Escolar Documentos
Profissional Documentos
Cultura Documentos
Temario
1. Programacin Lineal 1.1. Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones 1.2. Formulacin de Modelos 1.3. Mtodo Grfico 1.4. Fundamentos del Mtodo Smplex 1.5. Aplicaciones diversas de programacin lineal 2. Anlisis de Redes 2.1. Conceptos bsicos 2.2. Problema de Transporte 2.3. Problema de Asignacin 2.4. Problema de la ruta ms corta 2.5. Programacin de Proyectos (PERT-CPM) 3. Programacin no Lineal 3.1. Conceptos bsicos de problemas de programacin no lineal 3.2. Ilustracin grfica de problemas de programacin no lineal 3.3. Tipos de problemas de programacin no lineal 3.4. Optimizacin clsica 3.4.1. Puntos de inflexin 3.4.2. Mximos y mnimos 4. Teora de Inventarios 4.1. Sistemas de Administracin y control 4.2. Modelos Determinsticos 4.2.1. Lote econmico sin dficit 4.2.2. Lote econmico con dficit 4.3. Lote Econmico de produccin 5. Lneas de espera 5.1. Definiciones, caractersticas y suposiciones. 5.2. Terminologa y notacin 5.3. Proceso de nacimiento o muerte 5.4. Modelos de Poisson 5.4.1. Un servidor 5.4.2. Mltiples Servidores 5.5. Anlisis de Costos
Unidad 1
Programacin Lineal
1.1. Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera: La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin. Historia de la Investigacin de Operaciones. La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas. El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico. Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de las industrias. Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin. Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes problemas de computacin no hubiera crecido al nivel de hoy en da. Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin.
Concepto de optimizacin. Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones. reas de aplicacin de la Investigacin de Operaciones. Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas.
2.
Es la etapa fundamental para que las decisiones sean tiles Estructura de los modelos empleados en la Investigacin de Operaciones. El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre. Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2) anlogos, 3) simblicos. Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real. Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al sistema original. Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las matemticas para representar el modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas avanzadas. Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos que son:
Semana 1: Tarea de investigacin: a) Realizar un mapa conceptual del tema 1.1 Ing. Ren Zahor Torres Becerra 7
2.
3.
La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones. Ejemplos 1. La WYNDOR GLASS CO. Produce artculos de vidrio de Alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2 y la 3 produce el vidrio y ensambla los productos. Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea de produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar libre una parte de la capacidad de la produccin para emprender la fabricacin de los 2 productos nuevos que tienen ventas potenciales grandes: Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio. Producto 2: Una ventana corrediza con marco de madera de 4 pies por 6. El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas. Sin embargo, como ambos productos competirn por la misma capacidad de produccin en la planta 3, no est claro que mezcla de productos sera la ms rentable. Por lo tanto se ha formado un equipo de IO para estudiar este problema. Despus de hacer una investigacin, el depto. De IO determin: El porcentaje de la capacidad de produccin en cada planta que estar disponible para estos productos. El porcentaje de esta capacidad que requiere cada unidad producida por minuto. La ganancia unitaria por cada minuto. Esta informacin se ve reflejada en la siguiente tabla:
Plata 1 2 3 Ganancia por Lote Tiempo de produccin por lote, horas Producto 1 2 1 0 0 2 3 2 $3,000.00 $5,000.00 Tiempo de produccin disponible a la semana en hrs. 4 12 18
La compaa XYZ fabrica zapatos de dos clases: Normales y de Lujo, se desea determinar su produccin de cada clase de zapatos en tal forma que maximice sus utilidades diarias durante el mes siguiente. El tiempo empleado en producir un par de zapatos de lujo, es el doble del necesario para un par estndar. Si todos los zapatos fuesen de clase estndar la compaa tendra la capacidad de producir 1200 pares por da. El suministro de piel es suficiente para 900 pares por da sin importar la clase de zapatos. De los otros materiales necesarios se tiene la capacidad de producir 600 pares de lujo por da y 1300 pares estndar por da. Las utilidades netas son de $60.00 y $30.00 para zapatos de Lujo y estndar respectivamente. Solucin del problema Definicin de variables: X1 = Cantidad de zapatos de lujo a producir X2 = Cantidad de zapatos estndar a producir Formulacin del modelo: Max Z = 60X1 + 30X2 s.a. 2X1 + X2 <= 1200 } Capacidad de produccin X1 + X2 <= 900 } Piel X1 <= 600 Otros Materiales X2 <= 1300 Xi >= 0
i
Un experimento social interesante en la regin del mediterrneo es el sistema kibbutzim, tambin conocido como comunidades agrcolas comunales, en Israel. Es usual que los grupos de kibbutzim se unan para compartir los servicios tcnicos comunes y coordinar su produccin. El primer grupo se refiere a 3 subgrupos de kibbutzim el cual se llamar la Confederacin Sur de kibbutzim. La planeacin global de la Confederacin Sur de kibbutzim se hace en su oficina de coordinacin tcnica. En la actualidad estn planeando la produccin agrcola para el ao prximo. La produccin agrcola est limitada tanto por la extensin de la tierra disponible para la irrigacin como por la cantidad de agua que la comisin de aguas asigna para irrigarlo. El tipo de cosecha apropiada para la regin incluye: remolacha, algodn y sorgo, y son estos los 3 tipos de cosechas los que se estn estudiando para la estacin venidera. Las cosechas difieren primordialmente en su rendimiento por acre esperado y en su consumo de agua, adems el ministerio de cultura ha establecido una cantidad mxima de acres que la Confederacin Sur de kibbutzim puede dedicar a estas cosechas. Los 3 kibbutzim que pertenecen a Confederacin Sur estn de acuerdo en sembrar la misma proporcin de sus tierras irrigables disponibles. Cualquier combinacin de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El trabajo al que se enfrent la oficina de coordinacin tcnica consiste en planear cuantos acres deben asignarse a cada tipo de cosecha para cada kibbutzim.
