Mestodo Simplex para Una Mina Subterranea

APLICACIN DEL ALGORITMO
SIMPLEX A MINERA
SUBTERRNEA
GRUPO:
G3 A1
DOCENTE: Carlos Agreda Turriarte, Ph. D.

INTEGRANTES:
BONILLA CHAVEZ, Erick

LANDEO HUAMAN, Jorge
LAZARO SUAREZ, Jorge
PALMA RAMIREZ, William
VELSQUEZ JARA, Jorge
Introduccin a la Investigacin de Operaciones

G3-A1
-------------------------------------------------------------------------------------------------------------------------
I. INTRODUCCIN
El mtodo simplex es un mtodo muy prctico, ya que solo trabaja con los coeficientes de la funcin
objetivo y de las restricciones.
El mtodo Simplex es un procedimiento iterativo que permite mejorar la solucin de la funcin objetivo
en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho valor, es decir, se
ha alcanzado la solucin ptima (el mayor o menor valor posible, segn el caso, para el que se
satisfacen todas las restricciones).
Partiendo del valor de la funcin objetivo en un punto cualquiera, el procedimiento consiste en buscar
otro punto que mejore el valor anterior. Como en el mtodo Grfico, dichos puntos son los vrtices del
polgono o (poliedro, si el nmero de variables es mayor de 2) que constituye la regin determinada
por las restricciones a las que se encuentra sujeto el problema (llamada regin factible). La bsqueda
se realiza mediante desplazamientos por las aristas del polgono, desde el vrtice actual hasta uno
adyacente que mejore el valor de la funcin objetivo. Siempre que exista regin factible, como su
nmero de vrtices y de aristas es finito, ser posible encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo Z no toma su valor mximo
en el vrtice A, entonces existe una arista que parte de A y a lo largo de la cual el valor de Z aumenta.
Ser necesario tener en cuenta que el mtodo Simplex nicamente trabaja con restricciones del
problema cuyas inecuaciones sean del tipo "" (menor o igual) y sus coeficientes independientes sean
mayores o iguales a 0. Por tanto habr que estandarizar las restricciones para que cumplan estos
requisitos antes de iniciar el algoritmo del Simplex. En caso de que despus de ste proceso
aparezcan restricciones del tipo "" (mayor o igual) o "=" (igualdad), o no se puedan cambiar, ser
necesario emplear otros mtodos de resolucin, siendo el ms comn el mtodo de las Dos Fases.
El objetivo consistir en maximizar o minimizar el valor de la funcin objetivo
incrementar ganancias o reducir prdidas.
que genere,
II. MARCO TERICO

MTODO SIMPLEX
------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

G3-A1
-------------------------------------------------------------------------------------------------------------------------
El mtodo simplex es un procedimiento iterativo que permite tender progresivamente hacia la solucin
ptima. Es un procedimiento sistemtico y eficiente para encontrar y probar soluciones situadas en los
vrtices de optimalidad.
El mtodo requiere que las restricciones sean ecuaciones en lugar de inecuaciones, lo cual se aade
variables de holgura a cada inecuacin del modelo, variables que nunca pueden ser negativas y
tienen coeficiente 0 en la funcin objetiva
Conceptos importantes:
Solucin bsica: Valores de las variables que satisfacen las restricciones de igualdad de un
programa lineal en forma estndar, despus de que las variables no bsicas se toman como
cero.
Solucin bsica factible inicial: Valores de las variables que satisfacen las restricciones de
igualdad y de no negatividad de un programa lineal en forma estndar, despus de que las
variables no bsicas se toman como cero.
Variable de holgura: variable no negativa que se aade al lado izquierdo de una restriccin
menor o igual que, para obtener una restriccin de igualdad equivalente.
Variable artificial: variable no negativa que se aade al lado izquierdo de una restriccin
mayor o igual que, para obtener una restriccin de igualdad equivalente.
Iteracin: una serie de pasos de un algoritmo que se repiten.
Prueba de optimidad: Mtodo para determinar si la solucin obtenida es la ptima.
Mejora: proceso de encontrar soluciones factibles con valores de la funcin objetivo cada vez
mejores.
Preparando el modelo para adaptarlo al mtodo Simplex
La forma estndar del modelo de problema consta de una funcin objetivo sujeta a determinadas
restricciones:
Funcin objetivo: c1x1 + c2x2 +... + cnxn
Sujeto a:
a11x1 + a12x2 +
a21x1 + a22x2 +
...
am1x1 + am2x2 +
x1,..., xn 0
...
...
+
+
a1nxn =
a2nxn =
b1
b2
...
amnxn =
bm
El modelo debe cumplir las siguientes condiciones:

1. El objetivo consistir en maximizar o minimizar el valor de la funcin objetivo
incrementar ganancias o reducir prdidas, respectivamente).
(por ejemplo,

G3-A1
-------------------------------------------------------------------------------------------------------------------------
2.
3.
4.
5.
Todas las restricciones deben ser ecuaciones de igualdad (identidades matemticas).

