UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA

“ANTONIO JOSÉ DE SUCRE”

VICERRECTORADO BARQUISIMETO
DIRECCIÓN DE INVESTIGACIÓN Y POSTGRADO

PROGRAMACIÓN
LINEAL BORROSA:
FUNDAMENTOS Y
APLICACIONES
Participantes:
Juan Rodriguez C.I: 15.003.566

Noviembre, 2017
AGENDA
Toma de decisiones

Programación lineal clásica

Modelos lineales

Modelos lineales borrosos

Aplicaciones de la programación lineal borrosa

Conclusiones

Referencias
 Toma de decisiones

La toma de decisiones es el proceso mediante el

cual se realiza una elección entre diferentes
opciones o formas posibles para resolver diferentes
situaciones en diferentes contextos: empresarial,
laboral, económico, familiar, persona, social, etc.

Mientras la toma de decisiones en condiciones de riesgo ha sido modelada

con base en las teorías de decisión probabilística y en las teorías del juego, las
teorías de decisión borrosa tratan de enfrentar la vaguedad y la no especificidad
inherente a la formulación humana de las preferencias, las restricciones y los
objetivos.

La clásica toma de decisiones generalmente trata con un conjunto de

estados alternativos de la naturaleza (consecuencias, resultados), un conjunto
de acciones alternativas que están disponibles al decisor, una relación que
indica el estado o resultado que se espera de cada acción alternativa, y, por
último, una función objetivo o función de utilidad, que ordena los resultados de
acuerdo a su conveniencia.
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
 Toma de decisiones

Se dice que una decisión se toma en condiciones de certidumbre cuando el

resultado de cada acción puede ser determinado y ordenado con precisión.
En este caso, se elige la alternativa que conduce al resultado que produce la
utilidad más alta. Es decir, el problema de la toma de decisiones se convierte
en un problema de optimización, el cual tiene el propósito de maximizar la
función de utilidad.

Se dice que una decisión se toma en condiciones de incertidumbre cuando

se tiene al menos una de las tres situaciones: (1) no se conocen las
probabilidades de los resultados; (2) los resultados no son pertinentes; (3) los
resultados de cada acción se pueden caracterizar sólo aproximadamente.
Este es el dominio principal para la decisión borrosa.
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
 Programación lineal clásica

George Dantzig fue el fundador de la Programación Lineal (PL)

• Desarrolló el método Simplex en 1947
• Algoritmo inteligente que busca la solución óptima entre un
conjunto muy reducido de alternativas
• Coincide con el inicio de la informática
• Durante mucho tiempo constituyó el núcleo de la
computación científica

• El primer problema de PL que se resolvió fue el problema de

la dieta (9 restricciones y 77 variables)
 Se necesitaron 9 personas trabajando durante 15 días
para completar los cálculos del método Simplex

• La primera implementación en ordenador del Simplex se

realizó en 1952
 Se pudo resolver un problema de PL de 48 restricciones
y 71 variables en 18 horas

• Actualmente se pueden resolver PLs de millones de

variables y restricciones en horas o incluso minutos
Optimización y simulación para la empresa. Tema 2.Universidad Carlos III de Madrid. 2017
 Programación lineal clásica

MODELOS LINEALES:

• Los problemas que tratan se basan en la optimización

(minimización o maximización) de una función lineal
conocida como función objetivo, sujeta a una serie de
restricciones lineales de igualdad o desigualdad

• Un problema de PL en notación estándar (con igualdades)

se puede expresar como:
max z = cx
sujeto a Ax = b
x≥0

Donde cx es la función objetivo a maximizar o minimizar, x ∈ ℝ+n

representa el vector de variables a determinar, c ∈ ℝn es el vector de
costos asociado a las variables, A ∈ Mm×n es la matriz de coeficientes y
b ∈ ℝ+m el vector de términos independientes relativos a las
restricciones.
 Modelos lineales

El problema de programación lineal clásica, es encontrar valores mínimo o

máximo de una función lineal bajo restricciones representadas por
ecuaciones o inecuaciones lineales. El más típico problema de programación
lineal se expresa como sigue:

En notación extendida
Minimizar o Maximizar

Restricciones

En este contexto, 𝑧 es la función objetivo; 𝑐1,𝑐2,…,𝑐𝑛 son los coeficientes de

costo; 𝐜 es el vector de costo; 𝐱 es el vector de las variables; 𝐀 es la matriz de
restricciones; 𝐛 es el vector del lado derecho del sistema de inecuaciones.
 Modelos lineales
Minimizar 𝑧=𝑥1−2𝑥2
Sujeto a {3𝑥1−𝑥2≥1
2𝑥1+𝑥2≤6
0≤𝑥2≤2
0≤𝑥1

Empleando una interpretación geométrica

obvia, el conjunto factible, dibujando líneas
rectas que representan las ecuaciones
𝑥1=0, 𝑥2=0, 𝑥2=2, 3𝑥1−𝑥2=1, 2𝑥1+𝑥2=6.