Ing. Ren Zahor Torres Becerra 10
Los datos de cosechas para la Confederacin Sur de kibbutzim son los siguientes:
Cosecha 1 2 3 Cantidad Mxima (Acres) 600 500 325 Consumo de agua (pies-acre/acres) 3 2 1 Rendimiento Neto ($/acre) 400 300 100
Cumpliendo con las restricciones dadas el objetivo es maximizar el rendimiento total para la Confederacin Sur. Solucin del problema Definicin de variables: Xi es la cantidad de cosecha sembrada en cada kibbutzim
X1 = Remolacha en el kibbutzim 1 X2 = Algodn en el kibbutzim 1 X3 = Sorgo en el kibbutzim 1 X4 = Remolacha en el kibbutzim 2 X5 = Algodn en el kibbutzim 2 X6 = Sorgo en el kibbutzim 2 X7 = Remolacha en el kibbutzim 3 X8 = Algodn en el kibbutzim 3 X9 = Sorgo en el kibbutzim 3
Formulacin del modelo: Max Z = 400(X1 + X4 + X7) + 300(X2+ X5+ X8) + 100(X3+ X6+ X9) s.a. Terreno: X1 + X2 + X3 <= 400 X4 + X5 + X6 <= 600 X7 + X8 + X9 <= 300 Agua: 3X1 + 2X2 + X3 <= 600 3X4 + 2X5 + X6 <= 800 3X7 + 2X8 + X9 <= 375 Cosecha: X1 + X4 + X7 <= 600 X2 + X5 + X8 <= 500 X3 + X6 + X9 <= 325 Proporcin: Xi >= 0 i
11
Formulacin del modelo: Max Z = 275(X1 + X4 + X7) + 330(X2+ X5+ X8) + 375(X3+ X6+ X9) s.a. Capacidad: X1 + X2 + X3 <= 750 X4 + X5 + X6 <= 900 X7 + X8 + X9 <= 450 Cap.esp.dis.:12X1+15X2+20X3 <= 13000 12X4 + 15X5 + 20X6 <= 12000 12X7 + 15X8 + 20X9 <= 5000 Demanda: X1 + X4 + X7 >= 750 X2 + X5 + X8 >= 1200 X3 + X6 + X9 >= 900 Proporcin: Xi >= 0
i
La familia quiere determinar cuntos acres debe sembrar con cada tipo de cosecha y cuantas vacas y gallinas debe mantener para maximizar su ingreso neto. Solucin del problema Definicin de variables: Xi es la cantidad de producto i a sembrar o mantener.
X1 = Cantidad de Soya a sembrar por acre X2 = Cantidad de Maz a sembrar por acre X3 = Cantidad de Avena a sembrar por acre X4 = Cantidad de vacas a mantener por acre X5 = Cantidad de gallinas a mantener por acre X5 = Cantidad ganada en Invierno X6 = Cantidad ganada en Verano
Formulacin del modelo: Max Z = 500X1 + 750X2 + 350X3+ 1000X4+ 5X5+ 5X6+ 6X7 s.a. Terreno: X1 + X2 + X3 + 1.5X4 <= 125 Inversin: 1200X4+9X5 <= 40,000 Hrs.-Hombre Invierno:
20X1 + 35X2 + 10X3 + 100X4 + 0.6X5 <= 3500
Hrs.-Hombre Verano:
50X1 + 75X2 + 40X3 + 50X4 + 0.3X5 <= 4000
13
Ao 1
7 3 16 12
Costos Ao 2
10 13 12 8
Ao 3
3 7 16 15
Utilidad Total
95 50 130 100
Solucin del problema Definicin de variables: X1 = Proyecto 1 X2 = Proyecto 2 X3 = Proyecto 3 X4 = Proyecto 4 Formulacin del modelo: Max Z = 95X1 + 50X2 + 130X3 + 100X4 s.a. 7X1 + 3X2 + 16X3 + 12X4 <= 30,000 10X1 + 13X2 + 12X3 + 8X4 <= 28,000 3X1 + 7X2 + 16X3 + 15X4 <= 25,000 Xi >= 0 8.
i
Una compaa distribuidora de cerveza desea saber que poltica de distribucin minimizar sus costos de distribucin, si cuenta con depsitos en: Monterrey, Mxico y Guadalajara, y los centros de consumo a los que tiene que surtir son: Tecate, Culiacn, Durango y Mrida. Los costos de distribucin entre centros de consumo y depsitos, as como las capacidades y demandas por periodos son:
Monterrey Mxico Guadalajara Demanda Tecate 8+ 7+ 2+ 250* Culiacn 3+ 6+ 4+ 300* Durango 4+ 5+ 3+ 200* Mrida 5+ 2+ 5+ 160* Capacidad 550 300 250
+ Miles de cartones * Costo/km en cartones
Formule el problema de programacin lineal. Solucin del problema Definicin de variables: Xij Cantidad de miles de cartones que se van a mandar del centro de produccin i al lugar de consumo j. (i=1, 2, 3 y j=1, 2, 3, 4). Formulacin del modelo:
Ing. Ren Zahor Torres Becerra 14
X21 + X31 <= 250 X32 <= 300 X23 + X33 <= 200 X24 + X34 <= 160
Una granja desea encontrar la frmula de una dieta para pollos que suponga una mezcla de 100 lbs. que es el lote diario requerido. La dieta debe contener al menos 0.8% pero no ms de 1.2% de calcio, al menos 22% de protenas, a lo ms 5% de fibra cruda. Suponga que los principales ingredientes utilizados contienen maz, soya y caliza. El contenido nutritivo de estos ingredientes se resume a continuacin:
Producto
Piedra caliza Maz Soya
Calcio
0.380 0.001 0.002
Fibra
0.00 0.02 0.08
Costo /lb
0.0164 0.0463 0.1250
Solucin del problema Definicin de variables: Xi Cantidad de ingredientes que debe contener la mezcla. X1 = Piedra Caliza X2 = Maz X3 = Soya Formulacin del modelo: Min Z = 0.0164X1 + 0.0463X2 + 0.1250X3 s.a. 0.380X1 + 0.001X2 + 0.002X3 >= 0.008 * 100 (Libras de la mezcla) 0.380X1 + 0.001X2 + 0.002X3 <= 0.012 * 100 0.009X2 + 0.500X3 >= 0.220 * 100 0.020X2 + 0.080X3 <= 0.050 * 100 Xi >= 0
i
15
I
2 4
III
5 7
Disponibilidad
2,000 3,000
El tiempo de mano de obra para cada unidad del modelo I es 2 veces el del modelo II y 3 veces el del modelo III. La fuerza laboral completa de la fbrica puede producir el equivalente de 700 unidades del modelo I. En una encuesta de mercado se indica que la demanda mnima de los 3 modelos es de 200, 250 y 150 unidades respectivamente, sin embargo las relaciones del no. unidades producidas debe ser igual a 3:2:5. Suponga que los beneficios pos unidad de los modelos I, II y III son: 30, 20 y 50 unidades monetarias. Formule el problema por medio de un modelo de programacin lineal. Solucin del problema Definicin de variables: Xi Cantidad de artculos a producirse de cada modelo. X1 = Modelo I X2 = Modelo II X3 = Modelo III Formulacin del modelo: Max Z = 30X1 + 20X2 + 50X3 s.a. Materia Prima: 2X1 + 3X2 + 5X3 <= 2000 4X1 + 2X2 + 7X3 <= 3000 Demanda: X1 >= 200, X2 >= 250, X3 >= 150 X1 + 2X2 + 3X3 <= 700
Se procesan 4 productos sucesivamente en 2 maquinas. Los tiempos de manufactura en hrs. por unidad de cada producto se tabulan a continuacin para las 2 maquinas:
Maquinaria
A B
Producto 1
2 3
Producto 4
2 2
Disponibilidad
$10.00 $15.00
16
Para una cafetera que trabaja 24 horas se requieren las siguientes meseras:
Horarios del da 02 06 06 10 10 14 14 18 18 22 22 02 No. de meseras requeridas 4 8 10 7 12 4
Cada mesera trabaja turnos de 8 horas consecutivas por da. El objetivo es encontrar el nmero ms pequeo de meseras requerido para cumplir los requisitos anteriores. Formule el problema con un modelo de programacin lineal.
