Introduccion a la

investigacion
DE OPERACIONES
4
EQUIPO

integrantes

Isel esmeralda castro barragan

Hugo alejandro palafox martinez
Raymundo javier arredondo flores
Francisca nallely briones aleman
Diego castillo cajiga
 Distribución de bienes atraves
de una red
El problema. La DISTRIBUTION UNLIMITED CO. fabricará el mismo nuevo producto en

dos plantas distintas y después tendrá que enviarlo a dos almacenes de distribución, donde cual�quiera de las dos fábricas puede abastecer a
cualquiera de los dos almacenes. La red de distribución

disponible para el envío de este producto se muestra en la fi gura 3.13, donde Fl y F2 son las dos

fábricas, Al y A2 son los dos almacenes y CD es el centro de distribución. Las cantidades que de�ben enviarse desde Fl y F2 se muestran a la izquierda, y
las cantidades que deben recibirse en Al

y A2 se presentan a la derecha. Cada fl echa representa un canal factible de envío. Fl puede enviar

→ →
directamente a Al y tiene tres rutas posibles (F1 CD → → →
A2, F1 F2 → CD A2 y F1 A1

→ → →
A2) para mandar bienes a A2. La fábrica F2 tiene sólo una ruta a A2 (F2 CD A2) y una a

A1 (F2→ → →CD A2 A1). El costo por unidad enviada a través de cada canal se muestra al lado

→
de la fl echa. También, junto a F1 →
F2 y CD A2 se muestran las cantidades máximas que se

pueden enviar por estos canales. Los otros canales tienen sufi ciente capacidad para manejar todo

lo que las fábricas pueden enviar.

La decisión que debe tomarse se refi ere a qué cantidades enviar a través de cada canal de dis�tribución. El objetivo es minimizar el costo total de envío.

ejemplos
Formulación como un problema de programación lineal
Con siete canales de envío se necesitan siete variables de decisión
(xF1-F2, xF1-CD, xF1-A1, xF2-CD, xCD-A2, xA1-A2, xA2-A1) para presentar
las cantidades enviadas a través de los canales respectivos.
Existen varias restricciones sobre los valores de estas variables. Además de las
restricciones

usuales de no negatividad, se tienen dos restricciones de cota superior, xF1-F2 #

10 y xCD-A2 # 80,

impuestas por la capacidad limitada de envío de los dos canales, F1 → →

F2 y CD
A2. Todas las

demás restricciones surgen de las cinco restricciones de fl ujo neto, una para cada
localidad. Estas

restricciones tienen la siguiente forma.

Lenguajes de
modelado

Un lenguaje de modelado de programación matemática es software de diseño especial para formular

de modo eficiente los modelos de programación lineal grandes, y otros relacionados. Incluso cuando
se tienen miles de restricciones funcionales, éstas relativamente son de pocos tipos, y las del mismo
tipo siguen el mismo patrón.

De igual manera, las variables de decisión estarán dentro de unas cuantas categorías.
Por ello, si se usan grandes bloques de datos en bases de datos, un lenguaje de modelado construirá
todas las restricciones del mismo tipo a la vez, con fundamento en las variables de cada tipo. Este
proceso se ilustrará en breve.
Un lenguaje de modelado facilita las tareas de administración del modelo, inclusive el acceso a los
datos, su transformación en pa- rámetros del modelo, la modificación del modelo cuando se desee y
el análisis de las soluciones.
Ejemplo de un Modelo
muy Grande.
La administración de WORLDWIDE CORPORATION desea resolver un problema de mezcla de
productos.
Esta corporación tiene 10 plantas en varias partes del mundo.
Cada una elabora los mismos 10 productos y se conoce la demanda de cada uno de los
próximos 10 meses.

Aunque la cantidad de producto vendido en un mes dado no puede exceder la demanda, la

cantidad producida puede ser mayor, y la cantidad en exceso se debería almacenar en
inventario para su venta posterior. Cada unidad de cada producto ocupa el mismo espacio
en almacén, y cada planta tiene un límite superior para el número total de unidades que se
puede guardar (la capacidad del inventario).

Cada planta tiene los mismos 10 procesos de producción, cada uno de los cuales se puede
usar para producir cualquiera de los 10 productos. Tanto el costo de producción por unidad
como la tasa de producción de unidades producidas por día dependen de la combinación de
plantas y máquinas involucradas.

Como algunas plantas y máquinas pueden producir un producto dado ya sea a menor costo o a una tasa más rápida
que otras plantas y máquinas, en ocasiones vale la pena enviar algunas unidades del producto de una planta a otra
para que esta última las venda.
Existe cierto costo asociado con cada unidad enviada de cualquier producto de cada combinación de una planta que
envía y una planta que recibe, donde este costo unitario es el mismo para todos los productos.

