Академический Документы
Профессиональный Документы
Культура Документы
PROGRAMA DE ESTUDIO
Objetivo
Familiarizar al alumno con las técnicas de modelamiento y
metodologías de resolución de problemas de la Investigación de
operaciones, con especial énfasis en la aplicación de algoritmos
de solución para modelos de programación matemática, en
especial modelos lineales
Contenido
Introducción • Investigación de operaciones
• Modelos matemáticos
• Programación Lineal
OBJETIVOS
• Aplicar modelos cuantitativos en la resolución de problemas
lineales.
• Optimizar soluciones usando la Investigación de Operaciones.
METODOLOGÍA
• Clases expositivas para conceptos teóricos con discusiones sobre
cada tema.
• Practicas en laboratorio, donde se conocerán diversos software de
apoyo a la Investigación de Operaciones.
BIBLIOGRAFIA
• TAHA HAMDY A. Investigación de operaciones. PEARSON. 9
Ed. 2012
• HILLIER, FREDERICK Y LIEBERMAN, GERALD: “Introducción
a la Investigación de Operaciones”, McGraw – Hill
Interamericana
• WINSTON WAYNE L.: “Investigación de Operaciones:
Aplicaciones y Algoritmos”. Grupo Editorial Iberoamericana.
• DAVIS K ROSCOE y MC KEOWN Patrick. Modelos
Cuantitativos para Administración. Grupo editorial
Iberoamerica. 2 Ed. 1986.
• PRAWDA, Juan. Métodos y modelos de Investigación de
operaciones. Limusa.
• JORGE ALVAREZ ALVAREZ, Investigación de Operaciones,
Universidad Nacional de Ingeniería, Edición 2001
INVESTIGACION DE OPERACIONES
Definición:
Conjunto de técnicas matemáticas y estadísticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
acción; esto mediante el modelamiento matemático de los problemas en
estudio.
¿Qué es la investigación de
operaciones?
Métodos Cualitativos
Métodos Cuantitativos
Optimización Optimización
Programación Cadenas
Lineal no Lineal
Dinámica de Markov
Programación Métodos
Teoría de Teoría de
Lineal Clásicos
Inventarios Colas
Transporte y Métodos
Asignación de búsqueda Simulación Procesos
Estocásticos
Manufactura.
Transporte.
Telecomunicaciones.
Salud.
Planeación.
Servicios.
Finanzas.
Otros.
LA NATURALEZA DE UN SISTEMA
Sistema
Entidades Entidades
que Entran Actividades
que Salen
Recursos
METODOLOGÍA DE LA
INVESTIGACION DE OPERACIONES
Problema
Los sistemas
Los recursos son cada vez
son escasos más complejos
• Modelo de Simulación
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones
estadísticas. Este tipo de modelo entrega soluciones aproximadas.
• Modelo Heurístico
Es una regla intuitiva que nos permite la determinación de una
solución mejorada, dada una solución actual del modelo,
generalmente son procedimientos de búsqueda. Este tipo de
modelo también entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
El Arte del Modelado
• Variables
• Parámetros
• Funciones
VARIABLES DE DISEÑO
• Nomenclatura
[X]
Xóx
[x1, x2, …, xn]
xi, i = 1,2,…,n
FUNCIÓN OBJETIVO
• Nomenclatura:
f
f(x1, x2, …, xn) o f(X)
PARÁMETROS DE DISEÑO
• Nomenclatura:
[P]
P
[p1, p2, …, pq]
RESTRICCIONES
• Tipos:
De igualdad: =
De desigualdad: ,
• Ejemplo 1
Volumen de la lata: fun1(X) = 500 cm3
• Ejemplo 2
Deflexión: fun2(X) 1 mm
RESTRICCIONES
• Sujeto a
hk(x1, x2, …, xn) = 0, k=1,2,…,l
gj (x1, x2, …, xn) 0, j=1,2,…,m
xil xi xiu, i=1,2,…,n
• Lenguaje natural
“Minimizar la función objetivo f, sujeto a 1 restricciones
de igualdad, m restricciones de desigualdad, con n
variables de diseño comprendidas entre unos límites
inferior y superior”
MODELADO EJEMPLO 1
• Variables de diseño: d, h
• Parámetro de diseño: C (coste del material por unidad área)
• Volumen = d2h/4
• Área = dh
• Restricción “estética”: h2d
MODELO EJEMPLO 1
¡ PRACTIQUEMOS!
