306 Capítulo 8 Programación de metas

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.

8.2 ALGORITMOS DE PROGRAMACIÓN DE METAS

Esta sección presenta dos algoritmos para resolver la programación de metas. Ambos
métodos se basan en la representación de múltiples metas por una sola función objeti-
vo. En el método de pesos, la función objetivo única es la suma ponderada de las fun-
ciones que representan las metas del problema. El método preventivo inicia priorizando las
metas por orden de importancia. Luego, el modelo optimiza las metas de una en una en el
orden de prioridad de modo que no degrade una solución de más alta prioridad.
Por lo común, los dos métodos propuestos no presentan la misma solución.
Ninguno de los métodos, sin embargo, es superior al otro porque las dos técnicas pre-
suponen preferencias distintas en la toma de decisiones.

8.2.1 Método de los pesos

Suponga que el modelo de programación de metas tiene n metas y que la meta i-ésima
se da como
Minimizar Gi, i = 1, 2, Á , n
La función objetivo combinada utilizada en el método de pesos se define entonces como
Minimizar z = w1G1 + w2G2 + Á + wnGn
Los parámetros wi, i 5 1, 2,..., n son pesos positivos que reflejan las preferencias de la
toma de decisiones con respecto a la importancia relativa de cada meta. Por ejemplo,
wi 5 1, para todas las i, significa que todas las metas tienen una misma importancia. La
determinación de los valores específicos de estos pesos es subjetiva. En realidad, los
procedimientos analíticos aparentemente complejos, desarrollados en la literatura
(vea, por ejemplo, Cohon, 1978) aún están arraigadas en evaluaciones subjetivas.

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

Exposición (en millones de personas)/min 4 8

Costo (en miles de dólares)/min 8 24
Empleados asignados/min 1 2
 8.2 Algoritmos de programación de metas 307

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)

Minimizar G12 5 s i+ (Satisfacer la meta de presupuesto)

sujeto a

4x1 + 8x2 + s1- - s1+ = 45 1Meta de exposición2

8x1 + 24x2 + s2- - s2+ = 100 1Meta de presupuesto2
x1 + 2x2 … 10 1Límite de personal2
x1 … 6 1Límite de radio2
x1, x2, s1-, s1+, s2-, s 2+ Ú 0

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

Minimizar z = 2G1 + G2 = 2s1- + s2+

La solución óptima es z 5 10, x1 5 5 minutos, x2 5 2.5 minutos, s1- = 5 millones de personas,

s1- = 0, y s2- = 0.
El hecho de que el valor óptimo de z no sea cero indica que al menos una de las metas no se cum-
ple. Específicamente, s1- = 5 significa que la meta de exposición (de al menos 45 millones de perso-
nas) falla por 5 millones de personas. Por otra parte, la meta de presupuesto (de no exceder $100,000)
no se viola porque s2+ = 0.

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).

CONJUNTO DE PROBLEMAS 8.2A

*1. Considere el problema 1, conjunto 8.1a que se refiere a la situación tributaria de Fairville.
Resuelva el problema, suponiendo que las cinco metas tienen el mismo peso. ¿Satisface la so-
lución todas las metas?
2. En el problema 2, conjunto 8.1a, suponga que la meta de atraer personas de mediana edad es
dos veces más importante que la de las otras dos categorías (adolescentes y adultos mayores).
Encuentre la solución asociada, y verifique si todas las metas se han cumplido.
308 Capítulo 8 Programación de metas

3. En la situación de la admisión a la Universidad de Ozark descrita en el problema 3, con-

junto 8.1a suponga que se debe cumplir con el límite en el tamaño de la clase de estu-
diantes de primer año, pero los requisitos restantes pueden tratarse como metas flexi-
bles. Suponga, además, que la calificación del examen ACT es dos veces más importante
que cualquiera de las metas restantes.
(a) Resuelva el problema y especifique si se cumplen o no todas las metas.
(b) Si, además, el tamaño de la clase de estudiantes de primer año puede tratarse como
una meta flexible que es dos veces más importante que la meta del examen ACT,
¿cómo afectaría este cambio a la solución?
*4. En el modelo de Circle K del problema 4, conjunto 8.1a, ¿es posible satisfacer todos los
requerimientos nutricionales?
5. En el problema 5, conjunto 8.1a, determine la solución, y especifique si puede balancear-
se o no la producción diaria de ruedas y asientos.
6. En el problema 6, conjunto 8.1a, suponga que la meta de la demanda del mercado es dos
veces más importante que la de balancear las dos máquinas, y que no se permite tiempo
extra. Resuelva el problema, y determine si se cumplen las metas.
*7. En el problema 7, conjunto 8.1a, suponga que la producción se esfuerza por satisfacer las
cuotas de los dos productos, utilizando tiempo extra si es necesario. Encuentre una solu-
ción al problema, y especifique la cantidad de tiempo extra, si se requiere, para cumplir
con las cuotas de producción.
8. En el hospital de Vista City del problema 8, conjunto 8.1a, suponga que solamente los lí-
mites de camas representan metas flexibles y que todas las metas tienes pesos iguales.
¿Puede cumplirse con todas las metas?
9. La compañía Malco ha recopilado la siguiente tabla de los archivos de cinco de sus em-
pleados, para estudiar el impacto en el ingreso de tres factores: edad, educación (expresa-
da en años de universidad terminados), y experiencia (expresada en años en los negocios).