Todas las variables (xi) deben tener valor positivo o nulo (condicin de no negatividad).
Los trminos independientes (bi) de cada ecuacin deben ser no negativos.
Hay que adaptar el problema modelado a la forma estndar para poder aplicar el algoritmo del
Simplex.
Tipo de optimizacin.
Como se ha comentado, el objetivo del mtodo consistir en optimizar el valor de la funcin objetivo.
Sin embargo se presentan dos opciones: obtener el valor ptimo mayor (maximizar) u obtener el valor
ptimo menor (minimizar).
Adems existen diferencias en el algoritmo entre el objetivo de maximizacin y el de minimizacin en
cuanto al criterio de condicin de parada para finalizar las iteraciones y a las condiciones de entrada y
salida de la base. As:
Objetivo de maximizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.

Condicin de entrada a la base: el menor valor negativo en la fila Z (o el de mayor valor absoluto entre
los negativos) indica la variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la variable que sale se
determina mediante el menor cociente P0/Pj de los estrictamente positivos.
Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.

Condicin de entrada a la base: el mayor valor positivo en la fila Z indica la variable Pj que entra a la
base.
Condicin de salida de la base: una vez obtenida la variable entrante, la variable que sale se
determina mediante el menor cociente P0/Pj de los estrictamente negativos.
No obstante, es posible normalizar el objetivo del problema con el fin de aplicar siempre los mismos
criterios en lo referente a la condicin de parada del algoritmo y a las condiciones de entrada y salida
de las variables de la base. De esta forma, si el objetivo es minimizar la solucin, se puede cambiar el
problema a otro equivalente de maximizacin simplemente multiplicando la funcin objetivo por "1". Es
decir, el problema de minimizar Z es equivalente al problema de maximizar (-1) Z. Una vez obtenida
la solucin ser necesario multiplicarla tambin por (-1).
Ventajas: No hay que preocuparse por nuevos criterios de parada, condicin de entrada y salida de la
base ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todos los coeficientes de sus variables bsicas
positivos, y adems las restricciones sean del tipo de desigualdad "", al hacer el cambio dichos
coeficientes quedan negativos cumplindose la condicin de parada en la primera iteracin (en la fila
del valor de la funcin objetivo todos los valores son positivos o cero). Obtenindose en este caso por
defecto un valor ptimo para la funcin igual a 0.

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Solucin: Realmente no existe este problema dado que para que la solucin sea superior a 0 es
necesario que alguna restriccin tenga impuesta la condicin "" (y se tratara de un modelo para el
mtodo de las Dos Fases). En el caso planteado, la solucin real debe ser cero.
Cambio de signo de los trminos independientes.
Tambin se ha dicho que los trminos independientes (bi) de cada ecuacin deben ser no negativos
para poder emplear el mtodo Simplex. A tal fin, si alguna de las restricciones presenta un trmino
independiente menor que 0 habr que multiplicar por "-1" ambos lados de la inecuacin (teniendo en
cuenta que esta operacin tambin afecta al tipo de restriccin).
Ventajas: Con sta simple modificacin de signos en las restricciones correspondientes se posibilita la
aplicacin del mtodo Simplex al problema modelado.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que modificar los signos de
las constantes, los tipos de desigualdad fueran "" (quedando tras la operacin del tipo "") siendo
necesario desarrollar el mtodo de las Dos Fases. Este inconveniente no es controlable, aunque
podra ocurrir el caso contrario y resultar beneficioso si los trminos independientes negativos se
presentan en todas aquellas restricciones con desigualdad de tipo "". Si existe alguna restriccin del
tipo "=" no supondra ninguna ventaja ni desventaja puesto que siempre sera de necesaria aplicacin
el mtodo de las Dos Fases.
Normalizacin de las restricciones

Otra de las condiciones del modelo estndar del problema es que todas las restricciones sean
ecuaciones de igualdad (tambin llamadas restricciones de igualdad), por lo que hay que convertir las
restricciones de desigualdad o inecuaciones en dichas identidades matemticas.
La condicin de no negatividad de las variables (x1,..., xn 0) es la nica excepcin y se mantiene tal
cual.
Restriccin de tipo ""
Para normalizar una restriccin con una desigualdad del tipo "", hay que aadir una nueva variable,
llamada variable de holgura xs (con la condicin de no negatividad: xs 0). Esta nueva variable aparece
con coeficiente cero en la funcin objetivo, y sumando en la ecuacin correspondiente (que ahora s ser
una identidad matemtica o ecuacin de igualdad).
a11x1 + a12x2 b1
a11x1 + a12x2 + 1xs = b1
Restriccin de tipo ""
En caso de una desigualdad del tipo "", tambin hay que aadir una nueva variable llamada variable de
exceso xs (con la condicin de no negatividad: xs Esta nueva variable aparece con coeficiente cero en la
funcin objetivo, y restando en la ecuacin correspondiente.). 0
Surge ahora un problema con la condicin de no negatividad con esta nueva variable del problema. Las
inecuaciones que contengan una desigualdad de tipo "" quedaran:

