Introduccin a la programacin lineal o o

La programacin lineal se aplica a modelos de optimizacin en los que las funciones objeo o tivo y restriccin son estrictamente lineales. La tcnica se aplica en una amplia variedad de o e casos, en los campos de agricultura, industria, transporte, econom salud, ciencias sociales a, y de la conducta, y militar. Tambin produce algoritmos ecientes de cmputo para problee o mas con miles de restricciones y variables. En realidad, debido a su tremenda eciencia de clculo, la programacin lineal forma la columna vertebral de los algoritmos de solucin para a o o otros modelos de investigacin de operaciones, como las programaciones entera, estocstica o a y no lineal. Este cap tulo comienza con el caso de un modelo de dos variables, y presenta su solucin o grca. Esta solucin grca permite tener una perspectiva del desarrollo del mtodo s a o a e mplex, tcnica algebraica general. Tambin presenta ideas concretas para el desarrollo y la intere e pretacin de anlisis de sensibilidad en programacin lineal. o a o
MODELO DE PROGRAMACION LINEAL CON DOS VARIABLES

Esta seccin explicar la solucin grca de una programacin lineal con dos variables. o a o a o Aunque en la prctica casi no existen problemas con dos variables, la presentacin aportar a o a ideas concretas para el desarrollo del algoritmo de solucin general que se presentar en el o a cap tulo 3. Ejemplo 2.1-1 (La compa Reddy Mikks) na Reddy Mikks produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente proporciona los datos bsicos del problema. a Ton de materia prima de Pinturas para Pinturas para exteriores interiores 6 4 1 2 5 4

Materia prima M1 Materia prima M2 Utilidad por Ton (miles de $)

mxima a disponibilidad diaria 24 6

Una encuesta de mercado indica que la demanda diaria de pintura para interiores no puede ser mayor que 1 tonelada ms que la de pintura para exteriores. Tambin, que la a e demanda mxima diaria de pintura para interiores es de 2 toneladas. a Reddy Mikks desea determinar la mezcla optima (la mejor) de productos para exteriores y para interiores que maximice la utilidad diaria total. El modelo de programacin lineal, como en cualquier modelo de investigacin de operao o ciones, tiene tres componentes bsicos. a 1. Las variables de decisin que se trata de determinar. o 2. El objetivo (la meta) que se trata de optimizar. 3. Las restricciones que se deben satisfacer.

La denicin correcta de las variables de decisin es un primer paso esencial en el desarrollo o o del modelo. Una vez hecha, la tarea de construir la funcin objetivo y las restricciones se o hace en forma ms directa. a Para el problema de Reddy Mikks, se necesita determinar las cantidades a producir de pinturas para exteriores e interiores. As las variables del modelo se denen como sigue: , x1 = Toneladas producidas diariamente, de pintura para exteriores x2 = Toneladas producidas diariamente, de pintura para interiores Para formar la funcin objetivo, la empresa desea aumentar sus utilidades todo lo posio ble. Si z representa la utilidad diaria total (en miles de dlares), el objetivo de la empresa o se expresa as : Maximizar z = 5x1 + 4x2 A continuacin se denen las restricciones que limitan el uso de las materias primas y la o demanda. Las restricciones en materias primas se expresan verbalmente como sigue: Uso de una materia Prima para ambas pinturas Segn los datos del problema, u Uso de la materia prima M1, por d = 6x1 + 4x2 toneladas a Uso de la materia prima M2, por d = 1x1 + 2x2 toneladas a Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas, respectivamente, las restricciones correspondientes se expresan como sigue: Disponibilidad mxima a de materia prima

6x1 + 4x2 x1 + 2x2

24 6

(Materia prima M1) (Materia prima M2)