Edad Educación Experiencia Ingreso anual

(años) (años) (años) ($)

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

Aplique la formulación de programación de metas del problema 10, conjunto 8.1a,

para encajar los datos en la ecuación lineal y 5 b0 1 b1x1 1 b2x2 1 b3x3.
10. Resuelva el problema 9 siguiendo el método de Chebyshev propuesto en el problema 11,
conjunto 8.1a.

8.2.2 Método preventivo

En este tipo de método, el tomador de decisiones clasifica las metas del problema en
orden de importancia. Dada una situación de n metas, los objetivos del problema se
escriben como
Minimizar G1 = r1 (Máxima prioridad)
o
Minimizar Gn = rn (Mínima proridad)
 8.2 Algoritmos de programación de metas 309

La variable ri es el componente de las variables de desviación, si- o si+, que representan

la meta i. Por ejemplo, en el modelo de TopAd (ejemplo 8.2-1), r1 = s1- y r2 = s 2+.
El procedimiento de solución se inicia con la optimización de la prioridad máxi-
ma, G1, y termina con la optimización de la prioridad mínima, Gn. El método preventi-
vo está diseñado de modo que una solución de menor prioridad nunca degrade a una
solución de alta prioridad.
La literatura sobre programación de metas presenta un método simplex “especial”
que garantiza la no degradación de soluciones de alta prioridad. El método utiliza la regla
de eliminación de columnas que exige eliminar una variable xj no básica con un costo re-
ducido diferente de cero (zj 2 cj Z 0) de la tabla óptima de metas Gk antes de resolver el
problema de la meta Gk11. La regla reconoce que tales variables no básicas, si se elevan
por encima del nivel cero en las optimización de metas subsiguientes, pueden degradar
(pero nunca mejorar) la calidad de una meta de mayor prioridad. El procedimiento re-
quiere incluir las funciones objetivo de todas las metas en la tabla simplex del modelo.
La modificación propuesta de eliminación de columnas complica sin necesidad la
programación de metas. En esta presentación demostramos que se pueden alcanzar los
mismos resultados de una manera más simple dando los siguientes pasos:

Paso 0. Identifique las metas del modelo y clasifíquelas en orden de prioridad:

G1 = r1 G2 = r2 Á Gn = rn

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.

Comentarios. Algunas personas pueden argumentar que la regla de eliminación de

columnas ofrece una ventaja computacional porque hace el problema sucesivamente
más pequeño al eliminar variables, en tanto que nuestro procedimiento lo hace más
grande al agregar nuevas restricciones. Considerando la naturaleza de las restricciones
adicionales (ri = r…i ), podemos modificar el algoritmo simplex para implementar la
restricción adicional implícitamente sustituyendo ri = r…i . La sustitución (que afecta
sólo a la restricción en la que aparece i) reduce el número de variables a medida que
el algoritmo se mueve de una meta a la siguiente. De otra manera, podemos utilizar el
método simplex acotado de la sección 7.4.2, reemplazando ri = r…i con ri … r…i , en
cuyo caso las restricciones adicionales se toman en cuenta de manera tácita. Al
respecto, la regla de eliminación de columnas, aparte de su atractivo teórico no parece
ofrecer una ventaja computacional particular.
Para completar el planteamiento, el ejemplo 8.2-3 ilustrará cómo funciona la
regla de eliminación de columnas.
310 Capítulo 8 Programación de metas

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

G1: Minimizar s21 (Satisfacer la meta de exposición)

G2: Minimizar s1
2 (Satisfacer la meta de presupuesto)

Paso 1. Resuelva la PLi

Minimizar G1 = s1-

sujeto a

4x1 + 8x2 + s1- - s1+ = 45 1Meta de exposición2

8x1 + 24x2 + s2- - s2+ = 100 1Meta de presupuesto2
x1 + 2x2 … 10 1Límite de personal2
x1 … 6 1Límite de radio2
x1, x2, s1-, s 1+, s2-, s2+ Ú 0

La solución óptima (determinada por TORA) es x1 5 5 minutos, x2 5 2.5 minutos,

s 1- = 5 millones de personas, con las variables restantes iguales a cero. La solución
muestra que 5 millones de personas violan la meta de exposición, G1. La restricción
adicional que se añade al problema G2 es s2 2
1 5 5 (o, lo que es lo mismo, s 1 # 5).