17
Dos aleaciones A y B se hacen de materiales (I, II, III y IV) de acuerdo con las siguientes especificaciones: Aleacin A: A lo ms 80% de I A lo ms 30% de II Al menos 50% de IV Aleacin B: Entre 40% y un 60% de II Al menos 30% de III A lo menos 70% de IV
Los 4 metales se extraen de diferentes minerales cuyos constituyentes en % de stos metales, cantidad mxima disponible y costo por tonelada se tabulan como sigue:
Material
1 2 3
Cantidad Mxima(tons)
1,000 2,000 3,000
I
20 10 5
Otros
10 10 0
Precio ($/Ton)
30 40 50
Suponiendo que los precios de venta de las aleaciones A y B son $200.00 y $300.00 pesos por tonelada. Formule un modelo de programacin lineal para resolver este problema. Solucin del problema Definicin de variables: Xijk Cantidad de minerales necesarios para extraer los metales (Aleacin i=1,2, Mineral j=1,2,3 y Constituyente k=1,2,3,4). Formulacin del modelo: Min Z = 30(X111 + X112 + X113 + X114 + X211 + X212 + X213 + X214) + 40(X121 + X122 + X123 + X124 + X221 + X222 + X223 + X224) + 50(X131 + X132 + X133 + X134 + X231 + X232 + X233 + X234)
18
1.3. Mtodo Grfico El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve:
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. Trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo.
2. 3.
4.
5.
6.
7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios
a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo.
2
Semana 2: Tarea en equipo b) Resolver los ejercicios de planteamiento designados por el docente y realizar una documentacin explicita (tema 1.2) Ing. Ren Zahor Torres Becerra 19
X2
X1
20
3. Min Z = 4X1 + 3X2 s.a. 2X1 + X2 <= 10 -3X1 + 2X2 <= 6 X1 + X2 >= 6 Xi >= 0
i
2. Max Z = 25X1 + 10X2 s.a. 6X1 + 4X2 <= 25 3X1 + 2X2 <= 11 X1 + .5X2 <= 6 Xi >= 0
3
i
Introduccin a la programacin lineal Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado
Semana 3: Tarea en equipo: c) Resolver los ejercicios del 1 al 5 del mtodo grficos (tema 1.3) Ing. Ren Zahor Torres Becerra 21
El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo. Forma Cannica La forma cannica de un problema de programacin lineal es:
22
Suposiciones del Modelo de Programacin Lineal Proporcionalidad La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin lineal. Actividad Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular. Aditividad Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.
23
Z S1 S2 S3
4 12 18
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD. En nuestro caso, la variable X2 de coeficiente - 5. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del smplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (Flecha Azul). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 4/0 [=Error] 12/2 [=6] 18/2 [=9] Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se conoce como CONDICIN DE FACTIBILIDAD.
2.
3.
26
4.
5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Z S1 S2 S3 Fila/2=
X1 -3 1 0 3 (0
X2 -5 0 2 2 1
S1 0 1 0 0 0
S2 0 0 1 0 1/2
S3 0 0 0 1 0
4 12 18 6)
Fila/2
Para Z en nueva tabla = ((Fila/2)*5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual Para S3 en nueva tabla =((Fila/2)*-2) + S3
Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z -3 0 0 5/2 0 30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila/3= 1 0 0 -1/3 1/3 2
Fila/3
Como en los elementos de la fila Z hay uno negativo, -3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -3. 2. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:
27
Fila/3
Para Z en nueva tabla = ((Fila/3)*3) +Z Para S1 en nueva tabla = ((Fila/3)*-1) + S3
Se obtiene una nueva Iteracin en la nueva tabla (tabla III): Para S3 en nueva tabla =ya tiene 0 se copia igual X1 X2 S1 S2 S3 Z 0 0 0 3/2 1 36 S1 0 0 1 1/3 -1/3 2 X2 0 1 0 1/2 0 6 X1 1 0 0 -1/3 1/3 2
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 el valor de Z es: 36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Nota:
* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior. * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos.
28
Z S1 S2 S3
4 12 18
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD.
Ing. Ren Zahor Torres Becerra 29
3.
4.
5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote)
30
Z S1 S2 S3 Fila/2=
X1 3 1 0 3 (0
X2 5 0 2 2 1
S1 0 1 0 0 0
S2 0 0 1 0 1/2
S3 0 0 0 1 0
4 12 18 6)
Fila/2
Para Z en nueva tabla = ((Fila/2)*-5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual
Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z 3 0 0 -5/2 0 -30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila/3= 1 0 0 -1/3 1/3 2
Fila/3
Como en los elementos de la fila Z hay uno positivo, 3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. 2. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente 3. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 4/1 [=4] 6/0 [=Error] 6/3 [=3] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3. 3. El elemento pivote, que ahora hay que hacer 1, es 3.
Fila/3
Para Z en nueva tabla = ((Fila/3)*-3) +Z Para S1 en nueva tabla = ((Fila/3)*-1) + S3 Para S3 en nueva tabla =ya tiene 0 se copia igual
31
Como todos los coeficientes de la fila de la funcin objetivo son negativos o ceros, 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 el valor de Z es: -36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Ejemplos para el curso: Max Z = 3X1 + 4X2 s.a. 2X1 + 7X2 <= 21 7X1 + 2X2 <= 49 Xi >= 0
i
Min Z = - 5X1 - 3X2 s.a. 2X1 + 4X2 <= 400 6X1 + X2 <= 100 4X1 + 3X2 <= 400 Xi >= 0
i
Max Z = 3X1 + 2X2 + 5X3 s.a. X1 + 2X2 + X3 <= 430 3X1 + 2X3 <= 460 X1 + 4X2 <= 420 Xi >= 0
i
Min Z = 2X1 - 2X2 + 4X3 s.a. - X1 + X2 + X3 <= 20 2X1 - X2 + X3 <= 10 X1 + X2 +3X3 <= 60 Xi >= 0
i
http://www.investigacion-operaciones.com/SMPLEX_analitico.htm
Semana 4: Tarea en equipo: d) Resolver los ejercicios del 1 al 5 del mtodo simplex (tema 1.4) Ing. Ren Zahor Torres Becerra 32
Unidad 2
Anlisis de Redes
2.1. Conceptos Bsicos El anlisis de redes es el rea encargada de analizar las redes mediante la teora de redes (conocida ms genricamente como teora de grafos). Las redes pueden ser de diversos tipos:
Cuando se habla de una red, se entiende como un grupo de individuos que, en forma agrupada o individual, se relacionan con otros con un fin especifico, caracterizado por la existencia de flujo de informacion. Las redes pueden tener muchos o pocos actores y una o ms clases de relaciones entre pares de actores. Terminologa de Redes Flujo: Corresponde a la cantidad que debe transportarse desde un nodo i a un nodo j a travs de un arco que los conecta. La siguiente notacin es usada: Xij= cantidad de flujo Uij= cota mnima de flujo que se debe transportar Lij= cota maxma de flujo que se puede transportar. Arcos dirigidos /no dirigidos: Cuando el flujo puede transportarse en una sola direccin se tiene un arco dirigido (la flecha indica la direccin). Si el flujo puede transportarse en ambas direcciones existe un arco no dirigido (sin flecha). Nodos adyacentes: Un nodo j es adyacente con un nodo i si existe un arco que une el nodo j con el nodo i.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n destinos. Una fuente o un destino est representado por un nodo, el arco que une fuente y un destino, representa la ruta por la cual se transporta la mercanca. La cantidad de la oferta en la fuente i es ai, y la demanda en el destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.
