Вы находитесь на странице: 1из 16

PROGRAMACIN LINEAL ENTERA Y MODELOS DE SIMULACIN

Tipos de modelos. Los Modelos Matemticos se dividen bsicamente en Modelos Determistas (MD) o Modelos Estocsticos (ME). En el primer caso (MD) se considera que los parmetros asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos Estocsticos, donde la totalidad o un subconjunto de los parmetros tienen una distribucin de probabilidad asociada. Los cursos introductorios a la Investigacin Operativa generalmente se enfocan slo en Modelos Determistas.

En la siguiente tabla se muestran los modelos de decisin segn su clase de incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A, alto; B, bajo). Clase de Incertidumbre D D,P D,P D,P D D,P P D P D,P P D Frecuencia de uso en corporaciones A A A A B B B B B B B B

Tipo de Modelo Programacin Lineal Redes (Incluye PERT/CPM) Inventarios, produccin y programacin Econometra, pronstico y simulacin Programacin Entera Programacin Dinmica Programacin Estocstica Programacin No Lineal Teora de Juegos Control Optimo Lneas de Espera Ecuaciones Diferenciales

MODELOS ESPECFICOS DE LA INVESTIGACIN DE OPERACIONES Planeacin de la Produccin Asignacin de personal Transporte Inventarios Dietas Mercado Estrategias de Inversin

Resolucin de problemas en espacio de variables independientes por el mtodo Jacoby. Hasta ahora los mtodos directos e indirectos han tenido problemas con los redondeos y aproximaciones a la solucin real. Los mtodos iterativos representan una alternativa potente para solucionar esta dificultad, puesto que stos se acercan ms a la solucin real esperada a medida que se itera, de manera que la calidad de la aproximacin obtenida depender de la cantidad de iteraciones que se ste dispuesto a efectuar. El planteamiento consiste en suponer un valor inicial y luego usar un mtodo sistemtico para obtener una estimacin refinada de la solucin. El Mtodo de Jacobi es uno de los mtodos iterativos ms conocidos. Mtodo de Jacobi. El mtodo Jacobi es el mtodo iterativo para resolver sistemas de ecuaciones lineales ms simple y se aplica solo a sistemas cuadrados, es decir a sistemas con tantas incgnitas como ecuaciones. Primero se determina la ecuacin de recurrencia. Para ello se ordenan las ecuaciones y las incgnitas. De la ecuacin i se despeja la incgnita i. En notacin matricial se escribirse como: x = c + Bx (1) donde x es el vector de incgnitas. Se toma una aproximacin para las soluciones y a esta se le designa por xo Se itera en el ciclo que cambia la aproximacin Xi+1 = c + Bxi Ejemplo 11 (2)

Partiendo de (x = 1, y = 2) aplique dos iteraciones del mtodo de Jacobi para resolver el sistema:

Solucin Debemos primeramente despejar de la ecuacin la incgnita correspondiente. x = 0.20 + 0.00 x 0.40 y y = 0.00 + 0.25 x + 0.00 y Aplicamos la primera iteracin partiendo de x0 = 1.00 y y0 = 2.00: x1 = 0.20 + 0.00 (1.00) 0.40 (2.00) = 0.60 y1 = 0.00 + 0.25 (1.00) + 0.00 (2.00) = 0.25 Aplicamos la segunda iteracin partiendo de x1 = 0.60 y y1 = 0.25: x2 = 0.20 + 0.00 (0.60) 0.40 (0.25) = 0.10 y2 = 0.00 + 0.25 (0.60) + 0.00 (0.25) = 0.15 Aplicamos la siguiente iteracin partiendo de x2 = 0.10 y y1 = 0.15: x3 = 0.20 + 0.00 (0.10) 0.40 (0.15) = 0.26 y3 = 0.00 + 0.25 (0.10) + 0.00 (0.15) = 0.025 Aplicamos la siguiente iteracin partiendo de x3 = 0.26 y y3 = 0.025: x4 = 0.20 + 0.00 (0.26) 0.40 (0.025) = 0.190 y4 = 0.00 + 0.25 (0.26) + 0.00 (0.025) = 0.065