La primera restriccin de la demanda indica que la diferencia entre la produccin diaria o o de pinturas para interiores y exteriores, x2 x1 no debe ser mayor que 1 tonelada, y eso se traduce en x2 x1 1. La segunda restriccin de la demanda estipula que la demanda o mxima diaria de pintura para interiores se limita a 2 toneladas, y eso se traduce como a x2 2. Una restriccin impl o cita (o que se sobreentiende) es que las variables x 1 y x2 no pueden asumir valores negativos. Las restricciones de no negatividad, x1 0 y x2 0, expresan ese requisito. El modelo de Reddy Mikks completo es Maximizar z s.a. 6x1 + 4x2 x1 + 2x2 2 = 5x1 + 4x2 24 6

x1 + x2 x2 x1 , x 2

1 2 0

Cualquier valor de x1 y x2 que satisfaga todas las restricciones del modelo es una solucin o factible. Por ejemplo, la solucin x1 = 3 toneladas diarias y x2 = 1 tonelada diaria es o factible, porque no viola alguna de las restricciones, incluyendo las de no negatividad. Para comprobar este resultado se sustituye (x1 = 3, x2 = 1) en el lado izquierdo de cada restriccin. o Por ejemplo, en la primera restriccin, 6x1 + 4x2 = 6 3 + 4 1 = 22, que es menor que 24 en o el lado derecho. El valor de la funcin objetivo correspondiente a la solucin (x 1 = 3, x3 = 1) o o es z = 5 3 + 4 1 = 19 (miles de dlares). o Desde el punto de vista de todo el modelo, nos interesa determinar la solucin optima o factible que produzca la utilidad total mxima y al mismo tiempo satisfaga todas las restrica ciones. No se acepta enumerar las soluciones factibles, porque el modelo tiene una cantidad innita de ellas. En su lugar, se necesita un procedimiento sistemtico que ubique con ea ciencia la solucin optima. El mtodo grco de la seccin 2.3, y su generalizacin algebraica o e a o o en el cap tulo 3, resuelven este punto. En el ejemplo anterior, las funciones objetivo y restricciones son lineales, todas. La linealidad implica que la programacin lineal debe satisfacer dos propiedades: proporcionalidad o y aditividad. 1. La proporcionalidad requiere que la contribucin de cada variable de decisin en la o o funcin objetivo, y sus requerimientos en las restricciones, sea directamente proporcional al o valor de la variable. Por ejemplo, en el modelo de Reddy Mikks, las cantidades 5x 1 y 4x2 expresan las utilidades por producir x1 y x2 toneladas de pintura para exteriores y para interiores, respectivamente, y las utilidades unitarias por tonelada son 5 y 4, que denen las constantes de proporcionalidad. Si, por otra parte, Reddy Mikks ofrece alguna clase de descuentos por cantidad cuando las ventas son mayores que ciertas cantidades, la utilidad ya no ser proporcional a las cantidades producidas x1 y x2 . a 2. La aditividad estipula que la contribucin total de todas las variables en la funcin o o objetivo y sus requerimientos en las restricciones, sean la suma directa de las contribuciones o requerimientos individuales de cada variable. En el modelo de Reddy Mikks, la utilidad total es igual a la suma de dos componentes individuales de utilidad. Sin embargo, si los dos productos compiten por la misma parte de mercado en forma tal que un aumento de ventas de uno afecte negativamente al otro, ya no se satisface la propiedad de aditividad.
SOLUCION GRAFICA DE LA PROGRAMACION LINEAL

El procedimiento de solucin grca comprende dos pasos: o a 1. Determinacin del espacio de soluciones que dene todas las soluciones factibles del o modelo. 2. Determinacin de la solucin optima, entre todos los puntos factibles del espacio de o o soluciones. Usaremos dos ejemplos en el procedimiento, para mostrar cmo se manejan las funciones o objetivo de maximizacin y de minimizacin. o o

