Este documento trata sobre programación lineal y el método Simplex. La programación lineal busca encontrar soluciones óptimas para asignar recursos sujetos a restricciones lineales. El método Simplex es la técnica más conocida para resolver problemas de programación lineal mediante el uso de matrices.
0 calificaciones0% encontró este documento útil (0 votos)
66 vistas16 páginas
Este documento trata sobre programación lineal y el método Simplex. La programación lineal busca encontrar soluciones óptimas para asignar recursos sujetos a restricciones lineales. El método Simplex es la técnica más conocida para resolver problemas de programación lineal mediante el uso de matrices.
Este documento trata sobre programación lineal y el método Simplex. La programación lineal busca encontrar soluciones óptimas para asignar recursos sujetos a restricciones lineales. El método Simplex es la técnica más conocida para resolver problemas de programación lineal mediante el uso de matrices.
Este documento trata sobre programación lineal y el método Simplex. La programación lineal busca encontrar soluciones óptimas para asignar recursos sujetos a restricciones lineales. El método Simplex es la técnica más conocida para resolver problemas de programación lineal mediante el uso de matrices.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 16
1
ÁLGEBRA Y PROGRAMACIÓN Algebra y LINEAL programación lineal
Etapa 3: Profundización 2
Tabla de contenido Introducción ................................................................................................................................3
Introducción Esta etapa se centra en la programación lineal. La programación lineal, se ocupa de encontrar soluciones a los problemas relacionados con la asignación óptima de recursos, las instalaciones de producción o la combinación de productos. Generalmente estos se miran desde el punto de vista de encontrar la solución de menor costo o mayor rentabilidad.
El término programación lineal se refiere no a la programación de computadoras, sino a
la preparación de programas o planes relacionados con la futura distribución de recursos. Las expresiones matemáticas empleadas se pueden expresar en forma lineal.
La etapa de profundización presenta un ejemplo que demuestra la naturaleza lineal de
las relaciones y también da la base del método de solución. La técnica gráfica solo puede lidiar con restricciones que involucran dos variables. Análogamente, los problemas que involucran tres variables podrían manejarse mediante una técnica tridimensional que involucre la intersección de superficies planas. Un número mayor de variables solo puede manejarse mediante métodos matemáticos que impliquen el uso de matrices. La técnica más conocida de programación lineal es el método Simplex.
Pregunta orientadora Los problemas de programación lineal en su mayoría tienen como objetivo optimizar una función objetivo lineal sujeta a restricciones de igualdad y desigualdad lineal en las variables de decisión. Por tal manera existen diferentes técnicas de programación que permiten conocer los componentes básicos de optimización, pero ¿cuáles son estas técnicas de programación?, y ¿cuál es su aplicabilidad e importancia? 4
1. Programación lineal
La programación lineal se ocupa de encontrar soluciones a problemas de asignación
óptima de recursos, o instalaciones de producción, mezcla de productos, etc. Generalmente, estos se miran desde el punto de vista de encontrar la solución de menor costo o mayor rentabilidad. Las matemáticas de estos métodos fueron elaboradas por economistas estadounidenses aproximadamente entre 1945 y 1955 (MacGregor Smith, 2021). El término programación lineal no se refiere a la programación de computadoras (aunque, por supuesto, esto se usa ampliamente en relación con la técnica), sino a la preparación de programas o planes relacionados con la futura distribución de recursos. Las expresiones matemáticas empleadas se pueden expresar en forma lineal.
El siguiente ejemplo simple demuestra la naturaleza lineal de las relaciones y también
proporciona la base del método de solución en este caso el método gráfico. El método gráfico de programación lineal se utiliza para resolver problemas al encontrar el punto de intersección más alto o más bajo entre la línea de la función objetivo y la región factible en un gráfico.
Ejemplo 1
Un moldeador de plásticos produce dos calidades diferentes de artículo moldeado:
Calidad estándar: fabricada a partir de una mezcla que consta de un 30% de copolímero y un 70% de homopolímero Calidad superior: una mezcla que consta de un 60% de copolímero y un 40% de homopolímero
Los suministros de los dos materiales constituyentes son disponibles de la siguiente
manera: 5
Copolímero - 12 toneladas por semana a $ 1900 por tonelada
Homopolímero - 15 toneladas por semana a $ 1450 por tonelada
La capacidad máxima de producción de la planta es de 25 toneladas por semana.
Si el beneficio de cada tonelada de producto de calidad estándar es de $ 700 y de cada
tonelada de calidad superior es de $ 1000, calcule cuánto de cada calidad debe fabricarse para maximizar el beneficio.
Las condiciones y restricciones anteriores se pueden representar matemáticamente de
la siguiente manera:
Sean 𝑥1 𝑦 𝑥2 las toneladas de calidades estándar y súper, respectivamente, que se
producirán cada semana.
