INTRODUCCIN

En la siguiente monografa se abordara los conceptos y principios bsicos

acerca de la programacin lineal, no lineal y entera-mixta. A su vez se incorpora

grficos, ejemplos y ecuaciones para su mejor comprensin.

PROGRAMACIN LINEAL

Concepto:

Programacin lineal es una tcnica matemtica que sirve para investigar, para

as, hallar la solucin a un problema dado dentro de un conjunto de soluciones

factibles y es la operacin que se utiliza para poder obtener la maximacin de

ganancias o minimizar los costos. Adems la programacin lineal se utiliza en

extensas operaciones industriales y militares.

Un modelo de programacin lineal proporciona un mtodo eficiente para

determinar una decisin ptima, (o una estrategia ptima o un plan ptimo)

escogida de un gran nmero de decisiones posibles.

En todos los problemas de Programacin Lineal, el objetivo es la maximacin o

minimizacin de alguna cantidad.

Reglas importantes para la programacin lineal

1- Cuando se suma o se recta un nmero en ambos lados de la igualdad esta

mantiene el mismo sentido.

2- Si se multiplica o divide los dos lados de la igualdad o desigualdad con

nmeros positivos, tambin mantiene el mismo sentido.

3- Cuando se multiplica o divide los dos lados de la igualdad o desigualdad con

nmero negativo cambia su sentido.

Mtodos.

Mtodo Grfico.

Representacin en un sistema de ejes coordenados de las zonas del plano

definidas por las inecuaciones de restriccin para determinar una figura que

satisfaga todas y cada una de ellas.

Mtodo grfico para problemas de maximizacin

1- Se tiene que, derivar un grupo de ecuaciones basadas en las condiciones

especiales dadas en el problema.

2- Se tiene que, resolver el grupo de ecuaciones de igualdad y desigualdad

para la solucin ptima basada en le funcin que se ha de maximizar o

minimizar y esta se conoce como Funcin Objetiva.

Mtodo grfico para problemas de minimizacin

En el mtodo grfico para problemas de minimizar costos su funcin objetiva es

que tenemos que hacer que los costos de materiales sean lo menos posibles.

EJERCICIO DE MAXIMIZACION

Una empresa donde produce sillas y mesas, tiene una

ganancia por mesa de tres (3) dlares, para construir una

necesita invertir dos (2) horas mquina y una (1) hora

hombre. Para la empresa producir una silla necesita invertir

seis (6) horas mquina y cuatro (4) horas hombre donde tiene

una ganancia de cinco (5) dlares por silla.

Nuestro mximo disponible por horas mquinas ser de dos

(2) y el mximo disponible para horas hombre ser de seis (6)

Para obtener nuestra ecuacin llamaremos a las mesas con X y las sillas con Y.

Ecuacin Funcin Objetiva

2X + 6Y 12 F = 3X + 5Y
X + 4Y 7

A continuacin veremos el resultado de Y cuando igualamos X a cero (0) y el

resultado de X cuando igualamos Y a cero (0) en ambas ecuaciones.
Primera ecuacin para Horas Mquina:
Puntos para Horas Mquina, A = (0, 2) y B = (6, 0)

Puntos para Horas Hombre, C = (0, 1.75) y D = (7, 0)

El punto donde se cortan las lneas lo llamaremos punto, E = (3, 1).

De esta forma podemos tener nuestros puntos factibles necesarios para as

determinar la funcin objetiva. Nuestros puntos factibles son CEB, donde C

= (0, 1.75), E = (3, 1) y B = (6, 0).

Solucin: F = 3X + 5Y

Funcin objetiva para el punto C, donde se producen sillas;

C = 3(0) + 5(1.75) = 8.75

Funcin objetiva para el punto E, donde se producen sillas y mesas;

E = 3(3) + 5(1) = 14

Funcin objetiva para el punto B, donde se producen mesas;

B = 3(6) + 5(0) = 18

Luego de realizar estos clculos podemos ver que para que la empresa reciba

un mayor beneficio debe producir solamente mesas.

EJERCICIO DE MINIMIZACION

Una compaa de qumica programa la produccin de ciertos tipos de mezclas,

donde el material M es igual a 8 dlares por paquete y con un peso de 4 kilos,

el material N es igual a 5 dlares por paquete con un peso de 2 kilos. Se

requiere 100 kilos de la mezcla y se necesita emplear no menos de 20

paquetes de N para hacer la mezcla. Cuntos paquetes se debe usar para

minimizar los costos?

Tenemos para M = X y para N = Y, donde M = $8.00 por paquete con un peso

de 4kilos y donde N = $5.00 por paquete con un peso de 2kilos. Tambin
tenemos 100kilos por lo menos 20 paquetes de N.

Luego de conocer nuestros puntos factibles, procedemos a determinar la

funcin objetiva. Los puntos factibles son A y D, donde A = (0, 50) y D = (15,
20).