2.2.1 Solucin de un modelo de maximizacin o o Ejemplo 2.2-1 En este ejemplo se resolver el modelo de Reddy Mikks, de la seccin 2.1. a o Paso 1. Determinacin del espacio de soluciones factibles: o Primero, se tendrn en cuenta las restricciones de no negatividad x1 0 y x2 0. En a la gura 2.1, el eje horizontal x1 y el eje vertical x2 representan las variables pintura para exteriores y pintura para interiores, respectivamente. En consecuencia, las restricciones de no negatividad limitan el area del espacio de soluciones al primer cuadrante: arriba del eje x1 y a la derecha del eje x2 . Para tener en cuenta las otras cuatro restricciones, primero se sustituye cada desigualdad con una ecuacin, y a continuacin se grca la recta resultante, ubicando dos puno o a tos diferentes de ella. Por ejemplo, despus de sustituir 6x1 + 4x2 24 con la recta e 6x1 + 4x2 = 24, se pueden determinar dos puntos distintos, primero igualando x 1 = 0 para obtener x2 = 24/4 = 6 y despus igualando x2 = 0 para obtener x1 = 24/6 = 4. De e este modo, la recta que pasa por los dos puntos (0, 6) y (4, 0) es la que se identica con (1) en la gura 2.1. A continuacin consideraremos el efecto de la desigualdad. Todo lo que hace la desigualo dad es dividir al plano (x1 , x2 ) en dos semiespacios que en este caso son semi-planos, uno a cada lado de la l nea gracada. Slo una de esas dos mitades satisface la desigualdad. o Para determinar cul es el lado correcto, se elige cualquier punto de referencia en el primer a cuadrante. Si satisface la desigualdad, el lado en el que est es el semiplano factible. En caso a contrario, quiere decir que es el otro lado. Desde el punto de vista de los clculos, es cmodo a o seleccionar a (0,0) como el punto de referencia, a menos que la recta pase por el origen; si as fuera, se deber elegir otro punto. a El uso del punto de referencia (0,0) se ilustra con la restriccin 6x1 + 4x2 24. Como o 6 0 + 4 0 = 0 es menor que 24, el semiplano que representa la desigualdad incluye al origen (lo que se indica con la echa en la gura 2.1). Para demostrar el uso de otros puntos de referencia, investigaremos (6, 0). En este caso 6 6 + 4 0 = 36, que es mayor que el lado derecho de la primera restriccin, y eso indica que el lado en el que est (6,0) no es factible o a para la desigualdad. Este resultado es consistente con el que se obtuvo usando (0,0) como punto de referencia. Con la aplicacin del procedimiento del punto de referencia a todas las restricciones del o modelo se obtiene el espacio factible que se indica en la gura 2.1. Paso 2. Determinacin de la solucin optima: o o El espacio factible de la gura 2.1 est delimitado por los segmentos de recta que unen a a los vrtices A, B, C, D, E y F. Todo punto dentro o en la frontera del espacio ABCDEF e es factible, porque satisface todas las restricciones. Ya que el espacio factible ABCDEF est a formado por una cantidad innita de puntos, es obvio que se necesita un procedimiento sistemtico para identicar la solucin optima. a o Para identicar la solucin optima se requiere identicar la direccin en la que aumenta o o la funcin utilidad z = 5x1 + 4x2 (recurdese que se est maximizando a z). Para hacerlo o e a se asignan valores arbitrarios crecientes a z. Por ejemplo, si z = 10 y z = 15 equivaldr a a 4

Figure 1:

gracar las dos rectas 5x1 + 4x2 = 10 y 5x1 + 4x2 = 15. En consecuencia, la direccin de o aumento en z es la que se ve en la gura 2.2. La solucin optima se encuentra en C, que es o el punto, en el espacio de soluciones, ms all del cual cualquier aumento en z saca a uno de a a las fronteras de ABCDEF. Los valores de x1 y x2 , correspondientes al punto optimo C se calculan resolviendo las ecuaciones asociadas a las rectas (1) y (2), esto es, resolviendo 6x1 + 4x2 x1 + 2x2 = = 24 6