Hoy en día, la toma de decisiones abarca una gran cantidad
de problemas reales cada más complejos y especializados,
que necesariamente requieren del uso de metodologías para
la formulación matemática de estos problemas y,
conjuntamente, de métodos y herramientas de resolución,
como los que provee la Investigación de Operaciones.
FORMULACION DE UN PROBLEMA
PROGRAMACIÓN LINEAL
Función Objetivo: Max o Min (Z) = C X
Sujeto a :
AXB
Xi 0 ; i = 1, 2,...., n
Conceptos Básicos:
• Variables de Decisión
• Función Objetivo
• Restricciones
• Restricciones de Signo
Consideremos los siguientes ejemplos para describir los conceptos
básicos presentes en todo problema de programación lineal (PPL)
CONSTRUCCIÓN DE MODELOS DE PROGRAMACION
LINEAL
Ejemplo N° 1
La Compañía PARGOLF es un pequeño fabricante de equipo y suministros
para golf. El distribuidor de PARGOLF cree que existe un mercado tanto
para una bolsa de golf de precio moderado, denominada modelo estándar,
como para una bolsa de precio elevado, denominada modelo de lujo. El
distribuidor está tan confiado en el que, si PARGOLF puede hacer las
bolsas a un precio competitivo, el distribuidor comprará todas las bolsas
que PARGOLF pueda fabricar durante los siguientes tres meses. Un
análisis cuidadoso de los requerimientos de tiempo de producción para
las cuatro operaciones de manufactura y la estimación hecha por el
departamento de contabilidad de la contribución a la ganancia por bolsa.
Variable de decisión:
Objetivo:
Maximizar: Ganancia/trimestre
X1, X2 > 0
Modelo Matemático de Programación Lineal:
Máx: Ganancia
Max. (Z) = 10X1 + 9X2
• Requerimientos Tecnológicos.
• Función objetivo
Sujeto a:
2X1 + 1X2 1200 (Cantidad de plástico)
3X1 + 4X2 2400 (Tiempo de producción)
X1 + X2 800 (Limite producción total)
X1 - X2 450 (Producción en exceso)
Xj 0, j = 1, 2. (Resultados positivos)
Producto P1 P2 Disponibilidad
Componente (kilogramos)
A 1 3 15,000
B 2 1 10,000
C 2 2 12,000
D 1 1 10,000
Beneficios 4 3
S/./unidad
X1 = Nº de unidades de producto P1
X2 = Nº de unidades de producto P2
S. A.
3X1 + 5X2 15
5,000X1 + 2,000X2 10,000
X1, X2 0
Ejemplo N° 5
Una mueblería produce mesas y sillas de madera. Cada mesa es
vendida en $27.000 y se requiere $10.000 en materiales para su
construcción, además, el costo unitario por mano de obra es de
$14.000. En el caso de las sillas, el precio de venta es de $21.000 y
los costos de materiales y mano de obra son $9.000 y $10.000
respectivamente.
2X1 + X2 100
X1 + X2 80
X2 40
Restricciones de Signo:
Xi 0
Si la variable de decisión Xi puede asumir valores positivos o
negativos se dice que Xi no tiene restricción de signo (SRS).
Función Objetivo:
Sujeto a:
Xj 0 j=1y2 No negatividad
MODELO GENERAL DE PROGRAMACIÓN LINEAL
Max(Z) = C1 X 1 + C 2 X 2 +...... + Cn Xn
Coeficientes tecnológicos Coeficientes recurso
Sujeto a:
a X +a X + ..... + a X ( ≤ , = , ≥ ) b
11 1 12 2 1n n 1
a X +a X + ..... + a X n ( ≤ , = , ≥ ) b2
21 1 22 2 2n
. . . . .
. . . . .
. . . . .
a X +a X + ..... + a X (≤ , = , ≥ )b
m1 1 m2 2 mn n m
Condiciones técnicas
X1,2,.....n > 0 o No negatividad
• Donde el vector c también conocido como el vector costos,
viene dado por:
C = c1 c 2 ... cn-1 cn
Max (Z) = C X
Sujeto a:
A X = bi
A X ≤ bi
A X ≥ bi
X≥0
EL MODELO DE P.L.
Z: función objetivo
C (c1,...,cn): vector de coeficientes de la f. o.
X (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,
X3
Variables de Decisión
X1 = Cantidad de Manteles comprados (sólo se puede comprar el
primer día).
X2 = Cantidad de Manteles mandados a lavar en servicio rápido el
primer día.
X3 = Cantidad de Manteles mandados a lavar en servicio normal el
primer día.
X4 = Cantidad de Manteles mandados a lavar en servicio rápido el
segundo día.
