INVESTIGACIÓN OPERATIVA I

Programación de Metas
 Objetivos

1. Definir correctamente un problema de

programación por metas

2. Programación por metas con ponderaciones

3. Programación por metas con prioridades
PROGRAMACIÓN DE METAS

EJEMPLO 1 (Planificación tributaria):

Abancay es una pequeña ciudad con una población de
aproximadamente 20,000 habitantes. La base tributaria anual por
el impuesto predial asciende a $550 millones. Las recaudaciones
anuales por alimentos y medicinas así como por ventas generales
es de $35 y $55 millones, respectivamente.

El consumo anual de gasolina local se estima en 7.5 millones de

galones. El concejo municipal desea desarrollar las tasas
tributarias con base en cuatro metas principales:
1. Los ingresos fiscales deben ser por lo menos de $16 millones para
satisfacer los compromisos financieros de la ciudad.

2. Los impuestos sobre alimentos y medicinas no deben exceder el 10%

de todos los impuestos recaudados.

3. Los impuestos sobre las ventas generales no deben exceder el 20%

de todos los impuestos recaudados.

4. El impuesto sobre la gasolina no debe exceder de 2 centavos por

galón.
SOLUCION:

Definición de Variables de Decisión:

Xp: cantidad de tasas tributarias sobre la propiedad

Xa: cantidad de tasas tributarias sobre los alimentos y las medicinas
Xv: cantidad de tasas tributarias sobre las ventas
generales
Xg cantidad de tasas tributarias sobre la gasolina en
centavos por galón.
Restricciones:

Las metas del concejo municipal se expresan entonces como:

Ingresos fiscales: Se calculan de la siguiente forma:

550xp + (Asociando el impuesto predial a la variable xp)

35xa + (Asociando las recaudaciones por los alimentos y
las medicinas a la variable xa)
55xv + (Asociando las recaudaciones por las ventas a la
variable xv)
0.075xg (Asociando las recaudaciones por el consumo de gasolina en
centavos por galón (7.5/100=0.075) a la variable xg)
>=16 (Como en el problema nos dice "Por lo menos "
utilizamos la restricción mayor igual.
Quedando la restricción para el impuesto predial:
550xp + 35xa + 55xv + 0.075xg >=16
Restricciones:

Impuestos sobre alimentos y medicinas: Se calculan de la siguiente forma:

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:

Impuestos sobre las ventas: Se calculan de la siguiente forma:

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:

Impuesto sobre la gasolina: Se calculan de la siguiente forma:

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

No negatividad: Estas variables como son tasas tributarios no pueden ser

negativas:

Xp, Xa, Xv, Xg >=0

Estas restricciones se simplifican entonces como:
550xp + 35xa + 55xv +0.075xg >= 16
55xp - 31.5xa + 5.5xv +0.0075xg >= 0
110xp + 7xa - 44xv +0.015xg >= 0
xg <= 2
Xp, Xa, Xv, Xg >=0

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:

550xp + 35xa + 55xv +0.075xg +S1- - S1+ = 16

55xp - 31.5xa + 5.5xv +0.0075xg +S2- - S2+ = 0
110xp + 7xa - 44xv +0.015xg +S3- - S3+ = 0
xg +S4- - S4+ = 2
Xp, Xa, Xv, Xg >=0
Si- y Si+ >=0; i=1, 2, 3, 4
Las variables no negativas Si- y Si+, i= 1, 2, 3, 4 son variables de
desviación que representan las desviaciones por debajo y por arriba del
lado derecho de la restricción i.
Las variables de desviación Si- y Si+, son dependientes por definición, y
de ahí que no pueden ser las variables básicas al mismo tiempo (de
acuerdo con la teoría del método simplex).
Esto significa que en cualquier iteración simplex, no más de una de las dos
variables de desviación puede asumir un valor positivo. Si la desigualdad
i-ésima original es del tipo <= y su Si- >=0, entonces se satisface la meta
i-ésima; en caso contrario, no se satisface la meta i.
En esencia, la definición de Si- y Si+, permite satisfacer o violar la meta
i-ésima a voluntad. Éste es el tipo de flexibilidad que caracteriza a la
programación de metas cuando se busca una solución compromiso. Lógicamente,
una buena solución compromiso busca minimizar la cantidad por la que se
viole cada meta.
Función Objetivo:

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:

Planteamos el modelo de la siguiente forma:

Min S11 + S21 + S31 + S42

st
550xp + 35xa + 55xv +0.075xg +S11 - S12 = 16
55xp - 31.5xa + 5.5xv +0.0075xg +S21 - S22 =0
110xp + 7xa - 44xv +0.015xg +S31 - S32 =0
xg +S41 - S42 =2

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:

Obtenemos el siguiente resultado:

Interpretación:

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

En conclusión las tasas tributarias que satisfacen las metas son:

Para los predios (xp) = 0.029

Para los alimentos y medicinas (xa) = 0
Para las ventas (xv) = 0
Para la gasolina (xg) = 2
Estas funciones se minimizan sujetas a las ecuaciones de restricción del
modelo.
¿Cómo podemos optimizar un modelo de múltiples objetivos con metas
conflictivas? Con este fin se desarrollaron dos métodos para los
siguientes casos:

(1) Programación por metas con ponderaciones (Método de los pesos).

(2) Programación por metas con prioridades (Método Preventivo).

Ambos métodos se basan en la conversión de los múltiples objetivos en una

sola función.
 ALGORITMOS DE PROGRAMACIÓN DE METAS

En el método de pesos, la función objetivo única es la suma ponderada de

las funciones que representan las metas del problema. El método preventivo
inicia priorizando las metas por orden de importancia. Luego, el modelo
optimiza las metas de una en una en el orden de prioridad de modo que no
degrade una solución de más alta prioridad.

Por lo común, los dos métodos propuestos no presentan la misma solución.

Ninguno de los métodos, sin embargo, es superior al otro porque las dos
técnicas presuponen preferencias distintas en la toma de decisiones.
MÉTODO DE LOS PESOS

Suponga que el modelo de programación de metas tiene n metas y que la meta

i-ésima se da como:
Minimizar Gi, i = 1, 2,…, n
La función objetivo combinada utilizada en el método de pesos se define
entonces como:
Minimizar z = w1G1 + w2G2 + … + wnGn
Los parámetros wi, i = 1, 2,..., n son pesos positivos que reflejan las
preferencias de la toma de decisiones con respecto a la importancia
relativa de cada meta. Por ejemplo, wi = 1, para todas las i, significa que
todas las metas tienen una misma importancia. La determinación de los
valores específicos de estos pesos es subjetiva.
EJEMPLO 2: TopAd, una nueva agencia de publicidad con 10 empleados, firmó
un contrato para promover un nuevo producto. La agencia puede hacer
publicidad por radio y televisión. La siguiente tabla proporciona la
cantidad de personas alcanzadas diariamente por cada tipo de anuncio
publicitario, así como los requerimientos de costos y mano de obra. El
contrato prohíbe a TopAd utilizar más de 6 minutos de publicidad por radio.

Radio Televisión
Exposición (en millones de personas)/min 4 8
Costo(en miles de dólares)/min 8 24
Empleados asignados/min 1 2

Además, los anuncios de radio y televisión tienen que llegar al menos a 45

millones de personas. TopAd tiene una meta presupuestaria de $100,000 para
el proyecto.
¿Cuántos minutos de anuncios de radio y televisión debe utilizar TopAd?
SOLUCIÓN:
Sean x1 y x2 los minutos asignados a los anuncio de radio y televisión. La
formulación de la programación de metas para el problema se da como:

Minimizar G1- = Si- (Satisfacer la meta de exposición)

Minimizar G2+ = Si+ (Satisfacer la meta de presupuesto)

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:

Minimizar z = 2G1 + G2 = 2s1- + s2+

La solución óptima es Z= 10, x1= 5 minutos, x2 = 2.5 minutos, s1- = 5

millones de personas s1+ =0, s2- =0

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

En este tipo de método, el tomador de decisiones clasifica las metas del

problema en orden de importancia. Dada una situación de n metas, los
objetivos del problema se escriben como
Minimizar G1 = ρ1 (Máxima prioridad)
.
.
.
Minimizar Gn = ρn (Minima prioridad)
La variable ρi es el componente de las variables de desviación, si- o si+
que representan la meta i. Por ejemplo, en el modelo de TopAd, ρ1 = s1- y ρ2
= s2+.
MÉTODO PREVENTIVO