G3-A1
-------------------------------------------------------------------------------------------------------------------------
a11x1 + a12x2 b1
a11x1 + a12x2 - 1xs = b1
Al realizar la primera iteracin con el mtodo Simplex, las variables bsicas no estarn en la base y
tomarn valor cero. En este caso la nueva variable xs, tras hacer cero a x1 y x2, tomar el valor -b1 y no
cumplira la condicin de no negatividad. Es necesario aadir otra nueva variable xr, llamada variable
artificial, que tambin aparecer con coeficiente cero en la funcin objetivo y sumando en la restriccin
correspondiente. Quedando entonces de la siguiente manera:
a11x1 + a12x2 b1
a11x1 + a12x2 - 1xs + 1xr = b1
Restriccin de tipo "="
Al contrario de lo que cabra pensar, para las restricciones de tipo "=" (aunque ya son identidades) tambin
es necesario agregar variables artificiales xr. Como en el caso anterior, su coeficiente ser cero en la
funcin objetivo y aparecer sumando en la restriccin correspondiente.
a11x1 + a12x2 = b1
a11x1 + a12x2 + 1xr = b1
En el ltimo caso se hace patente que las variables artificiales suponen una violacin de las leyes del
lgebra, por lo que ser necesario asegurar que dichas variables artificiales tengan un valor 0 en la
solucin final. De esto se encarga el mtodo de las Dos Fases y por ello siempre que aparezcan este tipo
de variables habr que realizarlo.
En la siguiente tabla se resume segn la desigualdad el tipo de variable que aparece en la ecuacin
normalizada, as como su signo
Desarrollando el mtodo Simplex

Una vez estandarizado el modelo y se determina que hay que utilizar el mtodo simplex
A continuacin se explican paso a paso los puntos de cada mtodo, concretando los aspectos a
tener en cuenta.
Construccin de la primera tabla:

Las columnas de la tabla estn dispuestas de la siguiente forma: la primera columna de la tabla
contiene las variables que se encuentran en la base (o variables bsicas), esto es, aquellas que
toman valor para proporcionar una solucin; la segunda columna recoge los coeficientes que dichas
variables bsicas tienen en la funcin objetivo (esta columna es llamada C b); la tercera muestra el
trmino independiente de cada restriccin (P 0); a partir de sta aparece una columna por cada una
de las variables de decisin y holgura presentes en la funcin objetivo (P j). Para tener una visin
ms clara de la tabla, se incluye una fila que contiene los ttulos de cada una de las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la tabla, donde aparecen
los coeficientes de las variables de la funcin objetivo, y una ltima fila que recoge el valor la
funcin objetivo y los costes reducidos Zj - Cj.
Los costes reducidos muestran la posibilidad de mejora en la solucin Z 0. Por este motivo
tambin son llamados valores indicadores.
Se muestra a continuacin el aspecto general de la tabla del mtodo Simplex:

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Tabla
C1
C2
...
Cn
Base
Cb
P0
P1
P2
...
Pn
P1
Cb1
b1
a11
a12
...
a1n
P2
Cb2
b2
a21
a22
...
a2n
...
...
...
...
...
...
...
Pm
Cbm
bm
am1
am2
...
amn
Z0
Z1-C1
Z2-C2
...
Zn-Cn
Todos los valores incluidos en la tabla vendrn dados por el modelo del problema salvo los
valores de la fila Z (o fila indicadora). Estos se obtienen de la siguiente forma: Z j = (CbiPj) para i =
1..m, donde si j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij.
Se observa, al realizar el mtodo Simplex, que en esta primera tabla ocupan la base todas las
variables de holgura y por ello (todos los coeficientes de las variables de holgura son 0 en la funcin
objetivo) el valor inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los clculos de los costes reducidos en la
primera tabla, pudindose determinar directamente como el cambio de signo de los coeficientes de
cada variable en la funcin objetivo, esto es, -C j.
Condicin de parada:
Se cumple la condicin de parada cuando la fila indicadora no contiene ningn valor negativo entre
los costes reducidos (cuando el objetivo es la maximizacin), esto es, no existe posibilidad de
mejora.
Si no se cumple la condicin de parada es necesario realizar una iteracin ms del algoritmo, esto
es, determinar la variable que se vuelve bsica y la que deja de serlo, encontrar el elemento pivote,
actualizar los valores de la tabla y comprobar si se cumple nuevamente la condicin de parada.
Es tambin posible determinar que el problema no se encuentra acotado y su solucin siempre
resultar mejorable. En tal caso no es necesario continuar iterando indefinidamente y se puede
finalizar el algoritmo. Esta situacin ocurre cuando en la columna de la variable entrante a la base
todos los valores son negativos o nulos.
Eleccin de la variable que entra a la base:

Cuando una variable se vuelve bsica, es decir, entra en la base, comienza a formar parte de la
solucin. Observando los costes reducidos en la fila Z, se decide que entra a la base la variable de
la columna en la que ste sea el de menor valor (o de mayor valor absoluto) entre los negativos.
Eleccin de la variable que sale de la base:

Una vez obtenida la variable entrante, se determina que sale de la base la variable que se
encuentre en aquella fila cuyo cociente P 0/Pj sea el menor de los estrictamente positivos (teniendo
en cuenta que esta operacin se har nicamente cuando P j sea superior a 0).

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Elemento pivote:
El elemento pivote de la tabla queda marcado por la interseccin entre la columna de la variable
entrante y la fila de la variable saliente.
Actualizacin de la tabla:
Las filas correspondientes a la funcin objetivo y a los ttulos permanecern inalteradas en la nueva
tabla. El resto de valores debern calcularse como se explica a continuacin:
En la fila del elemento pivote cada nuevo elemento se calcula como:
Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote.
En el resto de las filas cada elemento se calcula:
Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en Columna Pivote *
Nuevo Elemento Fila Pivote).
De esta forma se consigue que todos los elementos de la columna de la variable entrante sean
nulos salvo el de la fila de la variable saliente cuyo valor ser 1. (Es anlogo a utilizar el mtodo
de Gauss-Jordan para resolver sistemas de ecuaciones lineales).
Aplicaciones del algoritmo simplex
Para poder solucionar un problema mediante un algoritmo primero se debe extraer toda la
informacin que aporta el enunciado y preparar el problema de acuerdo a las necesidades del
mtodo resolutivo.
Los pasos para modelar un problema son los siguientes:
Paso 1: Determinar las variables de decisin y expresarlas algebraicamente.
o X1,..., Xn
Paso 2: Determinar las restricciones y se expresarlas como ecuaciones o inecuaciones
dependientes de las variables de decisin:
O A11X1 + A12X2 +... + A1nXn , , = b1
O A21X1 + A22X2 +... + A 2nXn , , = b2
o Am1X1 + Am2X2 + ... + AmnXn , , = bm
Paso 3: Expresar todas las condiciones implcitamente establecidas por la naturaleza de las
variables: que no puedan ser negativas, que sean enteras, que solo puedan tomar
determinados valores, ...
o X1,..., Xn 0

G3-A1
-------------------------------------------------------------------------------------------------------------------------
o X1,..., Xn son nmeros enteros, o son booleanos,...
Paso 4: Determinar la funcin objetivo.

O Maximizar o minimizar Z = C1X1 + C2X2 +... + CnXn
A modo de ejemplo se explica cmo se modelan algunos problemas tpicos:
Problema de la dieta
Problema de transporte de mineral
Problema de transporte de mercancas
Problema de los rboles frutales
Problema de asignacin de personal
Problema del camino mnimo
Problema de localizacin
Problema de inversin en bolsa, etc.
DESCRIPCIN de los PROGRAMAS EMPLEADOS

SOFTWARE TORA:
TORA es un software basado en windows, creado esencialmente para darle solucin a problemas
de programacin lineal de forma sencilla y muy rpida.
Entre los problemas que se pueden procesar con TORA estn soluciones de sistemas de
ecuaciones, problemas de programacin lineal (incluyendo mtodo simplex, dos fases, dual), modelo
de transporte, programacin entera, modelo de redes (incluyendo ruta ms corta, flujo mximo),
planeamiento de proyectos (CPM, PERT), anlisis de teora de cola y juegos de suma de ceros.
VENTAJAS
1. Se visualiza bien, como es el funcionamiento de los algoritmos.
2. Es una herramienta muy til que le permite al estudiante comprobar los resultados obtenidos en
un problema de P.L. y corregir errores que se puedan cometer.
3. Es de fcil accesibilidad ya que se encuentra de manera gratuita en la web.
III. ENUNCIADO del PROBLEMA N1