Restricciones.
a) Satisfacción de la necesidad de manteles al primer día X1 ≥ 40
b) Satisfacción de la necesidad de manteles al segundo día.
(X1 − 40) + X2 ≥ 60 ↔ X1 + X2 ≥ 100
c) Satisfacción de la necesidad de manteles al tercer día.
(X1 − 40) + X2 − 60 + X3 + X4 ≥ 70 ↔ X1 + X2 + X3 + X4 ≥ 170
d) El número de manteles mandados a lavar el primer día, puede a lo
mas ser igual al número de manteles usados ese día.
X2 + X3 ≥ 40
e) El número de manteles mandados a lavar hasta el segundo día,
puede a lo mas ser igual al número de manteles usados hasta
ese día.
X2 + X3 + X4 ≥ 40 + 60 ↔ X2 + X3 + X4 ≥ 100
f ) No negatividad.
X1, X2, X3, X4 ≥ 0
Función Objetivo
Min (Z) = 20X1 + 15X2 + 8X3 + 15X4
Problema N° 2
Variables de Decisión
X1 = numero de libras de carne molida de res empleadas en cada libra
de albóndigas.
X2 = numero de libras de carne molida de cerdo empleadas en cada
libra de albóndigas.
Restricciones
Cada libra de albóndigas tendrá 0.20 X1, libras de grasa provenientes
de la carne de res y 0.32 X2 libras de grasa de la carne de cerdo. El
contenido total de grasa de una libra de albóndigas no debe ser
mayor de 0.25 libras. Entonces:
0.20X1 + 0.32X2 ≤ 0.25
El número de libras de carne de res y de cerdo empleadas en cada
libra de albóndigas debe sumar 1; entonces:
X1 + X2 = 1
Finalmente, la tienda no puede usar cantidades negativas de ninguna
de las carnes, así que hay dos restricciones de no negatividad: X1≥ 0
y X2 ≥ 0.
Función Objetivo
Min (Z) = 80X1 + 60X2
Problema N° 3
• Variables de decisión
X1: Unidades de A producidas en total
X2: Unidades de B producidas en total
X3: Unidades de C producidas en total
X4: Unidades de A vendidas
X5: Unidades de B vendidas
• Función Objetivo
Max (Z) = 700 X4 + 3,500 X5 + 7,000 X3
• Restricciones
Sujeto a:
X1 + 2X2 + 3X3 ≥ 40
X1 = X4 + 2X2
X2 = X5 + X3
X1, X2, X3, X4, X5 ≥ 0
Problema N° 5
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes máximo y mínimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N° 1.
TABLA N° 1 ESPECIFICACIONES DE MEZCLAS
MEZCLA ESPECIFICACION PRECIO POR BOTELLA
No menos de 60% de A S/. 6.80
Súper Fuerte
No mas de 20% de C
No más de 60% de C S/. 5.70
Fuerte
No menos de 15% de A
Menos Fuerte No más de 50% de C S/. 4.50
La provisión de los tres grados de aguardientes básicos, junto con sus costos se presente
en la tabla N° 2.
TABLA N° 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD COSTO POR BOTELLA
AGUARDIENTE DISPONIBLE
BOTELLAS POR DIA
A 2000 S/. 7.00
B 2500 S/. 5.00
C 1200 S/. 4.00
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) – [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 ≤ 2,000
X21 + X22 ≤ 2,500 Disponibilidad
X31 + X32 ≤ 1,200
La provisión de los tres grados de aguardientes básicos, junto con sus costos se presente
en la tabla N° 2.
TABLA N° 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD COSTO POR BOTELLA
AGUARDIENTE DISPONIBLE
BOTELLAS POR DIA
A 2000 S/. 7.00
B 2500 S/. 5.00
C 1200 S/. 4.00
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) – [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 ≤ 2,000
X21 + X22 ≤ 2,500 Disponibilidad
X31 + X32 ≤ 1,200
Mineral N° 1
Mineral N° 2
X3 X2
3 3 1 3 4 3 4
2 2 2
2 2
3
1 1
2 2 2 1
2 2 2 1 2 2 2 1
20
4 3
2
1
3 3
5
X1
7
140 cm3 = 7 cm2
20 cm
350 2 x 4 x 20
200 2 x 3 x 20
Xi = cantidad de barras a obtenerse en la modalidad de corte i
Min (Z) = 100 X1 + 60 X2 + 140 X3
X1 X2 X3
2 x 4 x 20 0 1 2
2 x 3 x 20 5 4 2
Sujeto a:
X2 + 2 X3 ≥ 350
5 X1 + 4 X2 + 2 X3 ≥ 200
X1, X2, X3 ≥ 0
Problema N° 9
Un fabricante de láminas metálicas recibe un pedido para producir
2000 láminas de tamaño 2’ x 4’ y 1000 láminas de tamaño 4’ x 7’. Se
dispone de dos láminas estándar de tamaño 10’ x 3000’ y 11’ x 2000’.