Entonces la ganancia 𝑧 = 700𝑥1 + 1000𝑥2 .
La producción total no puede ser mayor de 25 toneladas por semana, por lo tanto, 𝑥1 + 𝑥2 ≤ 25 La cantidad de copolímero que se usará por semana es 0.3𝑥1 + 0.6𝑥2 < 12.
La cantidad de homopolímero que se usará usado por semana es 0.7𝑥1 + 0.4𝑥2 ≤ 15.
Dado que solo dos variables están involucradas en cada una de las restricciones anteriores, todas se pueden representar en un gráfico. Si reemplazamos las desigualdades por iguales, vemos que todas son ecuaciones de líneas rectas. Estos se muestran en la Figura 3. Para cumplir con todas las restricciones, las condiciones de operación deben estar en, o a la izquierda de las líneas indicadas por los puntos B, C, D, E. Estos puntos se conocen como puntos extremos (3). El otro punto extremo que se encuentra en el límite de las soluciones factibles es el origen, el punto A. Figura 1. Método gráfico, para el problema de mezcla de polímeros 6
Fuente: Elaboración propia
Si leemos las coordenadas de los puntos de intersección B, C, D, E, podemos evaluar el
beneficio obtenible para cada caso, de la siguiente manera:
Operación en el punto B: producción de 20 toneladas semanales de grado superior
únicamente 𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 = 20 ∗ 1000 = $20000
Operación en el punto C: producción de 15 toneladas por semana de grado superior y
10 toneladas por semana de estándar
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 = (15 ∗ 1000) + (10 ∗ 700) = $22000
Operación en el punto D: producción de 8 toneladas por semana de súper grado y 17
toneladas por semana de estándar
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 = (8 ∗ 1000) + (17 ∗ 700) = $19900
7
Operación en el punto E: producción de 21,4 toneladas por semana de calidad estándar
únicamente
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 = 21.4 ∗ 700 = $14980
La operación a lo largo de la línea de CD es obviamente mejor, porque es posible la
máxima producción. ¿Es la rentabilidad en C la mejor que se puede obtener? Al evaluar las ganancias de otros puntos a lo largo de CD, se demuestra fácilmente que la operación en el punto C es la más rentable. Por supuesto, la técnica gráfica solo puede tratar las restricciones que involucran dos variables. De manera análoga, los problemas que involucran tres variables podrían manejarse mediante una técnica tridimensional que involucra la intersección de superficies planas. Un número mayor de variables solo puede manejarse mediante métodos matemáticos que impliquen el uso de matrices.
1.1 Método Simplex
La técnica más conocida de programación lineal es el método Simplex. Emplea las
variables en forma de matriz y se basa en la observación de que la solución óptima se produce en uno de los "puntos extremos" mencionados en el ejemplo anterior. Por lo tanto, en referencia a la figura 3, el método Simplex comenzaría en el origen (el primer punto extremo de la región de soluciones factibles). A continuación, evaluaría los puntos B, C, D, etc., sucesivamente, hasta alcanzar el óptimo. La mecánica de uso del método solo se dará, de la siguiente manera:
La forma básica del método Simplex implica la maximización de una ecuación algebraica lineal como
𝑧 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ … 𝑐𝑛 𝑥𝑛
z se llama función objetivo; los valores de c se denominan vector de costos, y la ecuación
anterior se puede escribir en notación matricial como 8
𝑧 = 𝑐𝑇𝑥
Puede haber cualquier número i de restricciones, y estas pueden ser restricciones de
igualdad o restricciones de desigualdad. El método Simplex solo considera los casos en los que la restricción está limitada por un valor máximo, es decir.
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥1 + ⋯ 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏1
(los casos que involucran la minimización de la función objetivo, los valores negativos de b y las restricciones de valor mínimo se discutirán brevemente más adelante). Esta ecuación se puede escribir en notación matricial como
𝐴𝑋 ≤ 𝐵, 𝑑𝑜𝑛𝑑𝑒
A es la matriz de restricciones; B es el vector de recursos; X es el vector variable.
Además, solo consideramos valores positivos de las variables x, es decir, en notación matricial. 𝑥≥0
El problema escrito de la forma anterior se dice que es “forma estándar”. El siguiente paso es reescribir el problema en 'forma canónica', lo que implica reescribir las restricciones como igualdades. Esto se hace introduciendo en cada ecuación una 'variable de holgura', por lo tanto, 𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥1 + ⋯ 𝑎𝑖𝑛 𝑥𝑛 + 𝑥𝑛+𝑚 = 𝑏1
Aquí n indica el número de variables presentes en las restricciones, y el subíndice m indica el
número de las limitaciones. A continuación, las diversas ecuaciones se organizan en una tabla, también denominada "cuadro". Supongamos, por ejemplo, que el problema a maximizar es el siguiente: 9
A continuación, se dibuja el tablero que se muestra en la Figura 5.
