Por ejemplo si Denver aumenta su demanda en 1
unidad y Los ngeles aumenta tambin su produccin en 1 para satisfacer la demanda el costo total de
transporte ser 313200 + 100 - 80 = $31.3180, pero si es Detroit quien aumenta su produccin entonces el
costo total de transporte ser 313200 + 100 - 0 = $31.330.
4

EL MODELO DE TRANSBORDO
En el modelo de transbordo se reconoce que puede ser ms econmico el transporte pasando por nodos
intermedios o transitorios antes de llegar al destino final. Este concepto es ms general que el del modelo
normal de transporte, en el que slo se permiten envos directos entre una fuente y un destino.
En esta seccin se explica cmo se puede convertir y resolver un modelo de transbordo en un modelo de
transporte normal, usando la idea de un amortiguador. (Taha, 2004)
Ejemplo 5.5-1
Dos fbricas de automviles, P1 y P2, se enlazan con tres agencias, D1, D2 y D3, a travs de dos centros de
distribucin, T1 y T2, de acuerdo con la red de la figura 5.9. Las cantidades de oferta en las plantas P1 y P2
son 1000 y 1200 autos, y las cantidades de demanda en las agencias D1, D2 y D3 son 800, 900 y 500 autos. El
costo de transporte por vehculo, en cientos de $ entre pares de nudos se ve en los enlaces (o arcos) de la
red.
En la red de la figura 5.9 hay transbordos porque toda la oferta de 2200 (1000 + 1200) autos de los nodos P1
y P2 podra pasar en principio por cualquier nodo de la red, antes de llegar a su destino en los nodos D1, D2y
D3. A este respecto, los nodos de la red que tienen arcos de entrada y salida al mismo tiempo (T1, T2, D1y
D2) funcionan como fuentes y destinos al mismo tiempo, y se llaman nodos de transbordo. Los nodos
restantes pueden ser nodos de oferta pura (P1 y P2) o nodos de demanda pura (D3). El modelo de
transbordo se puede transformar en un modelo normal de transporte con 6 fuentes (P1, P2, T1, T2, D1 y D2)
y cinco destinos (T1, T2, D1, D2 y D3)
La cantidad amortiguadora debe ser lo suficientemente grande como para permitir que toda la oferta (o
demanda) original pase por cualquiera de los nodos de transbordo. Sea B la cantidad deseada de
amortiguador. Entonces
B =Oferta (o demanda) total = 2200 autos
Al usar el amortiguador B y los costos unitarios de transporte que se ven en la red, se forma el modelo
equivalente de transporte normal de la tabla 5.44. En la figura 5.10 se ve la solucin de este problema de
transporte. Observe el efecto del transbordo: la agencia D2recibe 1400 vehculos, conserva 900 para
satisfacer su demanda, y manda los 500 autos restantes a la agencia D3

T1
T2
D1
A=0
B=1000
C=1200 D=0
E=0
F=800

P1
P2
T1
T2
D1
D2

Funcin objetivo
Variables de decisin
Valores ptimos de
variables de decisin
Coeficientes de
funcin objetivo

Coeficientes de las
restricciones

D2

1000
1200
B
B
B
B

G=400
H=1000 I=0
J=0
K=500
900+B
500

800+B

Minimizar Z = 3*A+4*B+2*C+5*D+7*E+8*F+6*G+4*H+9*I+3*K = 20.700


A
0

B
C
D
1000 1200 0

1
1

1
1

E
0
7

F
G
800 400
8

H
1000

I
0

J
0

K
500

1
-1

-1

-1

-1

-1

1
1

No negatividad

D3

-1
1

1
H

1
I

-1
1
K

20700
1000
1200
0
0
800
900
500

B
<= 1000
<= 1200
=
0
=
0
>= 800
>= 900
>= 500
>=
0

P1
P2
T1-B
T2-B
D1-B
D2-B
D3

PROBLEMAS INTEGRALES
En la construccin del Aeropuerto Internacional de Brisbane se requiere mover 1.355.000 m3 de arena
dragada de cinco bancos en una baha cercana, por tubera a nueve sitios en el aeropuerto. La arena se usa
para estabilizar los terrenos pantanosos del rea propuesta de construccin. Algunos de los sitios hacia
donde se mueve la arena se usan para construir caminos dentro y en el permetro del aeropuerto. El exceso
6

de arena de un sitio se mover con camiones a otras reas exteriores al aeropuerto, donde se construir una
carretera perimetral. Las distancias (en cientos de metros) entre los bancos y los sitios se resumen en la
tabla 5.50. Tambin ah se ven las cantidades de oferta y demanda, en cientos de m 3, en los distintos
lugares. (Taha, 2004)
Tabla 5.50
1
2
3
4
5
Demanda