El procedimiento de solución se inicia con la optimización de la prioridad

máxima, G1, y termina con la optimización de la prioridad mínima, Gn. El
método preventivo está diseñado de modo que una solución de menor
prioridad nunca degrade a una solución de alta prioridad.
La literatura sobre programación de metas presenta un método simplex
“especial” que garantiza la no degradación de soluciones de alta
prioridad. El método utiliza la regla de eliminación de columnas que exige
eliminar una variable xj no básica con un costo reducido diferente de cero
(zj - cj ≠ 0) de la tabla óptima de metas Gk antes de resolver el problema
de la meta Gk+1. La regla reconoce que tales variables no básicas, si se
elevan por encima del nivel cero en las optimización de metas
subsiguientes, pueden degradar (pero nunca mejorar) la calidad de una meta
de mayor prioridad.
MÉTODO PREVENTIVO

El procedimiento requiere incluir las funciones objetivo de todas las

metas en la tabla simplex del modelo.
La modificación propuesta de eliminación de columnas complica sin
necesidad la programación de metas. En esta presentación demostramos que
se pueden alcanzar los mismos resultados de una manera más simple dando
los siguientes pasos:

Paso 0. Identifique las metas del modelo y clasifíquelas en orden de

prioridad:
G1 = ρ1 > G2 = ρ2 >… > Gn = ρn
Establezca i = 1.
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

El problema del ejemplo 2 se resuelve por el método

preventivo. Suponga que la meta de exposición tiene la
prioridad más alta.

Paso 0. G1>G2
G1: Minimizar s1- (Satisfacer la meta de exposición)
G2: Minimizar s2+ (Satisfacer la meta de presupuesto)

Paso 1. Resuelva la PLi

 Minimizar G1 = s1-

Sujeto a
4x1 + 8x2 + s1- - s1+ = 45 (Meta de exposición)

8x1 + 24x2 + s2- - s2+ = 100 (Meta de presupuesto)

x1 + 2x2 <=10 (Limite personal)

x1 <= 6 (límite de radio)
x1, x2, s1-, s1+, s2-, s2+ >= 0
La solución óptima (determinada por LINDO) es x1 = 5 minutos, x2 = 2.5
minutos, s1- = 5 millones de personas, con las variables restantes
iguales a cero. La solución muestra que 5 millones de personas violan
la meta de exposición, G1. La restricción adicional que se añade al
problema G2 es s1- = 5 (o, lo que es lo mismo, s1-<= 5).

Paso 2. La función objetivo de la PL2 es

Minimizar G2 = s2+

Las restricciones son las mismas que en el paso 1 más la restricción

adicional s1- = 5.

Por lo general, la restricción adicional s1- = 5 también puede

explicarse al sustituir en la primera restricción.
El resultado es que el lado derecho de la restricción de la meta de
exposición cambiará de 45 a 40, lo que reduce la LP2 a:

Minimizar G2 = s2+

Sujeto a
4x1 + 8x2 - s1+ = 40 (Meta de exposición)

8x1 + 24x2 + s2 - - s2 + = 100 (Meta de presupuesto)

x1 + 2x2 <=10 (Limite personal)

x1 <= 6 (Limite radio)

x1, x2, s1+, s2-, s2+ >= 0

La nueva formulación tiene una variable menos que la de la PL1, la
cual es la idea general anticipada por la regla de eliminación de
columnas.
En realidad, la optimización de la PL2 no es necesaria en este
problema porque la solución óptima al problema G1 ya da por
resultado s2+ =0; es decir, ya es óptima para la PL2.Tales
oportunidades de ahorro de cálculos deben aprovecharse siempre que
se presenten durante el curso de implementación del método
preventivo.
Ejemplo 4 (Regla de eliminación de columnas)

En este ejemplo demostramos que puede obtenerse una mejor solución

para el problema de los ejemplos 2 y 3 si se utiliza el método
preventivo para optimizar los objetivos en lugar de satisfacer las
metas. Más adelante, el mismo ejemplo se resuelve aplicando la regla
de eliminación de columnas.

