Escolar Documentos
Profissional Documentos
Cultura Documentos
Optimización Lineal
Un modelo de Optimización Matemática consiste en una función objetivo y un conjunto de
restricciones en la forma de un sistema de ecuaciones o inecuaciones. Los modelos de
optimización son usados en casi todas las áreas de toma de decisiones, como en ingeniería
de diseño y selección de carteras financieras de inversión . Esta pagina web presenta
ejemplos focalizados y estructurados para la formulación de problemas de optimización,
diseño de la estrategia optima y herramientas de control de calidad que incluyen validación,
verificación y análisis post-solución.
MENÚ
1. Introducción y resumen
2. Optimización: Programación Lineal (PL)
3. Problema Dual: Construcción y Significado
4. Manejo de Incertidumbres mediante Modelación de Escenarios
5. Programas lineales generales con enteros
6. El apéndice I. Ciencia de la Administración Aplicada
7. El apéndice II. Modelos Probabilísticos: Del Análisis de la Decisión
8. El apéndice Recursos de la Toma de Decisión
1. Introducción
2. Aplicación mixta de programación con enteros: restricciones "Y-O"
3. Programas lineales con enteros 0 - 1
4. Aplicaciones para formulación de presupuestos de inversiones
5. Problemas de scheduling (planificación de turnos)
6. Programación con restricciones no binarias
7. Optimización combinatoria
8. Programación no lineal
Introducción y Resumen
Los problemas de toma de decisiones se pueden clasificar en dos categorías: modelos de
decisión determinísticos y modelos de decisión probabilísticos. En los modelos
deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo
deseado de manera "deterministica", es decir, libre de riesgo. Esto depende de la influencia
que puedan tener los factores no controlables, en la determinación de los resultados de una
decisión y también en la cantidad de información que el tomador de decisión tiene para
controlar dichos factores.
Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la
presencia de la misma. Una fotografía es un modelo de la realidad ilustrada en la imagen.
La presión arterial puede utilizarse como un modelo de la salud de una persona. Una
campaña piloto de ventas puede utilizarse como un modelo de la respuesta de las personas a
un nuevo producto. Por último, una ecuación matemática puede utilizarse como un modelo
de la energía contenida en un determinado material. En cada caso, el modelo captura algún
aspecto de la realidad que intenta representar.
Ya que un modelo sólo captura determinados aspectos de la realidad, su uso puede no ser
apropiado en una aplicación en particular porque no captura los elementos correctos de la
realidad. La temperatura es un modelo de las condiciones climáticas pero puede ser
inapropiado si uno está interesado en la presión barométrica. Una foto de una persona es un
modelo de la misma pero brinda poca información acerca de sus logros académicos. Una
ecuación que predice las ventas anuales de un producto en particular es un modelo de ese
producto pero tiene poca utilidad si lo que nos interesa es el costo de producción por
unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que
representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de
la realidad si lo hace de una manera distorsionada o sesgada. Una ecuación que pronostica
el volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere
pero podría generar grandes pérdidas si arroja constantemente cálculos de ventas altos. Un
termómetro que lee de más (o de menos) tendría poca utilidad para realizar un diagnóstico
médico. En consecuencia, un modelo útil es aquel que captura los elementos adecuados de
la realidad con un grado aceptable de precisión.
Un modelo ofrece al analista una herramienta que puede manipular en su análisis del
sistema en estudio, sin afectar al sistema en sí. Por ejemplo, supóngase que se ha
desarrollado un modelo matemático para predecir las ventas anuales como una función del
precio de venta unitario. Si se conoce el costo de producción por unidad, se pueden calcular
con facilidad las utilidades anuales totales para cualquier precio de venta. Para determinar
el precio de venta que arrojará las utilidades totales máximas, se pueden introducir en el
modelo distintos valores para el precio de venta, uno a la vez, determinando las ventas
resultantes y calculando las utilidades anuales totales para cada valor de precio de venta
examinado. Mediante un proceso de prueba y error, el analista puede determinar el precio
de venta que maximizará las utilidades anuales totales.