Ing. Ren Zahor Torres Becerra 34
El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere que la suma de los envos a un destino satisfaga su demanda. El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser cuando menos igual a la demanda total j=1 n bj. Cuando la oferta total es igual a la demanda total, la formulacin resultante recibe el nombre de modelo de transporte equilibrado. Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones, es decir: X i j = ai, X i j = bj, i=1,2,..., m j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse. El equilibrio, adems de su utilidad en la representacin a travs de modelos de ciertas situaciones prcticas, es importante para el desarrollo del mtodo de solucin que explote completamente la estructura especial del modelo de transporte. Los dos ejemplos que siguen presentan la idea del equilibrio y tambin sus implicaciones prcticas. Ejemplo 1 (Modelo de transporte estndar) MG Auto Company tiene plantas en Los ngeles, Detroit y Nueva Orlens. Sus centros de distribucin principales son Denver y Miami. Las capacidades de las plantas durante el trimestre prximo son 1 000, 1 500, y 1 200 automviles. Las demandas trimestrales en los dos centros de distribucin son de 2 300 y 1 400 vehculos. El costo del transporte de un automvil por tren es de 8 centavos por milla. El diagrama de las distancias recorridas entre las plantas y los centros de distribucin son:
35
Mediante el uso de cdigos numricos que representan las plantas y centros de distribucin, hacemos que X i j represente el nmero de automviles transportados de la fuente i al destino j. Como la oferta total (= 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte resultante est equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas las restricciones de igualdad.
Minimizar Z = 80X 11 + 215X 12 + 100X 21 + 108X 22 + 102X 31 + 68X 32 Sujeto a: X 11 X 12 X 21 X 11 X 12 X i j >= 0 para todas las i y j X 21 X 22 X 22 X 31 X 31 X 32 X 32 = 1 000 = 1 500 = 1 200 = 2 300 = 1 400
Un mtodo ms resumido para representar el modelo de transporte consiste en utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
36
De manera anloga, si la oferta en mayor que la demanda podemos aadir un destino ficticio que absolver la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier automvil enviado de una planta a un centro de distribucin ficticio representa un excedente en la planta.
Destino Ficticio 0 0 0
La aplicacin del modelo de transporte no se limita al problema de transporte. El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos.
37
Otro caso es cuando la Demanda es menor que la Oferta se crea una columna ficticia a la Demanda y se le agrega el valor faltante para balancear el ejercicio.
Destino 1 1 2 3 4 5 30 20 Demanda 70 50 2 3 4 50 50 Oferta 20 30 20
Nota. Los costos deben ser ceros (0) y cuando queda un valor en la casilla ficticia se interpreta como que falta por vender un no. de productos.
38
Mtodo de la Esquina Noroeste 1) Asignar a la casilla (1,1) tantas unidades como lo permita la demanda y la oferta. Actualizar valores de ambas. 2) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 3) Continuar asignando en las dems casillas continuas a la columna o rengln tachados siempre considerando que este se encuentre en la esquina Noroeste, siga con el paso 2. 4) El problema terminar cuando exista solo una columna o solo un rengln sin tachar. Mtodo de Costo Mnimo 1) Seleccione la casilla con el menor costo de envo y asignar tanto tantas unidades como lo permita la demanda y la oferta. 2) Actualizar la demanda y la oferta. 3) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 4) Continuar asignando de acuerdo al paso 2 hasta que quede un rengln o columna sin marcar. Mtodo de Vogel 1) Se calcula la diferencia de fila y columna entre El mayor y el menor costo que exista en cada fila y columna. 2) Seleccione aquella columna o rengln que presente la mayor diferencia (los empates se rompen arbitrariamente). 3) Localice el costo ms pequeo de la matriz de costos en la columna o rengln elegidos por el paso anterior. 4) Asigne tantas unidades como lo permita la oferta y la demanda. 5) Actualizar la demanda y la oferta. 6) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 7) Retornar al paso 2 hasta que quede un rengln o columna sin marcar.
39
Ejercicio 2)
1 1 Origen 2 3 20 5 3 4 10 2 6 6 1 Destino 3 2 8 9 40 Demanda Destino 1 1 Origen 2 3 9 7 6 20
5
4 4 62 10 30 35 Oferta 42 23
Ejercicio 3)
2 12 3 5 40 3 9 7 9 40 Demanda 4 6 7 11 60 50 Oferta 60 20
Semana 5: Tarea en equipo: e) Resolver los ejercicios del 1 al 3 por los 3 mtodos de transporte (tema 2.1 y 2.2) Ing. Ren Zahor Torres Becerra 40
2.3.Problemas de Asignacin
Hay una multitud de situaciones, en investigacin de operaciones, que se pueden modelar y resolver como redes (nadas conectados por ramas). Algunas encuestas recientes informan que hasta el 70% de los problemas de programacin matemtica en el mundo real se pueden representar como modelos relacionados con redes. La lista siguiente ilustra algunas aplicaciones posibles de las redes. 1. Diseo de una red de gasoductos marinos para conectar bocas de pozos en el Golfo de Mxico con un punto de entrega en tierra. El objetivo del modelo es minimizar el costo de construccin del gasoducto. 2. Determinacin de la ruta ms corta entre dos ciudades, en una red de Carreteras. 3. Determinacin de la capacidad mxima (en toneladas anuales) de una red de tubera para lodo de carbn que une las minas en Wyoming con las centrales elctricas en Houston. (Las tuberas de lodo de carbn transportan el carbn suspendido en agua a travs de tubos de diseo especial.) 4. Determinacin del programa de flujo con costo mnimo desde los campos petroleros hasta las refineras a travs de una red de oleoductos. 5. Determinacin del cronograma (fechas de inicio y terminacin) de las actividades en la construccin de un proyecto. La solucin de esas situaciones y otras parecidas se logra con una variedad de algoritmos de optimizacin de redes. Este captulo presentar cinco de esos algoritmos: 1. Algoritmo de la ruta ms corta (situacin 2). 2. Algoritmo del flujo mximo (situacin 3). 3. Algoritmo de la ruta crtica (situacin 5). Las situaciones en las que se pueden aplicar estos algoritmos tambin se pueden fallar y resolver en forma de programas lineales explcitos. Sin embargo, los algoritmos puestos, basados en redes, son ms eficientes que el mtodo smplex. Definiciones para redes Una red consiste en una serie de nodos enlazados con arcos (o ramas). La notacin para describir una red es (N, A), donde N es el conjunto de nadas y A es el conjunto de arcos. Por ejemplo, la red de la figura 2.2.1 se describe como sigue: N = {1,2,3,4,5} A = {(1,2), (1,3), (2,3), (2,5),(3,4), (3,5), (4,2), (4,5)}
41