Aplicamos la siguiente iteracin partiendo de x4 = 0.190 y y4 = 0.065: x5 = 0.20 + 0.00 (0.19) 0.40 (0.065) = 0.174 y5 = 0.00 + 0.25 (0.19) + 0.00 (0.065) = 0.0475 Aplicamos la siguiente iteracin partiendo de x5 = 0.174 y y5 = 0.0475: x6 = 0.20 + 0.00 (0.174) 0.40 (0.0475) = 0.181 y6 = 0.00 + 0.25 (0.174) + 0.00 (0.0475) = 0.0435

Programacin Lineal entera. La programacin lineal tambin conocida como optimizacin lineal, es la maximizacin o minimizacin de una funcin lineal sobre un poliedro convexo definido por un conjunto de restricciones lineales no negativas. La teora de la programacin lineal cae dentro de la teora de la optimizacin convexa y es tambin considerada como parte importante de la investigacin de operaciones. La programacin lineal entera (PLE) es el conjunto de problemas de programacin lineal para los cuales todas o parte de sus variables pertenecen a los nmeros enteros. Un problema de PLE puede describirse de la siguiente forma: Optimizar una funcin objetivo z=c.x

Bajo las restricciones Ax = = b, x = 0 Donde: x -Vector con variables enteras c -Vector de coeficientes de la funcin objetivo A -Matriz de coeficientes de las restricciones b -Vector de trminos independientes Los modelos de programacin lineal entera pudieran clasificarse en tres grupos: Entero completamente. Todas las variables de decisin son enteras. Mixto. Algunas de las variables son enteras, las otras no. Binario. Las variables solo toman los valores 0 1. Mtodos de solucin Pudiera pensarse que los mtodos de obtencin de soluciones a problemas de programacin lineal entera pudieran ser menos difciles que los de programacin lineal generales, pero resulta lo contrario. Los algoritmos que permiten resolver los problemas restringidos a enteros son ms complejos y requieren mucho ms tiempo computacional.

Para la resolucin de los problemas de programacin lineal entera existen diferentes mtodos. Los mtodos exactos son los que encuentran, si existe, el ptimo absoluto. Muchos de estos mtodos parten de la resolucin del modelo dejando a un lado las restricciones enteras y buscando el mejor valor para las variables reales. A partir del supuesto de que la solucin entera no debe estar muy lejos, se aplican diferentes tcnicas que permiten llegar al ptimo entero. Una breve introduccin a los mtodos de la programacin lineal: Simplex y Punto interior, permitir tener una idea de cmo operan los mismos. Este mtodo se basa en que existe un nmero finito de soluciones posibles, no todas factibles, para un problema con enteros, que pueden representarse mediante un diagrama de rbol. Pero no es necesario enumerar todas las soluciones posibles si se pueden eliminar algunas ramas. Para eliminar una rama basta demostrar que no contiene una solucin factible que sea mejor que una ya obtenida. A primera vista podra parecer ms fcil resolver problemas con restriccin de enteros, ya que transforman un problema continuo en un problema discreto. Los modelos de programacin lineal entera se pueden clasificar en:

Modelo Completamente (AILP) Mixto (MILP) Binaria (BILP) entero

Tipos

de

Variables

de

Decisin Todas son enteras Algunas, pero no todas son enteras Todas son binarias (0 1)

PROBLEMA 1 Boxcar es una nueva cadena de restaurants de comida rpida (fast-food) que est planificando expandirse en Washington DC. An cuando la comida es de alta calidad, la principal atraccin de esta cadena de restaurants es su diseo. En el centro de la ciudad el interior del local se contruy de tal forma de parecerse al interior de un container, mientras que en los suburbios los restaurants se construyeron al interior de verdaderos containers. La compaa dispone de US$2.7 millones para su expansin. Cada restaurant en los suburbios requiere US$200.000 en inversin, y cada local en el centro requiere de US$600.000. Se proyecta que luego de los gastos, la ganancia neta semanal en los locales de los suburbios (que estarn abiertos las 24 horas) ser en promedio US$1200. Los restaurants del centro abrirn slo 12 horas al da, pero debido a una gran cantidad de clientes durante las horas de trabajo las proyecciones indican que la ganancia neta semanal ser de US$2000. La compaa desea abrir al menos 2 restaurants en el centro. Boxcar actualmente tiene 19 administradores. Cada local en los suburbios requerir tres administradores para su funcionamiento las 24 horas, y se cree que con slo un administrador en el centro por restaurant sera suficiente. Boxcar desea saber cuntos restaurants podra abrir para maximizar su ganancia neta semanal. Solucin.

Resumiendo el problema, se tiene Boxcar debe decidir cuntos restaurants debe abrir en los suburbios y en el centro de Washington DC Desean maximizar su ganancia total semanal promedio La inversin total no puede exceder US$2.7 millones Se deben abrir al menos 2 restaurants en el centro Slo se cuenta con 19 administradores.

Un Modelo Matemtico sera: Mx 1200 X1 + 2000 X2 s.a. 2 X1 + 6 X2 <= 27 X2 >=2 3 X1 + X2 <= 19 X1, X2 >= 0, enteros La solucin real del problema es: X1 = 87/16, X2 = 43/16, Z = US$ 11.900 Surgen naturalmente algunas interrogantes: Por qu no redondear simplemente los valores la solucin real?.

Posibles resultados del redondeo Los puntos pueden ser no-factibles Los puntos pueden ser factibles pero noptimos Los puntos pueden ser factibles y ptimos

Veamos los puntos X1 = 6, X2 = 3 Qu sucede? Nota: Imponer restriccin de enteros agrega dos restricciones al problema: X1 entero y X2 entero. As es que tal como vimos antes el valor de la funcin objetivo NO puede mejorar. En un problema de maximizacin esto significa que el valor de la funcin objetivo disminuir o en el mejor de los casos ser el mismo que el valor ptimo del problema de programacin lineal en el dominio de los reales. La solucin entera del problema es: X1 = 4, X2 = 3, Z = US$ 10.800. Programacin Separable. Una funcin es separable si se puede expresar como la suma de n funciones de una sola variable, es decir, Un caso especial de programacin separable ocurre cuando las funciones son convexas , resultando as un espacio convexo de solucin; adems la funcin es convexa en caso de minimizacin y cncava en caso de maximizacin. No existe un algoritmo nico para solucionar problemas de programacin convexa; en general los algoritmos conocidos se pueden clasificar as: 1. Algoritmos de gradiente, en estos casos se modifica de alguna manera el procedimiento de bsqueda del gradiente para evitar que la trayectoria de bsqueda penetre la frontera de restriccin.

2. Algoritmos secuenciales no restringidos, incluye los mtodos de funcin de penalizacin y de funcin barrera; estos algoritmos convierten el problema de optimizacin restringida original en una sucesin de problemas de optimizacin no restringida, cuyas soluciones ptimas convergen a la solucin ptima del problema original. 3. Algoritmos de Aproximacin Secuencial, incluye mtodos de

aproximacin lineal y aproximacin cuadrtica; estos algoritmos sustituyen la funcin objetivo no lineal por una sucesin de aproximaciones lineales o cuadrticas. Para problemas de optimizacin linealmente restringidos, estas aproximaciones permiten la aplicacin repetida de los algoritmos de programacin lineal o cuadrtica. Programacin Cuadrtica. Los problemas de programacin cuadrtica estn relacionados con la minimizacin de una funcin cuadrtica multivariable sujeta a restricciones con lmites y de igualdad y desigualdad lineal. Optimization Toolbox incluye tres algoritmos para resolver los problemas de programacin cuadrtica: 1. El algoritmo de punto interior convexo (interior-point-convex) resuelve los problemas convexos con cualquier combinacin de restricciones. 2. El algoritmo reflexivo de regin de confianza (trust-region-reflective) resuelve los problemas de restricciones con lmite o de igualdades lineales. 3. El algoritmo de conjunto activo (active-set) resuelve los problemas con cualquier combinacin de restricciones.