Lo ideal sería que si el modelo matemático es una representación válida del rendimiento del
sistema, mediante la aplicación de las técnicas analíticas adecuadas, la solución obtenida a
partir del modelo debería ser también la solución para el problema del sistema. Así, la
efectividad de los resultados de la aplicación de cualquier técnica operativa es en gran
medida una función del grado en el cual el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirán a la solución del problema del sistema,
el analista primero debe identificar un criterio según el cual se podrá medir el sistema. Este
criterio a menudo se denomina medida del rendimiento del sistema o medida de
efectividad. En aplicaciones empresariales, la medida de efectividad generalmente son los
costos o las utilidades, mientras que en aplicaciones gubernamentales esta medida
generalmente se define en términos de un índice costo/beneficio.
La formulación de una función objetivo que tenga sentido normalmente es una tarea tediosa
y frustrante. Los intentos de desarrollo de una función objetivo pueden terminar en un
fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de variables para
incluir en el modelo o bien, si el conjunto es el adecuado, porque no identifica
correctamente la relación entre estas variables y la medida de efectividad. En un nuevo
intento, el analista trata de descubrir las variables adicionales que podrían mejorar su
modelo descartando aquellas que parecen tener poca o ninguna relevancia. No obstante,
sólo se puede determinar si estos factores realmente mejoran el modelo una vez realizadas
la formulación y prueba de nuevos modelos que incluyan las variables adicionales. Todo el
proceso de selección y rechazo de variables puede requerir reiteraciones múltiples hasta
desarrollar una función objetivo satisfactoria. En cada iteración, el analista espera lograr
alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte. Por lo general,
el éxito final es precedido por una serie de fracasos frustrantes y pequeños progresos.
Optimización
La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las
tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar la
larga búsqueda de fuentes más efectivas de alimentos al comienzo y luego de materiales,
energía y manejo del entorno físico. Sin embargo, relativamente tarde en la historia de la
humanidad, comenzaron a formularse ciertas clases de preguntas generales de manera
cuantitativa, primero en palabras y después en notaciones simbólicas. Un aspecto
predominante de estas preguntas generales era la búsqueda de lo "mejor" o lo "óptimo".
Generalmente, los gerentes buscan simplemente lograr alguna mejora en el nivel de
rendimiento, es decir, un problema de "búsqueda de objetivo". Cabe destacar que estas
palabras normalmente no tienen un significado preciso
Se han realizado grandes esfuerzos por describir complejas situaciones humanas y sociales.
Para tener significado, esto debería escribirse en una expresión matemática que contenga
una o más variables, cuyos valores deben determinarse. La pregunta que se formula, en
términos generales, es qué valores deberían tener estas variables para que la expresión
matemática tenga el mayor valor numérico posible (maximización) o el menor valor
numérico posible (minimización). A este proceso general de maximización o minimización
se lo denomina optimización.
La programación lineal muchas veces es uno de los temas preferidos tanto de profesores
como de alumnos. La capacidad de introducir la PL utilizando un abordaje gráfico, la
facilidad relativa del método de solución, la gran disponibilidad de paquetes de software de
PL y la amplia gama de aplicaciones hacen que la PL sea accesible incluso para estudiantes
con poco conocimiento de matemática. Además, la PL brinda una excelente oportunidad
para presentar la idea del análisis what-if o análisis de hipótesis ya que se han desarrollado
herramientas poderosas para el análisis de post optimalidad para el modelo de PL.
Qué es una función: una función es una cosa que hace algo. Por ejemplo, una máquina de
moler café es una función que transforma los granos de café en polvo. La función (objetivo)
traza, traduce el dominio de entrada (denominado región factible) en un rango de salida con
dos valores finales denominados valores máximo y mínimo.
1. 1. La función objetivo debe ser lineal. Vale decir que se debe verificar que
todas las variables estén elevadas a la primera potencia y que sean sumadas
o restadas (no divididas ni multiplicadas);
2. 2. El objetivo debe ser ya sea la maximización o minimización de una
función lineal. El objetivo debe representar la meta del decisor; y
3. 3. Las restricciones también deben ser lineales. . Asimismo, la restricción
debe adoptar alguna de las siguientes formas ( , , O =, es decir que las
restricciones de PL siempre están cerradas).
