Escolar Documentos
Profissional Documentos
Cultura Documentos
4
modernas de geometra
Captulo
GEOMETRA DE LA
PROGRAMACIN LINEAL
seccin 4.3. se presentan ejemplos de modelos con distintos tipos de soluciones. Finalmente, en la
seccin 4.4. se establecen las caractersticas de las soluciones ptimas de los modelos de
programacin lineal y se revisan algunos conceptos bsicos sobre geometra de poliedros y su
representacin en trminos de puntos extremos y direcciones extremas.
Para fabricar cada silla se requiere 1 m2 de madera, 1 m de fierro y 1 hora para barnizarlo; y
para cada mesa se necesita 4 m2 de madera, 2 m de fierro y 1 hora para barnizado. Se desea decidir
la cantidad de muebles que se deben fabricar de modo que el beneficio total sea mximo. El
beneficio es de M$ 1 para cada silla y de M$ 3 cada mesa.
x1 + 4x2 100.
x1 + 2x2 60.
x1 + x2 50.
x1, x2 0.
Captulo 4 Geometra de la Programacin Lineal 175
La funcin objetivo consiste en maximizar el beneficio total, o sea, max z= x1+3x2. De esta forma, el
modelo lineal es:
Max z = x1 + 3x2
s.a.
x1 + 4x2 100 (4.1)
x1 + 2x2 60 (4.2)
x1 + x2 50 (4.3)
x1,x2 0.
El conjunto de puntos que satisfacen todas las restricciones del problema se denomina
conjunto de soluciones factibles, y se dice que las restricciones generan un conjunto de soluciones
factibles. Las restricciones de no negatividad restringen las soluciones al primer cuadrante. Las
restricciones (4.1), (4.2) y (4.3) se denominan restricciones generales.
La primera restriccin es verificada por los puntos del primer cuadrante que se encuentran en
y bajo la recta x1 + 4x2 = 100, como se indica en la figura 4.1.
x2
25
100 x1
En adelante, se indicar con una flecha el semiplano vlido de una restriccin. Luego, el
conjunto de soluciones factibles de este problema es la interseccin de los semi-espacios generados
por las cinco restricciones, como se puede apreciar en la figura 4.2. Los puntos A, B, C, D y E se
denominan vrtices del conjunto factible. Los puntos contenidos en este conjunto verifican todas las
restricciones del problema, cul de ellos hace mxima la funcin objetivo?
x2
50
30
25
E A
D C
50 60 100 x1
Figura 4.2. Conjunto factible del problema del taller de carpintera.
Una curva de nivel de la funcin objetivo, en el ejemplo, corresponde a los puntos tales que
x1+3x2=k donde k es una constante. Desplazando esta recta en la direccin c = (1,3)T que
corresponde al gradiente de la funcin objetivo, se obtienen una serie de rectas paralelas con valores
crecientes de la constante k. Se puede repetir esto mientras la curva de nivel contenga puntos del
espacio factible. El o los puntos contenidos en la ltima posicin posible de esta curva de nivel
constituye(n) la solucin ptima del problema. En el ejemplo, esto corresponde al vrtice A, como se
ve en la figura 4.3.
x2
50
30
25
E A
D C
50 60 100 x1
cx=30 cx=80
Ms adelante se probar que si un problema lineal admite solucin, entonces al menos uno
de los vrtices del conjunto factible es punto ptimo. As, para resolver el problema, se puede
evaluar la funcin objetivo en cada uno de los vrtices del conjunto factible y seleccionar aqul
donde la funcin objetivo es mayor.
Captulo 4 Geometra de la Programacin Lineal 177
Para determinar el punto A se observa que este punto corresponde a la interseccin de las
rectas que limitan los semiespacios generados por las restricciones (4.1) y (4.2). Resolviendo el
sistema de ecuaciones:
x1 + 4x2 = 100
x1 + 2x2 = 60,
se tiene que el punto A corresponde a (x1, x2) = (20, 20). Procediendo en forma anloga se puede
determinar los puntos B, C, D y E. En la tabla 4.1. se evala la funcin objetivo para cada uno de
ellos.
Dado que para un problema lineal la condicin de Karush - Kuhn -Tucker es suficiente y que
el punto A la satisface, entonces el punto A es ptimo. Esto es, el vector gradiente de la funcin
objetivo, en el punto A, se puede expresar como combinacin lineal no negativa de los gradientes de
las restricciones activas. En efecto, las restricciones activas en A son (4.1) y (4.2), luego;
Punto x1 x2 z
A 20 20 80
B 40 10 70
C 50 0 50
D 0 0 0
E 0 25 75
Se analizan, a continuacin, los recursos que se utilizarn en este plan de produccin. Para
ello se evalan las restricciones en el punto ptimo. De esta forma, se observa que en la solucin
ptima se necesitan 100 m2 de madera, 60 m de fierro y 40 horas-hombre de mano de obra, esto es,
se utiliza toda la madera disponible y todo el fierro disponible, pero no toda la mano de obra
disponible.
Se asocia una variable, llamada variable de holgura, a cada restriccin general. El valor de
esta variable es la diferencia entre el lado derecho y el lado izquierdo de la restriccin.
Sean x3, x4 y x5 las variables de holgura asociadas a las restricciones (4.1), (4.2) y (4.3)
respectivamente. De esta forma,
178 Optimizacin y Modelos para la Gestin
x3 = 100 x1 4x2
x4 = 60 x1 2x2
x5 = 50 x1 x2..
Punto x3 x4 x5
A 0 0 10
B 20 0 0
C 50 10 0
D 100 60 50
E 0 10 25
Considerando, por una parte, que los parmetros de un modelo contienen error numrico
proveniente de su medicin, y que por otra, estos parmetros presentan generalmente caractersticas
aleatorias, se hace necesario estudiar el comportamiento de las soluciones del modelo frente a
cambios en los valores de los parmetros. Estos cambios pueden ser tales que no modifiquen en
forma importante la solucin, o bien, pueden provocar cambios radicales.
La pregunta que se trata de responder en este caso es cul es el rango de variacin del valor
de un coeficiente de la funcin objetivo, de modo que el punto ptimo contine siendo ptimo?
Para el problema de produccin de sillas y mesas, cul es el rango de valores en que puede
variar el beneficio asociado a cada silla, de modo que el vrtice A siga siendo ptimo?
x2
50
30
25
E
A
B
D C
50 60 100 x1
cx=80
Luego, el rango de sensibilidad para el beneficio unitario de las sillas es [3/4,]. Esto es, si el
valor de este beneficio pertenece a este intervalo, entonces el punto x1 = 20, x2 = 20 contina siendo
ptimo, si bien el valor ptimo cambia.
Se observa que cuando = el vrtice E tambin es ptimo y, por lo tanto, tambin son
ptimos los puntos contenidos en el segmento de recta que une los puntos A y E. De la misma
forma, cuando = el vrtice B y los puntos contenidos en el segmento de recta que une A y B
son ptimos.
180 Optimizacin y Modelos para la Gestin
En este caso, el objetivo del anlisis es estudiar cmo puede variar el valor de un coeficiente
del lado derecho de manera que las caractersticas del punto ptimo se mantengan. Esto es, que
las restricciones que son activas en el ptimo sigan siendo activas y que las que son no activas sigan
siendo no activas. Esto es equivalente a estudiar para qu valores de la disponibilidad de algn
recurso, el plan de produccin mantiene sus caractersticas, es decir, los productos que conviene
fabricar son los mismos y slo vara, eventualmente, la proporcin de ellos en el plan.
Geomtricamente, modificar el valor de un coeficiente del lado derecho significa desplazar
paralelamente la recta (o hiperplano) asociada(o) a la restriccin correspondiente.
x2
50
30
25
A
E
H
B
D C
50 60 100 x1
0 + 2 25 , de donde 50.
200
Luego, el rango de sensibilidad de la disponibilidad de fierro es 50, 3 .
Captulo 4 Geometra de la Programacin Lineal 181
Se observa que cuando = 50, las restricciones (4.1) y (4.2) son activas y que cuando
200
3
todas las restricciones son activas, sin embargo la restriccin (4.2) es redundante. Si <50
entonces las restricciones (4.1) y (4.3) son redundantes y si 200 3
el ptimo ser el punto H,
donde las restricciones (4.1) y (4.3) son activas.
b) Al analizar, ahora, la sensibilidad de la mano de obra se observa que esta restriccin es no activa
en el punto ptimo A. En el grfico de la figura 4.6., la recta correspondiente puede desplazarse en
direccin contraria al origen indefinidamente y el punto ptimo no cambiar. Hacia el origen, puede
desplazarse hasta que contenga al punto A. Sea la disponibilidad de mano de obra.
x2
50
40
30
25
E A
B
D C
40 50 60 100 x1
Si = 40, todas las restricciones sern activas en el punto ptimo, sin embargo la restriccin
(4.2) es redundante.
a) Problema infactible
Max z = 2x1 + x2
s.a.
x1 + 2x2 6 (4.4)
x1 + 2x2 8 (4.5)
x1, x2 0.
182 Optimizacin y Modelos para la Gestin
x2
(4.5)
4
(4.4)
6 8 x1
El punto x* es el nico punto ptimo de este problema, como se muestra en la figura 4.8.
x2
6 (4.7)
z
3
(4.6)
x*
3 9 x1
Cuando el conjunto de puntos factibles es no acotado, la solucin puede ser finita o bien no
acotada.
x2
(4.8)
6 (4.9)
z
c
x*
3 x1
x2
6 (4.10)
(4.11)
z
3 c
x*
3 x1
Max z = 2x1 + x2
s.a.
x1 + 3x2 9 (4.12)
2x1 + x2 6 (4.13)
x1, x2 0.
Todos los puntos contenidos en el segmento de recta que une los puntos x* e y*, son
ptimos. Ntese que en todos ellos la funcin objetivo toma el valor 6, como se aprecia en la figura
4.11.
x2
(4.13)
6
(4.12)
y*
3
z
x*
3 x1
Figura 4.11. Problema con infinitas soluciones ptimas.
Captulo 4 Geometra de la Programacin Lineal 185
(P.L.) Min z = cT x
s.a.
Ax = b
x 0.
Se denota por x* un punto ptimo del problema (P.L.) y por z* el valor ptimo, es decir, el
valor de la funcin objetivo en un ptimo.
Dado que el problema lineal es convexo todos los resultados de la seccin 3.3. son aplicables
a este caso y permiten obtener caracterizaciones interesantes desde el punto de vista algortmico. En
efecto, sea K el conjunto de soluciones factibles del problema lineal, es decir, el conjunto de puntos
que satisfacen todas las restricciones de (P.L.). Esto es,
K = { x: Ax = b, x 0}.
Teorema 4.1: Si el conjunto K de todas las soluciones factibles del problema (P.L.) no es vaco,
entonces es un conjunto convexo.
Dem: Si K contiene slo un punto, entonces el resultado es cierto. Supongamos que existen al
menos dos soluciones factibles distintas para el problema (P.L.), x1 y x2. Se tiene que:
Ax1 = b y x1 0
Ax2 = b y x2 0 .
Ax = A [x1 + (1 ) x2 ]
= A x1 + (1) A x2
= b + (1) b
= b.
Este resultado implica que todas las propiedades de los problemas convexos, son aplicables
al problema lineal. En particular, que si se determina un punto mnimo local del problema (P.L.),
entonces este punto es mnimo global. Si K no fuera convexo, un punto mnimo local podra no ser
mnimo global, como se muestra en la figura 4.12. De hecho, el conjunto factible de esta figura no se
puede caracterizar mediante un sistema de desigualdades lineales.
186 Optimizacin y Modelos para la Gestin
cT x
Definicin 4.1: Un conjunto formado por la interseccin de un nmero finito de semiespacios afines
se llama poliedro. De este modo, {x: Ax = b, x 0} es un poliedro.
C ( S ) i x i , x i iJ S , J finito; i 1, i 0, i J
iJ iJ
Un conjunto convexo S se dice no acotado si para todo punto xS, existe un vector d0 tal
que los puntos x+d pertenecen a S para todo >0. En caso contrario, se dice que S es acotado, esto
es, si existe un punto xS tal que para todo d0 existe un escalar para el cual x+d S.
Se observa que si 0<<1, entonces los puntos x1 y x2 deben ser distintos de x. El concepto de
punto extremo es fundamental para la caracterizacin de las soluciones del problema de
programacin lineal. El conjunto de puntos extremos de un conjunto S se denomina perfil de S.
En la figura 4.14, los puntos x1, x2, x3, x4 y x5 son los puntos extremos del poltopo, y w1, w2
3
y w son los puntos extremos del poliedro.
x1
x2
x5
w1
w3
x3 w2
x4
Figura 4.14. Puntos extremos.
Definicin 4.4: Un conjunto CRn se llama cono si yC; se tiene que yC, 0. Si C es
adems convexo, se llama cono convexo.
Definicin 4.6: Sea SRn convexo, el vector ycar(S) se llama direccin extrema si no es posible
expresar y como combinacin lineal no negativa de otros vectores del cono caracterstico. Es decir,
si no es posible que y= y1 + y2, con y1, y2car(S); , 0; y1 y2.
a
b
p q p
x i x i j y j , i 1, i 0 i, j 0 j.
i 1 j 1 i 1
Esto es, todo punto de S se puede expresar como combinacin convexa de un nmero finito de
puntos extremos, ms una combinacin cnica de direcciones extremas, esto es, como un punto
perteneciente a la envoltura convexa de los puntos extremos de S, ms una combinacin no negativa
de las direcciones extremas.
Captulo 4 Geometra de la Programacin Lineal 189
En la figura 4.17, se observa que cualquier punto z de S se puede expresar como una
combinacin lineal convexa de los puntos extremos x1, x2 y x3, cuya envoltura convexa es S1, ms
una combinacin no negativa de y1 e y2 que son las direcciones extremas. En efecto, z1 = v + y1
para cierto 0 y z2 = w + 1 y1 + 2 y2 para algn 1, 2 0.
z1
y1 y2
x1
z2
v s
w
x2 x3
car(S)
x1
s1
y1
y2
x2
x3
p
Si xS ={x: Ax b}, entonces x=
i 1
i xi + y donde ycar(S) = {x: Ax 0} y {x1,, xp}
son puntos extremos de S.
Todos estos resultados son geomtricamente muy obvios, pero sus demostraciones formales
distan mucho de ser triviales, por lo que no se incluyen aqu.
Teorema 4.3: Sea S un poliedro acotado, entonces S tiene un nmero finito de puntos
extremos E = { x1, x2,, xp } y S = C(E). Es decir, S es un poliedro.
x2
x3
x1 w* x*
x4
x6 y*
x5
Teorema 4.4: Sea E = { x1, x2,, xr }Rn un conjunto de puntos. Entonces existen Apn(R),
bRp para algn p, tales que C(E) = {x: Ax b}.
En resumen, se sabe que el conjunto K de soluciones factibles del problema lineal (P.L.) es
un poliedro convexo. Si K es vaco, entonces se dice que el problema es infactible. Si K no es vaco,
qu ocurre con las soluciones ptimas?
(a) El conjunto K de soluciones factibles es vaco, es decir, no existe ninguna solucin factible,
(b) K es un poltopo convexo. El punto x* es el nico punto ptimo y z*, el valor ptimo, es finito.
Se observa que tanto en (c) como en (d), el espacio de soluciones factibles es no acotado, sin
embargo, en el primer caso existe solucin ptima y en el segundo no. De esta forma, si K es un
poltopo convexo, entonces existe al menos una solucin ptima finita y si K es no acotado, entonces
el valor ptimo puede ser no acotado.
x*
K -c
(a) (b)
z z
K
K
-c
x*
-c
(c) (d)
-c z
z -c
K K
Teorema 4.5: Si el problema (P.L.) admite solucin ptima finita, entonces el valor ptimo se
alcanza en un punto extremo del poliedro factible K. Si el valor ptimo se alcanza en ms de un
punto extremo de K, entonces este mismo valor se obtiene para cualquier punto que sea combinacin
lineal convexa de estos puntos extremos.
192 Optimizacin y Modelos para la Gestin
Dem: Si el problema lineal tiene solucin ptima finita, entonces cTy 0, ycar(K) (por qu?).
Entonces sea x*K una solucin ptima del problema (P.L). Por lo tanto, se tiene que:
p p
x* = i x i j y j con i 1
i 1 , i 0, j 0
i 1 j
Supongamos que la afirmacin no es cierta. Entonces cTxi > cTx* = z*, i = 1,, p. Por lo tanto,
p
z* = i c T x i j c T y j
i 1 j
p p
i c T x i >
i 1
z * z *,
i 1
i
una contradiccin. Se concluye que cTxi = z* para al menos un punto extremo xi de K. La segunda
parte de la afirmacin es inmediata.
El conjunto factible K se muestra en la figura 4.21. Se observa que los puntos extremos son
x1 = (0,2), x2 = (0,0) y x3 = (2,0). El cono caracterstico es el conjunto de puntos solucin del
sistema:
x1 2x2 0
2x1 + x2 0
x1 0
x2 0.
Se puede ver en la figura que las soluciones de este sistema que satisfacen la propiedad de
ser extremas son y1 = (2,1) e y2 = (1,2).
Todos los puntos de K se pueden expresar como combinacin lineal de x1, x2, x3, y1 e y2. En
efecto,
x = 1 x1 + 2 x2 + 3 x3 + 1 y1 + 2 y2, 1+ 2 + 3 = 1, 1 , 2 , 3 , 1 , 2 0.
Captulo 4 Geometra de la Programacin Lineal 193
Esto es,
x1 0 0 0 2 1
x 1 2 2 0 3 2 1 1 2 2
2
1 2 3 1, 1 , 2 , 3 , 1 , 2 0.
El ptimo del problema se alcanza, en este caso, en el punto x1, pero tambin en todos los
puntos del rayo en la direccin y2 que comienza en x1. Luego, el problema posee infinitas soluciones
ptimas y todas ellas tienen el mismo valor, puesto que:
- 4 0 + 1 4
T T
2 2 2 2 2 2 4 4 4 4 0.
x1
K
2 x1
y2
y1
x3
-1 x2 x2
2
-1
COMENTARIOS
El anlisis grfico utilizado al comienzo de este captulo para introducir los conceptos bsicos de
programacin lineal, tiene un gran potencial pedaggico, puesto que permite apoyarse en la
intuicin geomtrica. De hecho, textos modernos como Hillier y Lieberman 1997 y Taha
1996 incluyen software de apoyo al estudiante que utiliza intensivamente la representacin
grfica.
EJERCICIOS
2) Determine todos los puntos extremos del poliedro definido por el siguiente conjunto de
desigualdades:
x1 + x2 1
x1 + 2x2 10
x1 1
x2 0.
Determine los puntos extremos de S y represente el punto x = (1,1) como combinacin lineal
convexa de esos puntos extremos.
5) Determine todos los puntos y direcciones extremas del poliedro S definido por el siguiente
sistema de desigualdades:
2x1 x2 2
x1 + 5x2 10
10x1 + x2 20
x1 + 5x2 10.
a) Utilizando anlisis grfico determine el conjunto de soluciones ptimas del problema, si existe, y
descrbalo en trminos de los puntos y direcciones extremas.
b) Determine la mayor distancia (euclideana) entre dos soluciones ptimas del problema.
Max z = 2x1 + x2
s.a.
x1 + x2 1
3x1 + x2 1
x1 0.
a) Utilizando anlisis grfico determine el conjunto de soluciones ptimas del problema, si existe.
b) Sustituya la funcin objetivo por Min z = x1 + 3x2 y determine las soluciones de este nuevo
problema, si existen.
Max z = 3x1 x2
s.a.
x1 + x2 1
3x1 + x2 2
x1 4x2 4
x1 0.
11) Una fbrica puede producir dos tipos de aceite para automviles: normal y premium. Para
obtener cada uno de estos productos se agregan tres tipos de aditivo: K1, H4 y SP, a un aceite base.
La cantidad de aditivo que requiere cada tipo de aceite y la cantidad disponible se muestra en la tabla
4.3.
a) Formule un modelo de programacin lineal que permita decidir la cantidad de cada uno de los dos
tipos de aceite que es conveniente producir, de modo que no se exceda la disponibilidad de los
aditivos y se maximice el ingreso total.
b) Resuelva el modelo de a) mediante anlisis grfico.
c) Determine, grficamente, cunto debe aumentar el precio del aceite normal para que sea
conveniente producirlo.
d) Determine cunto puede disminuir la disponibilidad de K1 y H4 sin alterar la solucin ptima.
e) Determine cunto puede variar la disponibilidad del aditivo SP, de modo que la solucin sea tal
que se produce slo aceite premium (alguna cantidad) y no se produce aceite normal.
12) Un molino procesa trigo y maz en dos mquinas: A y B, para producir harina. Los rendimientos
por hora de las mquinas, la cantidad de horas que opera cada una de ellas en un mes y el precio de
las harinas se indican en la tabla 4.4.
a) Formule un modelo de programacin lineal que permita decidir la cantidad de trigo y maz que es
conveniente procesar en un mes de modo que se maximice el ingreso total.
b) Resuelva el modelo de a) mediante anlisis grfico.
c) Cuntas horas ociosas tienen las mquinas?
d) Determine si se puede producir slo harina de maz, sin producir harina de trigo, manteniendo el
mismo ingreso total.
e) Determine la solucin si se aumenta el precio del trigo a $ 400.000 la tonelada.
Captulo 4 Geometra de la Programacin Lineal 197
13) Sea A = {A1, A2,, An} una base de Rn. Sea B = {B1, B2,, Bk} un conjunto de vectores
linealmente independientes en Rn. Demuestre que se puede encontrar un conjunto de nk vectores
de A que en conjunto con los vectores B forman una base de Rn.
14) Sea K un poliedro convexo yx un punto extremo de K. Demuestre quex es un punto extremo
de K si y solamente si K \{x} es tambin un conjunto convexo.
Min z = x1 + x2
s.a.
2x1 + x2 1
x1 2x2 2
x1 1
x1, x2 0.
17) Muestre que el siguiente problema admite soluciones factibles pero no ptimas:
Max z = x1 + 2x2
s.a.
x1 4
x1 0.
Dado S Rn, el cono polar (o simplemente polar) de S est dado por {p: pTx 0, xS}.