Las metas del ejemplo 2 se puede formular como:

Prioridad 1: Maximizar la exposición (P1)

Prioridad 2: Minimizar el costo (P2)
Matemáticamente, los dos objetivos se dan como
Maximizar P1 = 4x1 + 8x2 (Exposición)
Minimizar P2 = 8x1 + 24x2 (Costo)
Los límites específicos para las metas de exposición y de costo (= 45
y 100) en los ejemplos 2 y 3 se eliminan, porque dejaremos que el
método simplex determine estos límites óptimamente.
Por lo tanto el nuevo problema se formula como:
Maximizar P1 = 4x1 + 8x2
Minimizar P2 = 8x1 + 24x2
Sujeto a
x1 + 2x2 <= 10
x1 <=6
x1, x2 >= 0

Primero resolvemos el problema siguiendo el procedimiento presentado

en el ejemplo 3.
Paso 1. Resuelva la PL1
Maximizar P1 = 4x1 + 8x2
Sujeto a
x1 + 2x2 <= 10
x1 <=6
x1, x2 >= 0
La solución óptima (obtenida por LINDO) es x1=0, x2=5 con P1 = 40, lo
que demuestra que la exposición máxima que podemos obtener es de 40
millones de personas.
Paso 2. Agregue la restricción 4x1 + 8x2 >= 40 para asegurarnos
de que la meta G1 no se degrade. Por lo tanto, resolvemos la PL2
como:

Minimizar P2 = 8x1 + 24x2

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.

El mismo problema se resuelve ahora con la regla de eliminación de

columnas. La regla indica que incluyamos las filas objetivo asociadas
con todas las metas en la tabla simplex, como se demostrará a
continuación

PL1 (Maximización de la exposición). La tabla simplex de la PL1

incluye ambas filas objetivo P1 y P2. La condición de optimalizad
aplica sólo a la fila objetivo P1. La fila P2 desempeña un rol pasivo
en la PL1, pero debe ser actualizada (mediante las operaciones de
filas de simplex) con el resto de la tabla simplex en preparación para
la optimización de la PL2.
 La PL1 se resuelve en dos iteraciones como sigue:

Iteración Básica X1 X2 S1 S2 Solución

P1 -4 -8 0 0 0
P2 -8 -24 0 0 0
1 S1 1 2 1 0 10
S2 1 0 0 1 6
P1 0 0 4 0 40
P2 4 0 12 0 120
2 X2 1/2 1 1/2 0 5
S2 1 0 0 1 6

La última tabla da por resultado la solución óptima x1= 0, x2 = 5 y

P1 = 40.
La regla de eliminación de columnas pide que se elimine cualquier
variable no básica xj con zj - cj ≠ 0 a partir de la tabla óptima de
la PL1 antes de optimizar la PL2.
La razón es que si estas variables no se verifican, podrían volverse
positivas en problemas de optimización de baja prioridad, las cuales
pueden degradar la calidad de soluciones de alta prioridad.

PL2 (Minimización de costos). La regla de eliminación de columnas

elimina s1 (con zj - cj = 4 en la PL1). En la fila P2 podemos ver que
si no se elimina s1 será la variable de entrada en el inicio de las
iteraciones P2 y el resultado será la solución óptima x1 = x2 = 0, la
cual degradará el valor objetivo óptimo del problema P1 desde P1 = 40
hasta P1 = 0 (¡compruébelo!).
El problema P2 es del tipo de minimización. Después de la
eliminación de s1, la variable x1 con zj - cj = 4 (> 0) puede
mejorar el valor de P2. La siguiente tabla muestra las
iteraciones la PL2. Se eliminó la fila P1 porque no tiene ningún
propósito en la optimización de la PL2.
Iteración Básica X1 X2 S1 S2 Solución
P1 40
P2 4 0 0 120
1 X2 1/2 1 0 5
S2 1 0 1 6
P1 40
P2 0 0 -4 96
2 X2 0 1 -1/2 2
X1 1 0 1 6

La solución óptima (x1 = 6, x2 = 2) con una exposición total de P1

= 40 y un costo total de P2 = 96 es la misma que se obtuvo antes.
 GRACIAS

“Si cuidamos el Medio

Ambiente, cuidamos nuestro
futuro”