Investigacion de Operaciones Hillier Lieberman PDF

INVESTIGACION Dake) aa.7 Xele ss Cree ta Hillier ° Lieberman Pe Pe Cad RoIntroducci6én ORIGENES DE LA INVESTIGACION DE OPERACIONES Desde el advenimiento de la Revolucién Industrial, cl mundo ha sido testigo de un crecimiento sin precedentes en el tamafo y a complejidad de las organizaciones. Los pequefios ta- Ilcres artesanales de otra época se convirtieron en las corporaciones actuales de miles de millones de détares. Una parte integral de este cambio revolucionario fae el gran aumento en la divisidn del trabajo y en la separaci6n de las responsabilidades administrativas en estas organizaciones. Los restiltados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacién creé nuevos problemas que ocurren hasta la fecha ‘en muchas empresas. Uno de estos problemas es la tendencia de muchas de las componentes de una organizacién a convertirse cn imperios de relativa autonom(a, con sus propias metas y sistemas de valores; con esto pierden la visién de la forma en que sus actividades y objetivos eneajan con los de toda la organizacién. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado es que conforme la complejidad y Ia especializacién crecen, se vuelve més dificil asignar los recursos disponibles a las diferentes actividades de la manera més eficaz para la organizacién como un todo, Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos proporcionaron el ambiente adecuado para el surgimiento de la investigacién de operaciones (a la que también se haré referencia como IO). Las raices de la 1O se remontan a muchas décadas, cuando se hicieron los primeros inten- tos para emplear el método cientifico en la administracién de una empresa. Sin embargo, el inicio de la actividad llamada investigacién de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la Segunda Guerra Mundial. Debido a los esfuerzos bélicos, existfa una necesidad urgente de asignar recursos ¢scasos a las distintas operaciones militares ya las actividades dentro de cada operacidnen la forma més efectiva. Poresto, las administraciones militares americana y briténica hicieron un llamado aun gran niimero de cientificos para que aplicaran el método cientifico a éste y a otros problemas estratégicos y tfeticos. De hecho, se les pidid que hicieran investigacin sobre operaciones (militares). Estos equipos de cientificos fueron los primeros equipos de IO, Con el desarrollo de métodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo britanico, A través de sus investigaciones para mejorar el manejo de las operaciones antisub- marinas y de proteccidn, jugaron tambien un papel importante en la victoria de la batalla del Atlintico Norte. Esfuerzos similares fueron de gran ayuda en la Campafia del Pacifico. Alterminar la guerra, e! éxito de la investigacidn de operaciones en las actividades bélicas generé un gran interés en sus aplicaciones fucra del campo militar. Como la explosi6n industrial segufa su curso, los problemas causados por el aumento en la complejidad y especializa- cién dentro de las organizaciones pasaron de nuevo a primer plano. Comenzé a ser evidente1 Introduccién para un gran mimero de personas, incluyendo a los consultores industriales que habfan traba- jado con o para los equipos de IO durante la guerra, que esto’ problemas eran en esencia los ‘mismos que los enfrentados por la milicia, pero en un contexto diferente. Al inicio de la déca- dade 1950, estos individuos habfan introducido el uso de Ia investigacion de operaciones en la industria, los negocios y el gobierno. Desde entonces, se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que tuvieron gran importancia en el desarrollo de la IO en este periodo, Uno es el gran progreso que ya se habfa hecho en el me- joramicnto de las técnicas disponibles. Después de la guerra, muchos cientificos que habfan participado en los equipos de IO o que tenfan informacién sobre este trabajo, se encontraban ‘motivados a buscar resultados sustanciales; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mnétoda