El personal del departamento de ingeniería decide que los tres
siguientes patrones de corte son adecuados para satisfacer el
pedido y minimizar el desperdicio. Formule el problema como un
modelo de programación lineal.
Patron N° 1 Patron N° 2
4' 4'
Patron N° 3
4'
1
Sujeto a:
4
2’ x 4’ 1 X11 + 5 X31 + 2 X22 + 5 X32 ≥ 2,000
4’ x 7’ 1 X11 + 0 X31 + 1 X22 + 0 X32 ≥ 1,000
2
X11 + X31 ≥ 3,000/4
2
X22 + X32 ≥ 2,000/4
2 3 500 para X11, X31, X22, X32 ≥ 0
7 cortar
Lunes 150, Martes 200, Miércoles 400, Jueves 300, Viernes 700,
Sábado 800 y Domingo 300. El administrador desea encontrar
un plan de programación de empleos que satisfaga estos
requerimientos y a un costo mínimo.
L Ma Mi J V S D L Ma Mi J V S D L Ma Mi J
XL
XMa
XMi
XJ
XV
XS
XD
XL
XMa
XMi
XJ
XV
XS
XV
Continuación…..
XJ + XV + XS + XD + XL ≥ 150 / 6
XV + XS + XD + XL + XMa ≥ 200 / 6
XS + XD + XL + XMa+ XMi ≥ 400 / 6
XD + XL + XMa+ XMi+ XJ ≥ 300 / 6
XL + XMa+ XMi+ XJ + XV ≥ 700 / 6
XMa+ XMi+ XJ + XV +XS ≥ 800 / 6
XMi+ XJ + XV +XS + XD ≥ 300 / 6
XL , XMa, XMi, XJ , XV , XS , XD ≥ 0
Min (Z) = X1 + X2 + X3 + X4 + X5 + X6
Sujeto a:
X1 + X 2 ≥5
X2 + X 3 ≥3
X3 + X 4 ≥7
X4 + X5 ≥5
X5 + X 6 ≥6
X6 + X 1 ≥ 9
Xj ≥ 0, j= 1,...,6
Problema
Un granjero tiene 200 cerdos que consumen 90 libras de comida especial todos los días.
El alimento se prepara como una mezcla de maíz y harina de soya con las siguientes
composiciones:
Libras por Libra de Alimento
Función Objetivo
Sujetos a:
Un pequeño banco asigna un máximo de S/. 200,000 para préstamos personales y para
artefactos eléctricos durante el mes siguiente. El banco cobra una tasa de interés anual
del 14% a préstamos personales y del 12% a préstamos para artefactos eléctricos.
Ambos tipos de préstamos se saldan en periodos de tres años. El monto de los
préstamos para artefactos eléctricos debe ser cuando menos de dos veces mayor que el
de los préstamos personales. La experiencia pasada ha demostrado que los adeudos no
cubiertos constituyen el 1% de todos los préstamos personales ¿Cómo deben asignarse
los fondos?
Solución
Función objetivo
Max (Z) = 0.2 X1 + 0.6 X2
Sujetos a:
(0.14)(20,000) X1 + (0.12)(20,000) X2 ≤ 200,000
X2 ≥ (2)(0.14)(200,000)
X1 ≥ (0.01)(0.12)(200,000)
X1, X2 ≥ 0
Una planta armadora de radios produce dos modelos HiFi-1 y HiFi-2 en la misma
línea de ensamble. La línea de ensamble consta de tres estaciones. Los tiempos
de ensamble en la estaciones de trabajo son:
Minutos por Unidad Minutos por Unidad
Estación de Trabajo HiFi-1 HiFi-2
1 6 4
2 5 5
3 4 6
Cada estación de trabajo tiene una disponibilidad máxima de 480 minutos por
día. Sin embargo, las estaciones de trabajo requieren mantenimiento diario, que
contribuye al 10%, 14% y 12% de los 480 minutos totales de que se dispone
diariamente para las estaciones 1, 2 y 3 respectivamente. La compañía desea
determinar las unidades diarias que se ensamblarán de HiFi-1 y HiFi-2 a fin de
minimizar la suma de tiempos no usados (inactivos) en la tres estaciones.