Para encontrar el mínimo de la función

objetivo 𝑧 dentro del conjunto factible,
podemos dibujar una familia de líneas polígono convexo
rectas paralelas que representan la
ecuación 𝑥1−2𝑥2=𝑝, donde 𝑝 es un
parámetro, y observar cuál es la dirección
en la que el valor de 𝑝 disminuye.

Si el problema fuera para maximizar la función objetivo, movemos la línea recta en

la dirección opuesta, es decir, la dirección en la que el valor de 𝑝 aumenta
 Modelos lineales
Algoritmo del método simplex para resolver el problema
PASO 1. Colocar el programa lineal canónico en forma estándar
Transformar el programa lineal dado en un programa lineal canónico (PLC) que
separe las restricciones en dos clases: un sistema lineal de inecuaciones (SLI)
con el mismo tipo de desigualdad ≤; y la condición de positividad (POS) con el
mismo tipo de desigualdad ≥.

PASO 2. Poner el programa lineal estándar en forma simplex

(1) Cambiar la función lineal por la ecuación lineal equivalente;
(2) Convertir el sistema lineal de inecuaciones (SLI) en un sistema lineal de
ecuaciones (SLE), sumando al primer miembro de cada desigualdad del tipo ≤
una variable de holgura, tantas como el número de desigualdades de ese tipo:
3 variables de holgura 𝑥3,𝑥4,𝑥5;
(3) Extender hasta las variables de holgura la condición de positividad.

PASO 3. Construir la tabla simplex del programa lineal estándar

PASO 4. Elegir la variable entrante
PASO 5. Elegir la variable saliente
PASO 6. Encontrar una solución factible básica
PASO 7. Aplicar el criterio de minimalidad a la solución factible básica encontrada
 Modelos lineales borrosos

En muchas situaciones prácticas sobre problemas de programación lineal, no es

razonable exigir que las restricciones o la función objetivo sean especificadas en
términos nítidos precisos. En tales situaciones, es deseable usar algún tipo de
programación lineal borrosa.

Breve histórico
Mizumoto
Zimmermann Zimmermann Leung Luhandjula
y Tanaka
(1978) (1987) (1988) (1989)
(1974)

basado en Introdujo la 1º Clasificó los Clasificó los Clasificó los

el marco formulación de PLB problemas de problemas de PLB en problemas de PLB en
de para abordar la PLB en dos cuatro categorías: tres categorías:
decisión imprecisión categorías: 1 un objetivo preciso 1 programación
borroso de y la vaguedad de simétrica y y restricciones flexible
Bellman y los parámetros en modelos no borrosas 2 programación
Zadeh los problemas de PL simétricos. 2 un objetivo difuso y matemática con
(1970) con limitaciones restricciones precisas parámetros difusos
borrosas y funciones 3 un objetivo difuso y 3 programación
objetivo limitaciones borrosas estocástica difusa.
4 programación
robusta.

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

Inuiguchi et al. Ganesan y Kumar et

(1990) Veeramani (2006) al. (2011)

Clasificaron los problemas de Propusieron un modelo PLB Dividieron los

PLB en seis categorías:
1 programación flexible
2 programación posibilista
3 LP posibilista usando fuzzy max
4 programación robusta
5 programación posibilista con
relaciones de preferencia
borrosas
6 PL posibilista con objetivos
borrosos.
con simetría trapezoidal y problemas de PLB
números borrosos. Probaron en dos categorías:
analogías difusas de algunos 1 problemas de PLB
teoremas PL importantes y con restricciones de
obtuvieron algunos resultados desigualdad
interesantes que a su vez 2 problemas de PLB
llevaron a la solución para con restricciones de
problemas PLB sin convertirlos igualdad.
en problemas nítidos de PL.

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

El tipo más general de la programación lineal borrosa se formula como sigue:

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.

En general, los problemas de programación lineal borrosa se convierten primero

en equivalentes problemas de programación lineal o no lineal nítida, que luego
son resueltos por métodos estandarizados. Los resultados finales de un problema
de programación lineal borrosa son números reales que representan un arreglo
en términos de los números borrosos involucrados.

En lugar de discutir este tipo general, ejemplificamos los temas involucrados

mediante dos casos especiales de problemas de programación lineal borrosa.
 Modelos lineales borrosos
Caso 1. Problemas de programación lineal borrosa en los que solamente son
borrosos los números 𝐵𝑖 del lado derecho de las inecuaciones:

En este caso, la función de pertenencia μ𝐵𝑖∶ℝ→⟦0,1⟧ de cada número borroso 𝐵𝑖

(𝑖∊ℕ[1,𝑚]) se define típicamente de la siguiente forma:

Para cada 𝑖 ∊ ℕ[1,𝑚], se determina el rango de la 𝑖-ésima inecuación

σ𝑛𝑗=1 𝑎𝑖𝑗𝑥𝑗 ≤ 𝑏𝑖, el cual es un conjunto borroso 𝐷𝑖 cuya función de pertenencia
μ𝐷𝑖∶ℝ𝑛→⟦0,1⟧ se define por:

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:

El supremo 𝑧𝑢 del conjunto de valores óptimos se obtiene resolviendo un

problema de programación lineal en el cual se reemplaza 𝐛 con 𝐛+𝐩

Entonces la función de pertenencia μ𝐺∶ℝ𝑛→⟦0,1⟧ del conjunto borroso 𝐺 de los

valores óptimos del problema está definida por
 Modelos lineales borrosos
Ahora el problema se convierte en el siguiente problema de optimización clásico

El anterior problema es realmente un problema para encontrar 𝐱∊ℝ𝑛 tal que

alcance el valor máximo la función de pertenencia del conjunto borroso
(‫𝑚ځ‬𝑖=1 𝐷𝑖 )∩𝐺. Es decir, un problema para encontrar un punto que satisface las
restricciones y la meta con el máximo rango.
 Modelos lineales borrosos
Ejemplo:
Supongamos que una empresa hace dos productos. El producto 𝑃1 tiene un
beneficio de $0.40 por unidad y el producto 𝑃2 tiene un beneficio de $0.30 por
unidad. Cada unidad del producto 𝑃1 requiere el doble de horas de mano de
obra que cada unidad del producto 𝑃2. El total de horas de trabajo disponibles
son al menos 500 horas por día, y, posiblemente, puede ampliarse a 600 horas
por día, debido al régimen especial aplicable a las horas extraordinarias. El
suministro de material es al menos suficiente para hacer 400 unidades de
ambos productos, 𝑃1 y 𝑃2, por día, pero, posiblemente, puede extenderse a 500
unidades por día de acuerdo a la experiencia previa. El problema es: ¿cuántas
unidades por día se deben hacer de los productos 𝑃1 y 𝑃2 para maximizar el
beneficio total?
Solución:
Si 𝑥1 y 𝑥2 denotan los números de unidades de los productos 𝑃1 y 𝑃2,
respectivamente, que se hacen por día, entonces el problema puede formularse
como el siguiente problema de programación lineal borrosa:
 Modelos lineales borrosos
Donde la función de pertenencia μ𝐵1∶ℝ2→⟦0,1⟧ del conjunto borroso 𝐵1 de los
insumos disponibles está definida por:

y la función de pertenencia μ𝐵2∶ℝ2→⟦0,1⟧ del conjunto borroso 𝐵2 de las horas de

labor disponibles está definida por

En primer lugar tenemos que calcular el supremo y el ínfimo de la función

objetivo. Al resolver los siguientes dos problemas de programación lineal clásica,
obtenemos 𝑧𝑙=130 y 𝑧𝑢=160.
 Modelos lineales borrosos
Entonces el problema de programación lineal se transforma en:

Resolviendo este problema de programación lineal clásica, encontramos que el

valor máximo, λ=0,5 es obtenido por 𝑋෠ 1 =100; 𝑋෠ 2 =350. Entonces el beneficio
máximo, 𝑧Ƹ es calculado como sigue:

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).

Entonces el problema puede ser reescrito como sigue:

donde 𝐴𝑖𝑗=(𝑠𝑖𝑗,𝑙𝑖𝑗,𝑟𝑖𝑗) y 𝐵𝑖=(𝑡𝑖,𝑢𝑖,𝑣𝑖) son números borrosos triangulares. La suma y

el producto son operaciones con números borrosos, y el orden parcial ≤ es
definido por:
 Modelos lineales borrosos
Entonces el problema puede reescribirse como sigue:

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.

• Además, la solución óptima de un PL solo depende de un número

limitado de restricciones y, por lo tanto, gran parte de la información
recolectada tiene poco impacto en la solución.

• El uso de distribuciones de probabilidad no resultó ser muy útil para

hacerlo. Sin embargo, desde el documento seminal "Fuzzy sets" de Lofti
A. Zadeh en 1965, existe una forma conveniente y poderosa de modelar
datos vagos sin recurrir a conceptos estocásticos.

• Con el fin de reducir los costos de información y, al mismo tiempo, evitar

modelos poco realistas, el uso de la programación lineal borrosa
pueden ser recomendados. Su aplicación implica que los problemas se
resolverán de forma interactiva.
 Conclusiones

• La aplicación de los sistemas PLB ofrece la ventaja de quien toma las

decisiones, puede modelar su problema de acuerdo con su estado
actual de información. Al mismo tiempo, ya no puede usar los bien
conocido algoritmos simples para calcular una solución de su
problema.

• Por lo tanto, varios procedimientos para calcular un ‘solución

compromiso’ de un sistema PLB se han desarrollado. Principalmente
difieren en las suposiciones hechas para reducir la PLB a un problema
clásico de optimización matemática.

• Primero tratamos con lo casos más simple, modelos PL con restricciones

suaves, para tener una idea del manejo de los problemas de
optimización difusa. Luego abordamos los problemas esenciales
usando sistemas PLB:
 Referencias

• Heinrich Rommelfanger. Fuzzy linear programming and applications.

European journal of operational research. Vol 92. (1996) pp 512-527

• 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

• Optimización y simulación para la empresa Tema 2.Universidad

Carlos III de Madrid. Disponible en:
http://www.est.uc3m.es/esp/nueva_docencia/comp_col_get/lade
/optimizacion_simulacion/doc_generica/02_Lineal.pdf

• 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