Figura 2. Forma general del tablero Simplex
Fuente: Elaboración propia
El valor 1 se atribuye a cada una de las variables de holgura; cada variable de holgura también se enumera en la columna de la izquierda, en cuya posición se la denomina "variable básica". Para su entrada en el cuadro, la ecuación de la función objetivo se reescribe como:
−𝑐1 𝑥1 − 𝑐2 𝑥2 − 𝑐3 𝑥3 + 𝑧 = 0 10
De esta forma, los coeficientes aparecen en la fila inferior, el valor de z aparece en la
columna de la derecha. El valor inicial de z es cero, correspondiente a la solución factible inicial (por ejemplo, como se ve en el origen en la Figura 5).
A continuación, se construye un nuevo cuadro mediante la manipulación conocida como
pivotar. Para hacer esto, primero se deben establecer la 'columna pivote' y la 'fila pivote'. La columna fundamental es la que se encuentra arriba del elemento más negativo en la fila del objetivo. Supondremos que esto es −𝑐3 . Entonces la columna fundamental es la que está debajo de la variable 𝑥3 .
Para encontrar la fila pivote, se determinan las 'razones' para cada coeficiente de x en la columna pivote. En este caso, las razones θ son:
𝑏1 𝜃1 = 𝑎1,3 𝑏2 𝜃2 = 𝑎2,3
El valor positivo más pequeño de θ establece la ubicación de la fila pivote. Por lo tanto, si f 𝜃2 es el valor más pequeño, entonces la fila pivote será la que contenga 𝑏2 .
La intersección de la fila de pivote y la columna de pivote se conoce como el 'pivote'. Si
no hay elementos positivos en la columna fundamental, entonces no es posible una solución óptima al problema.
La variable que aparece en la parte superior de la columna fundamental se conoce como
la 'variable de entrada'; la variable básica en la fila pivote se conoce como la 'variable de salida'. En este caso, 𝑥3 es la variable de entrada y 𝑥5 es la variable de salida. 11
El primer paso en la elaboración del nuevo tablero es escribir el nombre de la variable
entrante en el espacio que ocupaba previamente la variable saliente en la columna de variables básicas.
A continuación, se ingresan nuevos valores en la fila pivote, dividiendo el valor anterior
por el valor del pivote (𝑎2,3 en este caso). El elemento en la posición de pivote ahora tiene el valor 1 en el nuevo tablero. Los valores adecuados de la nueva fila pivote se suman o se restan entre sí, de modo que todos los demás elementos de la columna pivote tendrán valor cero. El nuevo cuadro se muestra en la Tabla 1.
Tabla 1. La nueva forma del tablero que se muestra en la Figura 2, después de pivotear sobre el elemento 𝑎2,3
El nuevo tablero, a su vez, se somete al procedimiento anterior. Se identifica el elemento
más negativo en la fila del objetivo y se lleva a cabo el procedimiento de pivote para crear otro cuadro. Cuando dos elementos en la fila de objetivos tienen el mismo valor negativo, no es importante cuál se elige para el paso de pívot. Si ningún elemento en la fila del 12
objetivo tiene un valor negativo, entonces la solución dada por el cuadro es la óptima y el procedimiento se completa.
1.2 Modelo de transporte y asignación
Suponga que una empresa que fabrica widgets tiene dos fábricas ubicadas en las ciudades F1 y F2 y tres centros minoristas ubicados en C1, C2 y C3. La demanda mensual en los centros comerciales es (en miles de widgets) 8, 5 y 2 respectivamente, mientras que la oferta mensual en las fábricas es 6 y 9 respectivamente. Observe que la oferta total es igual a la demanda total. También se nos da el costo de transporte de 1 widget entre cualquier fábrica y cualquier centro minorista.