Paso 2. La función objetivo de la PL2 es

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

4x1 + 8x2 - s1+ = 40 1Meta de exposición2

8x1 + 24x2 + s2- - s2+ = 100 1Meta de presupuesto2
x1 + 2x2 … 10 1Límite de personal2
x1 … 6 1Límite de radio2
x1, x2, s 1+, s2-, s2+ Ú 0
 8.2 Algoritmos de programación de metas 311

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.

Ejemplo 8.2-3 (Regla de eliminación de columnas)

En este ejemplo demostramos que puede obtenerse una mejor solución para el problema de los
ejemplos 8.2-1 y 8.2-2 si se utiliza el método preventivo para optimizar los objetivos en lugar de
satisfacer las metas. Más adelante, el mismo ejemplo se resuelve aplicando la regla de eliminación
de columnas.
Las metas del ejemplo 8.2-1 se puede formular como
Prioridad 1: Maximizar la exposición (P1)
Prioridad 2: Minimizar el costo (P2)

Matemáticamente, los dos objetivos se dan como

Maximizar P1 = 4x1 + 8x2 (Exposición)
Minimizar P2 = 8x1 + 24x2 (Costo)
Los límites específicos para las metas de exposición y de costo (5 45 y 100) en los ejemplos
8.2-1 y 8.2-2 se eliminan, porque dejaremos que el método simplex determine estos límites ópti-
mamente.
Por lo tanto el nuevo problema se formula como

Maximizar P1 = 4x1 + 8x2

Minimizar P2 = 8x1 + 24x2
sujeto a

x1 + 2x2 … 10
x1 … 6
x1, x2 Ú 0

Primero resolvemos el problema siguiendo el procedimiento presentado en el ejemplo 8.2-2.

Paso 1. Resuelva la PL1.

Maximizar P1 = 4x1 + 8x2

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.

PL1 (Maximización de la exposición). La tabla simplex de la PL1 incluye ambas filas

objetivo P1 y P2. La condición de optimalidad aplica sólo a la fila objetivo P1. La fila
P2 desempeña un rol pasivo en la PL1, pero debe ser actualizada (mediante las
operaciones de filas de simplex) con el resto de la tabla simplex en preparación para la
optimización de la PL2.
La PL1 se resuelve en dos iteraciones como sigue:

Iteración Básica x1 x2 s1 s2 Solución

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

La última tabla da por resultado la solución óptima x1 5 0, x2 5 5 y P1 5 40.

La regla de eliminación de columnas pide que se elimine cualquier variable no
básica xj con zj 2 cj Z 0 a partir de la tabla óptima de la PL1 antes de optimizar la PL2.
La razón es que si estas variables no se verifican, podrían volverse positivas en proble-
mas de optimización de baja prioridad, las cuales pueden degradar la calidad de solu-
ciones de alta prioridad.
PL2 (Minimización de costos). La regla de eliminación de columnas elimina s1 (con zj
2 cj 5 4 en la PL1). En la fila P2 podemos ver que si no se elimina s1 será la variable de
entrada en el inicio de las iteraciones P2 y el resultado será la solución óptima x1 5
x2 5 0, la cual degradará el valor objetivo óptimo del problema P1 desde P1 5 40 hasta
P1 5 0 (¡compruébelo!).
 8.2 Algoritmos de programación de metas 313

El problema P2 es del tipo de minimización. Después de la eliminación de s1, la

variable x1 con zj 2 cj 5 4 (. 0) puede mejorar el valor de P2. La siguiente tabla mues-
tra las iteraciones la PL2. Se eliminó la fila P1 porque no tiene ningún propósito en la
optimización de la PL2.

Iteración Básica x1 x2 s1 s2 Solución

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

La solución óptima (x1 5 6, x2 5 2) con una exposición total de P1 5 40 y un

costo total de P2 5 96 es la misma que se obtuvo antes.

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.

CONJUNTO DE PROBLEMAS 8.2B2

1. En el ejemplo 8.2-2, suponga que la meta de presupuesto se incrementa a $110,000. La
meta de exposición permanece en 45 millones de personas. Demuestre cómo determi-
nará una solución el método preventivo.
*2. Resuelva el problema 1, conjunto 8.1a, utilizando el siguiente orden de las prioridades
para las metas: G1 . G2 . G3 . G4 . G5.
3. Considere el problema 2, conjunto 8.1a, que se refiere a la presentación de conciertos y
exposiciones de arte en el centro comercial NW. Suponga que las metas establecidas para
adolescentes, el grupo de mediana edad y el de adultos mayores se designan como G1, G2
y G3, respectivamente. Resuelva el problema para cada uno de los siguientes órdenes de
prioridad.
(a) G1 > G2 > G3
(b) G3 > G2 > G1

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.