Scribd
Cargar
15 vistas

Programación Lineal

Cargado por

NIGER ERUBIEL CAUICH MAY
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
15 vistas

Programación Lineal

Cargado por

NIGER ERUBIEL CAUICH MAY
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 8

Programación lineal

La programación lineal, también conocida como optimización lineal, se refiere a un


método a través del que se maximiza o minimiza una función lineal con el fin de optimizar
y dar la mejor solución a problemas de ingeniería y ciencias.

Cabe destacar que este tipo de programación suele implementarse para el abordaje de
inconvenientes de productividad, en relación con la satisfacción de restricciones
específicas o de acuerdo a un criterio de optimización, es decir, maximizar un aspecto
beneficioso y minimizar los costes.

Características de la programación lineal


Dentro de las características y propiedades destacables de la programación lineal se
encuentra que los resultados y el proceso de optimización llegan a convertirse en una
base de tipo cuantitativa de las actividades de toma de decisiones frente a las situaciones
mencionadas.

Además, cabe destacar que la programación lineal incluye dos componentes principales,
que son la función objetivo y las restricciones. De este modo tenemos, en primer lugar, la
función que se optimiza mediante la maximización o minimización de sus resultados. Por
otra parte, entendemos las restricciones como las condiciones que deben tenerse en
cuenta y cumplirse al llevar a cabo la optimización de la función objetivo. De manera que
estos componentes se constituyen como funciones lineales de las variables.

Modelos de programación lineal


En relación con la programación lineal, existe el recurso de modelos de este tipo de
programación, que se caracteriza por contemplar que las variables de decisión, que
incluyen la función objetivo y las restricciones, sean capaces de mantener un
comportamiento de tipo lineal.

Esto implica que, mediante el mecanismo de los modelos de programación lineal, pueden
simplificarse los cálculos y alcanzar un resultado cercano a la realidad.
Si hemos plantado trigo tendremos una variable X que será el número de kilos
plantados por hectárea y una variable Y que será la lluvia.
Los valores de la variable X los puedo controlar, pero no los de la variable Y, luego la
variable X será una variable interna de nuestro problema, y la variable Y será una variable
externa.
Programación Lineal
El conjunto de todas las variables internas X nos define el conjunto o dominio donde
estará nuestra solución óptima.
Este dominio estará definido por el conjunto de premisas de nuestro problema.
Definiremos función objetivo (F.O.) a la representación matemática de aquello que
queremos optimizar.
Definiremos como conjunto de restricciones, a un conjunto de ecuaciones o
inecuaciones matemáticas que representarán las limitaciones de nuestro problema.
Las restricciones son de la forma:
Σ ai * Xi ≤ bi
Σ ai *Xi ≥ bi
siendo ai y bi coeficientes, y Xi variables.
La programación lineal lleva siempre implícita la restricción de que las variables de la
función objetivo sean siempre mayores o iguales de cero. Para todo i: Xi ≥ 0.
Denominaremos como solución factible a aquella solución que cumple las condiciones
planteadas por nuestro problema.
Llamaremos solución óptima a aquella solución factible que nos optimice el objetivo de
nuestro problema.
La solución óptima no tiene por qué ser única.
SIMPLIFICACIÓN DEL MODELO MATEMÁTICO.
Una vez establecido correctamente el modelo matemático de nuestro problema,
deberemos tener en cuenta una serie de consideraciones que simplificarán nuestro
trabajo:
1) Eliminación de restricciones redundantes.
Si alguna restricción está incluida en otra, es lógico pensar en su anulación.
Por ejemplo, si tenemos las siguientes restricciones:
(X1/a11) + (X2/b11) ≤1
(X1/a21) + (X2/b21) ≤1
Si se cumple:
A11/a21>1
B11/b21>1
Gráficamente se representa en la figura1.

Nuestra F.O. trata un problema de maximización; es evidente que podremos


eliminar la restricción.
(X1/a11) + (X2/b11)≤1
2) Eliminación de restricciones obvias.
Dado que la restricción de para todo i: Xi ≥ 0 va implícita en nuestros problemas,
podemos obviar las restricciones del tipo:
a ∗ X1 + b ∗ X2 ≥ 0
ya que siempre se cumplirá.
3) Eliminación de variables inútiles.
Si al modelizar nuestro problema, en nuestra función objetivo, aparecen variables
no
sujetas a restricciones (variables que no aparecen en las restricciones), las
podremos
eliminar de nuestro problema, ya que el valor de estas variables no condiciona la
solución
del problema.
4) División en subproblemas.
Si al analizar un problema, observamos que se pueden dividir las restricciones en
conjuntos distintos (de tal forma que no tengan variables comunes) también
podremos
dividir nuestro problema en tantos subproblemas como conjuntos de restricciones
tengamos. La solución de nuestro problema original será la unión de las
soluciones de los
subproblemas tratados.
Pongamos un ejemplo.
La modelización de un problema es:
F.O..: Max 2 X1 + 4 X2 + 3 X3 + 8 X4
S.a..:X1 + 9 X2 ≤ 7
5 X1 + 7 X2 ≥ 9
2 X3 + X4 ≤ 3
4 X3 + 6 X4 ≥ 12
Podemos dividir nuestro problema en subproblemas:
A) F.O..:Max 2 X1 + 4 X2
S.a..:X1 + 9 X2 ≤ 7
5 X1 + 7 X2 ≥ 9
B) F.O..: Max 3 X3 + 8 X4
S.a..:2 X3 + X4 ≤ 3
4 X3 + 6 X4 ≥ 12
Nota: Es lógico pensar que si en nuestro problema tenemos n variables y n
restricciones linealmente independientes y sin contracciones (que no estén unas
contenidas
en otras), sólo existirá una única solución a nuestro problema.
4) Homogeneización de restricciones.
Como veremos más adelante, para poder resolver los problemas de programación
lineal por el método Simplex, será conveniente tener las restricciones de nuestro
problema
de tal forma que los términos “bi” sean mayores o iguales a cero.
Por ello, ya que podemos encontrarnos con restricciones del tipo:
Σ ai * Xi ≥ -bi
Σ ai * Xi ≤ -bi
Σ ai * Xi = -bi
Podremos homogeneizar nuestro sistema, convirtiéndolo al tipo:
Σ -ai*Xi≤bi
Σ -ai*Xi≥bi
Σ -a*Xi=bi
con sólo multiplicar por –1 y cambiar el sentido de nuestra desigualdad. Es decir:
Σ ai * Xi ≥ -bi → Σ (-1) * ai * Xi ≤ bi
donde se mantendrán las condiciones de la restricción y se posibilitará la
resolución del
problema mediante el método Simplex.