Con cada red se asocia algn tipo de flujo (por ejemplo, flujo de productos petrolero en un oleoducto y flujos de trfico de automviles en carreteras). En general, el flujo en una red est limitado por la capacidad de sus arcos, que pueden ser finitos o infinitos. Se dice que un arco es dirigido u orientado si permite un flujo positivo en una direccin, y flujo cero en la direccin opuesta. Una red dirigida tiene todos sus arcos dirigidos. Una ruta es una sucesin de arcos distintos que unen dos nodos pasando por otros nodos, independientemente de la direccin de flujo en cada arco. Una ruta forma un ciclo si conecta un nodo consigo mismo, pasando por otros nodos. Por ejemplo, en la figura 2.2.1, los arcos (2,3), (3,5) y (5,2) forman un bucle o circuito cerrado. Un ciclo es dirigido si consiste en una ruta dirigida, por ejemplo (2,3), (3,4).y (4,2) en la figura anterior. Una red conectada es aquella en que cada dos nadas distintos estn enlazados al menos por una ruta. La red de la figura 2.2.2 es un ejemplo de este tipo. Un rbol es una red conectada que puede consistir slo en un subconjunto de todos los nadas en ella, donde no se permiten ciclos, y un rbol de expansin es un rbol que enlaza todos los nadas de la red, tambin sin permitir ciclos. En la figura 2.2.2. se ven ejemplos de un rbol y de un rbol de expansin para la red de la figura 2.2.1
FIGURA 2.2.2 Ejemplos de un rbol y de un rbol de expansin, para la red de la figura 2.2.1
rbol
6
rbol de expansin
Semana 6: Tarea de investigacin: f) Realizar una investigacin del uso y aplicacin e los modelos de redes Ing. Ren Zahor Torres Becerra 42
Distancia mnima
2 4 4 7
ltima conexin
OA OC AB BE
5 6
O O A A B C A B E D E
A C B D E E D D D T T
D D T
8 8 13
BD ED DT
Ahora se debe relacionar las columnas con la descripcin del algoritmo. La entrada para la n-sima iteracin se encuentra en las columnas 5 y 6 de las iteraciones anteriores, donde los nodos resueltos de la quinta columna se enumeran despus en la segunda par la iteracin actual despus de eliminar los que no tienen conexin directa con nodos no resueltos. Los candidatos, para el n-simo nodo ms cercano se realiza en la columna 4 y los resultados se registran en las ltima tres columnas de la iteracin actual. La ruta ms corta desde el nodo destino hasta el origen se puede rastrear hacia atrs en la ltima columna de la tabla, con lo que se obtiene TDEBAO o bien TDBAO. Por lo tanto, se identificaron las dos opciones de ruta ms corta desde el origen hasta el destino como OABEDT y OABDT, con una distancia total de 13 millas en cualquiera de las dos. Problema del rbol de Expansin Mnima El problema del rbol de expansin mnima tiene algunas similitudes con la versin principal del problema de la ruta ms corta. En ambos casos se considera una red no dirigida y conexa, en la que la informacin dada incluye alguna medida de longitud positiva distancia, costo, tiempo, etc. asociada con la ligadura. Los dos problemas involucran tambin el hecho de seleccionar un conjunto de ligaduras con la longitud ms corta entre los dos conjuntos de ligaduras que satisfacen cierta propiedad. En el caso del problema de la ruta ms corta, esta propiedad es que la ligadura seleccionada debe proporcionar una trayectoria entre el origen y el destino. Para el rbol de expansin mnima la propiedad requerida es que las ligaduras seleccionadas deben proporcionar una trayectoria entre cada par de nodos. El problema del rbol de expansin mnima se puede resumir de la siguiente manera: 1. Se tiene los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras potenciales y la longitud positiva de cada una si s inserta en la red. (Las medidas alternativas para la longitud de una ligadura incluyen distancia, costo y tiempo). 2. Se desea disear la red con suficientes ligaduras para satisfacer el requisito de que haya un camino entre cada par de nodos. 3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las ligaduras insertadas en la red.
Ing. Ren Zahor Torres Becerra 44
45
En forma arbitraria se selecciona el nodo O como inicio. El nodo no conectado ms cercano a O es A. Se conecta el nodo A con el nodo O
El nodo no conectado ms cercano a cualquiera de los nodos O o A es el nodo B (ms cerca a A). Se conecta el nodo B con el nodo A
El nodo no conectado ms cercano a O, A o B es el nodo C (ms cercano a B). Se conecta el nodo C con el nodo B.
47
El nodo no conectado ms cercano a O, A, B, C o E es el nodo D (ms cercano a E). Se conecta el nodo D con el nodo E.
El nico nodo no conectado es T. Est ms cerca del nodo D. Se conecta el nodo T con el nodo D.
Todos los nodos han quedado conectados, por lo que sta solucin (ptima) que se buscaba. La longitud total de las ramas es 14 millas. Aunque con este procedimiento a primera vista puede parecer que la eleccin del nodo inicial afectar la solucin final y la longitud total de las ligaduras -, en realidad no es as. Se sugiere verificar este hecho en el caso del ejemplo, mediante otra aplicacin del algoritmo, pero con un nodo distinto de O.
El tercer problema al que se enfrenta el administrador de Seervada Park durante la temporada pico es determinar la ruta de algunos viajes de tranva desde la entrada del parque (estacin O) hasta el mirador (estacin T), de manera que el nmero de viajes diarios sea el mximo (cada camioneta debe regresar por la misma ruta que tom de ida, por lo que el anlisis se harpa slo sobre los viajes de ida). Para evitar perturbaciones innecesarias a la ecologa y a la vida silvestre se impusieron lmites superiores estrictos sobre el nmero de viajes de salida permitidos hacia el mirador para cada camino individual en la direccin
Ing. Ren Zahor Torres Becerra 48
El nmero sobre el arco junto a u nodo seala la capacidad residual del flujo desde ese nodo hasta el otro. Por lo tanto, adems de que la capacidad residual de 2 del flujo de O a B, el 5 de la derecha indica una capacidad residual de 5 para asignar un flujo desde B hasta O es decir, para cancelar algn flujo asignado antes de O a B -. De inicio, antes de asignar cualquier flujo, la red residual tiene la apariencia que se muestra en la figura 2.4. Todos los arcos de la red original se cambiaron de un arco dirigido a un arco no dirigido. No obstante, las capacidades en la direccin original son las mismas y las capacidades en la direccin opuesta son cero, de manera que las restricciones sobre los flujos no cambian. Despus, siempre que se asigna una capacidad de flujo a un arco, esa cantidad se resta de la capacidad residual en la misma direccin y se suma la capacidad residual en la direccin opuesta. Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la red residual, tal que todos los arcos es esta trayectoria tienen capacidad residual estrictamente positiva. El mnimo de estas capacidades residuales se llama capacidad residual de la trayectoria de aumento porque representa la cantidad de flujo que es factible agregar en todo flujo a travs de la red original. El algoritmo de la trayectoria de aumento selecciona varias veces una trayectoria de aumento y agrega un flujo igual a su capacidad residual a la trayectoria en la red original. Este proceso contina hasta que no hay trayectorias de aumento, con lo que el flujo del nodo fuente al nodo destino no puede crecer. La clave para asegurar que la solucin final es ptima por necesidad es el hecho de que las trayectorias de aumento puedan cancelar flujos asignados con anterioridad en la red original; as, una seleccin indiscriminada de trayectorias para asignar flujos no puede evitar el uso de una combinacin mejor de asignaciones de flujos.
