Scan las variables xp,.x/y 2 las tasas tributarias (expresadas como proporciones de las bases tributarias) sobre la propiedad, alimentos, medicinas y ventas generales, y defina la variable rg como el impuesto sobre la gasolina en centavos por galén. Las metas del concejo municipal se expresan entonces como SS0hty + 35xp + 55x, + OTSxy = 16 (Ingresos fiscales) 35xy = .1(S50xp + S5xy + 55x3 + O75xg) _(Impuestos sobre alimentos/medicinas) 55x, = 2(550x, + 35xy + 55x, + O75x,) __(Impuesto general) m2 (Impuesto sobre la gasolina) Ap Xp tn ty = 0 Estas restricciones se simplifican entonces como S50xp + 35xy + 55x, + 075g = 16 SSxp — 31Sxy + 55x, + 00TSry = 0 NOx, + Txy — 44x, + O15xy = 0 ps2 Xp Xptn ty =O Cada tna de las desigualdades de! modelo representa una meta que el concejo municipal aspira satisfacer, Es muy probable, sin embargo, que lo mejor que se puede hacer sea tna solu- cidn compromiso que implique estas metas contlictivas. La forma en que la programacién de metas determina una sohucién compromiso es convertir cada desigualdad en una meta flexible en la cual la restricién correspondiente pueda ser violada, sies necesario. En funci6n del modelo de Fairvile, as metas flexibles se expresan como sigue: S5Oxy + 35xy + 55x, + 07Sx, + 85 — 51 = 16 SSxy—31Sey + 55x, + 0075s, +95 ~ sf =0 10x, + Txy — Ab, + 01Se, + xp tsp —st=2 Xp Xp kets = 0 susp =09= 1,234 Las variables no negativas s7 y sf, = 1.2.3.4 son variables de desviae desviaciones por debajo y por arriba del lado derecho de la restrieidn i Las vatiables de desviacién 5; y si son dependientes por definicién,y de ab que no pueden ser las variables bisieas al mismo tiempo (de acuerdo con la teoria del método simplex). Esto sig- nifica que en cualquier iteracién simplex, no més de wna de las dos variables de desviacién puede asumir un valor positive. Si la desigualdad i-¢sima original es del tipo = y su s7 = 0,entonces se satisface la meta /-ésimas en caso contrario, nose satisface la meta i. En evencia, la detinicidn de 5 y sf permite satisfacer 0 violar a meta i-ésima a voluntad. Este es el tipo de flexibilidad que ca- tacteriza a la programacién de metas cuando se busca una solucién compromiso. Légicamente, tna buena solucion compromiso busca minimizar la cantidad por la que se viole cada meta, aque representan lasEn el modelo de Fairville, dado que las tres primeras restricciones son del tipo = y Ia cuarta cs del tipo =, las variables de desviacién 5,83, $5 ys (que en el modelo aparecen en negritas) representan las cantidades por las cuales se violan las metas respectivas Por lo tanto, la solucion compromiso busca satisfacer en cuanto sea posible los siguientes cuatro objetivo Minimizar G = sp Minimizar G, = sy Minimizar Gy = 55 Minimizar Gy = si Estas funciones se minimizan sujetas a las ecuaciones de restriceién del modelo, "mo podemos optimizar un modelo de miiltiples objetivos con metas conflictivas? Con este fin se desarrollaron dos métodos: (1) el método de los pesos, y (2) el métado preventivo. Ambos métodos se hasan en la conversién de os multiples objetivos en una sola funcién. La sec- cién 82 proporciona los detalles. ALGORITMOS DE PROGRAMACION DE METAS. Esta seccién presenta dos algoritmos para resolver la programacidn de metas. Ambos métodos se basan en la representacin de miiltiples metas por una sola funcién objeti- vo. Fn el método de pesos, la funcisn objetivo tinica es la suma ponderada de las fun- ciones que representan las metas del problema. El método preventive 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 solucién de mas alta prioridad. Por lo comiin, los dos métodos propuestos no presentan la misma solucién, Ninguno de fos métodos, sin embargo, es superior al otro porque las dos téenicas pre~ suponen preferencias distintas en la toma de decisiones. Método de los pesos Suponga que el modelo de programacién de metas tiene n metas y que la meta i-ésima se da como Minimizar