G3-A1
-------------------------------------------------------------------------------------------------------------------------
En una empresa minera del sur del pas que opera por el mtodo de explotacin subterrnea,
actualmente desea implementar su extraccin y se ha propuesto iniciar con la explotacin de dos
unidades mineras, con las cuales se han propuesto extraer dos tipos de minerales, se sabe tambin
que la capacidad de la chancadora en la unidad A es de 45 tm/hr y en la unidad B de 80 tm/dia, y la
capacidad del molino para la unidad A es de 70tm/hr y en la unidad B de 50 tm/hr. En la unidad B la
mxima produccin de dicho mineral es de 800 tm/dia. El gerente de operaciones pide maximizar la
venta.
CAPACIDAD
DE CAPACIDAD
DE VALOR
CHANCADORA
MOLIENDA
MINERAL
GALERIA
(TM/HR)
45
(TM/HR)
70
(US$/TM)
25
A
GALERIA
80
50
35
22HR/DIA
22HR/DIA
DEL
IV. SOLUCIN
Sea X1 el mineral explotado por da en la unidad A

Sea X2 el mineral explotado por da en la unidad B
Max Z = 25X1 + 35X2
St:
5X1+ 7X2<=7700 (1)

G3-A1
-------------------------------------------------------------------------------------------------------------------------
16X1+ 9X2 <= 15840.(2)
X2<=800.(3)
TABLA INICIAL
BASE
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI
N
OPERACI
N
X1
X2
S1
S2
S3
S1
7700
1100
S2
16
15840
1760
S3
800
800
-25
-35
ITERACIN No 1
BASE
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI
N
OPERACI
N
X1
X2
S1
S2
S3
S1
7700
1100
S2
16
15840
1760
S3
800
800

G3-A1
-------------------------------------------------------------------------------------------------------------------------
-25
-35
RESULTADO DE ITERACIN No
BASE
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI
N
X1
X2
S1
S2
S3
X1
-7
2100
S2
16
-9
8640
S3
800
-25
35
28000
ITERACIN No
BASE
OPERACI
N
(6)
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI
N
OPERACI
N
X1
X2
S1
S2
S3
X1
-7
2100
420
S2
16
-9
8640
540
S3
800
-25
35
28000
RESULTADO DE ITERACIN No
BASE
X1
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI OPERACI
N
N

G3-A1
-------------------------------------------------------------------------------------------------------------------------
X1
X2
S1
S2
S3
X1
1/5
-7/5
420
S2
-16/5
67/5
1920
X2
800
385
00
TABLA FINAL
BASE
Variables
DECISIN
de VARIABLES
HOLGURA
DE SOLUCI OPERACI
N
N
X1
X2
S1
S2
S3
X1
1/5
-7/5
420
S2
-16/5
67/5
1920
X2
800
385
00
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a
la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los
valores solucin, en nuestro caso: 38500.
DONDE
X1 = 420
DONDE
X2 = 800

G3-A1
-------------------------------------------------------------------------------------------------------------------------
PROBLEMAS PROPUESTOS
Problema N2:
Impala Gold Company operaba una mina de oro en el Estado Libre de Orange, Sudfrica. La
operacin consista en minera subterrnea, a una profundidad de 1400 metros, para la extraccin de
mineral de oro. Las rocas se transportaban por los piques de la mina a un molino que trituraba la roca
y extraa el oro.
La mina Impala tena tres piques. La informacin acerca de estos piques se presenta en la tabla
adjunta. Observe que el mineral que se obtiene de cada una de las reas de los Piques tiene diferente
contenido de oro y distinto costo.
Las rocas que extraan de los tres piques subterrneos se enviaban al molino para ser trituradas y
refinadas. La capacidad del molino dependa de la finura del molido de las rocas. Si las rocas se
molan finamente, la capacidad del molino era de 240000 toneladas mensuales y se recuperaba el
95% del oro en la operacin. Las rocas de cada tnel se podan moler por separado. El costo de
molido fino de una tonelada de roca era $1.12 por tonelada. Si el molido de las rocas era grueso, la
capacidad del molino era de 250000 toneladas, pero la recuperacin de oro bajaba al 90%. El costo
de molido grueso de una tonelada de roca era de $0.85. La mina poda vender todo el oro que
produjera, a $0.80 el gramo.
El gerente de la mina estaba preocupado por la cantidad de mineral que deba extraer de cada una de
las reas de los Piques. Haba observado que la capacidad del molino no era suficiente para manejar
todos los Piques si stos operaban a toda su capacidad. El problema se complicaba an ms por el
requisito legal de que la mina no poda operar por encima del grado promedio de las reservas de
mineral. En la mina Impala este grado promedio era de 20 gramos por tonelada. Por lo tanto, exista la
restriccin legal de que la mezcla de rocas de los tres Piques no poda exceder un promedio de 20
gramos de oro por tonelada de mineral.
Formule un modelo de programacin lineal para maximizar los beneficios de la operacin de la mina.
Capacidad
de
transporte
del
Pique(tn/mes)
Grado
del
mineral(grAu/tn)
Costo
de
extraccin($/tn)
Pique N 1
85000
Pique N2
90000
Pique N3
95000
25
20
15
Solucin
Solucin del problema usando el tablero simplex:
Identificacin de las variables de decisin:


G3-A1
-------------------------------------------------------------------------------------------------------------------------
X1F: toneladas de roca fina en el Pique N1

X1G: toneladas de roca gruesa en el Pique N1
Capacidad de transporte de los Piques:

Capacidad del pique N1:
X1F +X1G<=85000..(1)
X2F +X2G<=90000(2)
X3F +X3G<=95000(3)
Capacidad del molino cuando la roca es fina: 240000 tn

Capacidad del molino cuando la roca es gruesa: 250000 tn
Ecuacin de la recta:
F
G
+
=1
24000 25000
Inecuacin de la recta:
F
G
+
1
24000 25000

G3-A1
-------------------------------------------------------------------------------------------------------------------------
250000
F+G 25000
240000
1.04 F+G 25000

Donde:
F=X1F +X2F +X3F
G= X1G +X2G +X3G
Reemplazando tenemos la restriccin (4):
1.04 (X1F) +1.04 (X2F) +1.04 (X3F) + (X1G) +(X2G) +(X3G) <= 250000 .. (4)
Restriccin del grado del mineral:
25(X1F +X1G) +20(X2F +X2G) +15(X3F +X3G) <=20(X1F +X2F +X3F +X1G +X2G +X3G)
5 (X1F) -5 (X3F) +5 (X1G) -5(X3G) <=0
Funcin objetivo:
Maximizar:
Z = 11.88(X1F) + 9.08(X2F) + 6.28(X3F) + 11.15(X1G) +

8.55(X2G) + 5.95(X3G)
Sujeto a:
X1F +X1G<=85000

G3-A1
-------------------------------------------------------------------------------------------------------------------------
X2F +X2G<=90000
X3F +X3G<=95000
1.04(X1F) + 1.04(X2F) + 1.04(X3F) + (X1G) + (X2G) + (X3G) <= 250000
5 (X1F) - 5(X3F) + 5(X1G) -5(X3G) <=0
Transformamos todas las inecuaciones a las ecuaciones:
Z - 11.88(X1F) - 9.08(X2F) - 6.28(X3F) - 11.15(X1G) - 8.55(X2G) - 5.95(X3G) = 0
X1F +X1G +S1 = 85000
X2F +X2G +S2 = 90000
X3F +X3G +S3 =95000
1.04(X1F) + 1.04(X2F) + 1.04(X3F) + (X1G) + (X2G) + (X3G) + S4 = 250000
5 (X1F) - 5(X3F) + 5(X1G) -5(X3G) + S5 = 0
Llenamos la tabla:
Primero la columna pivote en la fila objetivo el cual ser el elemento mas negativo de dicha fila
Luego dividimos la columna del extremo derecho con la columna pivote para ubicar cual ser nuestra fila pivote
el cual ser escogiendo al menor nmero positivo de dicha operacin:
Una vez ubicados la fila y columna pivote, la interseccin ser nuestro elemento pivote el cual tendremos que
convertirlo en la unidad, para hacer dicha operacin debemos dividir el nmero que convierte a la unidad, a
toda la fila.

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Luego procedemos a iterar con nuestra fila pivote las dems filas convirtiendo a cero a todos los elementos que
estn arriba o abajo del elemento pivote, obtenindose la siguiente tabla:
Ubicamos nuestra fila y columna pivote y asi obtener nuestro elemento pivote
Iteramos la tabla obteniendo la siguiente tabla:
Iteramos la tabla obteniendo la siguiente tabla:

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Iteramos la tabla hasta logra obtener que todos los coeficientes de la funcin objetivo sea positivo, obteniendo
la siguiente tabla:
Por lo tanto la solucin ptima del problema ser:

X1F = 85000 tn
X2F = 73653.8 tn
X3G = 85000 tn
Con lo que se maximiza la utilidad
Z = $ 2184327
Problema N3:
La empresa Minas Poracota S.A.Ubicado en la regin Arequipa, provincia de Condesuyo distrito de
Cayarani tiene asentada su unidad minera Poracota la cual se dedica a la explotacin y transporte de
mineral.Sierto da se le asigna al ingeniero de turno que se encargue de transportar los materiales
extrados de dos labores mineras una de chimenea y la otra de cruzero hacia tres plantas
concentradoras, sabiendo que la primera labor minera tiene una produccin de 10Tn y la segunda de
15Tn de material por turno ,adems las dos primeras plantas concentradoras pueden procesar 8Tn de
material ,mientras que la tercera necesita 9 toneladas por turno. El costo de transporte desde cada
labor minera a la planta concentradora viene dado por el siguiente cuadro:
Labor minera
Labor
minera(1)CH
Labor
minera(2)CZ
Planta
(1)
10
15
concentradora Planta
(2)
15
10
concentradora Planta
(3)
20
concentradora
10

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Los datos de la tabla hacen referencia a miles de dlares.