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a 1. Este
problema tan sencillo no tiene solución.
Max X2
sujeta a:
X1 + X2 0
X12 - 4 0
Aunque la segunda restricción parece "como si" fuera una restricción no lineal, esta
restricción puede escribirse también de la siguiente forma:
X1 -2, y X2 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayoría de los problemas de PL, podemos decir que existen dos tipos importantes
de objetos: en primer lugar, los recursos limitados, tales como terrenos, capacidad de
planta, o tamaño de la fuerza de ventas; en segundo lugar, las actividades, tales como
"producir acero con bajo contenido de carbono", y "producir acero con alto contenido de
carbono". Cada actividad consume o probablemente contribuye cantidades adicionales de
recursos. Debe haber una función objetivo, es decir, una manera de discriminar una mala de
una buena o una mejor decisión. El problema es determinar la mejor combinación de
niveles de actividades, que no utilice más recursos de los disponibles. Muchos gerentes se
enfrentan a esta tarea todos los días. Afortunadamente, el software de programación lineal
ayuda a determinar esto cuando se ingresa un modelo bien formulado.
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos generales
después de leer con atención el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de variables de decisión, los
parámetros, la función objetivo y un conjunto de restricciones. Al formular un determinado
problema de decisión en forma matemática, debe practicar la comprensión del problema (es
decir, formular un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del
problema. Mientras trata de comprender el problema, formúlese las siguientes preguntas
generales:
1. ¿Cuáles son las variables de decisión? Es decir, ¿cuáles con las entradas
controlables? Defina las variables de decisión con precisión utilizando
nombres descriptivos. Recuerde que las entradas controlables también se
conocen como actividades controlables, variables de decisión y actividades
de decisión.
2. Cuáles son los parámetros? Vale decir ¿cuáles son las entradas no
controlables? Por lo general, son los valores numéricos constantes dados.
Defina los parámetros con precisión utilizando nombres descriptivos.
3. ¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es decir, ¿qué quiere el
dueño del problema? ¿De qué manera se relaciona el objetivo con las
variables de decisión del dueño del problema? ¿Es un problema de
maximización o minimización? El objetivo debe representar la meta del
decisor.
4. ¿Cuáles son las restricciones? Es decir, ¿qué requerimientos se deben
cumplir? ¿Debería utilizar un tipo de restricción de desigualdad o igualdad?
¿Cuáles son las conexiones entre las variables? Escríbalas con palabras antes
de volcarlas en forma matemática.
Recuerde que la región factible tiene poco o nada que ver con la función objetivo (minim. o
maxim.). Estas dos partes en cualquier formulación de PL generalmente provienen de dos
fuentes distintas. La función objetivo se establece para cumplir con el deseo (objetivo) del
decisor mientras que las restricciones que forman la región factible generalmente provienen
del entorno del decisor que fija algunas limitaciones / condiciones para lograr su objetivo.
Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro cliente), éste
nos comunica que sólo fabrica mesas y sillas y que vende todas las mesas y las sillas que
fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta
situación.
El objetivo es determinar cuántas mesas y sillas debería fabricar para maximizar sus
ingresos netos. Comenzamos concentrándonos en un horizonte de tiempo, es decir, un plazo
de planificación, , para revisar nuestra solución semanalmente, si fuera necesario. Para
saber más acerca de este problema, debemos ir al negocio del carpintero y observar lo que
sucede y medir lo que necesitamos para para formular (para crear un modelo de) su
problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuántas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una función objetivo La función objetivo es: 5X1
+ 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los
ingresos netos (por ejemplo, en dólares o décimas de dólares) de la venta de una mesa y una
silla, respectivamente. Los factores limitantes, que normalmente provienen del exterior, son
las limitaciones de la mano de obra (esta limitación proviene de la familia del carpintero) y
los recursos de materia prima (esta limitación proviene de la entrega programada). Se
miden los tiempos de producción requeridos para una mesa y una silla en distintos
momentos del día y se calculan en 2 horas y 1 hora, respectivamente. Las horas laborales
totales por semana son sólo 40. La materia prima requerida para una mesa y una silla es de
1 y 2 unidades, respectivamente. El abastecimiento total de materia prima es de 50 unidades
por semana. En consecuencia, la formulación de PL es la siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restricción de mano de obra
X1 + 2 X2 50 restricción de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemático para el problema del carpintero. Las variables de decisión,
es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son
los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo son
lineales (las variables de decisión están elevadas a la primera potencia). El coeficiente de
estas restricciones se denomina denomina Factores Tecnológicos (matriz). El período de
revisión es de una semana, un período conveniente dentro del cual es menos probable que
cambien (fluctúen) las entradas controlables (todos los parámetros tales como 5, 50, 2,..).