Tanto el algoritmo interior-point-convex como el algoritmo trust-regionreflective son a gran escala, lo que significa que pueden resolver problemas grandes y dispersos. Es ms, el algoritmo interior-point-convex cuenta con unas rutinas de lgebra lineal internas optimizadas, as como un nuevo mdulo de resolucin previa capaz de mejorar la velocidad, la estabilidad numrica y la deteccin de inviabilidad. Programacin Geomtrica. Muchos problemas de administracin y economa estn relacionados con la optimizacin (maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o desigualdades. La funcin por optimizar es la funcin objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solucin (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de programacin matemtica. En particular, aquellas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal. Un problema de programacin lineal consta de una funcin objetivo lineal por maximizar o minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales. Solucin Grfica

Los

problemas de

de

programacin lineales

lineal

en

dos con

variables un

tienen de

interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema restricciones asociado problema programacin lineal bidimensional- si no es inconsistente- define una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica. Programacin Estocstica. La probabilidad es un instrumento para medir las chances de que un evento ocurra. Cuando se usa probabilidad se expresa la incertidumbre, el lado determinista tiene una probabilidad de 1 (o cero), mientras que el otro extremo tiene una probabilidad plana (todas igualmente probables). Por ejemplo, si usted tiene certidumbre de la ocurrencia (o no ocurrencia) de un evento, usa una probabilidad de uno (o cero). Si usted tiene incertidumbre, entonces usa la expresin "En realidad no s", por lo tanto, puede o no ocurrir con una probabilidad del 50%. Esta es la nocin de Bayes de que la evaluacin de la probabilidad siempre es subjetiva. Es decir, la probabilidad siempre depende de cunto conoce el decisor. Si sabe todo lo que puede saber, la probabilidad pasar a ser 1 o 0. Las situaciones de decisin con incertidumbre plana presentan el riesgo ms grande. Para fines de simplicidad, considere el caso en que hay slo dos resultados con una probabilidad de p. As, la variacin en los estados de la naturaleza es p(1-p). Esta variacin es la mayor si definimos p = 50%. Es decir, igual chance para cada resultado. En tal caso, la calidad de la informacin est en su nivel ms bajo. Recuerden de Estadstica que la calidad de la informacin y la variacin estn inversamente relacionadas. Una variacin mayor de los datos implica una disminucin en la calidad de los datos (es decir, de la informacin).

La informacin relevante para resolver un problema de decisin achica nuestra probabilidad plana. La informacin de utilidad desplaza la ubicacin de un problema desde el "polo" de la pura incertidumbre hacia el "polo" determinista. La informacin relevante y til achica la incertidumbre. . La evaluacin de la probabilidad no es ms que la cuantificacin de la incertidumbre. En otras palabras, la cuantificacin de la incertidumbre permite comunicar la incertidumbre entre las personas, como la incertidumbre entre eventos, estados del mundo, creencias, etc. La probabilidad es la herramienta para comunicar la incertidumbre y para manejar la incertidumbre (domar el cambio). Existen tipos diferentes de modelos de decisin que ayudan a analizar distintos escenarios, dependiendo de la cantidad y el grado de conocimiento que tengamos. Los tres tipos ms ampliamente utilizados son: Decisin tomada con pura incertidumbre, Decisin tomada con riesgo, Decisin tomada comprando informacin (empujando el problema hacia el "polo" determinista). Por lo general, las tasas de llegada y de servicio no se conocen con certidumbre sino que son de naturaleza estocstica o probabilstica. Es decir los tiempos de llegada y de servicio deben describirse a travs de distribuciones de probabilidad y las distribuciones de probabilidad que se elijan deben describir la forma en que e comportan los tiempos de llegada o de servicio.

En teora de lneas de espera o de colas se utilizan tres distribuciones de probabilidad bastante comunes, estn se mencionan a continuacin: 1. Markov 2. Determinstica 3. General La distribucin de Markov, en honor al matemtico A.A. Markov quien identifico los eventos "sin memoria", se utiliza para describir ocurrencias aleatorias, es decir, aquellas de las que puede decirse que carecen de memoria acerca de los eventos pasados. Una distribucin determinstica es aquella en que los sucesos ocurren en forma constante y sin cambio. La distribucin general sera cualquier otra distribucin de probabilidad. Es posible describir el patrn de llegadas por medio de una distribucin de probabilidad y el patrn de servicio a travs de otra. Para permitir un adecuado uso de los diversos sistemas de lneas de espera, Kendall, matemtico britnico elaboro una notacin abreviada para describir en forma sucinta los parmetros de un sistema de este tipo. En la notacin Kendall un sistema de lneas de espera se designa como A/B/C En donde A = se sustituye por la letra que denote la distribucin de llegada.

B = se sustituye por la letra que denote la distribucin de servicio. C = se sustituye por el entero positivo que denote el numero de canales de servicio.