Método simple
El método simplex es un algoritmo utilizado en la programación lineal para resolver
problemas de optimización. En términos simples, busca encontrar la mejor
solución posible a un problema dado, considerando ciertas restricciones y
maximizando o minimizando una función objetivo. El Método Simplex soluciona
problemas de Programación Lineal de cualquier tamaño, desde dos hasta "n"
variables de decisión. Los problemas pueden ser maximización o de minimización,
dependiendo del tipo de Función Objetivo que tengan y en cuanto al tipo de
solución óptima que den, pueden ser de solución única o de solución múltiple o
alterna.

Es un procedimiento general para resolver problemas de programación lineal.


Comienza en el origen y se mueve de un punto a otro siempre mejorando la
función objetivo. El procedimiento manual consiste en estandarizar el modelo de
programación lineal, encontrar una solución inicial, probar la idoneidad de la
función.

Imaginemos que tienes una fábrica que produce dos tipos de productos: A y B.
Para fabricar estos productos, necesitas ciertas cantidades de materias primas y
mano de obra, y tienes un límite en la cantidad de estas disponibles. Además,
tienes un objetivo de maximizar tus ganancias. Esto se puede representar como
un problema de programación lineal.

El método simplex trabaja en un espacio geométrico llamado espacio de


soluciones factibles. Cada punto en este espacio representa una combinación de
las cantidades de productos A y B que puedes fabricar dentro de las restricciones
dadas. El algoritmo se mueve de un punto a otro, mejorando gradualmente la
solución, hasta que encuentra el punto óptimo que maximiza tus ganancias.

Imagina que inicialmente estás produciendo 0 unidades de ambos productos. El


método simplex evaluará si puedes aumentar la producción de alguno de ellos
para mejorar tus ganancias. Si es posible, se moverá a un punto vecino que
represente un aumento en la producción de uno de los productos, manteniendo las
restricciones dentro de los límites establecidos. Esto se repite hasta que no sea
posible mejorar más y se alcance la solución óptima.

El enfoque de este tema es conocer los fundamentos del Método Simplex como un
apoyo para interpretar la solución óptima, que es la solución matemática que da la
computadora. Para lograr esto, se presenta la metodología que sigue el Método
Simplex en la solución manual de problemas de Programación Lineal ya sean de
maximización o de minimización.
Los pasos a seguir son:

 Igualar las restricciones.


 Formar la tabla inicial.
 Reconocer si la solución que da la tabla es óptima. Verificar el cumplimiento
del Criterio de optimación.
 Calcular la nueva tabla.
 Repetir el "Paso 3 y 4" hasta que la tabla calculada cumpla con el criterio de
optimación.
 Dar la "Solución Óptima" del problema.
 "Interpretar" la solución óptima del problema.

Los problemas más habituales a los que se aplica el método simplex son:

 Problemas de maximización.
 Problemas de minimización.
 Problemas de solución alterna o múltiple.

MODELO DE PROGRAMACION CON DOS VARIABLES


Es un modelo matemático que sirve como función lineal cuando se quiere maximizar o
minimizar un proceso donde se involucren dos factores específicos, que intervienen en el
resultado de un análisis de programación
Programación entera
Es aquel modelo donde las variables de decisión toman valores enteros. Ej: Xj es entero,
para j 1,2,3,.......,n
Programación entera binaria
Consiste en un conjunto de soluciones donde solo se puede tomar una de dos variables
las cuales pueden ser 1 o 0.
Programación mixta:
Son procesos donde las variables continuas y variables toman valores enteros.
Ejemplo:
1) Un pequeño negocio fabrica vestidos y pantalones. Para hacer un vestido necesitan ½
hora de corte y 20 minutos de costura. Hacer un par de pantalones requiere 15 minutos
de corte y ½ hora de costura. El beneficio de un vestido es de 40 € y el de un par de
pantalones es de 50 €. El negocio está funcionando un máximo de 8 horas al día.
Determina cuántos vestidos y cuántos pares de pantalones se deben fabricar para que el
beneficio sea máximo y cuál es ese beneficio.
Sea x el número de vestidos e y el de pares de pantalones.
La función objetivo (beneficio) es:
B(x,y) = 40x + 50y
Las restricciones son:
La región factible será:

Resolviendo los sistemas de los pares de ecuaciones, obtenemos los vértices de la región
factible: (0,0), (0,16), (16,0) y (12,8). Entonces:
B(0,0) = 0
B(0,16) = 800
B(16,0) = 640
B(12,8) = 880
Se deben tejer 12 vestidos y 8 pares de pantalones para obtener un beneficio máximo de
880 €

También podría gustarte