Ing. Ren Zahor Torres Becerra 50
Figura 2.4. Red residual del problema de Flujo Mximo de Seervada park
Iteracin 1: en la figura 2.4, una trayectoria de aumento en OBET que tiene la capacidad residual igual al min {7,5,6} = 5. Si se asigna un flujo de 5 a esta trayectoria, la red residual que resulta es:
51
Iteracin 3: Se asigna un flujo de 1 a la trayectoria de aumento en OABDT. Iteracin 4: Se asigna un flujo de 2 a la trayectoria de aumento en OBDT. La red residual que resulta es:
Iteracin 5: Se asigna un flujo de 1 a la trayectoria de aumento en OCEDT. Iteracin 6: Se asigna un flujo de 1 a la trayectoria de aumento en OCET. La red residual que resulta es:
Iteracin 7: Se asigna un flujo de 1 a la trayectoria de aumento en OCEBDT. La red residual que resulta es:
52
2.5. Programacin de Proyectos (PERT-CPM) Una actividad es crtica si su retraso cusa retraso en el proyecto. Una no crtica es aquella que su retraso no retrasa el proyecto, es decir tiene tiempo de holgura. La holgura puede definirse como el tiempo de inicio ms tardo (I.T.) menos su tiempo de inicio ms prximo (I.P.). La Ruta crtica de un proyecto es una cadena de actividades crticas. Los clculos para obtenerla se realizan en dos fases, y por ello se considera a dij como la duracin de la catividad que va del nodo i al nodo j. Primera Fase: Clculos hacia adelante. 1. Calcular el tiempo de inicio ms proximo(IP). IPj = Max { IPi + dij } para toda actividad (i,j) {IP0 = 0} 2. Tiempo de terminacin ms proximo(TP). TPi = IPj + dij IP TP
53
Clculo de Holgura Holgura = TT-TP = IT - IP De donde la RUTA CRTICA ser la actividad en la que se presenta una HOLGURA CERO Ejemplo: Hallar la ruta crtica del siguiente ejemplo: 18 2 3 1 4 3 Primera Fase: Hacia adelante () Del Nodo 1 al 2 = (0,3) Del Nodo 1 al 3 = (0,12) Del Nodo 1 al 4 = (0,4) Del Nodo 2 al 4 = (3,11) Del Nodo 2 al 5 = (3,21) Del Nodo 3 al 4 = (4,10) Del Nodo 4 al 5 = (12,27) Del Nodo 4 al 6 = (12,32) Inicia el da 0 y Del Nodo 5 al 6 = (27,32) Del Nodo 5 al 8 = (27,40) Del Nodo 6 al 7 = (32,36) Del Nodo 6 al 8 = (32,38) Termina el da 3 12 5 8 4 6 15 20 6 4 7 13 6 8
Notacin: (0,3) Se toma como tiempo de suracin el mayor tiempo, por lo tanto el mayor es 40 y la tipificacin tiene 4 unidades de Holgura.
Ing. Ren Zahor Torres Becerra 54
Ejemplos: Resolver los siguientes ejemplos aplicando los cuatro mtodos de solucin del modelo de Redes (camino ms corto, rbol de expandido mnimo, flujo mximo y ruta crtica): Ejercicio 1)
Ejercicio 2)
Semana 7: Tarea en equipo: g) Resuelva los ejercicios 1 y 2 de la pag. 55 Ing. Ren Zahor Torres Becerra 55
Unidad 3
Programacin No Lineal
3.1. Conceptos bsicos de problemas de programacin no lineal La programacin no lineal o Dinmica es una tcnica matemtica que a menudo resulta til a tomar una sucesin de decisiones interrelacionadas. Proporciona un procedimiento sistemtico para determinar la combinacin de decisiones que maximice la efectividad global. Contrastando con la programacin lineal, no existe un planteamiento matemtico estndar "del" problema de programacin dinmica. Ms bien, la programacin dinmica es un tipo general de enfoque para resolver problemas y las ecuaciones particulares usadas deben desarrollarse para que se ajusten a cada situacin individual. Por lo tanto, se requiere un cierto grado de ingenio y de visin de la estructura general de los problemas de programacin dinmica, a fin de reconocer cuando un problema se puede resolver mediante los procedimientos de esta programacin y cmo se hara. Probablemente se puedan desarrollar mejor estas aptitudes por medio de una exposicin de una amplia variedad de aplicaciones de la programacin dinmica y de un estudio de las caractersticas que son comunes a todas estas. Por fortuna, la programacin dinmica suministra una solucin con mucho menos esfuerzo que la enumeracin exhaustiva. (Los ahorros de clculo seran enormes para versiones ms grandes de un problema.) La programacin dinmica parte de una pequea porcin del problema y encuentra la solucin ptima para este problema ms pequeo. Entonces gradualmente agranda el problema, hallando la solucin ptima en curso a partir de la anterior, hasta que se resuelve por completo el problema original. En seguida se dan los detalles involucrados en la implementacin de esta filosofa general. Considrese que las variables de decisin xn (n = 1,2,3,4) son el destino inmediato en la etapa n. As, la ruta seleccionada sera 1 - XI - X2 - X3 - X4 en donde X4 = 10. Sea fn(s, Xn) el costo total de la mejor poltica global para las etapas restantes, dado que el vendedor se encuentra en el estado s listo para iniciar la etapa n y se selecciona a XII como el destino inmediato. Dados s y n, denotemos por x el valor de X*n que minimiza al fn(s, Xn) y sea f*(s) el valor mnimo correspondiente de fn(s, Xn) por tanto, f*n(s) = fn(s, Xn). El objetivo es hallar f1*(1) y la pol1tica correspondiente. La programacin dinmica hace esto, hallando sucesivamente f4*(s),f3*(s), f2*(s) , a continuacin, f1*(1).