Gi, i = 1,2,.....0 La funcién objetivo combinada utilizada en el método de pesos se define entonces como Minimizar z = wjG; + wyG, + + + wyGy Los pardmetros 10;,/ = 1,2... Son pesos positives que reflejan las preferencias de la toma de decisiones con respecto a la importancia relativa de cada meta. Por ejemplo, ww, = 1, para todas las i, significa que todas las metas tienen una misma importancia. La determinacién de los valores especificos de estos pesos es subjetiva, En realidad, los procedimientos analiticos aparentemente complejos, desarrollados en la literatura (vea, por ejemplo, Cohon, 1978) atin estan arraigadas en evaluaciones subjetivas,Ejemplo 8,2-1 ‘TopAd, una nueva agencia de publicidad con 10 empleados firmé un contrato para promover un nuevo producto. La agencia puede hacer publicidad por radio y television. La siguiente tabla proporeiona la cantidad de personas alcanzadas diariamente por cada tipo de anuncio publicita- rio, asf como los requerimientos de costos y mano de obra. El contrato prohibe 2 TopAd utilizar Radio ‘Television [Exposicion (en millones cle personas)/miin 4 8 Costo (en miles de délares)min 8 24 Empleados si ade 1 2 nds de 6 minutos de publicidad por radio. Ademis, los anuncios de radio y television tienen que llegar al menos a 45 millones de personas. TopAd tiene una meta presupuestaria de $100,000 para el pro: yecto. ,Cusintos minutos de anuncios de radio y television debe utilizar TopAd? Sean x; ¥ x9 los minutos asignados a los anuncio dle radio y televisi6n, La formulacién de la pro- ‘ramacia de metas para el problema se da como Minimizar Oy 7 (Satisfacer la meta de exposicisn) Minimizar G3 = sj (Satisfacer la meta de presupuesto) sujetoa dnt Byes oh = 45 (Meta de exposicisn) 8x, + 24 +5) sf = 100 (Meta de presupuesto) y+ de 10 (Limite de personal) x 6 (Limite de radio) aya sissies sf La gerencia de TopAd estima que la meta de exposicién es dos veces mais importante que la meta de presupuesto, Por lo tanto, la funcién objetivo combinada se convierte en La solucién éptima es z = Oy sr =O. El hecho de que el valor 6ptimo de no.sea cero indica que al menos una de las metas no se cum: ple. Especiticamente, s; = 5 significa que la meta de exposicin (de al menos 45 millones de perso- nas) falla por 5 millones de personas. Por otra parte, la meta de presupuesto (de no exceder $104,000) ‘no se viola porque s3 = 0. 5 millones de personas, ‘Comentarios. La programacion de metas busca s6lo una solucin efciente,mas que éptima, al pro- ‘ema. Por ejemplo, la solucion xy = 6y x3 = 2 produce a misma exposicion (8x 6+ 8 x 2) = 40 mi llones de personas) pero euesta menos (8 % 6 + 24 x 2) = $96,000). En esencia, lo que la programa- cin de metas hace es hallar una solucién que satisfaga las metas del modelo sin tomar en cuenta la ‘optimizacion. La flla de no halla I solucion optima levanta dudas sobre la vabilidad de la progra- ‘macién de metas como una técnica de optimizacion (vea el ejemplo 82-3 para un tratamiento mas amplio)Método preventivo En este tipo de método, el tomador de decisiones clasifica las metas del problema en orden de importancia. Dada una situacién de 1 metas, los objetivos del problema se escriben como Minimizar G; = py (Maxima prioridad) Minimizar G,, = p,(Minima proridad) La variable pes el componente de las variables de desviacién. 5; 0 5), que representan Ja meta i. Por ejemplo, en el modelo de TopAd (ejemplo 82-1), py = s7 y pa = Si. EI procedimiento de solueién se inicia con la optimizacién de la prioridad maxi- ma, G,.y termina con la optimizaci6n de la prioridad mfnima, G, El método preventi- vo estd diselado de modo que una solucién de menor prioridad nunca degrade a una solucién de alta prioridad.Fjemplo 8.2-2 El problema del ejemplo 8-2.1 se resuelve por el método preventivo. Suponga que la meta de ex- posicidn tiene la prioridad mas alta Paso 0. Gi>Gr Gy: Minimizar sj (Satisfacer la meta de exposicién) Gy: Minimizar 