Problema
Dos aleaciones, A y B, están hechas de cuatro metales diferentes: I, II, III y IV, según las
especificaciones siguientes:
Aleación Especificaciones
A Cuando mucho el 80% de I
Cuando mucho el 30% de II
Por lo menos el 50% de IV
Suponiendo que los precios de venta de las aleaciones A y B son US$ 200 y US$ 399 por tonelada,
formule el problema como un modelo de programación lineal.
Sugerencia: supóngase que Xijk representa el número de toneladas del i-ésimo metal obtenido de la j-
ésimo mineral metálico y asignado a la k-ésima aleación.
Solución
Xijk = número de toneladas del i – esimo metal obtenido de la j – esimo mineral metálico
asignado a la k – esima aleación
Max (Z) = [(X11A + X21A + X31A + X41A + X12A + X22A + X32A + X42A + X13A + X23A + X33A + X43A)200
(X11B + X21B + X31B + X41B + X12B + X22B + X32B + X42B + X13B + X23B + X33B + X43B)399] -
(X11A + X21A + X31A + X41A )30 – (X11B + X21B + X31B + X41B)30 – (X12A + X22A + X32A +
X42A)40 - (X12B + X22B + X32B + X42B)40 – (X13A + X23A + X33A + X43A)50 – (X13B + X23B +
X33B + X43B)50
Sujeto a:
X11A + X21A + X31A + X41A + X11B + X21B + X31B + X41B ≤ 1,000
X12A + X22A + X32A + X42A + X12B + X22B + X32B + X42B ≤ 2,000 Disponibilidad
X13A + X23A + X33A + X43A + X13B + X23B + X33B + X43B ≤ 3,000
X11A + X12A + X13A ≤ 0.80 [X11A + X21A + X31A + X41A + X12A + X22A + X32A + X42A + X13A +
X23A + X33A + X43A]
Xijk ≥ 0
Problema N° 11
MATERIA
DPTO 1 DPTO 2 JORNAL PRECIO
PRIMA
Clavos 2 hrs. 3 hrs. S/. 2 / unid S/. 2 / hora S/. 18 / unid.
Tornillo 4 hrs. 2 hrs. S/. 2.5/unid. S/. 2 / hora S/. 18 / unid
Disponibilidad 160 hrs./sem. 180 hrs./sem.
Solución
Sujeto a:
2 X1 + 4 X2 ≤ 160
3 X1 + 2 X2 ≤ 180
X1 , X2 ≥ 0
Problema N° 12
Max (Z) = 10 X1 + 20 X2 + 60 X3
Sujeto a:
10X1 + 15X2 + (25 + 2 x 10)X3 ≤ 25,000
5X1 + 5X2 + (10 + 2 x 5) X3 ≤ 15,000
5X1 + 5X2 + 10 X3 ≤ 45,000
5X2 + 10 X3 ≤ 45,000
5X2 + 20 X3 ≤ 45,000
X3 ≥ 200
X1, X2 , X3 ≥ 0
Problema N° 13
Max (Z) = 3 XP + 8 XC
Sujeto a:
XP + XC = 200
XP ≤ 0.40 ( XP + XC)
XC ≥ 0.30 ( XP + XC)
XP , XC ≥ 0
Problema N° 14
Max (Z) = 1,000 (X1 + X2 + X3) + 750 (X4 + X5 + X6) + 250 (X7 + X8 + X9)
Sujeto a:
Terreno para uso en cada comunidad
X1 + X4 + X7 ≤ 400
X2 + X5 + X8 ≤ 600
X3 + X6 + X9 ≤ 300
Continuación
Asignación de agua para cada comunidad
3 X1 + 2 X4 + X7 ≤ 600
3 X2 + 2 X5 + X8 ≤ 800
3 X3 + 2 X6 + X9 ≤ 375
Xi ≥ 0 , i = 1,………,9
Ejemplo N° 2
Sujeto a:
• No deben asignarse más de 1,200 horas de tiempo
de producción.
• Todos los costos de producción, de materiales y costos
fijos deben cubrirse con el efectivo disponible durante
el mes que es de S/. 16,560.
Max (Z) = C1 X1 + C2 X2 + C3 X3
Cálculo de C1
de forma similar,
Compromisos de demanda
X1 30
X2 55
X3 32
Variable de decisión
Xi = El uso de cada uno de los tres métodos de abatimiento en cada
tipo de horno, expresado como una fracción de la capacidad de
abatimiento de tal manera que Xi no exceda a 1
Función Objetivo
Min (Z) = 8X1 + 10X2 + 7X3 + 6X4 + 11X5 + 9X6 Método de
Sujeto a: abatimiento
12X1 + 9X2 + 25X3 + 20X4 + 17X5 + 13X6 ≥ 60
35X1 + 42X2 + 18X3 + 31X4 + 56X5 + 49X6 150
37X1 + 53X2 + 28X3 + 24X4 + 29X5 + 20X6 125
Tecnología
X1 + X2 + X3 + X4 + X5 + X6 ≤ 1
X1, X2 , X3 , X4, X5, X6 0
METODOS DE SOLUCION DE PROBLEMAS
LINEALES
Métodos:
Gráfico. Fácilmente comprensible y permite visualizar
algunas propiedades.
Analítico. El método simplex ha demostrado ser
eficiente por el uso del computador.
Algeibraíco
Ejemplo 1
Xi = Número de unidades del producto i
2X1+X2 = 0 M=- 2
Z=6
Z=0
Ejemplo 2
Min (Z) = 2 X1 + 6 X2
Sujeto a:
12 X1 + 6 X2 ≥ 16
4 X1 + 12 X2 ≥ 12
X1 , X2 ≥ 0
Ejemplo 3
Min (Z) = 2 X1 + 3 X2
Sujeto a:
X1 + X2 ≤ 4
6 X1 + 2 X2 = 8
X1 + 5 X2 ≥ 4 B
X1 ≤3
X2 ≤ 3
X1 , X2 ≥ 0 A
Ejemplo 7
Max (Z) = X1 + X2
Sujeto a:
3 X1 - X2 ≥ - 3
X1 + X2 ≤ 4
X1 , X2 ≥ 0
No se puede garantizar que todo problema tenga solución factible.
USANDO UN GRAFICO SE
PUEDEN REPRESENTAR TODAS
LAS RESTRICCIONES, LA
FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD.
Ejemplo: El problema de la industria de
juguetes “Galaxia”.
• Requerimientos Tecnológicos.
• Variables de decisión
• Función objetivo
Sujeto a:
2X1 + 1X2 1200 (Cantidad de plástico)
3X1 + 4X2 2400 (Tiempo de producción)
X1 + X2 800 (Limite producción total)
X1 - X2 450 (Producción en exceso)
Xj 0, j = 1, 2. (Resultados positivos)
1200
Restricción del plástico:
2X1 + X2 1200
Restricción del total de producción:
X1 + X2 800
600 No Factible
Restricción del
Horas de Factible exceso de producción:
Producción X1 - X2 450
3X1 + 4X2 2400
X1
600 800
Ganancia = S/.
Util. = S/. 3,
4, 5,040
2,000
800
600
X1
800 Región no
factible
600
Feasible
Región
region
Factible
X1
9. Tipo de soluciones.
Ejemplo – Método Simplex
La compañía SONYT S. A. produce radios y televisores, cada radio se vende con una ganancia de S/.
30, mientras que cada televisor vendido se gana S/. 50.
Ambos productos deben pasar por los departamentos A y B (impresión de circuitos y ensamble)
respectivamente: mensualmente se dispone de 200 horas en el departamento A y 140 horas en el
departamento B. Cada radio requiere de una hora en departamento A como en el departamento B,
cada televisor requiere de 2 horas en departamento A y una hora en el departamento B. Cuál es el
programa de producción que maximiza la ganancia.
REQUERIMIENTOS
DEPARATMENTO DISPONIBILIDAD
RADIO TELEVISOR
A 1 hr. 2 hrs. 200 hrs / mes
B 1 hr. 1 hr. 140 hrs. / mes
Xi: Numero de unidades del producto tipo i que se deben producir
mensualmente.