La solucin es x1 = 3 y x2 = 1.5 y en ese caso z = 5 3 + 4 1.5 = 21. Eso equivale a o una mezcla de productos de 3 toneladas de pintura para exteriores y 1.5 toneladas de pintura para interiores. La utilidad diaria correspondiente es $21.000. No es por accidente que la solucin optima se encuentre en un punto de esquina (vrtice) del espacio de soluciones, o e donde se cruzan dos l neas. En realidad, si se cambia la pendiente de la funcin utilidad z o (cambiando sus coecientes), se ver que la solucin optima siempre se encuentra en esos a o puntos de esquina. Esta observacin es clave para desarrollar el algoritmo s o mplex general 5

Figure 2:

que se presenta en el cap tulo 3. 2.2.2 Solucin de un modelo de minimizacin o o Ejemplo 2.2-2 (Problema de la dieta) En Granjas Modelo se usa diariamente un m nimo de 800 libras (Ib) de un alimento especial, que es una mezcla de ma y soya, con las composiciones siguientes: z Alimento Ma z Soya lb por lb de alimento Prote nas Fibras 0.09 0.02 0.60 0.06 Costo ($/lb) 0.30 0.90

Las necesidades dietticas del alimento especial son un m e nimo de 30% de prote nas y un mximo de 5% de bras. Granjas Modelo desea determinar las proporciones de alimento que a produzcan un costo diario m nimo. Como la mezcla de alimentos consiste en ma y soya, las variables de decisin del modelo z o se denen como sigue: x1 = lb de ma en la mezcla diaria z x2 = lb de soya en la mezcla diaria

La funcin objetivo trata de minimizar el costo (en dlares) diario total de la mezcla de o o alimentos, y en consecuencia se expresa como sigue: Minimizar z = 0.3x1 + 0.9x2

Las restricciones del modelo reejan la cantidad diaria necesaria y los requerimientos dietticos. Como Granjas Modelo necesita un m e nimo de 800 Ib diarias de alimento, la restriccin correspondiente se puede expresar como sigue: o x1 + x2 800 En cuanto a la restriccin diettica de necesidades de prote o e na, la cantidad de prote na que contienen x1 lb de ma y x2 lb de soya es (0.09x1 + 0.6x2 ) lb. Esta cantidad debe ser z cuando menos igual al 30% de la mezcla total de alimentos, (x1 + x2 ) lb; esto es 0.09x1 + 0.6x2 0.3(x1 + x2 ) De manera similar, la restriccin de la bra se dene como o 0.02x1 + 0.06x2 0.05(x1 + x2 ) Las restricciones se simplican agrupando todos los trminos en x1 y x2 y pasndolos al e a lado izquierdo de cada desigualdad, para que slo quede una constante en el lado derecho. o As el modelo completo viene a ser , Minimizar z = 0.3x1 + 0.9x2 800 0 0 0

s.a. x1 + x2 0.21x1 0.30x2 0.03x1 0.01x2 x1 , x 2

La gura 2.3 muestra la solucin grca del modelo. A diferencia del modelo de Reddy o a Mikks (Ejemplo 2.2-1), la segunda y la tercera restricciones pasan por el origen. Para gracar las rectas correspondientes slo se necesita un punto adicional, que se puede obtener asigo nando un valor a una de las variables y despejando la otra. Por ejemplo, en la segunda restriccin x1 = 200 produce 0.21 200 0.3x2 = 0, es decir, x2 = 140. Eso quiere decir que o la recta 0.21x1 0.3x2 = 0 pasa por (0,0) y (200, 140). Tambin obsrvese que no se puede e e usar (0,0) como punto de referencia en las restricciones 2 y 3, porque ambas rectas pasan por el origen. En lugar de ellos se puede usar cualquier otro punto, por ejemplo (100, 0) o (0, 100) para ese propsito. o Ya que en este modelo se busca minimizar la funcin objetivo, necesitamos reducir todo o lo posible el valor de z, en la direccin que muestra la gura 2.3. La solucin optima es o o la interseccin de las dos rectas, x1 + x2 = 800 y 0.21x1 0.3x2 = 0; as se obtienen o x1 = 470.6 lb y x2 = 329.4 lb. El costo m nimo correspondiente, de la mezcla de alimentos, es z = 0.3 470.6 + 0.9 329.4 = $437.64 diarios.

Figure 3: