INSTITUTO TECNOLOGICO DE VILLAHERMOSA

INVESTIGACION DE OPERACIONES

ALUMNA: SELENE DEL CARMEN GARDUO GARCIA

CATEDRATICA: ZINATH JAVIER GERONIMO

UNIDAD1: PROGRAMACION LINEAL

CARRERA: ING. SISTEMAS COMPUTACIONALES

NUM. DE CONTROL: 10300271

1.1.- Definicion, desarrollo y tipos de modelos de investigacin de operaciones. Definicin: La Investigacin de Operaciones aspira a determinar el mejor curso de accin, o curso ptimo, de un problema de decisin con la restriccin de recursos limitados. *Como tcnica para la resolucin de problemas, investigacin de operaciones debe visualizarse como una ciencia y como un arte. *Como Ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuada. Desarrollo: La Investigacin de Operaciones usa el mtodo cientfico para investigar el problema en cuestin. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de datos pertinentes. La Investigacin de Operaciones adopta un punto de vista organizacional. De esta manera intenta resolver los conflictos de inters entre los componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Tipos de modelos de investigacin de operaciones *Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. * Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos en que las relacin entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se obtenga un resultado de salida. *Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en el mundo real. Algunos modelos en la ciencia de la administracin son llamados modelos deterministicos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los modelos probabilsticos (o estocsticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos.

1.2.- Formulacin de modelos La programacin lineal utiliza un modelo matemtico para descubrir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. Asi, la programacin lineal trata de planeacin de las actividades para obtener un resultado optimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin mas frecuente la programacin lineal tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. Aun mas, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simple, para resolver estos problemas incluso los de gran tamao. Estos son algunas causas del tremendo efecto de la programacin lineal en las ultimas dcadas.

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. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo grfico son siete: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 3. 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. 4. 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. 5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. 6. 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. 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. Ejemplo: Maximizar Z = 3X1 + 2X2 restricciones : X1 + 2X2 2X1 + X2 -X1 + X2 X2 X1 X2

<=6 <=8 <=1 <= 2 >= 0 >= 0

(1) (2) (3) (4) (5) (6)

1.4.- formas estndar y cannicas

Forma estndar: El modelo de programacin lineal para resolverse, necesita arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura como variables superfluas. Lo anterior da lugar a la presentacin del modelo cumpliendo con l os siguientes requisitos: Funcin objetivo para Max. o bien Min. Restricciones del tipo =. Lado derecho de restricciones no negativo. Condiciones de no negativo para variables. Forma cannica : Esta es til para el manejo del tema que se refiere al problema dual de cualquier problema de programacin lineal. La forma cannica aceptable y reconocida en la mayora de los textos debe cumplir con lo s siguientes requisitos: Funcin objetivo maximizar. Restricciones del tipo . Condiciones de negatividad para variables. Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos: Funcin objetivo de minimizar. Restricciones del tipo . Condiciones de no negatividad para variables.

1.5.- Mtodos simples El mtodo Simple, introducido en su forma original por Spendley; Hext y Himsworth [6] , en 1962, no se basa en planeamientos factoriales y por eso requiere pocos experimentos para moverse, desplazndose en la direccin del ptimo. El mtodo Simple original, a lo largo de estos aos, h sufrido modificaciones que obligaron a la distincin del mismo dentro de las estratgias de optimizacin, as el mtodo Simple original pas a ser llamado de Mtodo Simple Bsico (MSB). Los puntos A, B y C forman un triangulo y a travs del anlisis de la figura anterior, el punto A demuestra tener la peor respuesta de los tres. Una conclusin lgica es que la mejor respuesta est en la direccin opuesta a este punto. Por lo tanto, el simple es reflejado de forma que el punto D, opuesto al punto A, sea obtenido. Entonces, un nuevo experimento es efectuado en las condiciones experimentales del punto D. Los puntos B, C y D, juntos forman un nuevo simple. El procedimento es repetido sucesivamente, descartndose la peor respuesta. Por lo tanto, como vemos, el objetivo del mtodo Simple secuencial es forzar al simple a moverse para la regin de respuesta ptima. Las decisiones requeridas para que eso sea posible constituyen las llamadas reglas del procedimiento simple. Regla n 1: Despus de determinar las respuestas de los n+1 experimentos necesarios para iniciar el proceso, com base en el conocimiento ya adquirido sobre el sistema. Regla n 2:es movido para un simple adyacente, el cul es determinado descartando la respuesta menos deseada. Regla n 3: En este caso, se debe rechazar la 2 peor respuesta de este simple y continuar con la optimizacin. Regla n 4: S un vrtice fuera mantenido en k+1 simple, antes de aplicar la Regla no 2, haga una nueva observacin del vrtice persistente. Regla n 5: S el nuevo vrtice encontrrase fuera de los limites aceptables de las variables optimizadas, no se deben realizar observaciones experimentales con estos valores, al contrario se debe atribuir a este la respuesta ms indeseable.

1.6.- Tcnicas con variables artificiales Existen problemas de programacin lineal que no proporcionan una solucin bsica inicial. Esta situacin se presenta cuando al menos una de las restricciones es del tipo (<=) o (=). Para este propsito se desarrollan 2 mtodos basados en el uso de variables artificiales: El mtodo M o de penalizacin y la tcnica de 2 fases. Estos son los cuatro pasos de las tcnicas con variables artificiales: 1. Exprese el problema en forma estndar transformando las inecuaciones en ecuaciones introduciendo variables de holgura. 2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones correspondientes a las restricciones de tipo (>=) o (=). Estas variables se denominan variables artificiales y su adicin hace que las restricciones correspondientes. Esta dificultad se elimina asegurando que las variables sean 0 en la solucin final. Esto se logra asignando una penalizacin muy grande por unidad a estas variables en la funcin objetivo. Tal penalizacin se designar como M para problemas de maximizacin y +M para problemas de minimizacin. 3. Utiliza las variables artificiales en la solucin bsica inicial; sin embargo la funcin objetivo de la tabla inicial se prepara adecuadamente para expresarse en trminos de las variables no bsicas nicamente. Esto significa que los coeficientes de las variables artificiales en la funcin objetivo deben ser 0 un resultado que puede lograrse sumando mltiplos adecuados de las ecuaciones de restriccin al rengln objetivo. 4. Proceda con los pasos regulares del mtodo simple.

1.6.1.- Mtodo de La M. Como su nombre lo indica, consiste en penalizar la inclusin de las variables artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de maximizar es - M y para el caso de minimizar es + M. La primera solucin bsica del smplex en tal caso, debe de incluir a todas las variables artificiales que fueron necesarias en el arreglo del modelo de programacin lineal por resolver esto ltimo porque las variables artificiales se utilizan precisamente para tomar la primera solucin bsica. A medida que se cumplen las etapas de clculo en el smplex, las variables artificiales debern de ir saliendo de la misma, en consecuencia del coeficiente M muy grande. Si se presenta el caso de que las variables artificiales no se logren sacar de la base y por lo tanto se anulen, ello significar que tal problema no tiene solucin factible. * El mtodo de la M Grande incluye variables de apoyo con un coeficiente muy grande (M) o muy pequeo (-M) en la funcin objetivo. Esto da lugar a problemas numricos que conducen a soluciones errneas. Esto es especialmente grave en problemas de cierto tamao. * A las restricciones del tipo se aade una variable de holgura con coeficiente +1 El trmino independiente (RHS) debe ser 0. *A las restricciones del tipo , se aade una variable de holgura con coeficiente 1 y una variable artificial con coeficiente +1 *A las restricciones del tipo = se aade una variable artificial con coeficiente +1 *La contribucin de las variables de holgura a la funcin objetivo es 0

1.6.2.- Mtodo de las dos fases FASE I Se realiza la minimizacin de una funcin que est compuesta por la suma de los valores de la variables artificiales; para el sistema aumentado del problema original. (Independientemente de qu funcin objetivo tenga el problema original). Si en la solucin ptima de la FASE I, el valor de las variables artificiales es de cero, se procede con la FASE II tomando la solucin bsica factible resultante. -Si alguna de las variables artificiales tiene un valor distinto a cero, el problema original es infactible.

FASE II -Utilizando la solucin bsica factible final de la FASE I, se resuelve el problema original, esto es, se resuelve para la funcin objetivo del problema original; si se desea, se pueden eliminar las columnas artificiales. Ntese que primeramente debe actualizarse correctamente el rengln cero para el conjunto de variables bsicas que defini la FASE I. -Con la tabla en forma correcta se procede a optimizar de forma habitual siguiendo el algoritmo Simple.

BIBLOGRAFIA

Prawda, Juan.Mtodos y Modelos de Investigacin de Operaciones.Mxico, editorial: Limusa, (2004). Pg. 26-28. Morra Navarro, Marcos Javier. Investigacin de Operaciones. Mxico, editorial: uned, (1999).pg. 10-15. www.wikipedia/investigaciondeoperaciones.com Coto de Morales, Elizabeth. Investigacion de Operaciones Formulacion y Soluciones. Mxico, editorial:universidad de costa rica, (2004). Pg. 22-30.