Max (Z) = 30 X1 + 50 X2
Sujeto a:
X1 + 2 X2 ≤ 200
X1 + X2 ≤ 140
X1 , X2 ≥ 0
Solución
(0,100)
(80,60)
(140,0)
Solución
Iteración N° 1
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
Cj -Zj 30 50 0 0 0
Iteración N° 2
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100 200
0 S2 1/2 0 -1/2 1 40 80
Cj -Zj 5 0 -25 0 5000
Solución
Iteración N° 3
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 0 1 1 -1 60
30 X1 1 0 -1 2 80
Cj -Zj 0 0 -20 -10 5400
Ejemplo 2
FUNCIÓN OBJETIVO
• Max (Z) = 100 X1 + 120 X2
• Sujeto a:
4 X1 + 8 X2 480 → Area de Maquinado
5 X1 + 6 X2 600 → Area de Armado
12 X1 + 8 X2 540 → Area de Montaje
X1, X2 0
(0, 60)
(15/2, 225/4)
(45, 0)
Solución
Iteración N° 1
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 4 8 1 0 0 480 60
0 S2 5 6 0 1 0 600 100
0 S3 12 8 0 0 1 540 135/2
Cj -Zj 100 120 0 0 0 0
Iteración N° 2
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 1/2 1 1/8 0 0 60 120
0 S2 2 0 -3/4 1 0 240 120
0 S3 8 0 -1 0 1 60 15/2
Cj -Zj 40 0 -15 0 0 7200
Iteración N° 3
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 0 1 3/16 0 -1/16 225/4
0 S2 0 0 -1/2 1 -1/4 225
100 X1 1 0 -1/8 0 1/8 15/2
Cj -Zj 0 0 -10 0 -5 7500
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 4 X1 + 3 X2
Sujeto a:
4 X1 + 2 X2 12
X1 + 3 X2 9
7 X1 + 2 X2 28
X1, X2 0
Tipos de Solución
Iteraciones
Cj 4 3 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 2 8 1 0 0 12 3
0 S2 3 6 0 1 0 9 9
0 S3 7 8 0 0 1 28 4
Cj -Zj 4 3 0 0 0 0
4 X1 1 1/2 1/4 0 0 3 6
0 S2 0 5/2 -1/4 1 0 6 12/5
0 S3 0 -3/2 -7/4 0 1 7 -
Cj -Zj 0 1 -1 0 0 24
4 X1 1 0 3/10 -1/5 0 9/5
3 X2 0 1 -1/10 2/5 0 12/5
0 S3 0 0 -19/10 3/5 1 53/5
Cj -Zj 0 0 -9/10 -2/5 0 72/5
FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 5 X2
Sujeto a:
X1 4
2 X2 12
3 X1 + 2 X2 18
X1, X2 0
Tipos de Solución
Iteraciones
Cj 3 5 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 3 2 0 0 1 18 9
Cj - Zj 3 5 0 0 0 0
0 S1 1 0 1 0 0 4 4
5 X2 0 1 0 1/2 0 6 -
0 S3 3 0 0 -1 1 6 2
Cj - Zj 3 0 0 -5/2 0 30
0 S1 0 0 1 1/3 -1/3 2
5 X2 0 1 0 1/2 0 6
3 X1 1 0 0 -1/3 1/3 2
Cj - Zj 0 0 0 -3/2 -1 36
FUNCIÓN OBJETIVO
• Min (Z) = - X1 - 3 X2
Sujeto a:
X1 + X2 6
- X1 + 2 X2 8
X1, X2 0
Solución
Iteración N° 1
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 1 1 1 0 6 6
0 S2 -1 2 0 1 8 4
Cj -Zj -1 -3 0 0 0
Iteración N° 2
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 3/2 0 1 -1/2 2 4/3
-3 X2 -1/2 1 0 1/2 4
Cj -Zj -5/2 0 0 3/2 -12
Solución
Iteración N° 3
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
-1 X1 1 0 2/3 -1/3 4/3
-3 X2 0 1 1/3 1/3 14/3
Cj -Zj 0 0 5/3 2/3 -46/3
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1 4
2 X2 12
3 X1 + 2 X2 18
X1, X2 0
Tipos de Solución
Iteraciones
Cj 3 2 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 4
0 S2 0 2 0 1 0 12 -
0 S3 3 2 0 0 1 18 6
Cj - Zj 3 2 0 0 0 0
3 X1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 0 2 -3 0 1 6 3
Cj - Zj 0 2 -3 0 0 12
3 X1 1 0 1 0 0 4
0 S2 0 0 3 1 -1 6
