Академический Документы
Профессиональный Документы
Культура Документы
Programación de Metas
Objetivos
Nos dicen que impuestos sobre alimentos y medicinas (35xa) no deben exceder el
10% de todos los impuestos recaudados
Todos los impuestos recaudados son:
550xp + 35xa + 55xv + 0.075xg
Su 10% es:
0.1(550xp + 35xa + 55xv + 0.075xg)
Como no deben de exceder se utilizar a restricción menor igual (<=) y la
restricción quedaría así:
35xa <= 0.1(550xp + 35xa + 55xv + 0.075xg)
35xa <= 55xp + 3.5xa + 5.5xv + 0.0075xg
0 <= 55xp - 31.5xa + 5.5xv + 0.0075xg
Restricciones:
Nos dicen que impuestos sobre las ventas (55xv) no deben exceder el 20% de
todos los impuestos recaudados
Todos los impuestos recaudados son:
550xp + 35xa + 55xv + 0.075xg
Su 20% es:
0.2(550xp + 35xa + 55xv + 0.075xg)
Como no deben de exceder se utilizar a restricción menor igual (<=) y la
restricción quedaría así:
55xv <= 0.2(550xp + 35xa + 55xv + 0.075xg)
55xv <= 110xp + 7xa + 11xv + 0.015xg
0 <= 110xp + 7xa - 44xv + 0.015xg
Restricciones:
Nos dicen que impuestos sobre la gasolina (xg) no deben exceder 2 centavos por
galón
Como la variable xg esta en centavos tenemos:
xg <= 2
Cada una de las desigualdades del modelo representa una meta que el concejo
municipal aspira satisfacer. Es muy probable, sin embargo, que lo mejor que
se puede hacer sea una solución compromiso que implique estas metas
conflictivas.
La forma en que la programación de metas determina una solución compromiso
es convertir cada desigualdad en una meta flexible en la cual la
restricción correspondiente pueda ser violada, si es necesario. En función
del modelo de Abancay, las metas flexibles se expresan como sigue:
En el modelo de Abancay, dado que las tres primeras restricciones son del
tipo >= y la cuarta es del tipo <=, las variables de desviación S1-, S2-, S3-
y S4+ representan las cantidades por las cuales se violan las metas
respectivas. Por lo tanto, la solución compromiso busca satisfacer en
cuanto sea posible los siguientes cuatro objetivos:
Minimizar G1 = s1-
Minimizar G2 = s2-
Minimizar G3 = s3-
Minimizar G4 = s4+
En lindo:
Porque el Lindo no reconoce los signos + y – en las variables. Se reemplazo el signo más “-” por 1 y el
menos “+” por 2.
En lindo:
Como los valores de S12 =0, S22 =1.6, S32 =3.2, y S41 =0, Son mayores o iguales que cero
satisfacen las metas. Y la Función objetivo es cero se cumplen todas la
metas
Radio Televisión
Exposición (en millones de personas)/min 4 8
Costo(en miles de dólares)/min 8 24
Empleados asignados/min 1 2
Sujeto a:
4x1 + 8x2 + s1- - s1+ = 45 (Meta de exposición)
8x1 + 24x2 + s2- - s2+ = 100(Meta de presupuesto)
x1 + 2x2 <= 10(Límite de personal)
x1 <= 6 (Límite de radio)
x1, x2, s1-, s1+, s2-, s2+ >= 0
La gerencia de TopAd estima que la meta de exposición es dos veces más
importante que la meta de presupuesto. Por lo tanto, la función objetivo
combinada se convierte en:
El hecho de que el valor óptimo de z no sea cero indica que al menos una de
las metas no se cumple.
Específicamente, s1- =5 significa que la meta de exposición (de al menos 45
millones de personas) falla por 5 millones de personas. Por otra parte, la
meta de presupuesto (de no exceder $100,000) no se viola porque s2+ =0.
Comentarios. La programación de metas busca sólo una solución
eficiente, más que óptima, al problema.
Por ejemplo, la solución x1 = 6 y x2 = 2 produce la misma exposición
(4 x 6 + 8 x 2) = 40 millones de personas) pero cuesta menos (8 x 6
+ 24 x 2) = $96,000). En esencia, lo que la programación de metas
hace es hallar una solución que satisfaga las metas del modelo sin
tomar en cuenta la optimización. La falla de no hallar la solución
óptima levanta dudas sobre la viabilidad de la programación de metas
como una técnica de optimización.
MÉTODO PREVENTIVO
Paso general Resuelva la PLi que minimice Gi, y que ρi = ρi* que defina el
valor óptimo correspondiente de la variable de desviación ρi. Si i = n,
deténgase; la PLn resuelve el problema de n metas. En caso contrario,
agregue la restricción ρi = ρi* a las restricciones del problema Gi para
garantizar que el valor de ρi no se degrade en problemas futuros.
Establezca i = i + 1, y repita el paso i.
La adición sucesiva de las restricciones especiales ρi = ρi* puede no ser
tan “elegante” teóricamente como la regla de eliminación de columnas; no
obstante, se logra el mismo resultado. Pero lo más importante es que es
más fácil de implementar y de entender.
Comentarios:
Algunas personas pueden argumentar que la regla de eliminación de
columnas ofrece una ventaja computacional porque hace el problema
sucesivamente más pequeño al eliminar variables, en tanto que nuestro
procedimiento lo hace más grande al agregar nuevas restricciones.
Considerando la naturaleza de las restricciones adicionales (ρi = ρi*)
podemos modificar el algoritmo simplex para implementar la restricción
adicional implícitamente sustituyendo ρi = ρi*.
La sustitución (que afecta sólo a la restricción en la que
aparece ρi) reduce el número de variables a medida que el
algoritmo se mueve de una meta a la siguiente. De otra manera,
podemos utilizar el método simplex acotado, reemplazando ρi = ρi*
con ρi <= ρi* con en cuyo caso las restricciones adicionales se
toman en cuenta de manera tácita. Al respecto, la regla de
eliminación de columnas, aparte de su atractivo teórico no parece
ofrecer una ventaja computacional particular.
EJEMPLO 3
Paso 0. G1>G2
G1: Minimizar s1- (Satisfacer la meta de exposición)
G2: Minimizar s2+ (Satisfacer la meta de presupuesto)
Sujeto a
4x1 + 8x2 + s1- - s1+ = 45 (Meta de exposición)
Minimizar G2 = s2+
Sujeto a
4x1 + 8x2 - s1+ = 40 (Meta de exposición)
Sujeto a
x1 + 2x2 <= 10
x1 <=6
4x1 + 8x2 >=40 (Restricción adicional)
x1, x2 >= 0
La solución óptima de la PL2 es P2 = $96,000, x1 = 6 minutos, y x2 = 2
minutos. Esto da por resultado la misma exposición (P1 = 40 millones
de personas) pero a un costo menor que el del ejemplo 3, donde
buscamos satisfacer en lugar de optimizar las metas.