56
57
58
59
60
61
Esta seccin considera con mayor amplitud el enfoque de programacin dinmica para los problemas determinsticos, en los que el estado en la etapa siguiente queda completamente determinado por el estado y la poltica en la etapa actual. La programacin dinmica determinstica se puede describir en forma de diagrama de la siguiente forma:
Etapa n Estado:
Sn
fn(Sn,Xn)
Fn*+1(Sn+1)
Una manera de catalogar los problemas de programacin dinmica determinstica es por la forma de la funcin objetivo. Por ejemplo, el objetivo podra ser minimizar la suma de contribuciones de las etapas individuales, o bien minimizar un producto de tales trminos y as sucesivamente. En un problema de programacin dinmica, las temporadas deben ser las etapas.
62
Contribucin de la Etapa n
Etapa n
Decisin
1
Probabilidad
C1
f*n+1(1)
P1 Estado
Sn
Xn
P2 PN
C2
2
f*n+1(2)
fn(Sn,Xn)
CN
3
f*n+1(3)
Cuando se desarrolla de esta forma para incluir todos los estados y decisiones posibles en todas las etapas, a veces recibe el nombre de rbol de decisin. Si el rbol de decisin no es demasiado grande, proporciona una manera til de resumir las diversas posibilidades que pueden ocurrir.
63
64
65
66
67
68
69
y 10
10
Semana 9: Tarea individual i) Entregar un ejemplo explicado Programacin Dinmica Determinstica. Semana 10: Tarea individual j) Entregar un ejemplo explicado Programacin Dinmica Probabilstica.
70
Unidad 4
Teora de Inventarios
4.1. Sistemas de Administracin y control Los sistemas de inventarios surgen de las diferencias entre el tiempo y la localizacin de la demanda y el abastecimiento. Desde el punto de vista del cliente, un artculo debe contener tantas unidades como puedan demandarse, y nunca debera quedar fuera de existencia. Generalmente, as sucede en el caso de la leche o el pan en una tienda de abarrotes. Los inventarios cuestan dinero, representan el capital intil. La cantidad comienza en un nivel alto y luego se reduce conforme se sacan las unidades. Cuando el nivel baja se coloca una orden, la cual al recibirse incrementa el inventario y esto se repite una y otra vez. La cantidad se controla con el tiempo y la cantidad de cada orden. As, lo ms importante es: Cunto ordenar y cundo ordenar. Definicin y caractersticas Es un conjunto de bienes que se almacenan para posteriormente venderlos o utilizarlos. Tipos de inventarios. a. Materias primas, productos en proceso, productos terminados y refracciones. Razones para llevar inventarios. 1. independizar las etapas en produccin. 2. Aprovechar los descuentos al comprar grandes cantidades. 3. Para evitar la especulacin, ej. Las fbricas de transformadores utilizan mucho su produccin el cobre. 4. Atender oportunamente al cliente cuando requiera el producto. Costos que se generan al tener inventarios (representan un total del 15 al 40 %). a. Costo de la inversin esttica en va (Costo de oportunidad) lo menos que se pierde por este concepto es lo que nos dara el banco en intereses (12 % aprox.). b. Terrenos y edificios (12 %). c. Sueldos del personal de almacn (3%). d. Seguros (1%). e. Robos y desperdicios (3%). f. Depreciacin y obsoletismo (6%).
Ing. Ren Zahor Torres Becerra 71
Unidades Costo de Mantener el inventario (Cmi) = Inventario Promedio * costo del Producto * 0.20 % Cmi = 2520 * 2.50 * 0.20 = $1260 Costo de compra = 5040 * 2.5 =$ 12600 Costo Total = Costo de Mantenimiento del Inventario + Costo de Ordenar + Costo de Comprar Costo total = 1260+35+12600= $ 13,895.
72
Nmero de pedidos = 6. Costo Total = $ 13,020. Demanda optima = 840. Ejemplo 2: Dadas los siguientes datos determinar: a. El tamao econmico del lote. b. Nmero de pedidos. c. Costo total de adquisicin del inventario. d. Necesidades anuales 144000 piezas. e. Costo del producto $16.00 f. Costo de adquisicin por pedido $25.00 g. Punto de repetido si el proveedor tarda 12 das en enviar el pedido. Tomando en cuenta que el costo anual de almacenamiento de la mercanca es del 10% .
No. de pedidos Tamao pedido Inv. promedio Costo de mnto de inv. Costo de ordenar Costo de compra Costo total 1 2 3 4 5 6 7 8 9 10
11
144000 72000 48000 36000 28800 24000 20571 18000 16000 14400
72000 36000 24000 18000 14400 12000 10285 9000 8000 7200
115200 57600 38400 28800 23040 19200 16456 14400 12800 11520
2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000
2419225 2361650 2342475 2332900 2327165 2323350 2320631 2318600 2317025 2315770
11
73
Nomenclatura: Q = tamao econmico del lote. N = nmero de pedido. D = Demanda. Ci = Costo de compra. Ch = Costo de mantener un unidad en los inventarios (%). Co = Costo de ordenar. R = Punto de reorden. L = Tiempo de consumo. T = Tiempo para consumir el inventario mximo. Imx = Inventario Mximo. =Inventario Promedio. Ct = Costo Total.
Costo de ordenar =
Costo de tenencia =
74
Ejemplo: Una Ca. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que son utilizados en las bombas de agua con un programa de mantenimiento preventivo diseado por el departamento de produccin. El costo de cada unidad es de $ 80,000, el costo de oportunidad de inversin es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de personal de almacn, agua y electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros, extravi y envejecimiento de los productos almacenados anualmente y alcanzan un costo de $2,000 * unidad .La orden de compra se ha estimado en $120,000. Suponga que el proveedor tarda en promedio 15 das en surtir una orden, determinar: a) b) c) d) e) f) g) Datos: D = 3000 unidad por ao. Ci = $80,000 Co =$120,000 Ch= 0.12 (80,000)+ 2,400 + 2,000 Ch = 14,000 unidades por ao. L = 15 das. El tamao econmico del lote. El inventario mximo. El inventario Promedio. El punto de reorden. El tiempo requerido para consumir el inventario mximo. Costo total del inventario. Nmero de pedidos.
a)
Q = 227 unidad.
75
c) d) e)
f)
Ct = $ 262,585,903
g)
4.2.2. Lote econmico de produccin (Modelo con reabastecimiento uniforme, no se permite faltante). Las suposiciones de este modelo son las siguientes. La demanda se efecta a tasa constante. El reemplazo es instantneo (la tasa se reemplazo es finita). Todos los coeficientes de costos son constantes. La tasa de manufacturacin es mayor que la tasa de demanda.
Este modelo compara el costo de ordenar una compra por el costo de iniciar una tanda de produccin. Para determinar la cantidad optima a pedir o si sigue el procedimiento de manufacturar el producto. S = Tasa de produccin. .
76
Ejemplo: Frecuentemente un gerente de produccin desea tomar la produccin, ya sea de comprar o manufacturar un artculo. Los modelos vistos hasta el momento pueden ser usados para tomar tal decisin. Suponga que un artculo puede ser comprado a $25 la unidad o fabricado a una tasa de produccin de 10,000 unidades por ao, con un costo de $22 la unidad. Sin embargo si lo compramos el costo de una orden es de 5 mientras que el costo de organizar una tanda de produccin. (Preparar el equipo) es de $50. La demanda es de 2,500 unidades por ao, el costo de conservar el inventario es de 10% del costo del producto. Determinar que es preferible, si comprar o manufacturar. Comprar: Ci = $25 u. Co= $5 Ch = 0.10*25 = $2.5 D = 2,500 u / ao.