Incluso en un plazo de planificación tan corto, debemos realizar el análisis what-if o de
hipótesis para responder a cualquier cambio en estas entradas a los efectos de controlar el
problema, es decir, actualizar la solución prescripta.
Nótese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificación,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser números enteros positivos. Recuerde que las
condiciones de no negatividad también se denominan "restricciones implícitas".
Nuevamente, un Programa Lineal funcionaría bien para este problema si el Carpintero
continúa fabricando estos productos. Los artículos parciales simplemente se contarían como
trabajos en proceso y finalmente se transformarían en productos terminados, en la siguiente
semana.
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:
2 X1 + X2 40 + X3 restricción de la mano de obra con horas adicionales desconocidas
X1 + 2 X2 50 restricción de materiales
En esta nueva condición, veremos que la solución óptima es X1 = 50, X2 = 0, X3 = 60, con
ingresos netos óptimos de US$130. Por lo tanto, el carpintero debería contratar a un
ayudante por 60 horas. ¿Qué pasaría si sólo lo contrata por 40 horas? La respuesta a esta
pregunta y a otros tipos de preguntas del estilo "qué pasaría si" (what-if) se estudia en la
sección sobre análisis de sensibilidad en este sitio Web.
Un Problema de Mezcla
El taller LUBEOIL se especializa en cambios de aceite del motor y regulacion del sistema
electrico. El beneficio por cambio del aceite es $7 y de $15 por regulación. Joe tiene un
cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de
aceite requiere de 20 minutos de trabajo y $8 de insumos. Una regulación toma una hora de
trabajo y gasta $15 en insumos. LUBEOIL paga a los mecánicos $10 por hora de trabajo y
emplea actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana. Las
compras de insumos alcanzan un valor de $1.750 semanales. LUBEOIL desea maximizar el
beneficio total. Formule el problema.
Esto es una pregunta de programación linear. Una porción de un cambio del aceite o del
ajuste no es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste
Sujeta a:
X1 30 Cuenta De la Flota
20X1 + 60X2 4800 De trabajo tiempo
8X1 + 15X2 1750 Primas Materias
X1 0, X2 0.
El coste de trabajo de $10 por hora no se requiere para formular el problema desde el
beneficio por cambio del aceite y el ajuste toma en la consideración el coste de trabajo.
Finanzas: el problema del inversor podría ser un problema de selección del mix de su
cartera de inversiones. En general, la variedad de carteras puede ser mucho mayor que lo
que indica el ejemplo y se pueden agregar muchas más restricciones distintas. Otro
problema de decisión implica determinar la combinación de métodos de financiación para
una cantidad de productos cuando existe más de un método de financiación disponible. El
objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto
determinado dependen del método de financiación. Por ejemplo, se puede financiar con
fondos internos, con deuda a corto plazo o con financiación intermedia (créditos
amortizados). Puede haber limitaciones con respecto a la disponibilidad de cada una de las
opciones de financiación, así como también restricciones financieras que exijan
determinadas relaciones entre las opciones de financiación a los efectos de satisfacer los
términos y condiciones de los préstamos bancarios o financiación intermedia. También
puede haber límites con respecto a la capacidad de producción de los productos. Las
variables de decisión serían la cantidad de unidades que deben ser financiadas por cada
opción de financiación.