Tabla 2. Costo de transporte de 1 Widget
C1 C2 C3 F1 5 5 3 F2 6 4 1 Costo de transporte (en 0,01 $ / widget)
Fuente: Elaboración propia
En el problema del transporte, el objetivo es determinar la cantidad que se transportará
de cada fábrica a cada centro minorista para satisfacer la demanda con un costo de envío total mínimo. Para formular este problema como un programa lineal, primero elegimos las variables de decisión. Sea 𝑥𝐼𝐽 (𝑖 = 1, 2 𝑦 𝑗 = 1, 2, 3) el número de aparatos (en miles) transportados desde la fábrica 𝐹𝑖 a la ciudad 𝐶𝑗 . Dados estos 𝑥𝐼𝐽 , podemos expresar el costo total de envío, es decir, la función objetivo a minimizar, por
5𝑥11 + 5𝑥12 + 3𝑥13 + 6𝑥21 + 4𝑥22 + 𝑥23
Ahora necesitamos escribir las restricciones. Primero, tenemos las restricciones de no
negatividad que dicen que 𝑥𝐼𝐽 ≥ 0 𝑝𝑎𝑟𝑎 𝑖 = 1, 2 𝑦 𝑗 = 1, 2, 3. Además, tenemos que la 13
demanda en cada centro minorista debe satisfacerse. Esto da lugar a las siguientes limitaciones:
𝑥11 + 𝑥21 = 8, 𝑥12 + 𝑥22 = 5 𝑥13 + 𝑥23 = 2,
Finalmente, cada fábrica no puede enviar más que su suministro, lo que resulta en las siguientes limitaciones:
𝑥11 + 𝑥12 + 𝑥13 ≤ 6,
𝑥21 + 𝑥22 + 𝑥33 ≤ 9,
Estas desigualdades pueden ser reemplazadas por igualdades ya que la oferta total es igual a la demanda total. Por tanto, una formulación de programación lineal de este problema de transporte viene dada por:
Entre estas 5 restricciones de igualdad, una es redundante, es decir, está implícita en las otras restricciones o, de manera equivalente, se puede eliminar sin modificar el espacio factible. Por ejemplo, sumando las 3 primeras igualdades y restando la cuarta igualdad obtenemos la última igualdad. Del mismo modo, sumando las 2 últimas igualdades y restando las dos primeras, obtenemos la tercera. 15
Recursos complementarios Método Simplex - Programación Lineal. (2018, 25 octubre). [Vídeo]. Recurso video 1 YouTube. https://www.youtube.com/watch?v=gLLH4-3Mtws 21st Century Skills. Application of Linear Programming | Mathematical Recurso video 2 Economics link: https://www.youtube.com/watch?v=5fOK- hdggA8&ab_channel=21stCenturySkills Núñez, L. A. Vargas, E. y Boada, E. (2019). Álgebra lineal. Universidad Abierta para Adultos (UAPA). Pag 13-62 https://elibro- Recurso lectura 1 net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensar/titulos/17664 9 Soler Fajardo, F. Molina Focazzio, F. G. y Rojas Cortés, L. (2016). Álgebra y programación lineales: con aplicaciones a ciencias administrativas, contables y financiera (3a. ed.). Ecoe Ediciones. Pag.165- Recurso lectura 2 213 https://elibro- net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensar/titulos/12245 5 Khan, S. Bari, A. y Faisal Khan, M. (2019). Linear and integer Recurso lectura 3 programming. Cambridge Scholars Publishing. https://elibro- net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensarenglish/titulo s/121880
Referencias Davis, E. (2012). Linear Algebra and Probability for Computer Science Applications. Taylor & Francis Group. https://elibro- net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensarenglish/titulos/143905
Guerrero Salas, H. (2009). Programación lineal aplicada. Ecoe Ediciones. https://elibro-
Khan, S. Bari, A. y Faisal Khan, M. (2019). Linear and integer programming. Cambridge Scholars Publishing https://elibro- net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensarenglish/titulos/121880
Thie, P. R., & Keough, G. E. (2011). An introduction to linear programming and game theory. John Wiley & Sons.
Petersen, P. (2012). Linear Algebra. USA: Springer. https://www.springer.com/
gp/book/9781461436119# aboutBook 16
Liesen, J & Mehrmann, V. (2015). Linear Algebra. Suiza: Springer. DOI:
https://doi.org/10.1007/97 8-3-319-24346-7
Núñez, L. A. Vargas, E. y Boada, E. (2019). Álgebra lineal. Universidad Abierta para Adultos (UAPA). https://elibro- net.ucompensar.basesdedatosezproxy.com/es/lc/ucompensar/titulos/176649
MacGregor Smith, J. (2021). Linear Programming ∑cjxj,xj≥0∀j. In Springer Optimization and Its Applications (Vol. 175, pp. 83–132). https://doi.org/10.1007/978-3-030-75801-1_3
Soler, F. (2016). Álgebra lineal y programación lineal: con aplicaciones a ciencias
administrativas, contables y financieras. Bogotá: Ecoe Ediciones. https://www.ecoeediciones.com/wp-content/uploads/2016/03/%C3%81lgebra-lineal-y- programaci%C3%B3n-lineal-3ra-Edici%C3%B3n.pdf
Glosario .
• Simplex method: Analytical method of solving linear programming problems
capable of solving more complex models than those solved by the graphical method without restriction on the number of variables. • The objective function: Is the equation that will be optimized given the limitations or restrictions determined and with variables that need to be minimized or maximized. • Restrictions: Are the upper and lower limits for a component function • Maximize: The solution that allows you to obtain the best possible results with the resource constraints you have. • Pivot: The column of the variable that enters the base.