La administración necesita determinar cuántas unidades de cada producto debe producir y cuántas unidades de
cada producto debe vender de cada máquina cada mes. El objetivo es encontrar el plan factible que maximice
ganancia total: ingreso por ventas totales menos la suma de los costos totales de producción, inventario y envío.

Se debe considerar el supuesto en el que el número de plantas, máquinas, productos y meses es exactamente el
mismo. En situaciones más reales es probable que el número de productos sea mucho más grande y que el
horizonte de planeación sea mucho más grande en todos los aspectos. También se ha supuesto que todas las
plantas tienen los mismos tipos de máquinas y procesos de producción y que cada tipo de máquina puede fabricar
todos los productos. En realidad, las plantas pueden tener algunas diferencias en términos de tipos de máquinas y
de los productos que pueden manufacturar.

 Estructura de
modelo resultante.
el modelo de programación lineal tiene cuatro tipos de variables de decisión: cantidades de
producción, cantidades de inventario, cantidades de venta y cantidades enviadas. Con 10
plantas, 10 máquinas, 10 productos y 10 meses, esto da un total de 21 000 variables de
decisión,

10 000 variables de producción: una por cada combinación de planta, máquina, producto y mes
1,000 variables de inventario: una por cada combinación de planta, producto y mes
1 000 variables de ventas: una por cada combinación de planta, producto y mes
9 000 variables de envío: una por cada combinación de producto, mes, planta (planta origen,
fromplant) y otra planta (la planta destino)

Cuando se multiplica cada variable de decisión por el costo unitario o ingreso unitario
correspondiente y después se suma según cada tipo, se puede calcular la siguiente función
objetivo
 ganancia = (ingresos totales por ventas + costo total)

Costo total = (costo total de producción + costo total de inventario + costo total de
envío.)

Cuando se maximiza esta función objetivo, las 21 000 variables de decisión deben
satisfacer las restricciones de no negatividad al igual que los cuatro tipos de restricciones
funcionales:
1. de capacidad de producción
2. de balanceo de plantas
3. de inventario máximo
4. de ventas máximas.

1 000 restricciones de capacidad de producción (una por cada combinación de planta,

máquina y mes):
Días de producción usados M/I días de producción disponibles

.1 000 restricciones de balance de las plantas (una por cada combinación de planta,
producto y mes):
Cantidad producida + inventario del mes pasado + cantidad recibida = ventas + inventario
actual + cantidad enviada,

100 restricciones de inventario máximo (una por cada combinación de planta y mes):
Inventario total M/I capacidad de inventario,

1 000 restricciones de ventas (una por cada combinación de planta, producto y mes):
Ventas M/i demanda.

 Formulación del
modelo MPL
Quien construye el modelo comienza por asignarle un título y enumerar un índice por cada elemento del problema, como se
ilustra en seguida.
 Formulación del
modelo MPL
Excepto por los meses, los elementos del lado derecho son etiquetas arbitrarias de los respectivos productos, plantas y
máquinas, donde las mismas etiquetas se usan en los archivos de datos. Observe que se colocan dos puntos después del
nombre de cada elemento y punto y coma al final de cada instrucción (pero una instrucción puede extenderse más de un
renglón).

El trabajo pesado en cualquier modelo grande es la recolección y organización de los distintos tipos de datos en archivos de
datos, los cuales pueden estar en formato denso o disperso. En el formato denso, el archivo contiene una entrada para cada
posible combinación de los índices sobre los que corren los datos.

Por ejemplo, suponga que el archivo de datos contiene las tasas de producción para elaborar los diferentes productos con
las distintas máquinas (procesos de producción) en las diversas plantas. En formato denso, el archivo contiene una entrada
para cada combinación de una planta, una máquina y un producto. Sin embargo, la entrada puede necesitar ser cero para la
mayoría de las combinaciones porque esa planta en particular puede no tener esa máquina específica o, incluso si la tiene,
esa máquina individual puede no ser capaz de producir ese producto particular en esa planta en específico.
 Formulación del
modelo MPL

El porcentaje de las entradas en formato denso que son distintas de cero se conoce como densidad del conjunto de datos.
En la práctica, es común que los conjuntos de datos tengan una densidad de datos por debajo de 5%, y a veces está por
debajo de 1%.

