You are on page 1of 23

INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES

UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA GEOLOGICA, MINERA Y METALURGICA ESCUELA PROFESIONAL DE MINAS

INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES TRABAJO N° 1 OPTIMIZACION DE LA OPERACIÓN MINERA UNITARIA DE PERFORACION

ALUMNO :  Aponte Gonzales Alejandro  Garcia cueva Luigi  Castro Cuya Lincoln PROFESOR:  Dr Carlos Agreda Urriate

2012

INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES

Introducción

Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre los avances científicos más importantes de mediados del siglo XX. En la actualidad es una herramienta común que ha ahorrado miles o millones de dólares a muchas compañías y negocios, incluyendo industrias medianas en distintos países del mundo. ¿Cuál es la naturaleza de esta notable herramienta y qué tipo de problemas puede manejar? Expresado brevemente, el tipo más común de aplicación abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma óptima). Este problema de asignación puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripción es sin duda muy grande, y va desde la asignación de instalaciones productivas a los productos, hasta la asignación de los recursos nacionales a las necesidades de un país; desde la planeación agrícola, hasta el diseño de una terapia de radiación; etc. No obstante, el ingrediente común de todas estas situaciones es la necesidad de asignar recursos a las actividades.

. cabe citarlos. como la programación lineal. Leibnitz. La contribución más importante de Fourier fue la idea de que cualquier función. debemos remontarnos al año 1939 para encontrar nuevos estudios relacionados con los métodos de la actual programación lineal. Si bien sus aportes no corresponden estrictamente al campo de la microeconomía.+ancosnx+ .. puede representarse por una serie de la forma: y = a0/2 + a1cosx + a2cos2x +. grandes matemáticos como Newton. Bernouilli y.. y = f(x).INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES PROGRAMACIÓN LINEAL 1.+bnsennx en la que a0 = 1/p ò f(x)dx y an = 1/p ò f(x)cosnxdx Si exceptuamos al matemático Gaspar Monge (1746-1818). estudiado independientemente por Koopmans y Kantarovitch. sobre todo. HISTORIA DE LA PROGRAMACIÓN LINEAL Origen de la programación lineal En los siglos XVII y XVIII.. razón por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. En este año. En 1941-1942 se formula por primera vez el problema de transporte. conocida hoy como programación lineal . aunque de forma imprecisa.. los métodos de lo que actualmente llamamos programación lineal y la potencialidad que de ellos se deriva.. se ocuparon de obtener máximos y mínimos condicionados de determinadas funciones. que tanto habían contribuido al desarrollo del cálculo infinitesimal. quien en 1776 se interesó por problemas de este género. . b1senx +b2sen2x+. Lagrange. Posteriormente el matemático fránces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir. el matemático ruso LeonodasVitalyevich Kantarovitch publica una extensa monografía titulada Métodos matemáticos de organización y planificación de la producción en la que por primera vez se hace corresponder a una extensa gama de problemas una teoría matemática precisa y bien definida llamada. ya que los métodos desarrollados por ellos. tienen aplicación en microeconomía. Koopmans y Kantorovich compartieron el Premio Nobel por sus contribuciones a la teoría de la óptima asignación de recursos.

estos éxitos atrajeron la atención de la industria que en ese momento tenía varios problemas: Aumento de la complejidad de los procesos industriales. Tras la guerra.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Tres años más tarde. Primeros éxitos:Batalla Aérea Británica. fisicos. Stigler plantea otro problema particular conocido con el nombre de régimen alimenticio optimal En estos años posteriores a la Segunda Guerra Mundial. formarían el grupo que dio en denominarse SCOOP (ScientificComputation of OptimumPrograms). biólogos. y psicologos) en las administraciones británica y norteamericana.B. Manejo de operaciones de bombardeo. Muchos expertos en la materia situan los origenes sus origenes en la Segunda Guerra Mundial. el enunciado estándar al que cabe reducir todo problema de programación lineal. en Estados Unidos se asumió que la eficaz coordinación de todas las energías y recursos de la nación era un problema de tal complejidad. Aumento de la capacidad de almacenamiento de datoseIncremento de la velocidad de resolución de los problemas En 1947. junto con una serie de investigadores del UnitedStatesDepartament of Air Force. G. Colocación de minas etc. que su resolución y simplificación pasaba necesariamente por los modelos de optimización que resuelve la programación lineal. Dantzig formula. en términos matemáticos muy precisos. . Desarrollo paralelo de los ordenadores. G. estadísticos. Grupos de trabajo interdisciplinares (matematicos. Campaña de las islas del Pacífico. Mayor especialización en los mismos Existieron otros factores que contribuyeron al avance de esta ciencia en este período : Mejoras sustanciales que se obtenían al desarrollar y perfeccionar las técnicas de investigación Operativa. Batalla del Atlántico Norte. Dantzig.           Despliegue de radares.

con Charnes y Cooper. tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. Se continuó con infinidad de aplicaciones de tipo preferentemente militar. su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan sólo un año. . de una manera general. La influencia de este respetado matemático. catedrático de la Universidad de Princenton de Estados Unidos. quie en 1928 publicó su famoso trabajo Teoría de Juegos. discípulo de David Hilbert en Gotinga y. dependiente del Carnegie Institute of Technology . a tal efecto. ayudándose de varios modelos de ordenador de la firma IBM. rebajó un 11% los gastos respecto a los costes previstos. distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programación lineal. desde 1930. con Dantzig. En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de Moscú. hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. Cabe citar. Orchard-Hays. en marzo de 1949. Inglaterra y Estados Unidos). calculado con el ordenador Strena en 10 días del mes de junio. señalaremos que su estudio comenzó en el año 1951 y fue desarrollado por Dantzig en el UnitedStates Bureau of Standards SEAC COMPUTER. se organizó un gigantesco puente aéreo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias. El plan óptimo de transporte. En la planificación de los suministros se utilizó la programación lineal. que si un país subdesarrollado utilizase los métodos de la programación lineal. A los aliados se les plantearon dos posiblidades: o romper el bloqueo terrestre por la fuerza. Fulkerson y Gale. entre otros. que estudiaremos después. así como la Escuela Graduada de Administración Industrial. fundamentalmente en Estados Unidos. Ford. Rand Corporation. los soviéticos levantaron el bloqueo) . Uno de los episodios más llamativos de esa guerra fría se produjo a mediados de 1948. se llegó a las 8000 toneladas. el departamento de Matemáticas de la Universidad de Princenton. Se ha estimado. Respecto al método del simplex. En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética (URSS) y las potencias aliadas (principalmente. En 1947 conjetura la equivalencia de los problemas de programación lineal y la teoría de matrices desarrollada en sus trabajos. Se adoptó la decisión de programar una demostración técnica del poder aéreo norteamericano. (El 12 de mayo de 1949. cuando la URSS bloqueó las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berlín. iniciando el bloqueo de Berlín. Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de origen húngaro Janos von Neuman (1903-1957). o llegar a Berlín por el aire. En este problema había 10 puntos de partida y 230 de llegada.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente aéreo de Berlín. con Tucker y Kuhn. Hacia 1950 se constituyen.

· Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se lo denomina conjunto (o región factible). ( menores: < o). que son: inferiores a . CONCEPTO Y OBJETIVOS Es una técnica matemática y de investigación de operaciones que se utiliza en la planificación administrativa y económica para maximizar las funciones lineales de un gran número de variables sujetas a determinadas restricciones. · ..y) = ax + by + c llamada función objetivo y que es necesario optimizar. b y c son constantes. sino de un término militar. El nombre de programación lineal no procede de la creación de programas de ordenador. Tanto si se trata de maximizar como de minimizar. se llama programación lineal al conjunto de técnicas matemáticas que pretenden resolver la siguiente situación: Optimizar (maximizar o minimizar) una función objetivo. mientras que a. Todo punto de ese conjunto puede ser solución del problema. disponibilidades o necesidades. DEFINICIONES PREVIAS En un problema de programación lineal intervienen: La función f(x.. función lineal de varias variables. la logística o el despliegue de las unidades de combate. El carácter de desigualdad viene impuesto por las limitaciones. de tal forma que ahora esta técnica se utiliza extensamente en operaciones industriales y militares. las desigualdades pueden darse en cualquiera de los dos sentidos. (mayores: > o ) . En sí. expresadas por inecuaciones lineales... En términos económicos Thierauf define a la programación lineal como un método de asignación de recursos limitados en forma total q se satisfagan las leyes de oferta y demanda para los productos de la empresa. En esa expresión x e y son las variables de decisión. programar. Su número depende del problema en cuestión.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES El desarrollo de computadoras electrónicas y de técnicas de procesamiento de alta velocidad ha aportado recientemente muchos avances a la programación lineal. como mínimo de . · Las restricciones que deben ser inecuaciones lineales. que significa realizar planes o propuestas de tiempo para el entrenamiento. 2. todo punto no perteneciente a ese conjunto no puede ser solución. 3. sujeta a una serie de restricciones.

. Z = valor de la medida global de efectividad. en donde m denota el número de distintos tipos de recursos que se pueden usar y n denota el número de actividades bajo consideración. calidad.n).. Variables de decisión. Rectas de nivel Son las rectas que pasan por los puntos de la región factible y son paralelas al vector director de la función objetivo. Función objetivo Es la función que deseamos optimizar. la función objetivo se maximizar o minimiza. Cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j. Solución óptima Es el punto o conjunto de puntos de la región factible donde la función objetivo alcanza el valor máximo o el valor mínimo. la representamos por: f(x. . 5. etc. 3.. el segmento que los une está contenido en su interior. La definición de las variables es el punto clave y básicamente consiste en los niveles de todas las actividades que pueden llevarse a cabo en el problema a formular. bi = cantidad de recurso i disponible para asignar a las actividades (parai = 1. que es el que nos interesa.. es decir.y)=ax+by+c 4. Es el conjunto de dos o más inecuaciones que se deben satisfacer a la vez. Restricciones Estructurales. Función objetivo. balance de materiales. Son las incógnitas del problema. 2..2. La solución óptima siempre se alcanza en uno de los vértices o en el segmento que une dos vértices de la región factible.. no acotado y vacío. Polígono convexo o región convexa. FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL Los términos clave son recursos y actividades. materia prima. dichas restricciones pueden ser de capacidad..INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Sistema de inecuaciones lineales con dos incógnitas.2. ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL 1. Es toda región del plano tal que para dos puntos cualesquiera de la región. mercado. Diferentes requisitos que debe cumplir cualquier solución para que pueda llevarse a cabo.. es decir. La región factible es un polígono convexo y puede ser: acotado. maximizar o minimizar. Consiste en optimizar el objetivo que persigue una situación la cual es una función lineal de las diferentes actividades del problema. que no haya ni un solo punto que verifique todas las restricciones al mismo tiempo. aij = cantidad del recurso i consumido por cada unidad de la actividad j.m). Xj = nivel de la actividad j (para j = 1. Conjunto solución del sistema o región factible es la región formada por la intersección delos semiplanos solución de cada una de las inecuaciones de un sistema. En el caso bidimensional.

lo único que se necesita es que la formulación matemática del problema se ajuste a las formas permitidas. para algunos valores de i 4.. Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de programación lineal.. siempre y cuando éstas sean las únicas formas nuevas introducidas. resolver el problema casi .. Una vez hecha esaparte.. o en algunos casos puede ser que algunas variables tomen valores negativos.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES 4. = bi. para algunos valores de i 3. la parte más difícil de PL es reconocer cuándoésta puede aplicarse y formular el problema matemáticamente.. Entonces. Se verá que estas otras cuatro formas legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se presentó. + cnxn. Algunas restricciones funcionales en forma de ecuación: ai1x1 + ai2x2 +. Minimizar en lugar de maximizar la función objetivo: Minimizar Z = c1x1 + c2x2 +.. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual: ai1x1 + ai2x2 +. todo problema de PL se puede poner en nuestra forma estándar si se desea. 2. ³ bi. Puede ser que la interpretación que se ha dado de asignación de recursos limitados entre actividades que compiten no se aplique. Cualquier problema que incluya una. + ainxn. MODELO GENERAL DE PROGRAMACION LINEAL Formulación de modelos de Programación Lineal Aunque se ponga en duda. + ainxn. Condición técnica. Las variables de decisión sin la restricción de no negatividad: xjno restringida en signo para algunos valores de j. Todas las variables deben tomar valores positivos. Las otras formas legítimas son las siguientes: 1. pero independientemente de la interpretación o el contexto. varias o todas estas formas del modelo anterior también se clasifica como un problema de PL. OTRAS FORMAS DE MODELOS DE PROGRAMACIÓN LINEAL.

Esto se realiza cuando se resuelven“problemas hablados” al estudiar un curso de álgebra. Pero al multiplicar una desigualdad por -1. Por ejemplo.la afirmación anterior puede escribirse como una desigualdad: 3A + 2B ≤ 100 Para que sea aceptable para PL. Por ejemplo.A ≥ 2 es lo mismo que B . horas de mano de obra). ni tampoco los productos de variables. por ejemplo. lo que se tiene disponible. Además. las raíces cuadradas. cuando mucho. etc. la restricción es que A debe ser por los menos el doble deB.2B ≤ 0 es lo mismo que A . la forma estándar parauna restricción pone a todas las variables del lado izquierdo y sólo una constantepositiva o cero del lado derecho. la restricción será: 3A + 2B = 100 Sin embargo. Los cuadrados. no sonaceptables. Para este caso. S se llama variablede holgura.A + S = 2 En donde S representa la diferencia. Algo muy parecido sucedeaquí al formular las restricciones. Por otro lado.A y 2.2B -S = 0 . entonces: A≤B–2 A – B ≤ -2 Por último B – A ≥ 2 Una nota final sobre desigualdades: es sencillo convertir una desigualdad en unaecuación. esto puede escribirse como: A ≤ 2B ó A . cada restricción debe ser una suma devariables con exponente 1. Si.2. deben expresarseafirmaciones lógicas en términos matemáticos. entre B . no es obligatorioque se usen todos los recursos (en este caso. se restaría una variable de superávit en el caso siguiente: A . Puede ser necesario hacer esto para que loscoeficientes del lado derecho sean positivos. el sentidode esta desigualdad se invierte. Por ejemplo: B .Para formular un problema en forma matemática.2B ≤ 0 Nótese que pueden moverse términos de un lado a otro de las desigualdades comosi fuera un signo de igualdad.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES siempre es fácil. o la holgura. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Si deben usarse todas las 100horas disponibles. en la mayoría de las situaciones de negocios. Más bien lalimitación es que se use. si se quiere que A sea porlo menos tan grande como B . considérese la siguiente afirmación: Ausa 3 horas por unidad y B usa 2 horas por unidad. Esto puede requerir algún reacomodo de lostérminos.

INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Algunos métodos de solución (como el Método Simplex) y la mayoría de losprogramas de computadora (como el MathProg. Ahora sea bila cantidad disponible del recurso i (para i = 1. 2. Debe llevar consigo el maximizar o minimizaralguna medida numérica. queacompaña al libro “Introducción a la Investigación de Operaciones” de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan enigualdades... n).. se usa la letra Z para representarlo.. Sea xj(una variable de decisión) el nivel de la actividad j... que se pueden asignar entre cualquier número (digamos n) de actividades competitivas de cualquier clase... Etiquétense los recursos con números (1. Mientras que no existe un límite en el número de restricciones que puedetener un problema de PL. La forma matemática delobjetivo se llama función objetivo. no negativas. n.. En particular. este modelo consiste en elegir valores de x1. Podría ser minimizar el costo.. no se querríaunasolución que diga: prodúzcanse menos dos cajas o contrátense menos cuatropersonas.. Por último defínase aijcomo la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1.... Para la mayoría de los problemas esto es real. la ganancia. 2... FORMA ESTÁNDAR DE LOS MODELOS DE PROGRAMACIÓN LINEAL. Supóngase que existe cualquier número (digamos m) de recursos limitados de cualquier tipo. n). Con frecuencia el objetivo esevidente al observar el problema.... y sea Z la medida de efectividad global seleccionada. Se puede formular el modelo matemático para el problema general de asignar recursos a actividades.. ... Podría ser maximizar el rendimiento.. La función objetivo tendrá. entonces. xnpara: .. para j = 1.. x2. lacontribución marginal o los contactos con los clientes. 2. Como el valor de la función objetivo no se conoce hasta que se resuelve elproblema. que viene en el ORCourseware. sólo puede haber un objetivo. m) al igual que las actividades (1. 2. Sea cjel incremento que resulta en Z por cada incremento unitario en xj(para j = 1... n).la forma: Maximizar Z = 4A + 6B óMinimizar Z = 2x1 + 5x2 Se analiza una aplicación para ilustrar el formato de los problemas deProgramación Lineal. 2.es decir. m).. 2. m y j = 1... La metodología de PL requiere que todas las variables sean positivas o cero.el número de empleados o el material de desperdicio. 2.

Una función lineal en x y y tiene la forma: Donde a y b son constantes... Cualquier situación cuya formulación matemática se ajuste a este modelo es un problema de PL. Las constantes de entrada. 6. De manera parecida. La programación lineal fue desarrollada por George B. se llama función objetivo. cj. las restricciones xj≥ 0 se llaman restricciones de no negatividad. También se requerirá que las restricciones correspondientes estén representadas mediante un sistema de desigualdades lineales o ecuaciones en x y en y y que todas las variables sean no negativas. se hace referencia a las limitaciones como restricciones. que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. Las primeras m restricciones (aquellas con una función del tipo ai1x1 + ai2x2 +. en donde la función dada se tendrá que maximizar o minimizar. + ainxn. MÉTODOS DE SOLUCIÓN MÉTODO GRAFICO CONCEPTO GENERAL DEL METODO GRAFICO Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal. En este momento se puede resumir la terminología que usaremos para los modelos de PL. La función que se desea maximizar..INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan otras formas) para el problema de PL. A un problema en el que intervienen todas estas condiciones se le denomina problema de programación lineal. Las variables xjson las variables de decisión. aij. danzing a fines de . + cnxn. bi. c1x1 + c2x2 +.. reciben el nombre de parámetros del modelo. Por lo general.

se grafica la función objetivo en la misma gráfica de las restricciones. En la actualidad tiene amplia aplicación en el análisis industrial y económico. PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO Para llegar a una solución óptima en el método grafico se requiere seguir con una serie de pasos que podemos dar a continuación: 1. En un problema de programación lineal a la función que se desea maximizar o minimizar se le denomina función objetivo. Se graficara siempre la función objetivo del problema y se dará la solución de acuerdo con el símbolo que este presente en las restricción de la función objetivo. Ejemplo Una compañía posee dos minas: la mina A produce cada día 1 tonelada de hierro de alta calidad.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES la década de 1940 y se utilizo primero en la fuerza aérea de los Estados Unidos como auxiliar en la toma de decisiones. el objetivo consiste en encontrar una de esas soluciones que represente una solución óptima (es decir una solución que del valor máximo o mínimo de la fusión objetivo) En conclusión con lo que acabamos de revisar en la parte anterior sobre las inecuaciones nos da para definir literalmente el método grafico y el método algebraico dentro del ámbito de la programación lineal. graficar las restricciones El próximo paso de la solución por método grafico es la graficación de las restricciones en el plano cartesiano para establecer todas las posibles soluciones. 3 toneladas de calidad media y 5 de baja calidad. Entonces el método grafico en la programación lineal es simplemente sacar de unasituación (problema) ecuaciones lineales y convertirlas en desigualdades oinecuaciones para poder graficarlas y así sacar la región mas optima dependiendo del signo de la desigualdad esa área se sombreara y esa será la solución mas optima del problema. Aunque por lo general existe una cantidad infinitamente grande de soluciones para el sistema de restricciones (a las que se denomina soluciones factibles o puntos factibles). La mina B produce cada día 2 toneladas de cada una de las tres calidades. obtención de la solución optima Para encontrar la solución óptima. La compañía necesita al menos 80 toneladas de mineral de alta calidad. Sabiendo . 160 toneladas de calidad media y 200 de baja calidad. 2. formulación del problema El primer paso para la resolución por método grafico es expresar el problema en términos matemáticos en el formato general de la programación lineal (desigualdades) con un solo fin maximizar la contribución a la ganancia. 3.

r2 3x + 2y= 160 y r3 5x + 2y=200 en el primer cuadrante y considerando la región no acotada que determina el sistema de restricciones: .INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES que el coste diario de la operación es de 2000 euros en cada mina ¿cuántos días debe trabajar cada mina para que el coste sea mínimo? Solución Organizamos los datos en una tabla: días Mina A Mina B x y Alta calidad Calidad media 1x 2y 80 3x 2y 160 Baja calidad 5x 2y 200 Coste diario 2000x 2000y La función objetivo C(x. y)=2000x + 2000y Las restricciones son: La región factible la obtenemos dibujando las rectas auxiliares: r1 x + 2y=80.

20) (comprobarlo) que nos da el punto (20. 50). 40+2000.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Los vértices son los puntos A(0. 50) r1 r3 no hace falta calcularlo pues queda fuera de la región factible. B(20. y)=0 es el (40. 100)=2000.50=40000 + 100000= 140000 C(40. Definir el conjunto factible. 3. 0)= 2000. 50)=2000. Encontrar la solución óptima A continuación se presentan el análisis algebraico y grafico de algunos problemas de programación lineal: METODO SIMPLEX El método simplex fue desarrollado por George dantzig (1947) y es un método algebraico que se utiliza para resolver problemas de programación lineal en un número finito de pasos en una . 0). Luego la solución es trabajar 40 días en la mina A y 20 en la B.80 =160000 METODO ALGEBRAICO PASOS PARA UTILIZAR EN METODO ALGEBRAICO Dado que tenemos un problema de dos variables. 20)= 2000.100=200000 C(20. que se encuentran al resolver el sistema que determinan dos a dos las rectas auxiliares y (y que estén dentro de la región factible). Veremos la siguiente manera de obtener gráficamente las soluciones al problema planteado y luego veremos cómo obtenerlas algebraicamente.20=80000 + 40000= 120000 coste mínimo C(80. 20). r1 r2 r2 r3 que nos da el punto (40. D(80. podemos graficar las soluciones posibles y comprender algunos puntos interesantes respecto a las relaciones lineales. 4.20+2000. 2. 1. Graficar las restricciones. 20). 100). (método gráfico) Lo comprobamos aplicando el método analítico: C(0. En la gráfica se aprecia que el primer punto que se alcanza al desplazar la recta C(x. C(40. Exprésense los datos del problema como una función objetivo y restricciones.

resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 18 42 24 0 . si el número de variables es mayor). El método del simplex se basa en la siguiente propiedad: si la función objetivo. a lo largo de la cual f aumenta. para convertirlas en igualdades. Este método establece una solución factible y luego prueba si es óptima o no. PASOS PARA EL DESARROLLO DEL METODO SIMPLEX Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. entonces hay una arista que parte de A. siempre se podrá encontrar la solución. Con miras a conocer la metodología que se aplica en el Método SIMPLEX. La búsqueda se hace siempre a través de los lados del polígono (o de las aristas del poliedro.y)= 3x + 2y sujeto a: 2x + y 2x + 3y 3x + y x 0. Si no lo es busca una mejor solución y si esta no es optima entonces repite el proceso hasta hallar una solución óptima. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones. vamos a resolver el siguiente problema: Maximizar Z= f(x. no toma su valor máximo en el vértice A.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES computadora.y Se consideran las siguientes fases: 1. Cómo el número de vértices (y de aristas) es finito. el método consiste en buscar sucesivamente otro vértice que mejore al anterior. El proceso concluye cuando no es posible seguir mejorando más dicha solución. f. Partiendo del valor de la función objetivo en un vértice cualquiera.

la de los coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). Si existiesen dos o más coeficientes iguales que cumplan la condición anterior. significa que se ha alcanzado la solución óptima. lo que va a determinar el final del proceso de aplicación del método del simplex. nos fijamos en la última fila. una fila para cada restricción y la última fila con los coeficientes de la función objetivo: Tabla I . entonces se elige uno cualquiera de ellos.3x . Escribir la tabla inicial simplex En las columnas aparecerán todas las variables del problema y. Igualar la función objetivo a cero . Por tanto.3. la variable x de coeficiente . los coeficientes de las igualdades obtenidas. En nuestro caso. en las filas.2y + Z = 0 3. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la base A. . La columna de la variable que entra en la base se llama columna pivote (En color azulado). Si en la última fila no existiese ningún coeficiente negativo.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES 2. Para escoger la variable de decisión que entra en la base. Iteración nº 1 Base Variable de decisión Variable de holgura Valores solución X h s d Z 2 2 3 -3 y 1 3 1 -2 h 1 0 0 0 s 0 1 0 0 d 0 0 1 0 18 42 24 0 4. es que en la última fila no haya elementos negativos.

dos o más son iguales. indica la fila de la variable de holgura que sale de la base. Para encontrar la variable de holgura que tiene que salir de la base. entonces tendríamos una solución no acotada y no se puede seguir. El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo. También se puede hacer utilizando el siguiente esquema Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) . se divide cada término de la última columna (valores solución) por el término correspondiente de la columna pivote. siempre que estos últimos sean mayores que cero. C. 42/2 [=21] y 24/3 [=8] Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. Esta fila se llama fila pivote (En color azulado). 5. con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función objetivo Z. En el caso de que todos los elementos fuesen menores o iguales a cero. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional. Encontrar los coeficientes de la nueva tabla. ya 8 es el menor. d. Si al calcular los cocientes.(Coeficiente de la vieja fila en la columna de la variable . En nuestro caso: 18/2 [=9] . En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES B. 3. que es el que hay que convertir en 1. el 3. A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su columna. indica que cualquiera de las variables correspondientes puede salir de la base. 3.

C. es 1/3.. significa que no hemos llegado todavía a la solución óptima. por ser la variable que corresponde al coeficiente -1 B. El elemento pivote.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES entrante) X (Nueva fila del pivote) Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 3 . que ahora hay que hacer 1. -1. La variable que entra en la base es y. tenemos que la variable de holgura que sale es h.Coeficiente 2 2 x x 0 1 0 .2 2 2 x x x 42 2 x Nueva fila pivote 1 1/3 0 0 1/3 8 = = Nueva fila de s = = = = 0 7/3 0 1 -2/3 26 Tabla II . Hay que repetir el proceso: A. . Para calcular la variable que sale. 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6. Iteración nº 2 Base Variable de decisión Variable de holgura Valores solución x h s x Z 0 0 1 0 y 1/3 7/3 1/3 -1 h 1 0 0 0 s 0 1 0 0 d -2/3 -2/3 1/3 1 2 26 8 24 Como en los elementos de la última fila hay uno negativo. dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote: 2:1/3 [=6] .

La variable que entra en la base es d. es 4. tenemos que la variable de holgura que sale es s. hemos llegado a la solución óptima. 12/4 [=3]. El elemento pivote. y 6:1 [=6] y como el menor cociente positivo es 3. por ser la variable que corresponde al coeficiente -1 B. dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote: 6/(-2) [=-3] . Obtenemos la tabla: Tabla IV . Hay que repetir el proceso: A. C. -1. significa que no hemos llegado todavía a la solución óptima.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Operando de forma análoga a la anterior obtenemos la tabla: Tabla III . que ahora hay que hacer 1. Iteración nº 3 Base Variable de decisión Variable de holgura Valores solución X y s x Z 0 0 1 0 y 1 0 0 0 h 3 -7 -1 3 s 0 0 0 0 d -2 4 1 -1 6 12 6 30 Como en los elementos de la última fila hay uno negativo. Final del proceso Base Variable de decisión Variable de holgura Valores solución X y d x Z 0 0 1 0 y 1 0 0 0 h -1/2 -7/4 -3/4 5/4 s 0 0 0 0 d 0 1 0 0 12 3 3 33 Como todos los coeficientes de la fila de la función objetivo son positivos. en nuestro caso: 33. Los solución óptima viene dada por el valor de Z en la columna de los valores solución. En la misma columna se puede observar el vértice . Para calcular la variable que sale.

siendo este 0. En esta tercera iteración se ha calculado el valor que corresponde al vértice C(6.1 se transforman en inecuaciones de la forma ax . multiplicándolas por .0): Z=f(8. para entrar en la base se elige la variable cuyo valor. su valor no supera 33. en la fila de la función objetivo. hasta llegar a B.0) = 24 Sigue por la arista BC. advirtiendo que ha terminado (antes ha comprobado que la solución no mejora al desplazarse por la arista DE) El valor máximo de la función objetivo es 33.0). a la vez. es decir.12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c. y corresponde a x = 3 e y = 12 (vértice D). Concluye con esta tabla. Si calculas el valor de la función objetivo en el vérticeE(0. Los datos que se reflejan son los de la Tabla IV.c y estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso. hasta llegar al vértice D. pero cambiando el sentido del criterio. hasta llegar a C. Continúa haciendo cálculos a través de la arista CD.6)=30.by .6) : Z=f(6. En la primera iteración (Tabla I) han permanecido todos los coeficientes iguales. donde se para y despliega los datos de la Tabla III. sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la función objetivo son negativos Interpretación geométrica del método del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la función objetivo en los distintos vértices. ajustándose.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES donde se alcanza. calculando el valor de f . los coeficientes de las variables iniciales y de holgura. A continuación se desplaza por la arista AB. En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8. Este paso aporta la Tabla II. .14). observando las filas correspondientes a las variables de decisión que han entrado en la base: D(3. se ha calculado el valor de la función objetivo en el vértice A(0.

para ello al ingeniero le proporcionan una máquina perforadora eléctrica BE 49R.07X2 + 0.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Usando el método simplex resolveremos el problema de Perforación Problema En un yacimiento minero tipo skarn (Antamina) el cual se esta explotando a tajo abierto (open pit) se encuentra en la fase de perforación.08X3 ≤ 2 . una T1600 se tiene como objetivo maximizar el número de metros perforados por día. Una IR DMM2.06X1 + 0. las características y condiciones de trabajo son las siguientes MAQUINA VELOCIDAD DE MÁQUINA(m/h) 18 15 17 Costo del alquiler($/h) 75 65 70 BE 49R IR DMM2 T1600 Tiempo muerto por cambio de posición (%) 6 7 8 Tiempo de operación por día(h) X1 X2 X3    Se sabe que como máximo el presupuesto para alquiler diario debe ser $1400 Además como máximo el tiempo muerto debe ser 2 horas Los suma de horas de trabajo de todas las maquinas al día debe ser no mayor a 19 horas SOLUCIÓN: Planteo del modelo Z = 18X1 + 15X2 + 17X3 75X1 +65X2 + 70X3 ≤ 1400 X1 +X2 + X3 ≤ 20 0.

07X2 + 0.67 Z=0 X3 -17 70 1 0.08 S1 0 1 0 0 S2 0 0 1 0 S3 0 0 0 1 SBF 0 1400 19 2 Razón 18.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES Agregando variables de holgura Z – 18X1 – 15X2 – 17X3 = 0 75X1 +65X2 + 70X3 +S1 = 1400 X1 +X2 + X3 + S2 = 19 0.07 Variable entrante : X1 Variable saliente : S1 Pivot: 75 base Z X1 S2 S3 Z 1 0 0 0 X1 0 1 0 0 X2 3/5 13/5 2/5 9/500 X3 -1/5 14/15 1/15 3/125 S1 18/75 1/75 -1/75 8/10000 S2 0 0 1 0 S3 0 0 0 1 SBF 336 56/3 1/3 22/25 Razon 20 5 36.34 Variable entrante: X3 Variable saliente: S2 Pivot: 1/15 base Z X1 Z 1 0 X1 0 1 X2 1 -1 X3 0 0 S1 1/5 1/5 S2 3 -14 S3 0 0 SBF 337 14 Razon .67 19 33.06X1 + 0.06 0.08X3 + S3 = 2 Tablero Simplex Primera solución factible X1 = 0 X2 = 0 X3 = 0 base Z X1 X2 Z 1 -18 -15 S1 0 75 65 S2 0 1 1 S3 0 0.

www.67 Conclusiones  Solución óptima factible es: X1 =14.  Por tanto: Z = 337 es el óptimo. 2004 Introducción a la Investigación de Operaciones Frederick S. X2 = 0. Thomson. 2006 Investigación de Operaciones Hamdy A. McGraw Hill (5ª edición). S2 = 0.com/trabajos6/proli/proli.shtml Investigación de Operaciones.INTRODUCCIÓN A LA INVETIGACIÓN DE OPERACIONES X3 S3 0 0 0 0 2 3/100 1 0 -1/5 1/250 15 -9/25 0 1 5 19/25  36. Bibliografía       http://thales. Con estos resultados alcanzaremos el máximo número de metros perforados diariamente. Gerald J.html Hiller F. Lieberman “Introducción a la investigación de operaciones”.es/rd/Recursos/rd98/Matematicas/29/matematicas-29. Taha Prentice Hall. Winston. X3 = 5. S3 = 19/25  Estos resultados nos indican que para optimizar la cantidad de metros perforados diariamente la máquina BE 49R debe trabajar 14 horas. Aplicaciones y algoritmos Wayne L. la máquina trabajara IR DDM2 y por último la maquina T1600 trabajara 5 horas.monografias. Y G.cica. S1 = 0. Hillier. 1997 . Lieberman McGraw-Hill.