Dado que somos una especie visual (especialmente la cultura estadounidense), debido a
nuestro sistema educativo, muchas de las herramientas de enseñanza escolar utilizadas en la
actualidad son de naturaleza gráfica. Les enseñamos a leer mostrándoles figuras de las
cosas. Les enseñamos a contar mostrándoles el orden de los números. En consecuencia,
nuestros receptores visuales se agudizan a expensas de otras funciones cognitivas. También
he descubierto que las personas de negocios responden mejor a los gráficos y a los cuadros
que a los números.
Una vez graficadas todas las restricciones, debe generarse una región
factible no vacía (convexa), salvo que el problema sea no factible.
6. Cree (como mínimo) dos líneas de igual valor desde la función objetivo,
fijando la función objetivo en dos números distintos cualquiera. Grafique las
líneas resultantes. Al mover estas líneas paralelas, encontrará el vértice
óptimo (punto extremo), si es que existe.
Recuerde que las restricciones de PL proporcionan los vértices y las esquinas. Un vértice es
la intersección de 2 líneas o en general, n hiperplanos en problemas de PL con n variables
de decisión. Una esquina es un vértice que además es factible.
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
and both X1, X2 are non-negative.
Nota: Existe una alternativa del abordaje de la función objetivo de igual valor (función iso)
con problemas que tienen pocas restricciones y una región factible acotada. Primero busque
todas las esquinas, también llamadas puntos extremos. Luego, evalúe la función objetivo en
los puntos extremos para llegar al valor óptimo y a la solución óptima.
Por ejemplo, en el problema del carpintero, la región factible convexa proporciona los
puntos extremos con las coordenadas que figuran en la siguiente Tabla:
Dado que el objetivo es maximizar, de la tabla anterior surge que el valor óptimo es 110, el
cual se obtiene si el carpintero sigue la estrategia óptima de X1 = 10 y X2 = 20.
Debido a que todas las restricciones son lineales, la región factible (R.F.) es
un polígono. Además, este polígono es un conjunto convexo. En cualquier
problema de PL que tenga más de dos dimensiones, los límites de la región
factible son partes de los hiperplanos, y la región factible en este caso se
denomina poliedro y también es convexa. Un conjunto convexo es aquel en
el cual si se eligen dos puntos factibles, todos los puntos en el segmento de
la línea recta que une estos dos puntos también son factibles. La prueba de
que la región factible de los programas lineales son siempre conjuntos
convexos surge por contradicción. Las siguientes figuras ilustran ejemplos
de los dos tipos de conjuntos: un conjunto no convexo y un conjunto
convexo.
2X1 + X2 = 40
X1 + 2X2 = 50
X1 = 0
X2 = 0
X1 X2 5X1 + 3X2
10 20 110*
0 40 No factible
20 0 100
0 25 75
50 0 No factible
0 0 0
Cuatro de las soluciones básicas que figuran arriba son soluciones básicas
factibles que satisfacen todas las restricciones y pertenecen a los vértices de
la región factible. Al incluir la solución básica factible en la función
objetivo, podemos calcular el valor óptimo. Entonces, de la tabla anterior
surge que la solución óptima es X1 = 10, X2 = 20, con un valor óptimo de
US$110. Este abordaje puede aplicarse para resolver problemas de PL de
más dimensiones.
Extensión a Mayores Dimensiones
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todas Xij 0
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij 0
Ahora poniendo cualquier y dos (o más) las variables para poner cero de a,
es fácil de ver, inspeccionando las tres ecuaciones que todas las otras
soluciones son no factible.
Por lo tanto, la estrategia óptima es X11 = 50, X12 = 150, X21 = 100, y X22
= 0, con un costo total de transporte mínimo de US$6.500.
Al igual que todos los paquetes de PL, tal como WinQSB, Lindo emplea el
método simplex. Junto con la solución del problema, el programa también
proporciona un análisis común de sensibilidad de los Coeficientes de la
Función Objetivo (denominados Coeficientes de Costos) y el RHS de las
restricciones. A continuación, presentamos una explicación de los resultados
del paquete LINDO.
NOTA:
1. La función objetivo no debería contener ninguna restricción. Por
ejemplo, no se puede ingresar Max 2X1 + 5.
2. Todas las variables deben aparecer en el lado izquierdo de las
restricciones, mientras que los valores numéricos deben aparecer en
el lado derecho de las restricciones (es por eso que a estos números
se los denomina valores RHS o valores del lado derecho).
3. Se presupone que todas las variables son no negativas. No ingrese las
condiciones de no negatividad.
Ejemplos Numéricos
Maximizar -X1
sujeta a:
X1 + X2 0,
X1 + 3X2 3.
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y 0,
-X1 - 3X2 + 4y 3,
X1 0,
X2 0,
and y 0.
Notas:
Para ingresar problemas en el software QSB; para una restricción tal como
X1 + X2 50, el coeficiente es 1 y debe ingresarse de esta manera en el
software. Para cualquier variable que no se utilice en esa restricción en
particular (por ejemplo si el problema tuviera X3 pero no fuera parte de la
restricción mencionada) simplemente deje la celda en blanco para esa
restricción.
2X1 + X2 = 3
X1 -X2 = 3
Primero, cree una PL con un objetivo artificial como por ejemplo Max X1,
sujeta a 2X1 + X2 = 3, X1 - X2 = 3, y tanto X1 como X2 sin restricción de
signo. Luego, ingrese esta PL en el módulo LP/ILP para arribar a la
solución.
Min T
Sujeta a:
2Y1 + Y2 - 3T = 3,
Y1 - Y2 = 3.
Utilizando cualquier software de PL, como Lindo o WinQSB, llegamos a la
solución óptima Y1 = 3, Y2 = 0, T = 1. Ahora, sustituya esta solución de PL
en ambas transformaciones X1 = Y1 - T y X2 = Y2 - T. Esto nos da los
valores numéricos para nuestras variables originales. Por ende, la solución
del sistema de ecuaciones es X1 = 3 - 1 = 2, X2 = 0 - 1 = -1, la cual se puede
verificar fácilmente.
------------------------------------------------------------------------------
Construcción del Problema Dual
Objetivo: Max (por ejemplo
las utilidades) Objetivo: Min (por ejemplo
los costos)
Tipos de restricciones: Tipos de restricciones:
una restricción usual una restricción usual
= una restricción limitada = una restricción limitada
(estricta) (estricta)
una restricción inusual una restricción inusual
Tipos de variables:
0 una condición usual
... sin restricción de
signo
0 una condición
inusual
---------------------------------------------------------------------------
Ejemplos Numéricos:
min x1 - 2x2
sujeta a:
x1 + x2 2,
x1 - x2 -1,
x2 3,
x1, x2 0.
sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
El problema dual es:
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
- En algunos casos, puede ser más eficiente resolver el problema dual que el
primario.
Datos de entrada no
controlables
Mesas Sillas Disponible
Mano de
2 1 40
obra
Materia
1 2 50
prima
Ingresos
5 3
netos
Y su formulación de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restricción de mano de obra
X1 + 2 X2 50 restricción de materiales
tanto X1 como X2 son no negativas.
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 5 ingresos netos por una mesa
1U1 + 2U2 3 ingresos netos por una silla
U1, U2 son no negativas.
Errores de Redondeo cometido por los Gerentes: tenga cuidado siempre que
redondee el valor de los precios sombra. Por ejemplo, el precio sombra de la
restricción de recursos en el problema anterior es 8/3, por ende, si usted
desea comprar más de este recurso, no debería pagar más de US$2.66. Sin
embargo, siempre que usted quiera vender cualquier unidad de este recurso,
no debería hacerlo a un precio inferior a US$2.67.
Podría darse un error similar si usted redondea en los límites de los rangos
de sensibilidad. Como siempre, hay que prestar atención porque el límite
superior e inferior deben redondearse para abajo y para arriba,
respectivamente.
Ahora ya sabe que los precios sombra son la solución del problema dual.
Aquí tenemos un ejemplo numérico.
Max X1 + X2
sujeta a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisión 0.