En base a las condiciones del problema se pide planificar el trasporte de tal forma que el costo de este
sea mnimo.
Solucion:
El problema que se muestra a continuacin involucra un total de 6 variables de decisin y cinco
restricciones por lo cual ya no es posible utilizar el mtodo grafico en su solucin por tanto es
conveniente pensar en mtodos matemticos de solucin de problemas de programacin lineal ms
generales como el mtodo algebraico, algoritmo simplex, algoritmo del tablero simplex o agenciarnos
de la ayuda de software de optimizacin tales como el Lindo, Winqsb, Tora, Solver, entre otros.
Enunciando las variables:

X1= Cantidad de toneladas de material de la labor 1 a la planta concentradora 1.
Funcin objetivo: Z (min)=10x1+15x2+15x3+10x4+20x5+10x6
Restricciones:
X1+x2+x3<=10 (1)
X2+x4+x6<=15.. (2)
X1+x2>=8. (3)
X3+x4>=8. (4)
X5+x6>=9. (5)
Condicin de no negatividad: x1; x2; x3; x4; x5; x6>=0

Esquema grafico de solucin.
concentradora
Planta

G3-A1
-------------------------------------------------------------------------------------------------------------------------
(Labor minera de Chimenea)
(Labor minera de Cruzero)
Utilizando el programa de
para la solucin del problema.
investigacin
de
operaciones
TORA
1 Ingresar al programa.
2 Presionar el botn click Here, ingresar a la opcin Linear Programming .


G3-A1
-------------------------------------------------------------------------------------------------------------------------
3 Presionar el botn Go to input screen.
4 Se abrira la siguiente ventana en donde se debe poner titulo al problema ,luego se ingresara el
numero de variables y resticiones a continuacion se aciona Enter.
5Al abrirse la siguiente ventana se elegir la accin que se desee realizar sea esta
maximizar o minimizar, luego se llenara la tabla con las restricciones del problema.

G3-A1
-------------------------------------------------------------------------------------------------------------------------
6Luego de haber llenado la tabla por completo se hace click en el botn SOLVE Menu.
7Dar
click en SI, luego seguir el siguiente
orden: Solve Problem, Algebraic, Iterations, Bounded Simplex.
8 Al abrirse la siquente tabla se hara click en All Iterations, mostrandose inmediatamente el

numero de iteraciones con la cual se llega al optimo en el caso de nuestro problema se llega al
optimo luego de 11 iteraciones.

G3-A1
-------------------------------------------------------------------------------------------------------------------------
9Luego de haber seguido ordenadamente los pasos anteriores se encontrara la solucin

en la ltima iteracin.
De la tabla siquiente se llega a la conclusion que si se quiere aminorar los costos de traslado del
material desde la laborminera a la planta consentradora se deberian repartir desde la labor de cruzero

G3-A1
-------------------------------------------------------------------------------------------------------------------------
8Tn a la concentradora (1) ,2Tn a la concentradora (2) y 0 Tn a la concentradora (3);De igual forma
para la labor minera de chimenea se deberian repartir 0Tn a la concentradora (1),6Tn ala
concentradora(2)y9Tn a la concentradora (3).
PROGRAMA LINDO
LINDO es una aplicacin para computadoras que se utiliza para resolver problemas de programacin
lineal, cuadrtica y entera.
Desde 1979 el programa LINDO ha sido una de las herramientas de optimizacin favoritas de las
comunidades Educativas y Empresariales. LINDO Systems se ha dedicado a proveer poderosas e
innovativas herramientas de optimizacin que tambin son flexibles y muy fciles de usar. LINDO tiene
una larga historia y es uno de los pioneros en crear poderosos programas de optimizacin.
En 1979 se vendi en Mxico la primer copia comercial de LINDO, la ayuda que este proporcion en
aquel momento, le hizo ganar popularidad muy rpidamente para luego ser utilizado en aplicaciones
industriales. En 1983 la versin LINDO/PC fue el primer paquete para programacin lineal, este
manejaba 60 restricciones y 120 variables. En 1996 apareci la versin 6.0 para WINDOWS.
Antes que aparecieran Lotus 1-2-3 o Excel, LINDO haba sido incorporado a la planilla de clculo
VisiCalc, el paquete se llam VINO y es el equivalente del SOLVER que viene con Excel. En estos
momentos existe una hoja de clculo llamada WHATS Best! la cual se integra a EXCEL o LOTUS 12-3; sta resuelve problemas de optimizacin con algoritmos de LINDO Systems.
Esta imagen es una pantalla obtenida del programa LINDO:
La
le
siguiente pantalla muestra

una versin de la Hoja de
Clculo EXCEL a la que se
ha integrado el paquete de
optimizacin de LINDO
"WHATS Best!":
VII.
RECOMENDACIONES

