Me Todos
Me Todos
Me Todos
nar todas las bj de modo que la suma de las desviaciones absolutas entre los resultados
observados y los estimados sea mínima. Formule el problema como un modelo de pro-
gramación de metas.
11. Problema de Chebyshev. Una meta alterna para el modelo de regresión del problema 10
es minimizar sobre bj el máximo de las desviaciones absolutas. Formule el problema
como un modelo de programación de metas.
Ejemplo 8.2-1
TopAd, una nueva agencia de publicidad con 10 empleados, firmó un contrato para promover un
nuevo producto. La agencia puede hacer publicidad por radio y televisión. La siguiente tabla
proporciona la cantidad de personas alcanzadas diariamente por cada tipo de anuncio publicita-
rio, así como los requerimientos de costos y mano de obra. El contrato prohíbe a TopAd utilizar
Radio Televisión
más de 6 minutos de publicidad por radio. Además, los anuncios de radio y televisión tienen que llegar
al menos a 45 millones de personas. TopAd tiene una meta presupuestaria de $100,000 para el pro-
yecto. ¿Cuántos minutos de anuncios de radio y televisión debe utilizar TopAd?
Sean x1 y x2 los minutos asignados a los anuncio de radio y televisión. La formulación de la pro-
gramación de metas para el problema se da como
-
Minimizar G2
1 5 s i (Satisfacer la meta de exposición)
sujeto a
La gerencia de TopAd estima que la meta de exposición es dos veces más importante que la meta
de presupuesto. Por lo tanto, la función objetivo combinada se convierte en
Comentarios. La programación de metas busca sólo una solución eficiente, más que óptima, al pro-
blema. Por ejemplo, la solución x1 5 6 y x2 5 2 produce la misma exposición (4 3 6 1 8 3 2) 5 40 mi-
llones de personas) pero cuesta menos (8 3 6 1 24 3 2) 5 $96,000). En esencia, lo que la programa-
ción de metas hace es hallar una solución que satisfaga las metas del modelo sin tomar en cuenta la
optimización. La falla de no hallar la solución óptima levanta dudas sobre la viabilidad de la progra-
mación de metas como una técnica de optimización (vea el ejemplo 8.2-3 para un tratamiento más
amplio).
30 4 5 40,000
39 5 10 48,000
44 2 14 38,000
48 0 18 36,000
37 3 9 41,000
Establezca i 5 1.
Paso general Resuelva la PLi que minimice Gi, y que ri = r…i defina el valor óptimo
correspondiente de la variable de desviación ri. Si i 5 n, deténgase; la PLn re-
suelve el problema de n metas. En caso contrario, agregue la restricción
ri = r…i a las restricciones del problema Gi para garantizar que el valor de ri
no se degrade en problemas futuros. Establezca i 5 i 1 1, y repita el paso i.
La adición sucesiva de las restricciones especiales ri = r…i puede no ser tan “elegan-
te” teóricamente como la regla de eliminación de columnas; no obstante, se logra el mismo
resultado. Pero lo más importante es que es más fácil de implementar y de entender.
Ejemplo 8.2-2
El problema del ejemplo 8-2.1 se resuelve por el método preventivo. Suponga que la meta de ex-
posición tiene la prioridad más alta.
Paso 0. G1.G2
Minimizar G1 = s1-
sujeto a
Minimizar G2 = s2+
Las restricciones son las mismas que en el paso 1 más la restricción adicional s2 1 5 5.
(Puede aplicarse la opción MODIFY de TORA para representar la nueva restricción
asignando 5 tanto a la cota inferior como a la cota superior de s21 .)
Por lo general, la restricción adicional s2
1 5 5 también puede explicarse al susti-
tuir en la primera restricción. El resultado es que el lado derecho de la restricción de
la meta de exposición cambiará de 45 a 40, lo que reduce la LP2 a
Minimizar G2 = s2+
sujeto a
La nueva formulación tiene una variable menos que la de la PL1, la cual es la idea ge-
neral anticipada por la regla de eliminación de columnas.
En realidad, la optimización de la PL2 no es necesaria en este problema porque
la solución óptima al problema G1 ya da por resultado s1 2 5 0; es decir, ya es óptima
para la PL2. Tales oportunidades de ahorro de cálculos deben aprovecharse siempre
que se presenten durante el curso de implementación del método preventivo.
x1 + 2x2 … 10
x1 … 6
x1, x2 Ú 0
sujeto a
x1 + 2x2 … 10
x1 … 6
x1, x2 Ú 0
La solución óptima (obtenida por TORA) es x1 5 0, x2 5 5 con P1 5 40, lo que demuestra que la
exposición máxima que podemos obtener es de 40 millones de personas.
312 Capítulo 8 Programación de metas
Paso 2. Agregue la restricción 4x1 1 8x2 $ 40 para asegurarnos de que la meta G1 no se de-
grade. Por lo tanto, resolvemos la PL2 como
Minimizar P2 = 8x1 + 24x2
sujeto a
x1 + 2x2 … 10
x1 … 6
4x1 + 8x2 Ú 40 (restricción adicional)
x1, x2 Ú 0
La solución óptima de la PL2 es P2 5 $96,000, x1 5 6 minutos, y x2 5 2 minutos. Esto da por
resultado la misma exposición (P1 5 40 millones de personas) pero a un costo menor que el del
ejemplo 8.2-2, donde buscamos satisfacer en lugar de optimizar las metas.
El mismo problema se resuelve ahora con la regla de eliminación de columnas. La regla in-
dica que incluyamos las filas objetivo asociadas con todas las metas en la tabla simplex, como se
demostrará a continuación.
1 P1 –4 –8 0 0 0
P2 –8 –24 0 0 0
s1 1 2 1 0 10
s2 1 0 0 1 6
2 P1 0 0 4 0 40
P2 4 0 12 0 120
x2 1 1 1 0 5
2 2
s2 1 0 0 1 6
1 P1 40
P2 4 0 0 120
x2 1 1 0 5
2
s2 1 0 1 6
2 P1 40
P2 0 0 –4 96
x2 0 1 - 12 2
x1 1 0 1 6
Momento de AMPL
AMPL se presta muchísimo para la aplicación de la idea presentada en el ejemplo 8.2-2, donde
se agregan restricciones simples para garantizar que las soluciones de alta prioridad no se degra-
den. El archivo amplEx.8.1-1.txt proporciona un código AMPL genérico que permite aplicar el
método preventivo. El modelo debe implementarse de manera interactiva como se explica en la
sección C9 en el sitio web.
2
Puede ver que es computacionalmente conveniente utilizar AMPL de manera interactiva para resolver los
problemas de este conjunto.
314 Capítulo 8 Programación de metas
Demuestre que la satisfacción de las metas (o falta de ella) puede ser una función del
orden de las prioridades.
4. Resuelva el modelo de la Universidad de Ozark (problema 3, conjunto 8.1a) siguiendo el
método preventivo, a reserva de que las metas se hayan priorizado en el mismo orden
que se dio en el problema.
BIBLIOGRAFÍA
Chissman, J., T. Fey, G. Reeves, H. Lewis, y R. Weinstein, “A Multiobjective Linear Programming
Methodology for Public Sector Tax Planning”, Interfaces, vol. 19, núm. 5, págs.13-22, 1989.
Cohon,T.L., Multiobjective Programming and Planning, Academic Press, Nueva York, 1978.
Ignizio, J.P., y T.M. Cavalier, Linear Programming, Prentice-Hall, Upper Saddle River, NJ, 1994.
Steuer, R.E., Multiple Criteria Optimization: Theory, Computations, and Application, Wiley,
Nueva York, 1986.