2 X2 0 1 -3/2 0 1/2 3
Cj - Zj 0 0 0 0 -1 18
3 X1 1 0 0 -1/3 1/3 2
0 S1 0 0 1 1/3 -1/3 2
2 X2 0 1 0 1/2 0 6
Cj - Zj 0 0 0 0 -1 18
FUNCIÓN OBJETIVO
• Max (Z) = 10 X1 + 5 X2
Sujeto a:
-3 X1 + 4 X2 12
X1 - 2 X2 2
X1 + 2 X2 8
X1, X2 0
Tipos de Solución
Iteraciones
Cj 10 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 -3 4 1 0 0 0 12 3
0 S2 1 -2 0 1 0 0 2 -
-M A3 1 2 0 0 -1 1 8 4
Cj - Zj 10+M 5 + 2M 0 0 -M 0 0
5 X2 -3/4 1 1/4 0 0 0 3 -
0 S2 -1/2 0 1/2 1 0 0 8 -
-M A3 5/2 0 -1/2 0 -1 1 2 4/5
Cj - Zj 55/4+5M/2 0 -5/4-M/2 0 -M 0 15
Solución No Acotada
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X2 9
3 X1 + 3 X2 15
3 X1 + 4 X2 = 12
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 3 3 0 1 0 0 15 5
M A3 3 4 0 0 0 1 12 4
Cj – Zj 1-12M 1-7M M 0 0 0
Solución Degenerada
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X2 9
X1 - 2 X2 15
X1 + 2 X2 = 12
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 1 -2 0 1 0 0 15 15
M A3 1 2 0 0 0 1 12 12
Cj – Zj 1-10M 1-5M M 0 0 0
1 X2 3 1 -1/3 0 1/3 0 3 -
0 S2 7 0 -2/3 1 2/3 0 21 -
M A3 -5 0 2/3 0 -2/3 1 6 9
Cj - Zj -2+5M 0 1/3-2M/3 0 5M/3-1/3 0 3
1 X2 1/2 1 0 0 0 1/2 6
0 S2 2 0 0 1 0 1 27
0 S1 -15/2 0 1 0 -1 3/2 9
Cj - Zj 1/2 0 0 0 M M-1/2 6
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 3X1 + 5X2
Sujeto a:
X1 8
2 X2 12
3 X1 + 2 X2 = 18
X1, X2 0
GRAFICA
Tipos de Solución
Iteraciones
Cj 3 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A1 Bi θi
-M A1 1 0 -1 0 0 1 8 8
0 S2 0 2 0 1 0 0 12 -
-M A3 3 2 0 0 1 0 18 6
Cj – Zj 3+M 5 + 2M -M 0 0 0
-M A1 0 -2/3 -1 0 -1/3 0 2
0 S2 0 2 0 1 0 0 12
3 X1 1 2/3 0 0 1/3 1 6
Cj - Zj 0 5-2M/3 -M 0 -M/3-1 0
Solución No Factible
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 460X1 + 200X2
Sujeto a:
18 X1 + 3 X2 ≤ 800
9 X1 + 4 X2 600
X1 ≥ 80
X1, X2 0
Tipos de Solución
Iteraciones
Cj 460 200 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 18 3 1 0 0 0 800 400/9
0 S2 9 4 0 1 0 0 600 200/3
-M A3 1 0 0 0 -1 1 80 80
Cj – Zj 460+M 200 0 0 -M 0
Solución No Factible
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = X1 + X2
Sujeto a:
2 X1 + 2 X2 ≤ 8
6 X1 + 2 X2 18
2 X1 + 4 X2 ≤ 16
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 2 2 1 0 0 8 4
0 S2 6 2 0 1 0 18 3
0 S3 2 4 0 0 1 16 8
Cj - Zj 1 1 0 0 0 0
0 S1 0 4/3 1 -1/3 0 2 3/2
1 X1 1 1/3 0 1/6 0 3 9
0 S3 0 10/3 0 -1/3 1 10 3
Cj - Zj 0 2/3 0 -1/6 0 3
1 X2 0 1 3/4 -1/4 0 3/2
1 X1 1 0 -1/4 1/4 0 5/2
0 S3 0 0 -5/2 -1/2 1 5
Cj - Zj 0 0 -1/2 0 0 4
1 X2 1 1 1/2 0 0 4
0 S2 4 0 -1 1 0 10
0 S3 2 0 -3 0 1 10
Cj - Zj 0 0 -1/2 0 0 4
Sujeto a:
6 X1 + 8 X2 ≤ 24
20 X1 = 10X2
8 X1 - 4 X2 ≤ 16
X1, X2 0
Tipos de Solución
Iteraciones
Cj 4 8 0 -M 0
Ci XB X1 X2 S1 A2 S3 bi θi
0 S1 6 8 1 0 0 24 4
-M A2 20 -10 0 1 0 0 0
0 S3 8 -4 0 0 1 16 2
Cj - Zj 4+20M 8 -10M 0 0 0
0 S1 0 11 1 -3/10 0 24 24/11
1 X1 1 -1/2 0 1/20 0 0 -
0 S3 0 0 0 -2/5 1 16 -
Cj - Zj 0 10 0 -1/6 0
1 X2 0 1 1/11 -3/110 0 24/11
1 X1 1 0 1/22 2/55 0 12/11
0 S3 0 0 0 -2/5 1 16
Cj - Zj 0 0 -10/11 -M-4/55 0 240/11