1
22
20
16
20
22
62

2
26
28
20
22
26
217

3
12
14
26
26
0
444

4
10
12
20
22
4
315

5
18
20
1,5
6
16
50

6
18
20
28
10000
10000
7

7
11
13
6
2
24
20

8
8,5
10
22
21
14
90

9
20
22
18
18
21
150

Oferta
960
201
71
24
99
1355

La gerencia del proyecto ha estimado un movimiento de arena [m3 de volumen X distancia (cientos de
metros)] de 2.495.000 unidades, al costo de $0.65 por unidad. Est dentro de los lmites el movimiento de
arena estimado por la gerencia de proyecto?
El total de movimiento de arena [m3 de volumen X distancia (cientos de metros)] asciende a 1.886.300, por
lo tanto est dentro de los lmites de lo estimado por la gerencia del proyecto. (Ver solucin en Excel, hoja
Problemas integrales).

PROGRAMACIN DE METAS (Taha, 2004)


Los modelos de programacin lineal que se presentaron en los captulos anteriores se basan en la
optimizacin de una sola funcin objetivo. Hay casos en donde lo ms adecuado es tener varios objetivos
(posiblemente opuestos). Por Ejemplo, los polticos aspirantes pueden prometer reducir la deuda nacional y,
al mismo tiempo, ofrecer rebajas de impuesto sobre la renta. En tales casos podr ser imposible encontrar
una solucin nica que optimice los objetivos contrapuestos. En lugar de ello se podr buscar una solucin
intermedia, o de compromiso basada en la importancia relativa de cada objetivo.
Este captulo presenta la tcnica de programacin de metas para resolver modelos con varios objetivos. La
idea principal es convertir los diversos objetivos originales en una sola meta. El modelo resultante produce lo
que se suele llamar solucin eficiente, porque podr no ser ptima con respecto a todos los objetivos
contrapuestos del problema.

FORMULACIN DE PROGRAMACIN DE METAS


En esta clase de problemas los objetivos que se buscan cumplir son contrapuestos, por lo tanto no podemos
satisfacerlos todos a la vez. Lo que se busca es lograr una solucin eficiente, en la cual hay una desviacin
respecto de ciertas metas, es decir que algunas metas no se logran, pero esa desviacin es la ms eficiente.
Lo ms que se puede hacer es buscar una solucin de compromiso entre los planes contrapuestos.
La forma en que la programacin de metas determina una solucin de compromiso es convirtiendo cada
desigualdad en una meta flexible, en la que la restriccin correspondiente puede violarse si es necesario.
A cada restriccin se agrega una variable de desviacin y as las restricciones pasan a tener la forma de ==
en lugar de > o <, estas variables pueden tomar valores positivos o negativos. Si la i-sima desigualdad
original es del tipo < y su variable de desviacin toma un valor positivo, entonces se satisfar la i-sima meta;
en caso contrario, si la variable de desviacin toma un valor negativo, la meta i no se satisfar. En esencia, la
definicin de y permite satisfacer o violar la i-sima meta cuando se desee. sta es la clase de flexibilidad
que caracteriza a la programacin de metas cuando busca una solucin de compromiso. Naturalmente, una
buena solucin de compromiso trata de minimizar la cantidad por la cual se viola cada meta.
Para resolver sta cuestin se emplean dos mtodos, en el mtodo de los factores de ponderacin la
funcin objetiva nica es la suma ponderada de las funciones que representan las metas del problema. El
mtodo de jerarquas comienza dando prioridades a las metas en orden de importancia. A continuacin se
optimiza el modelo usando una meta cada vez, de tal modo que el valor ptimo de una meta con mayor
prioridad nunca se degrade debido a una meta con menor prioridad.
En general, los dos mtodos propuestos no producen la misma solucin. Sin embargo, ninguno de ellos es
mejor que el otro, porque cada tcnica tiene por objeto satisfacer ciertas preferencias en la toma de
decisiones.

El mtodo de factores de ponderacin


Supongamos que el modelo de programacin de metas tiene n metas, y que la i-sima meta se expresa
como sigue:

La funcin objetivo combinada que se usa en este mtodo se define como sigue:

El parmetro wi, para i=1, 2, n, representa factores de ponderacin positivos que refleja las preferencias
de quien toma las decisiones, respecto a la importancia relativa de cada meta. Por ejemplo wi = 1 , para toda
i significa que todas las metas tienen el mismo factor de ponderacin. La determinacin de los valores
especficos de esos factores es subjetiva. En realidad los procedimientos analticos que se han publicado,
aparentemente complicados se siguen basando en evaluaciones subjetivas.
Ejemplo 8.2-1
TopAd es una nueva agencia de publicidad, con 10 empleados; ha recibido un contrato para promover un
producto nuevo. La agencia puede anunciarlo por radio y por TV. La tabla siguiente contiene datos sobre la
cantidad de personas a las que llega cada tipo de anuncio, y sus requisitos de costo y mano de obra.
Datos/Min de anuncio
Lmites
Radio
Televisin
Exposicin (millones e personas)
4
8
>=
45
Costo (miles de dlares)
8
24
<=
100
Empleados asignados
1
2
<=
10
El contrato prohbe a TopAd que use ms de 6 minutos en anuncios por radio. Adems, los anuncios por
radio y TV deben llegar cuando menos a 45 millones de personas. Top Ad ha establecido para el proyecto
una meta de presupuesto de $100,000. Cuntos minutos de anuncios en radio y TV debe programar
TopAd?
La gerencia de TopAd supone que la meta de exposicin tiene dos veces la importancia de la meta de
presupuesto. Entonces, la funcin objetivo combinada se convierte en:

Funcin objetivo

Minimizar Z = 2*"S1+"+"S2-"

Variables de decisin
X1
X2
S1+ S1- S2+ S2Restricciones
Valores ptimos de variables de decisin
5
2,5
5
0
0
0
Coeficientes de funcin objetivo
2
1
10
Meta de exposicin
4
8
1
-1
45
=
45
Meta de presupuesto
8
24
1
-1
100
=
100
Coeficientes de
las restricciones
Lmite de personal
1
2
10
<=
10
Lmite de radio
1
5
<=
6
No negatividad
X1
X2
S1+ S1- S2+ S2>=
0
La solucin ptima por el mtodo de factores de ponderacin es Z = 10, X1=5 minutos, X2=2,5 minutos y
S1+=5 millones de personas. Todas las variables restantes son iguales a cero.
El hecho que el valor ptimo de Z no sea cero indica que no se cumple con al menos una meta. En forma
especfica, S1+=5 indica que la meta de exposicin (de un mnimo de 45 millones de personas) no se cumple
por 5 millones de individuos. Al revs, la meta de presupuesto (no excederse de $10,000) no se viola, porque
S2- es cero.
9

La programacin de metas slo produce una solucin eficiente del problema, que no necesariamente es la
ptima. Por ejemplo, la solucin X1 = 6 y X2 = 2 produce la misma exposicin (4*6+8*2 = 40 millones de
personas), pero cuesta menos (8*6+24*2 = $96.000). En esencia, lo que hace la programacin de metas es
determinar una solucin que satisfaga slo las metas del modelo, sin considerar la optimizacin. Esa
deficiencia de encontrar una solucin ptima causa dudas sobre la viabilidad de la programacin de metas
como tcnica de optimizacin.

El mtodo de jerarquas
En el mtodo de jerarquas, quien toma las decisiones debe clasificar las metas del problema por orden de
importancia. Dado un caso de n metas, los objetivos del problema se escriben como sigue:

Donde la variable i (ro) es Si+ o Si- representando la meta i.


El procedimiento de solucin considera una meta cada vez, comenzando con la mxima prioridad G1y
terminando con la mnima, Gn. El proceso se hace de tal modo que la solucin obtenida con una meta de
menor prioridad nunca degrade a alguna solucin de mayor prioridad.
Ejemplo 8.2-2
Se resolver el problema del ejemplo 8.2-1 con el mtodo de jerarquas. Supongamos que la meta de
exposicin tiene mayor prioridad.
Paso 1: Resolver el programa lineal de mxima prioridad

Funcin objetivo

Minimizar G1 = S1+

Variables de decisin
Valores ptimos de variables de decisin
Coeficientes de funcin objetivo 1

X1 X2 S1+ S1- S2+ S2Restricciones


5 2,5 5
0
0
0
1
5
4
8
1
-1
45 =
45
8 24
1
-1 100 =
100
Coeficientes de las restricciones
1
2
10 <=
10
1
5 <=
6
No negatividad
X1 X2 S1+ S1- S2+ S2>=
0
Cuya solucin ptima es X1 = 5 minutos, X2 = 2,5 minutos y S1+ = 5 millones de personas y todas las
variables restantes son iguales a cero. La solucin indica que la meta de exposicin G1 se viola por 5 millones
de personas.
Paso 2: Se debe resolver el problema lineal siguiente en orden de importancia, sujeto al mismo conjunto de
restricciones que en el paso 1, ms la restriccin S1+ = 5. Eliminamos S1+ = 5 por sustitucin en la primera
restriccin, de esta manera no violamos la solucin ptima del paso 1.

10

Funcin objetivo

Minimizar G2 = S2-

Variables de decisin
Valores ptimos de variables de decisin
Coeficientes de funcin objetivo 1

X1 X2 S1+ S1- S2+ S2Restricciones


5 2,5 0
0
0
0
1
0
4
8
-1
40 =
40
8 24
1
-1 100 =
100
Coeficientes de las restricciones
1
2
10 <=
10
1
5 <=
6
No negatividad
X1 X2 S1+ S1- S2+ S2>=
0
En realidad, la optimizacin del programa lineal 2 no es necesaria en este ejemplo, porque la solucin
ptima al problema G1 ya obtiene S2- = 0 .Por consiguiente, la solucin del programa lineal del paso 1 es
ptima automticamente tambin para el programa lineal del paso 2.

El mtodo de jerarquas para optimizar los objetivos


A continuacin indicaremos con un ejemplo cmo se puede obtener una solucin mejor del problema del
ejemplo 8.2-2, si se usa el mtodo de jerarquas para optimizarlos objetivos ms que para satisfacerlas
metas.
Las metas del ejemplo 8.2-2 se pueden replantear como sigue:
a. Prioridad 1: maximizar exposicin (P1)
b. Prioridad 2: minimizar costo (P2)
Los dos objetivos se enuncian matemticamente como sigue:
a. Maximizar P1 = 4*X1 + 8*X2 (Exposicin)
b. Minimizar P2 = 8*X1 + 24*X2 (Costo)
Los lmites especficos de meta para exposicin y costo, que son 45 y 100, se eliminan, porque el mtodo de
programacin lineal los determinar en forma ptima.
As, el nuevo problema se puede plantear como sigue:
Paso 1:

Funcin objetivo

Maximizar P1 = 4*X1 + 8*X2

Variables de decisin
X1 X2
Restricciones
Valores ptimos de variables de decisin
6
2
Coeficientes de funcin objetivo
4
8 40
Coeficientes de las
Nmero de empleados
1
2 10 <=
10
restricciones
Minutos de radio
1
0
6 <=
6
No negatividad
X1 X2
>=
0
La solucin es X1 = 0, X2 = 5 y P1 = 40, lo que muestra que la mxima exposicin que se puede alcanzar es 40
millones de personas.
Paso2: Se agrega la restriccin 4*X1 + 8*X2 >= 40 para asegurar que no se degrade la meta G1. Luego se
resuelve el programa lineal 2 como sigue:

11

Funcin objetivo

Minimizar P2 = 8*X1 + 24*X2

Variables de decisin
Valores ptimos de variables de decisin
Coeficientes de funcin objetivo
Nmero de empleados
Coeficientes de las
Minutos de radio
restricciones
ptimo de G1
No negatividad

X1 X2
Restricciones
6
2
8 24 96
1
2 10 <=
10
1
0
6 <=
6
4
8 40 >=
40
X1 X2
>=
0

La solucin ptima del programa lineal del paso 2, es P2 = $96.000, X1 = 6 minutos y X2 = 2 minutos.
Obtiene la misma exposicin (40 millones de personas) pero a un costo menor que el del ejemplo 8.2-2,
donde el objetivo principal es satisfacer las metas, ms que optimizarlas.

12

Bibliografa
Harry M. Kaiser, K. D. (2011). Mathematical programming for agricultural, environmental, and resource
economics. John Wiley & Sons, Inc.
Taha, H. A. (2004). Investigacin de operaciones. Mxico: PEARSON EDUCACIN.

13