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Para una mejor compresin del mtodo del algoritmo del tablero simplex se recomienda tener
conocimientos previos de algebra vectorial o algebra lineal para poder comprender de mejor
manera algunas definiciones que estn involucradas en el algoritmo como definicin de rango
de una matriz, operaciones elementales fila columna, sistema de ecuaciones lineales entre
otros.
En lo posible se debera utilizar ms de un software en la solucin delos problemas de
programacin lineal porque de esa forma se puede comparar resultados y darse cuenta que
programa es ms idneo para cada tipo particular de problema.
VIII. CONCLUSIONES
El mtodo simplex, emplea bsicamente, la estrategia de resolver los problemas de

programacin lineal por medio de sistemas de ecuaciones lineales simultneas siempre que se
tenga una solucin factible.
El ptimo, si es que existe, se determina avanzando un punto esquina adyacente a la vez y
comprobando si an existe un punto esquina que pueda mejorar el valor de la funcin objetivo.
Es vital el uso de este algoritmo simplex en la minera y en cualquier industria porque optimiza
las operaciones y genera las mayores ganancias con los menores costos.
Su importancia est en que es un mtodo que se puede encontrar el ptimo sin importar el
nmero de variables con las que se trabaje a comparacin de otros mtodos como la
programacin Lineal que sus variables queda restringido a un nmero finito muy pequeo
Se comprueba que el mtodo del algoritmo del tablero simplex es idneo para la solucin de
problemas de programacin lineal de ms de 2 o 3 variables si es que se realiza el clculo en
forma manual; por encima de otros mtodos como el mtodo algebraico que generalmente se
torna tedioso con el ingreso de mayor cantidad de variables de decisin.
Se comprendi que para problemas con mltiples variables como es el caso de problemas
relacionados con la industria minero metalurgia se hace indispensable el uso de software que
nos permitan calcular de manera eficiente los resultados esperados tales como
Lindo,winqsb,Tora,Solver.
IX.BIBLIOGRAFA
Investigacin de Operaciones Handy A. Taha

1. Introduccin a La Investigacin De Operaciones, Sexta Edicin, Hamdy a. Taha, 1997
2. Investigacin de operaciones, Wayne L. Winston
Apuntes de clase curso introduccin a la investigacin de operaciones Mineras universidad
Nacional de Ingeniera

G3-A1
-------------------------------------------------------------------------------------------------------------------------
Investigacin operativa: Modelo, tcnica y software; Concepcin Maroto Alvares. Programacin

lineal .Primera edicin 1997.

Mestodo Simplex para Una Mina Subterranea

Cargado por

Copyright:

Formatos disponibles

Mestodo Simplex para Una Mina Subterranea

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mestodo Simplex para Una Mina Subterranea

Cargado por

Copyright:

Formatos disponibles

APLICACIN DEL ALGORITMO

DOCENTE: Carlos Agreda Turriarte, Ph. D.

BONILLA CHAVEZ, Erick

Introduccin a la Investigacin de Operaciones

II. MARCO TERICO

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

El modelo debe cumplir las siguientes condiciones:

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

Todas las restricciones deben ser ecuaciones de igualdad (identidades matemticas).

Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.

Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.

Introduccin a la Investigacin de Operaciones

Normalizacin de las restricciones

Restriccin de tipo ""

a11x1 + a12x2 + 1xs = b1

Restriccin de tipo ""

Introduccin a la Investigacin de Operaciones

a11x1 + a12x2 - 1xs + 1xr = b1

Restriccin de tipo "="

a11x1 + a12x2 + 1xr = b1

Desarrollando el mtodo Simplex

Construccin de la primera tabla:

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

Eleccin de la variable que entra a la base:

Eleccin de la variable que sale de la base:

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

o X1,..., Xn son nmeros enteros, o son booleanos,...

Paso 4: Determinar la funcin objetivo.

DESCRIPCIN de los PROGRAMAS EMPLEADOS

III. ENUNCIADO del PROBLEMA N1

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

Sea X1 el mineral explotado por da en la unidad A

Introduccin a la Investigacin de Operaciones

16X1+ 9X2 <= 15840.(2)

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

Identificacin de las variables de decisin:

Introduccin a la Investigacin de Operaciones

X1F: toneladas de roca fina en el Pique N1

Capacidad de transporte de los Piques:

Capacidad del pique N2:

Capacidad del pique N3:

Capacidad del molino cuando la roca es fina: 240000 tn

------------------------------------------------------------------------------------------------------------------------Facultad de Ingeniera Geolgica, Minera y Metalrgica

Introduccin a la Investigacin de Operaciones

1.04 F+G 25000

Z = 11.88(X1F) + 9.08(X2F) + 6.28(X3F) + 11.15(X1G) +