Ct = $ 62,750 Manufacturar: S = 10,000 u / ao. Ci = $22 unidades. Co =$50 Ch = 0.10 (22) = $2.2 D = 2,500 u / ao.
77
( Ct = 55,642
)(
De acuerdo con los costos obtenidos conviene mejor manufacturar el producto que comprarlo y una vez que el gerente ha decidido fabricar el producto desea conocer tambin: a. b. c. d. e. El inventario mximo. El tiempo de produccin. El punto de reorden (una orden tarda 1 semana en atenderse). El tiempo de ciclo. El tiempo en que no existe produccin y que no se puede ocupar para dar mantenimiento a las maquinas. f. El inventario promedio. g. El nmero de rdenes de fabricacin. Por lo tanto tenemos que: a)
b)
c)
d)
e) T - t = 57 - 14 = 43
f)
g)
12
12
Semana 12: Tarea individual l) Entregar este ltimo ejemplo con un costo de compra de $30.00 unidad y un costo de manufactura de$28.00 la unidad.
78
= 100
3. Calcular el costo del inventario con el precio de descuento, comparar este costo con el anterior y seleccionar la opcin de menor costo. Ejemplo: Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o iguales a 200 unidades. Datos: Descuento 5% Ci = 5 * 0.95 = $ 4.75 Ch = 1.50 + 0.10 (4.75) = $ 1.975 Ct = (4.75 * 2000) + (5 * 2000/200) + (1.975 * 200/2) = 9747.5 Ct = $ 9747.5 menor que la anterior.
79
13
80
Unidad 5
Teora de Lneas de Espera (Teora de Colas)
5.1. Definiciones, caractersticas y suposiciones En este captulo se aplica la teora de colas. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o de sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que el cliente no llega a un horario fijo, es decir, no se sabe con exactitud en qu momento llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo. Definicin. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta informacin, junto con los costos pertinentes, se usa, entonces, para determinar la capacidad de servicio apropiada.
Caractersticas los sistemas de colas. Un sistema de colas puede dividirse en sus dos componentes de mayor importancia, la cola y la instalacin de servicio. Las llegadas son las unidades que entran en el sistema para recibir el servicio. Siempre se unen primero a la cola; si no hay lnea de espera se dice que la cola est vaca. De la cola, las llegadas van a la instalacin de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la regla para decidir cul de las llegadas se sirve despus. El primero en llegar primero en ser servido es una regla comn, pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el servicio, las llegadas se convierten en salidas. Ambas componentes del sistema tienen costos asociados que deben de considerarse.
81
82
Permitiendo que varen el nmero de colas y el nmero de servidores, pueden hacerse los diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada lnea de espera individual y cada servidor individual se muestran por separado. El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola o puede describir un lavado de carros automtico o un muelle de descarga de un solo lugar. El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una panadera en donde los clientes toman un nmero al entrar y se les sirve cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una lnea de separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema, es una lnea con servidores en serie, puede describir una fbrica.
83
5.3. Proceso de Nacimiento y Muerte La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere a llegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen del estado actual del sistema.
84
85
Utilizacin de la instalacin:
A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo: (Un supermercado) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora: A = 9 clientes por hora S = 12 clientes por hora Entonces: = = = = = 2.25 Clientes 0.25 horas o 15 minutos. 3 clientes. 0.33 horas o 20 minutos. 0.75 o 75% 0.32
86
14
14
Semana 14: Tarea individual n) Entregar este ltimo ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
87
Ntese que para N = 1 este modelo se reduce al modelo de un servidor. Ejemplo: Considrese la biblioteca de una universidad cuyo personal est tratando de decidir cuntas copiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede hacer hasta 10 copias por minuto. No se sabe cul es el costo de espera para un estudiante, pero se piensa que no deben tener que esperar ms de dos minutos en promedio. Si el nmero promedio de copias que se hacen por usuario es cinco, cuntas copiadoras se deben instalar? Se usa prueba y error para resolver este tipo de problemas, no se encuentra una solucin general como se hizo para el modelo de un servidor. Se tratar primero con dos copiadoras, despus con tres, y as hasta que se satisfaga el criterio del tiempo de espera. Cul es la tasa de servicio? Si el nmero promedio de copias es cinco y la copiadora puede hacer hasta 10 copias por minuto, entonces pueden servirse en promedio hasta dos estudiantes por minuto. Pero, en esto no se toma en cuenta el tiempo para insertar la moneda, cambiar originales, para que un estudiante desocupe y otro comience a copiar. Supngase que se permite un 70 % del tiempo para estas actividades. Entonces la tasa de servicio neta baja a 0.6 estudiantes por minuto. Adems se supone que los periodos pico de copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto. Se comenzar con dos copiadoras, ya que una no sera suficiente. A = 1 por minuto. S = 0.6 por minuto. N=2
88
5.5. Anlisis de Costos Evaluacin del sistema cuando se conoce el costo de espera. Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el costo de servicio es una funcin lineal de la tasa de servicio, puede encontrarse una solucin general para la tasa ptima. Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera continua. Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos totales ms altos. Ejemplo: Se est estudiando un muelle de carga y descarga de camiones para aprender cmo debe formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la brigada. Supngase que puede aplicarse el modelo de un servidor y una cola (llegadas Poisson, tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente. Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada miembro de la brigada, Cul es el mejor tamao de esta?
89
El costo es menor, por tanto se sigue adelante. Para una brigada de cinco:
90
Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la curva de costo; el tamao ptimo de la brigada es cinco personas. Evaluacin del sistema con costos de espera desconocidos. En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo de tiempo de espera o de longitud de lnea. Esto establece un lmite superior para Wq, el tiempo de espera en la cola (o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa de servicio necesaria para cualquiera tasa de llegadas dadas. Ejemplo: Considrese un restaurante de comida rpida con un men limitado. El restaurante se est diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona tomar la orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse agregando ms personal para preparar la comida y servir las rdenes. Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias, puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente promedio no espere ms de dos minutos antes de que se tome su orden. Esto se expresa como: Wq = 2 minutos Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora.
Rearreglando trminos, ( )
91
Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por ejemplo, una brigada de cinco puede manejar 45 rdenes por hora y una de seis puede procesar 50 por hora, entonces sera necesario tener la brigada de seis. Modelo de un servidor con tiempos de servicio constantes. Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la cola como primero en llegar primero en ser servido y llegadas Poisson. Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo proporciona una mquina. Las caractersticas de operacin estn dadas por 4:
92
( )( ( )(
)( )(
) ) ) )
( )(( )( ) ( )( )(
15
15
Semana 15: Tarea individual o) Entregar este ltimo ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
93
Bibliografa
Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil Apuntes de Clase
94