simplex para resolver problemas de programacién lineal, desarrollado en 1947 por George Dantzig. Muchas de las herramientas caracteristicas de la 10, como programacién lineal, programacién dindmica, Iineas de espera y teorfa de inventarios, se habian desarrollado casi por completo antes del término de la década de 1950. Un segundo factor que dio un gran fmpetu al desarrollo de este campo fue la revoluucién de Jas computadoras. E] manejo efectivo de los complejos problemas inherentes ala IO, casi siempre requiere un gran mimero de célculos, Realizarlos a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrénica digital, con su capacidad para hacer cilculos aritméticos, miles 0 tal ver. millones de veces mds rapido que los seres humanos, fue tuna gran ayuda para la investigacin de operaciones. Un avance més tuyo lugar en la década de 1980 con el desarrollo de computadoras personales cada vez mds rpidas, acompatiado de buenos paquetes de software para resolver problemas de IO. Esto puso las técnicas al aleance de un gran mimero de personas. Hoy en dia, literalmente millones de individuos tienen acceso aestos paquetes. En consecuencia, por rutina se usa toda una gama de computadoras, desde las grandes hasta las portétiles, para resolver problemas de investigaci6n de operaciones. NATURALEZA DE LA INVESTIGACION DE OPERACIONES Como su nombre lo dice, la investigacién de operaciones significa “investigar sobre las operaciones”. Entonces, la investigacidn de operaciones se aplica a problemas que se reficren a la conduccidn y coordinacién de operaciones (0 actividades) dentro de una organizacién. La naturaleza de la organizacién es en esencia inmaterial y, de hecho, la IO se ha aplicado de ma- neta extensa en dreas tan diversas como manufactura, transporte, construcci6n, telecomuni- caciones, planeacién financiera, cuidado de la salud, milicia y servicios puiblicos, pornombrar s6lo unas cuantas. Asi, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacién en el nombre significa que la TO usa un enfoque similar a lama- nera en que se leva cabo la investigacién en los campos cientificos establecidos, En gran medida, se usa el método cientifico para investigar el problema en cuestién. (De hecho, en ocasiones se usa el término ciencins de la administracién como sindnimo de investigacién de operaciones.) En particular, el proceso comienza por la observaciGn cuidadosa y la formula- cién del problema incluyendo la recoleccién de los datos pertinentes. El siguiente paso es la construccién de un modelo cientifico (por lo gencral matemdtico) que intenta abstraer acsencia del problema real. En este punto se propone la hipétesis de que el modelo es una re- presentacién suficientemente precisa de las caracteristicas esenciales de la situacién para que las conclusiones (soluciones) obtenidas sean vilidas también para el problema real. Después,is 1.3 Impacto de la investigacién de operaciones 3 _ se llevan a cabo los experimentosadecuados para:probar esta hipdtesis, modificarlasiesnece- sario yeventualmente verificarla. (Este paso se conoce comas#idavidwdet: modelo.) Entonces, en cierto modo, la IO incluye la investigacién cientifica creativa de las propiedades fundamentales de las operaciones. Sin embargo, es mds que esto. En particular, la IO se ocupa tam- bién de la administraci6n practica de la organizacién. Asi, para tener éxito, deberd también proveer conclusiones claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterfstica mds de la investigacién de operaciones es su.amplio punto de vista. Como quedé implicito en la seccién anterior, la IO adopta un punto de vista organizacional. Asi, intenta resolver los conflictos de intereses entre las componentes de la organizacién de forma que el resultado sea el mejor para la organizacién completa. Esto no significa que el ¢s- tudio de cada problema deba considerar en forma explicita todos los aspectos de la organiza- cién, mds bien los objetivos que se buscan deben ser consistentes con los objetivos globales. Una caracteristica adicional es que la investigacién de operaciones intenta encontrar una . mejor solucién (llamada solucidn ¢ptima) para el problema bajo consideracién. (Decimos una mejor solucién y no /a mejor soluci6n porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accién posible. Aun cuando debe interpretarse con todo cuidado en tér- minos de las necesidades reales de la administracién, esta “busqueda de la optimalidad” es un aspecto importante dentro de la investigacién de operaciones. Todas estas caracteristicas llevan de manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en los multiples aspectos del trabajo de inves- tigacién de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y aptitudes. Entonces, cuando se va a emprender un estudio de IO completo de un nuevo problema, por lo genera! es necesario emplear el enfoque de equipo. Este debe incluir individuos con antecedentes firmes en matematicas, estadistica y teoria de probabilidades, al igual que en economia, administracién de empresas, ciencias de la computacién, ingenierfa, ciencias fisicas, ciencias del comportamiento y, por supuesto, en las técnicas especiales de IO. El equipo también necesita la experiencia y aptitudes necesarias para la consideracién adecuada a todas las ramificaciones del problema en la organizacion. IMPACTO DE LA INVESTIGACION DE OPERACIONES La investigacién de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la IO ha hecho contribuciones significativas al incremento de la productividad dentro de la economia de varios paises. Hoy existen mds de 30 paises miembros de la International Federation of Opera- tional Research Societies (IFORS), y cada uno cuenta con una sociedad de investigacion de operaciones. Tanto en Europa como en Asia, existen federaciones de sociedades de IO que realizan conferencias y publican revistas internacionales e4 esos continentes. Sin duda, el impacto de la investigacién de operaciones continuard aumentando. Por ejemplo, segiin el U.S. Bureau of Labor Statistics, la IO es una de las dreas profesionales con crecimiento mds r4pido para estudiantes universitarios graduados en Estados Unidos. Para dar una mejor idea del amplio uso de la IO se enumeran en la tabla 1.1 algunas aplicaciones reales que han tenido reconocimiento. Observe la diversidad de organizaciones y aplicaciones en las primeras dos columnas. El lector curioso puede encontrar un articulo completo que describe cada aplicacién en el mimero de enero-febrero de Interfaces del aio4 1 Introduccién TABLA 1.1 Algunas aplicaciones de investigacién de operaciones Aio de CapitulosAhorros Organizacién __Naturaleza de la aplicacién publicacién® relacionados* anuales ‘The Netherlands Desarrollo de politica nacional de administracién del 1985 28,1322, $15 millones Rijeswaterstaat agua, incluye mezcla de nuevas instalaciones, procedimientos de operacion y costeo. Monsanto Corp. Optimizacin de operaciones de produccién para cumplir 1985 2.12 $2 millones ‘metas con un costo minimo. United Airlines Programacién de turnos de trabajo en oficinas de 1986 29,12, 17,18, $6 millones reservaciones y aeropuertos para cumpli con las 20 necesidades del cliente a un costo minimo. ‘Citgo Petroleum Optimizacién de las operaciones de refinacién y de la 1987 29,20 $70 millones Corp. oferta, ditribucién y comercializaci6n de productos. San Francisco Optimizacién de la programaci6n y asignacién de oficiales 1989 2-4,12,20 $11 millones Police de patrulla con un sistema computarizado. Department Texaco, Ine. ‘Optimizacién de la mezcla de ingredientes disponibles 1989 2.13 $30 millones para que los productos de gasolina cumplieran con los ‘requerimientos de ventas y calidad. 1B Integracién de una red nacional de inventario de 1990 2.19.22 $20 millones + refacciones para mejorar el apoyo al servicio. $250 millones en ‘menor inventario Yellow Freight Optimizacién del disefo de una red nacional de 192 2,9, 13,20, 22. $17.3 millones System, Inc. ‘ransporte y la programacion de rutas de envio. New Haven Disefio de un programa efectivo de intercambio de agujas 1993 2 33% menos Health Dept. ___para combatirel contagio del SIDA. contagios ATaT Desarrollo de un sistema basado en PC para guiar alos 1993 17,18,22 $750millones clientes del negocio en el disefo del centro de lamadas. Delta Aidines _-Maximizacién de ganancias a partir dela asignaci6n de los 1994 2 $100 millones tipos de aviones en 2.500 wuelos nacionales. Digital Equipment —Reestructuraci6n de toda la cadena de proveedores entre 1995 2 $800 millones Corp. proveedores, plantas, centros de distribucién, sitios potencies y 4reas de mercado. China Seleecién y programacién éptima de proyectos masivos. 1995 12 ‘$425 millones para cumplir con las necesidades futuras de energia de! pais. ‘Cuerpo de Redisefio Sptimo del tamafo y forma del cuerpo de 1997 12 $1 100 millones defensa de defensa y su sistema de armas Sudsfrica Procter and Rediseho del sistema de produccion distribucién 197 8 '$200 millones Gamble rnorteamericano para reducir costos y mejorar la rapidez de llegada al mercado. Taco Bell Programacién éptima de empleados para proporcionar el 1998 12,20,22 $13 millones ‘servicio a clientes deseado con un costo minimo, Hewlett-Packard — Redisefio de tamafo y loclizacién de inventarios de 1998 17.18 $280 millones de seguridad en la linea de produccién de impresoras para ingreso adicional ‘cumplir metas de produccién. “Pertenece a los nlimeros de enero-febrero de Interfaces en donde se puede encontrar un articulo completo con la descripeién de } Ia aplicacion. {Se refiere a los capitulos de este libro que describen las técnicas de 10 empleadas en las aplicaciones.1.4. Algoritmos y paquetes de |O 5 citado cn la tercera columna de la tabla. La cuarta cohumna contiene los capitulos de este Libro que describen los tipos de técnicas de IO usadas en la aplicacién. (Observe que muchas aplicaciones combinan varias técnicas.) La Ultima columna indica que estas aplicaciones signifi- caron ahorros anuales del orden de millones (y aun de decenas de millones) de délares, Lo que ¢s més, algunos beneficios adicionales no registrados en la tabla (como un mejor servicio al cliente y mayor control administrativo) se consideraron mds importantes, en ciertos casos, que los beneficios financieros. (El lector tendr4 oportunidad de investigar estos beneficios menos tangibles en los problemas 1.3-1 y 1.3-2.) ‘Aunque la mayorfa de los estudios de rutina de investigaci6n de operaciones proporcionan beneficios mucho més modestos que estas aplicaciones reconocidas, las cifras cn la co- tumna de Ja derecha de la tabla 1.1 reflejan el gran impacto que suelen tener Los estudios grandes y bien disefiadas de IO. En el capitulo siguiente se presenta una descripcién breve de estas aplicaciones y dos de cllas se estudian con més detalle en la seccién 3.5 como casos de estudio. 1.4 ALGORITMOS Y PAQUETES DE IO. Una parte importante de este libro es la presentacidn de los algoritmos (procedimientos ite- rativos de solucién) més importantes de IO para resolver cierto tipo de problemas. Algunos de estos algoritmos son excepcionalmente eficientes y por rutina se utilizan para problemas que incluyen cientos o miles de variables. Encontraré una introduccién acerca de cémo fun- cionan y qué los hace tan eficientes, Después usar los algoritmos para resolver diversos problemas en una computadora, El CD-ROM llamado OR Courseware que acompafia a este libro seri la herramienta para hacerlo. Una caracteristica especial del OR Courseware es un programa llamado OR Tator que intenta ser su tutor personal para ayudarle en el aprendizaje de los algoritmos. Consiste en muchos ejemplos de demostracién que despliegan y explican los algoritmos en accién. Estos “demos” complementan los ejemplos del libro. Ademds, el OR Courseware incliye muchas rutinas interactivas para ejecutar los algorit- ‘mos de manera interactiva en un formato conveniente de hoja de calculo. La computadora realiza todos los célculos de rutina mientras el estudiante centra su atencidn en aprender y-cje- cutar la légica del algoritmo. Encontrard que estas rutinas interactivas son una manera eficiente c ilustrativa para resolver muchos de los problemas de tarea. En general, en la prictica los algoritmos se ejecutan en paquetes de software comercial. Pensamos que es importante familiarizar al estudiante con la naturaleza de los programas que usaré en la vida profesional, Por lo tanto, el OR Courseware incluye una gran cantidad de material para introducir los tres paquetes de mayor uso que se describen a continuacién, Juntos, estos paquetes le permitirdn resolver casi todos los modelos de IO encontrados en este libro con una gran eficiencia. Agregamos nuestras propias rutinas automdticas al OR Courseware s6lo para algunos casos en que no se aplicaban estos paquetes. Un enfoque muy comiin ahora es el uso del paquete de hojas de cdlculo Kider, Micrasoft Excel, para formular pequetios modelos de IO en ese formato. Después se usa e! Excel Solver para resolver los modelos. El OR Courseware inclaye un archivo de Excel separado para casi cada capitulo del libro. Cada vez.que se presenta un ejemplo que se puede resolver con Excel, se proporciona la formulacién completa en una hoja de calculo y se da la solucién en el archi-| Introduceién vo de Excel de ese capitulo, Para muchos modelos en el libro, se dispone de una plantilla de -Bxcel que ya incluye las ccuaciones necesarias para resolver el modelo. Algunos complementos de Excel también estén incluidos en el CD-ROM Después de muchos afios, LINDO (y su lenguaje de modelado LINGO) contintia do- minando el software de investigacién de operaciones, Las versiones para estudiante de LIN- DOy LINGO ahora se puede bajar gratis de Internet. En cuanto a Excel, cada vez que un cjemplo se pueda resolver con este paquete, se darén todos los detalles en una archivo de LINGO/LINDO para ese capitulo en el OR Courseware. CPLEX es un paquete de software de los mas recientes que tiene un amplio uso para resolver problemas grandes que son un reto en investigacién de operaciones. Al manejar tales problemas, también cs comiin usar un sistema de modelado para formular el modelo matemstico de manera cficiente ¢ introducirlo en la computadora. MPL es un sistema de modelado amigable que utiliza CPLEX para resolver los modelos. ‘También se dispone de versiones de cstudiante gratis de estos paquetes en Internet. Para conveniencia del lector, se han incluido dichas versiones en el OR Courseware, De nuevo, todos los ejemplos que se pueden resolver con estos paquetes se detallan en los archivos en MPL/CPLEX para los capitulos correspondientes en el OR Courseware. Estos tres paquetes y la manera de usarlos se describirdn con mas detalle (en especial cerca del final de los capitulos 3 y 4). El apéndice 1 también proporciona documentacién para el OR Courseware y se incluye el OR Tutor, Para advertirie acerca del material relevante en cl OR Courseware, al final de cada capitu- loa partir del 3 se presenta una lista llamada ayuda parn el aprendizaje de este capitulo en OR Courseware. Como se explica al principio de la seceién de problemas de cada capitulo, se colo- caron simbolos ala izquierda del niimero del problema o del inciso cuando ese material puede ser titil (incluyendo los ejemplos de demostracién y las rutinas interactivas). PROBLEMAS 1.3-1. Seleccione una de las aplicaciones dadas en la ta- Dla 1.1. Lea el articulo que la describe en el ntimero de cenero-febrero de Interfaces del aiio indicado en la tercera columna, Escriba un resumen de dos paginas acerca de la aplicacidn y los beneficios que proporcioné (incluya los beneficios no financieros). 1.3-2. Seleccione tres de las aplicaciones de investiga cin de operaciones dadas ena tabla 1.1, Lea los articulos correspondientes en los mimeros de enero-febrero de Interfaces dc los aios indicados en la tercera cokumna, Para cada uno, escriba un resumen de una pagina acerca de la aplicacién y sus heneficios (incluya los no financieros).24 2 Panorama del enfoque de modelado en investigacion de operaciones La mayor parte de este libro esta dedicada a los métodos matemiticos de investigacién de operaciones (IO). Esto es apropiado, ya que las técnicas cuantitativas constituyen la parte principal de lo que se conoce sobre el tema. Sin embargo, esto no significa que los estudios pricticos de IO sean en esencia ejercicios de mateméticas. De hecho, con frecuencia, el andlisis matemitico sdlo representa una pequefia parte del trabajo que se requiere. El propésito de este capitulo es dar una mejor perspectiva con la descripcién de las etapas més importantes de un estudio caracteristico de 10. ‘Una manera de resumir las etapas usuales (no secuenciales) de un estudio de investiga- cién de operaciones es la siguiente: 1. Definicién del problema de interés y recoleccién de los datos relevantes. 2. Formulacién de un modelo matemdtico que represente el problema, 3. Desarrollo de un procedimiento basado en computadora para derivar una solucién al problema a partir del modelo. 4. Prueba del modelo y mejoramiento segtin sea necesario. 5. Preparacin para la aplicacién del modelo prescrito por la administracién. 6. Puesta en marcha. En las siguientes secciones se analizar4 cada una de estas etapas. La mayoria de los estudios de IO enumerados en ka tabla 1.1 proporcionan ejemplos excelentes de la realizacién correcta de estas etapas. Se intercalardn fragmentos de estos ejemplos a lo largo de! capitulo con sus referencias para invitarlo a leer més sobre el tema. DEFINICION DEL PROBLEMA Y RECOLECCION DE DATOS Al contrario de los ejemplos de los libros de texto, la mayor parte de los problemas précticos que enfrenta un equipo de IO se les describen, al principio, de una manera vaga e imprecisa. Por consiguiente, la primera actividad a realizar es estudiar el sistema relevante y desarrollat un resumen bien definido del problema que se va a analizar. Esto ineluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, as interrelaciones del 4rea bajo estudio con otras dreas de la organizaci6n, los diferentes cursos de accidn posibles, los limites de tiempo para tomar una decisién, etcétera. Este proceso de definicién del problema es crucial ya que afectaré en forma significativa la relevancia de las conclusiones del estudio. iEs dificil extraer una respuesta “correcta” a partir de un problema “equivocado”!2_ Panorama del enfoque de modelado en investigacién de operaciones Lo primero que debe reconocerse es que un equipo de 10, por lo general, trabaja en un nivel de asesorda. A los micmbros del equipo no sc les presenta un problema y sc les dice que lo resuelvan como puedan, sino que asesoran a la gerencia (casi siempre un tomador de decisiones clave). El equipo realiza un andlisis téenico devallado y después presenta recomendacio- nesalos administradores. Con frecuencia, el informe a la gerencia identifica cierto niimero de opciones que son atractivas, en particular con diferentes suposiciones o para diferentes gamas de valores de algiin parémetro que marca una politica que puede ser evaltiada s6lo por esa gerencia (por ejemplo, el trueque entre costo y benefici). El gerente evalia el estudio y sus reco- mendaciones, toma en cuenta una variedad de factores intangibles y toma una decisién final con base en sti mejor juicio, Entonces, es vital que el equipo de IO pueda observar al mismo nivel que la gerencia, incluyendo la identificacién del problema “correcto” desde el punto de vista gerencial y que, a su vez, la gerencia le brinde apoyo sobre cualquier curso que tome el estudio. Determinar los abjetivos adecuadas es un aspecto muy importante de la formulacién del problema. Para hacerlo, es necesario primero identificar a las personas de la administracién que de hecho tomarsn las decisiones concernientes al sistema cn estudio, y después escudri- fiar el pensamiento de estos individuos respecto a los objetivos pertinentes. (Incluir al tomador de decisiones desde el principioes esencial para obtener suapoyoal realizar el estudio.) Por su naturaleza, la TO se encarga del bienestar de toda la organizacin, no sélo de aigu- ‘nas componentes. Un estudio de IO busca soluciones éptimas globales y no soluciones sub- ‘ptimas aunque sean lo mejor para una de las componentes. Entonces, idealmente, los objetivos formulados deben coincidir con los de toda la organizacién, Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada més a una parte de la organiza~ cién, de manera que el anilisis serfa demasiado extenso silos objetivos fueran muy generales y si se prestara atencién especial a todos los efectos secundarios sobre el resto de la organizacin. En lugar de ello, los objetivos usados en un estudio deben ser tan especificos como sea posible, siempre y cuando contemplen las metas principales del tomador de decisiones y mantengan un-nivel razonable de consistencia con los objetivos de nivel més alto. Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en el problema de suboptimizacin es utilizar la maximizacidn de la,ganancia a largo plazo (considerando el valor del dinero en el tiempo) como un objetivo tinico. El adjetivo a laxgo plazo, indica que este objetivo proporciona la flexibilidad para considerar actividades que no se traducen de immediato en ganancias (como los proyectos de investigacién y desarrollo) pero que con el tiempo tendran que hacerlo para que Valgan la pena. Este enfoque tiene muchas ventajas, El objetivo es suficientemente especifico para usarlo en forma adecuada y al mismo tiempo lo bastante amplio para tomar en cuenta la meta basica de las organizaciones lucrativas. De hecho, algunas personas piensan que cualquier otro objetivo legitimo se puede traduciren éste. Sin embargo, en la préctica, muchas organizaciones lucrativas no usan este enfoque. Algunos estudios de corporaciones norteamericanas han encontrado que la administracién tiende a adoptar la meta de ganancias satisfzctorias combinada con otros objetives, en lugar de enfocarse en la maximizacién de la ganancia a largo plazo. Algunos de estos otras objetivos pueden ser conservar la estabilidad en las ganancias, aumentar (0 conservar) la participacién del mercado con que se cuenta, permitir la diversificacién de productos, mantener precios ¢s- tables, mejorar las condiciones yel 4nimo de los trabajadores, mantener el control familiar sobre el negocio e incrementar el prestigio de la compaffa. Al cumplir con estos objetivos tal vee se logre maximizar las ganancias a largo plazo, pero la relacién puede ser tan oscura que quiz sea mejor no incorporarlos en este objetivo.2.1. Definicién del problema y recoleccién de datos 9 ‘Todayfa més, existen otras consideraciones que inclayen responsabilidades sociales muy distintas del motivo de las ganancias. Dentro de un solo pais, las cinco partes que quedan afectadas en una empresa de negocios son: 1) los ditefis (accionistas, etc.), que desean obtener ganancias (dividendos, vahuacién de las acciones, etc.); 2) los empleados, que quicren un empleo seguro con un salario razonable; 3) los clientes, que quieren un producto confiable .un precio justo; 4) los proveedores, que desean integridad y un precio de venta razonable para sus bienes ,y 5) el gobierno, y por ende, la nacién, que quiere el pago de impuestos justos y que se tome en cuenta el interés nacional. Las cinco partes hacen contribuciones esenciales a la empresa, y ésta no debe servir a ninguna de estas partes para explorar a las otras, De lamisma manera, las corporaciones internacionales adquicren las obligaciones adicionales de cumplir con una practica social responsable. Entonces, aunque se acepte que obtener ganancias es la responsabilidad primordial de Ia gerencia (lo cual en tiltima instancia, beneficia a las cinco partes), deberdn también reconocerse estas responsabilidades sociales més extensas. Es comin que los equipos de IO pasen mucho tiempo en la recoleccin de los datos relevantes sobre el problema, Se necesitan muchos datos tanto para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemitico que se formularé en a siguiente etapa del estudio. Con frecuencia, no se dispondré de muchos de los datos necesarios al inicio del estudio, ya sea porque nunca se guard6 la informacién o porque lo que se guardé