Para estudiar los cambios direccionales en el valor óptimo con respecto a los
cambios en el RHS (sin restricciones redundantes y con todos los RHS 0)
distinguimos los dos casos presentados a continuación:
Por cada restricción del RHS, el Precio Sombra nos indica exactamente
cuánto cambiará la función objetivo si cambiamos el lado derecho de la
restricción correspondiente dentro de los límites fijados por el rango de
sensibilidad del RHS.
Por consiguiente, por cada valor RHS, el precio sombra es el coeficiente del
cambio en el valor óptimo causado por cualquier aumento o disminución
admisible en el RHS dentro del cambio admisible.
Un anti-ejemplo:
sujeta a:
X1 + X2 2
2.5X1 + 4X2 10
Donde ambas variables de decisión son no negativas.
Max X2
sujeta a:
X1 + X2 3
2.5X1 + 4X2 10
donde ambas variables de decisión son no negativas.
El nuevo problema tiene la solución óptima (0, 2.5) con un valor óptimo de
2.5.
Si usted quiere calcular el precio sombra de un valor RHS sin tener su rango
de sensibilidad, puede obtener los valores óptimos de dos perturbaciones
como mínimo. Si el índice de cambio en ambos casos arroja los mismos
valores, entonces este índice es realmente el precio sombra. A modo de
ejemplo, supóngase que perturbamos el RHS de la primera restricción en
+0.02 y -0.01. Si resolvemos el problema después de estos cambios
utilizando un software de PL, obtenemos los valores óptimos de 2.02 y 1.09,
respectivamente. Como el valor óptimo para el problema nominal (sin
ninguna perturbación) es igual a 2, el índice de cambio para los dos casos es:
(2.02 - 2)/0.02 = 1, y (1.09 - 2)/(-0.01) = 1, respectivamente. Como estos dos
índices coinciden, podemos concluir que el precio sombra del RHS de la
primera restricción es de hecho igual a 1.
Nos interesa saber el precio sombra del valor del RHS 2 = 10. El problema
dual es:
Para otra versión del mismo problema primario, fíjese que el problema
puede escribirse de la misma manera, cambiando la dirección de la segunda
restricción de desigualdad:
Como ya debe haber notado, ambos problemas duales son iguales al sustituir
U1 = Y1, y U2 = -Y2. Esto significa que los precios sombra obtenido para
RHS 2 = 10, y RHS 2 = -10 tienen el mismo valor con el signo opuesto
(como es de esperar). Por ende, , el signo del precio sombra depende de
cómo se formule el problema dual , aunque el significado y su interpretación
son siempre los mismos.
Supóngase que tenemos una PL que tiene una única solución óptima. ¿Es
posible tener más de un conjunto de precios duales?
Sí, es posible. Considere el siguiente problema:
Su dual es:
Este problema dual tiene diversas soluciones alternativas, tales como, (U1 =
8, U2 = 0) y (U1 = 4, U2 = 6). Todas las combinaciones convexas de estos
dos vértices también son soluciones.
Existen casos generales para los cuales los precios sombra no son únicos.
Como en el ejemplo anterior, siempre que exista redundancia entre las
restricciones, o si la solución óptima es "degenerada", puede haber más de
un conjunto de precios duales. En general, las restricciones lineales
independientes son condición suficiente para que exista un único precio
sombra.
A continuación, sigue una lista abreviada de las razones por las cuales se
debe tener en cuenta el análisis de sensibilidad:
Comunicación:
Advertencias:
1. Recuerde que nunca debe dividir por cero. Dividir por cero es una
falacia común en algunos libros de texto. Por ejemplo en
Introduction to Management Science, de Taylor III, B., 6th Ed.,
Prentice Hall, 1999, the author, unfortunately, divides by zero on
page 189.
