Академический Документы
Профессиональный Документы
Культура Документы
PROGRAMACIÓN
LINEAL BORROSA:
FUNDAMENTOS Y
APLICACIONES
Participantes:
Juan Rodriguez C.I: 15.003.566
Noviembre, 2017
AGENDA
Toma de decisiones
Modelos lineales
Conclusiones
Referencias
Toma de decisiones
MODELOS LINEALES:
En notación extendida
Minimizar o Maximizar
Restricciones
Breve histórico
Mizumoto
Zimmermann Zimmermann Leung Luhandjula
y Tanaka
(1978) (1987) (1988) (1989)
(1974)
Saati, S.; Tavana, M; Hatami-Marbini, A; Hajiakhondi, E. A fuzzy linear programming model with fuzzy parameters and
decision variables. Int. J. Information and Decision Sciences, Vol. 7, No. 4, 2015
Modelos lineales borrosos
Breve histórico
Saati, S.; Tavana, M; Hatami-Marbini, A; Hajiakhondi, E. A fuzzy linear programming model with fuzzy parameters and
decision variables. Int. J. Information and Decision Sciences, Vol. 7, No. 4, 2015
Modelos lineales borrosos
donde 𝐴𝑖𝑗, 𝐵𝑖, 𝐶𝑗 son números borrosos, 𝑋𝑗 son las variables cuyos estados son
números borrosos, 𝑍 es la función borrosa a maximizar; las operaciones de
adición y multiplicación son operaciones de la aritmética borrosa, y ≤ denota el
orden entre dos números borrosos.
La intersección 𝑚ځ
𝑖=1 𝐷𝑖 , es un conjunto borroso factible del problema
Modelos lineales borrosos
A continuación, se determina el conjunto borroso de valores óptimos. Se calcula
primero el ínfimo y el supremo del conjunto de valores óptimos. El ínfimo 𝑧𝑙 del
conjunto de valores óptimos se obtiene resolviendo el problema de programación
lineal estándar:
Caso 2. Problemas de programación lineal borrosa en los que son borrosos los
números 𝐵𝑖 del lado derecho de las inecuaciones y los números 𝐴𝑖𝑗 de la matriz
de restricciones:
Modelos lineales borrosos
En este caso, se asume que todos los números borrosos son triangulares.
Cualquier número borroso triangular 𝐴 puede ser representado por tres números
reales 𝑠,𝑙,𝑟, cuyos significados se definen en la figura. Utilizando esta
representación, escribimos 𝐴=(𝑠,𝑙,𝑟).
Ejemplo:
Considere el siguiente problema de programación lineal borrosa:
Solución:
Podemos reescribir este problema como sigue:
Modelos lineales borrosos
Resolviendo este problema, obtenemos 𝑥1=1,5; 𝑥2=3; 𝑧=19,5.
Nótese que si desborrosificamos los números borrosos en las restricciones del
problema original por el método del máximo, obtendríamos otro problema de
programación lineal clásica:
Podemos ver que este es un programa lineal clásico con un menor número de
restricciones que el convertido de un programa lineal borroso. Por lo tanto, la
borrosidad en CASO 2, se traduce en restricciones más fuertes, mientras que la
borrosidad de CASO 1 da como resultado restricciones más débiles.
Aplicaciones de la programación lineal borrosa
Los Programas Lineales Borrosos (PLB) se desarrollaron para abordar problemas
encontrados en aplicaciones del mundo real. La siguiente lista muestra que las
aplicaciones de FLP son numerosas y diversas.
Economía agrícola:
• Análisis del uso del agua en la agricultura (Owsinski, Zadrozny y Kacprzyk,
1987);
• Mezcla de alimento (Lai y Hwang, 1992);
• Problema de optimización de la estructura de la granja (Czyzak, 1990);
• Asignación de recursos regionales (Leung, 1988; Mjelde, 1986);
• Planificación del suministro de agua (Slowinski, 1986, 1987).
Problemas de asignación:
• Problema de ubicación de la red (Darzentas, 1987).
Gestión del medio ambiente:
• Problema de regulación de la contaminación del aire (Sommer y Pollatschek, 1978);
• Modelos de emisión de energía (Oder y Rentz, 1993).
Transporte:
• problema de transporte (Verdegay, 1984);
• flota de camiones (Zimmermann, 1976).
Heinrich Rommelfanger. Fuzzy linear programming and applications. European journal of operational research. Vol
92. (1996) pp 512-527
Aplicaciones de la programación lineal borrosa
Manufactura y producción:
• Problema de planificación de la producción agregada (Verdegay,
1987);
• Problemas de optimización de la máquina (Trappey, Liu y Chang, 1988);
• Producción de cinta magnética (Wagenknecht y Hartmann, 1987);
• Asignación óptima de producción de metal (Ran ~ k y Rimanek, 1987);
• Diseño óptimo del sistema (Zeleny, 1986);
• Fabricación de petróleo crudo (Wagenknecht y Hartmann, 1987);
• Problema de selección de mezcla de producción (Verdegay, 1987);
• Programación de producción (Carlsson y Korhonen, 1986).
Bancos y finanzas:
• Modelo de precios de activos de capital (Ostermark, 1989);
• Reparto de ganancias en la preocupación (Ostermark, 1988);
• Decisión de cobertura bancaria (Lai y Hwang, 1992);
• Inversión en proyectos (Hanuscheck, 1986; Wolf, 1988; Lai y Hwang, 1992).
Gestión de personal:
• Coordinación de la demanda de personal y la estructura de personal
disponible (Spengler, 1992).
Heinrich Rommelfanger. Fuzzy linear programming and applications. European journal of operational research. Vol
92. (1996) pp 512-527
Conclusiones
• Dado el poder de PL, uno podría haber esperado aún más aplicaciones.
Esto podría deberse al hecho de que el PL requiere datos muy definidos
y precisos que implican altos costos de información. En las aplicaciones
del mundo real, la certeza, la fiabilidad y la precisión de los datos a
menudo son ilusorias.
• Klir, George and Bo Yuan (1995). Fuzzy sets and fuzzy logic: theory
and applications. Prentice Hall, New Jersey, USA. Chapter 15:
Fuzzy Decision Making. Traducción, adaptación y ampliación: Dr.
Ennodio Torres