Solucin: F = 8X + 5Y
A = 8(0) + 5(50) = 250
D = 8(15) + 5(20) = 220

Luego de obtener estos clculos podemos determinar que el punto donde

mejor minimizamos los costos es en el punto D.
Programacion no lineal

Un modelo matemtico o problema se dice que pertenece a la programacin no

lineal si la funcin objetivo y/o alguna de las restricciones del problema son una

funcin no lineal de las variables de decisin (modelo o problema no lineal). Si

la funcin objetivo y/o alguna de las restricciones son no lineales y las variables

slo pueden tomar valores enteros no negativos (modelo o problema no lineal

entero), entonces el modelo matemtico pertenecera al campo de la

programacin no lineal entera.

Problemas de estas caractersticas surgen de forma inevitable en las

aplicaciones de ingeniera, tales como diseo y control ptimo, y en

aplicaciones cientficas. Adems muchos problemas que se formulan como

lineales se convierten en no lineales cuando se tienen en cuenta economas de

escala (por ejemplo, costes no proporcionales a la cantidad).

Con estos dos s ejemplos se pretende mostrar que el ptimo puede estar en

cualquier sitio de la regin factible.

Como el ptimo en un PNL no necesariamente se alcanza en la frontera de la

regin factible, necesitamos describir algoritmos que tengan en cuenta todos

los puntos de la regin factible.

Sin embargo, muchos problemas no lineales tienen ptimos locales nicos que,

por definicin, necesariamente deben ser globales. Por ejemplo, las siguientes

condiciones garantizan, si existe, que el ptimo es global:

1. La funcin objetivo de mximo y cncava, o el logaritmo de la funcin

objetivo cncava, con restricciones lineales.

2. La funcin objetivo de mnimo y convexa, con restricciones lineales.

No obstante, cuando apliquemos el algoritmo de Newton, en general, no

conoceremos si la solucin obtenida es un ptimo global. Como consecuencia,

se suele intentar la prueba de iniciar el algoritmo desde diferentes puntos para

determinar si el problema tiene diferentes soluciones ptimas.

PROGRAMACIN ENTERA MIXTA

En este tipo de problemas, encontramos condiciones de ciertas variables de

decisin, que deben cumplir valores enteros y las dems con la suposicin de

divisibilidad.

Un problema en el que solo se requieren en que algunas variables tengan

valores enteros mientras que en otras pueden asumir cualquier nmero no

negativo (es decir, cualquier valor continuo) se llama programacin lineal entera

mixta (PLEM).
Problemas hbridos

Muchos problemas de decisin involucran no solo variables que pueden

representarse por valores reales, sino decisiones de tipo discreto que estn

representadas de forma natural por variables enteras o binarias.

Otras veces, el planteamiento del problema involucra, junto a los modelos

cuantitativos, reglas o condiciones lgicas adicionales

Estos problemas de optimizacin hbridos con variables reales y enteras se

denominan de programacin mixta entera

Si las decisiones son solo de tipo entero el problema se denomina de

programacin entera.

Ejemplo:

Banda de ladrones

Una banda de ladrones asalta un almacn donde hay N objetos distintos. Cada objeto

j tiene un peso pj y un valor vj. Disponen de una camioneta que puede transportar

como mximo un peso P. Qu objetos deben seleccionar los ladrones para obtener

el mximo beneficio de su accin?

Definiendo una variable binaria yj para indicar si un objeto ha sido o no

seleccionado:
TIPOS DE PROBLEMAS MIXTO ENTEROS

Mtodos de solucin

La aproximacin de tratar las variables enteras como reales y luego

aproximarlas al entero mas prximo suele dar resultados errneos,

excepto quizs cuando el nmero de valores posibles de una variable

entera es alto. Rara vez con variables binarias

Pueden enumerarse todas las combinaciones de variables enteras

posibles y resolver para cada una el problema, posiblemente NLP, de

variables reales asociado, escogiendo luego el de mejor J, ya que

son un nmero finito. Pero el nmero de combinaciones crece

exponencialmente con el nmero de variables enteras.

Examen inteligente de alternativas enteras: Branch and Bound (B&B)
BRANCH AND BOUND (B&B)

El mtodo proporciona una bsqueda inteligente del ptimo combinando la

comparacin de distintas alternativas funcin de las variables enteras, con un

procedimiento para eliminar combinaciones que no pueden conducir al ptimo y

para determinar las condiciones de ptimo basndose en cotas del mismo.

Est basado en tres ideas principales:

Relajacin, que proporciona cotas del problema.

Ramificacin, que examina las distintas alternativas de variables enteras

en un punto dado del rbol de decisin.

Poda, que permite eliminar determinados grupos de combinaciones de

variables enteras simplificando la bsqueda.

Bibliografa
Alvaro Garca Sanchez, M. O. (2012). Programacion lineal. Espaa.
Amores, P. J. (2006). Tcnicas de optimizacin en ingeniera.Mster en
Tecnologas de la Informacin y las telecomunicaciones.
Hernandez, M. (2010). PROGRAMACIN NO LINEAL.
Prada, C. d. (2009). Programacion Mixta entera.