Los conjuntos de datos que tienen una densidad tan baja se dice que están dispersos. En tales situaciones, resulta más
eficiente utilizar un archivo de datos en formato disperso. En este formato sólo se introducen al archivo de datos los valores
distintos de cero (y una identificación de los valores índice a los que se refieren). Por lo general, los datos se leen en formato
disperso desde un archivo de texto o de las bases de datos corporativas. La capacidad de manejar conjuntos de datos
dispersos de manera eficiente es una de las claves para el éxito de la formulación y la resolución de modelos de optimización
a gran escala. MPL puede trabajar con facilidad tanto con el formato denso como con el disperso.
 Formulación del
modelo MPL
En el ejemplo de la Worldwide Corp. se necesitan ocho archivos para precios de productos, demandas, costos de
producción, tasas de producción, días de producción disponibles, costos de inventario, capacidades de inventario y costos
de envío. Se supone que estos archivos de datos están disponibles en formato disperso. El siguiente paso es dar un nombre
sugestivo corto a cada uno e identificar (entre paréntesis cuadrados) el índice o índices sobre los que corren los datos en los
archivos como se muestra a continuación.
 Formulación del modelo MPL
Para ilustrar lo que contienen estos archivos de datos, considere el que proporciona los costos y las tasas de producción. En
seguida se presenta una muestra pequeña de las primeras entradas del archivo disperso produce.dat:

Después, el modelador da un nombre corto a cada tipo de variable de decisión. Después del nombre, entre paréntesis
cuadrados, se escribe el (los) indice(s) sobre el (los) que corre el subíndice.
 Formulación del
modelo MPL
En el caso de variables de decisión con nombres de más de cuatro letras. las flechas de la derecha señalan las abreviaturas
de cuatro letras que se ajustan a las limitaciones de tamaño de varios solucionadores. La última línea indica que los
subíndices de la planta origen y la planta destino no pueden tener el mismo valor.

Se debe dar un paso más antes de elaborar el modelo. A fin de que sea más sencillo leerlo es útil introducir primero macros
que representan las sumas en la función objetivo.
 Formulación del
modelo MPL
Los primeros cuatro macros usan la palabra reservada SUM de MPL para ejecutar las sumas involucradas. Después de cada
palabra SUM (entre paréntesis) se coloca, primero, el (los) índice(s) sobre el (los) que corre la suma. Después (en seguida de
dos puntos), el vector producto de un vector de datos (uno de los archivos de datos) multiplicado por un vector variable
(uno de los cuatro tipos de variables de decisión).

Ahora, este modelo con 3 100 restricciones funcionales y 21 000 variables de decisión se
puede escribir en la siguiente forma compacta.
Formulación del modelo MPL
Por cada uno de los cuatro tipos de restricciones, el primer renglón da el nombre del tipo.
Existe una restricción de este tipo para cada combinación de valores de los índices en los corchetes que siguen al nombre. A
la derecha del paréntesis cuadrado, la flecha señala la abreviatura de cuatro letras que el solucionador puede usar. Abajo de
este primer renglón se muestra la forma general de las restricciones de este tipo mediante el operador SUM.

Para cada restricción de capacidad de producción, los términos de la suma consisten en una variable de decisión (la
cantidad de producción de ese producto en esa máquina en esa planta durante ese mes) dividida entre la tasa de
producción correspondiente, que da el número de díasde producción empleados. Al sumar todos los productos se obtiene el
número total de días de producción usados en esa máquina de esa planta durante ese mes, de modo que este número no
debe exceder el número de días de producción disponibles.

En estas restricciones, cada operador SUM es sólo una suma de variables de decisión en vez de un producto vectorial. Ocurre
lo mismo con el operador SUM en la restricción de inventario máximo. Por el contrario, el lado izquierdo de las restricciones
de ventas máximas es una sola variable de decisión para cada una de las 1000 combinaciones de planta, producto y mes.

Esta breve introducción a MPL ilustra la facilidad con que se pueden usar los lenguajes de modelado para formular modelos
de programación lineal muy grandes de manera clara y concisa.
Como ayuda cuando se utiliza MPL se incluye en el sitio web un tutorial, que revisa todos los detalles de construcción del
modelo de las versiones más pequeñas de los ejemplos de planeación de la producción considerados aquí.
 lenguaje de modelado lingo
LINGO es un lenguaje de modelado. La compañía que lo produce, LINDO Systems, se dio a conocer
primero por el optimizador LINDO, que es fácil de usar y es un subprograma del software LINGO. LINDO
Systems también produce un solucionador en hoja de cálculo. El LINDO API tiene solucionadores ba-
sados en el método símplex y solucionadores de punto interior o barrera (como los que se estudian en
las secciones 4.9 y 7.4), más un solucionador global para resolver modelos no lineales. Como MPL,
LINGO permite al modelador formular con efi ciencia un modelo de programa-ción lineal grande de
manera clara y concisa que separa los datos de la formulación del modelo. Esta separación signifi ca
que a medida que ocurren cambios diarios en los datos que describen el problema que se debe
resolver (los cambios pueden ser incluso minuto a minuto), el usuario sólo necesita cambiar los datos
y no involucrarse con la formulación del modelo.
 CONCLUSION
La programación lineal es una técnica poderosa para tratar problemas de asignación de recursos
escasos entre actividades que compiten, al igual que otros problemas cuya formulación matemática
es parecida. Sin embargo, no todos los problemas de asignación de recursos limitados se pueden
formular de manera que se ajusten a un modelo de programación lineal, ni siquiera como una
aproximación razonable.