Para mayores detalles y otras falacias comunes, visite el sitio Web
The zero saga & confusions with numbers . Una pregunta para usted:
¿cuáles de estas afirmaciones son correctas y por qué?
a) cualquier número divido por cero es indefinido;
b) cero divido por cualquier número es cero; o
c) cualquier número dividido por sí mismo es 1
2. Comúnmente se cree que se puede calcular el rango de sensibilidad
al costo acotando la pendiente (perturbada) de la función objetivo
(función iso) por las pendientes de las dos líneas resultantes de las
restricciones obligatorias. Este método gráfico basado en las
pendientes está descripto en de An Introduction to Management
Science, by Anderson D., y Williams T., 9° Ed., West Publisher,
2000, (Sección 3.2). Lamentablemente, esto es confuso. Debería
advertirse que este abordaje no es general y funciona si y sólo si los
coeficientes no cambian de signo.
Sujeta a: X1 + X2 2, X1 - X2 0, X1 0, X2 0
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Cálculo del incremento/disminución permisibles de C1 = 5: Las
restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Cálculo del Rango para RHS1: Las primeras dos restricciones son
obligatorias, por lo tanto:
De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30] = [20,
80].
Aplicando la regla del 100% a los otros tres cambios posibles en los RHS se
obtiene:
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Como los recursos son siempre escasos, a los gerentes les preocupa el
problema de la asignación óptima de los recursos. Se recordará que en el
Problema del Carpintero se trataron ambos recursos como parámetros, es
decir, como valores numéricos fijos:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40, restricción de mano de obra
X1 + 2 X2 50, restricción de material
y ambas X1, X2 son no negativas.
Supongamos que desea hallar la mejor asignación del recurso mano de obra
para el Carpintero. En otras palabras, ¿cuál es el mejor número de horas que
el Carpintero debería asignar a su negocio?
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 R1 restricción mano de obra
X1 + 2 X2 50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 - R1 0 restricción de mano de obra
X1 + 2 X2 50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.
Incluso se puede obtener el precio sombra para este recurso usando esta
información. El precio sombra es el índice de cambio en el valor óptimo con
respecto al cambio en el lado derecho. Por lo tanto, (250 - 110)/(100 - 40) =
140/60 = 7/3, que es el precio sombra del RHS1, según se halló por otros
métodos en las secciones anteriores.
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restricción mano de obra
X1 + 2 X2 50 restricción material.
Y ambos, X1, X2, son no negativos.
Maximice c1 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restricción mano de obra
X1 + 2 X2 50 restricción material.
Y todas las variables, X1, X2, c1, son no negativas.
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1 0
1U1 + 2U2 3
Y U1, U2, c1 son no negativas.
Indicadores de metas
Una de las razones por las cuales los gerentes de empresas sobrestiman la
importancia de la estrategia óptima es que las organizaciones con frecuencia
usan indicadores como "sustitutos" para satisfacer sus necesidades
inmediatas. La mayoría de los gerentes prestan atención a indicadores tales
como la utilidad, el flujo de fondos, el precio de la acción, etc. que indican
más una supervivencia que una meta de optimización.
Ejemplo numérico
X1 + X2 - S1 = 2, -X1 + X2 - S2 = 1, X2 + S3 = 3, y
X1, X2, S1, S2, S3 0.
Una solución es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
Y ambos, X1, X2, son no negativos.
Maximice y
Sujeta a:
y 5x1 + 3X2
y 7X1 + 2X2
y 4X1 + 4X2
2X1 + X2 40
X1 + 2X2 50
Y todas las variables, X1, X2, y, son no negativas.
1) 66.00000
X1 6.000000 -11.000000
X2 0.000000 -10.000000
2) 0.000000
3) 5.000000
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3 10
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 - 30y 0,
X1 + X2 + X3 - 10y 10
Xj 0, y = 0, or 1.
Observe que en lugar de repetir INT cuatro veces se puede usar INT 4. Las
primeras cuatro variables aparecieron en la función objetivo.
1) 24.00000
Nro. DE ITERACIONES = 8
dj Xj D
La utilidad total será Pj Xj. Por lo tanto, la compañía quiere el problema 0-
1:
Maximice Z= Pj Xj
Sujeta a: dj Xj D, Xj = 0, OR 1.
X1 + X2 + X3 9,
X1 + X2 + X3 + X4 11,
X2 + X3 + X4 + X5 13,
X3 + X4 +X5 8,
X4 + X5 5,
X5 3,
Todas las variables son números enteros.
Programación no lineal