53 (Satisfacer la meta de presupuesto) Paso 1. Resuelva la PL; Minimizar G, = 5 sujetoa dey Bx) + sp sh = 45 (Meta de exposicidn) Bx + 2x +53 — sf = 100 (Meta de presupuesto) xt 2m = 10 (Limite de personal) 4 = 6 (Limite de radio) Sp da sieshe shes} 20 Lasolucin épxima (determinada por TORA) cs 1 = 5 minutos, x2 = 2.5 minutos 5 millones de personas, con las variables restantes iguales a coro, La solucién ‘muestra que 5 millones de personas violan la meta de exposici6n. G1. La restricci6n adicional que se atade al problema Gp es s; = 5 (0,lo que es lo mismo, = 5). Paso 2. La funcion objetive dea PLyes Minimizar G, ~ sf Las restricciones son las mismas que en el paso 1 mds la restriceisn adicional s7 = 5 (Puede aplicarse la opcién MODIFY de TORA para representar la nucva restriocién asignando 5 tanto & la cota inferior como a la cota superior de $j.) Por lo general, la restrccion adicional s = 5 también puede explicarse al susti- tuir en la primera testricci6n, El resultado es que el lado derecho de la restriccin de a meta de exposici6n carbiard de 45 a 40,lo que reduce la LP2 8 Minimnizar G = sf sjstoa dnt by —st = 40 (Mota do oxposicién) Sx, +24 + 5p ~ sf = 100(Meta de presupuesto) n+ ln = 10(Limite de personal) x 6 (Limite de radio) sues s5, 5h 20 La nueva formulacién tiene una variable menos que la de la PL, la cual es la idea ge- neral anticipada por la regla de eliminacién de columnes. En realidad, la optimizaci6n de la PL noes necesaria en este problema porque Ja solucién éptima al problema Gy ya da por resultado s3 = 0; es decir, ya es Gptima para la PL2, Tales oportunidades de ahorro de cAlculos deben aprovecharse siempre que se presenten durante el curso de implementacién del método preventivo.Un algoritmo heuristico es el que proporcicna en forma eficiente soluciones aproximadas ‘satisfactorias para un modelo determinado. Con frecuencia cuando se emplea ese tipo de algorit- ‘mos ¢s posible medir con precisidn qué tan “buena” es la aproximacién obtenida. Por ejemplo, cn el contexto de la optimizacién, se puede decir: “Al terminar el proceso podri tener seguridad de contarcon_% de optimalidad”, cuando se utilizan determinades algoritmos heuristicos. O bien, puede declararse que: “En ciertas suposiciones, la respuesta heuristica sera éptima en {% de las ocasiones.” Los algoritmos heurfsticos nunca proporcionan una solucién “mala”. En términos generales, desde el punto de vista de un administrador, un procedimiento heu- ristico puede ser sin duda alguna tan aceptable como un algoritmo “més exacto” que pro- duzca una solucién éptima, y tal vez incluso preferible a éste (en términos de costos). En ‘este caso, las consideraciones predominantes deberdn ser qué cantidad de conocimientos y ‘rientaciones podra proporcionar el modelo y cual seré el beneficio neto global, medido por la diferencia entre “Ios ahorros obtenidos con el modelo y el costo de produccién del pro- pio modelo y de su soluciGn”. _Despuiés de los ejemplos presentados en la primera parte del capitulo, examinaremos mode- los donde el objetivo consiste en lograr niveles aceptables de ciertas “metas”. Por ejemplo, con- sidere modelos con objetivos multiples y antagsnicos entre si el presidente de una empresa que desea obtener altas ganancias, pero también quiere mantener sus precios bajos para no perder clientes. Este ejemplo es tipico en las aplicaciones de negocios. La programacién por metas se ‘ocupa de esos modelos. Este tema estd estrechamente relacionado con la programacién heuristi- ca porque la misma programacién por metas puede considerarse, en cierto modo, como un enfo- que heuristico para el tratamiento de objetives multiple A continuacién examinaremos un tema nuevo e importante conocido como el proceso de Jerarquia analitica (PIA), el cual ayuda a los administradores a escoger entre muchas decisio- nes alternativas cuando se emplean miltiples eriterios para calificar dichas altern