esté obsoleto o en la forma equivocada. Entonces, muchas veces se debe instalar un nuevo sistema de informacidn gerencial para reunir los datos sobre la marcha en la forma adecuada, Tomar un tiempo considerable al equipo de IO recabar la ayuda de otros individuos clave de la organizacién para recolectar todos los datos vitales. Aun con este ¢s- fuerzo, muchos datos pueden ser “suaves”, es decir, estimaciones burdas basadas sdlo en jui- cios personales. A menndo, el equipo de IO pasaré una gran cantidad de tiempo intentando mejorar la precisién de los datos yal final tendré que trabajar con lo mejor que pudo obtener. Ejemplos. Un estudio de IO para el Departamento de Policia de San Francisco! dio como resultado el desarrollo de un sistema computarizado para la programacién y asignacién <6ptima de los oficiales de patrulla de la policfa, El nuevo sistema proporcioné un ahorro anual de$11 millones de délares, un incremento anual de $3 millones en los ingresos por infraccio- nes de trdnsito y una mejora de 20% en los tiempos de respuesta. Al estableccr los objetivas adecuados para este estudio, se identificaron tres de ellos como fundamentales: 1, Mantener un alto nivel de seguridad civil. 2. Mantener un alto nivel de estado de animo de los oficiales. 3. Minimizar el costo de las operaciones. Para satisfacer el primer objetivo, el departamento de policia y el gobierno de la ciudad esta- blecieron un nivel deseado de proteccidn. El modelo matematico impuso entonces el requisi- to de lograr este nivel de proteccién, De manera similar, el modelo impuso el requisito de balancear la carga de trabajo entre los oficiales con el fin de lograr el segundo objetivo. Por tl- timo, el tercer objetivo se incorporé adoprando la meta de largo plazo de minimizar el ntime- 0 de oficiales necesarios para cumplir con los dos primeros abjetivos. 1P, B, Taylory S, J, Huxley: “A Break from Tradition for the San Francisco Police: Patrol Officer Scheduling Using an Oprimization-Based Decision Suppor System”, Interfaces, 19(1): 4-24, enero-febrero, 1989. Vea en especial pp. #11.10 22 2_ Panorama del enfoque de modelado en investigacién de operaciones El Departamento de Salud de New Haven, Connecticut utiliz6 un equipo de 10} pata disefiar un programa efectivo de intercambio de agujas para combatir el contagio de! vi- us que causa el SIDA (VIH), y tuvo éxito en la reduccion del 33% de la tasa de infeccion en tte los clientes del programa. La parte central de este estudio fue un innovador programa de recoleccién de dates para obtener los insumos necesatios para los modelos mateméticos de transmisiGn del SIDA. Este programa abarcé un rastreo completo decada aguja (y cada jerin- ga), con la identificacién, localizacién y fecha de cada persona que recibia una aguja y cada persona que la regresaba durante un intercambio, junto con la prueba de si la condicidn de la aguja eta VIH-positivo 0 VIH-negativo. ‘Unestudio de IO hecho para Citgo Petroleum Corporation? optimizé tanto las operaciones de refinacién como el abastecimiento, la distribucidn y la comercializacién de sus productos, logrando una mejora en las utilidades de alrededor de $70 millones de délares al afio. Larecolecciin de datos también jugé un papel muy importante en este estudio. Elequipo de 10. realizé juntas de requerimientos de datos con la alta aciministracién de Citgo paraasegurar la calidad continua de los datos. Se desarrollé un sistema de base de datos administrativo con tecnologia de punta y se instalé en una minicomputadora. Para los datos requeridos que no existian, se crearon pantallas de LOTUS 1-2-3 para que el personal de operaciones introdije- ra los datos en computadoras personales (PC) que después se transferian a la minicomputadora. Antes de introducir los datos en el modelo matemético, se us6 un programa para verificar errores ¢ inconsistencias. Al principio, este programa generaba ua listado de errores y mensajes de Tuna pulgada de ancho! Con el tiempo, el nimero de ertores y mensajes (que indicaban nimezos equivocados o dudosos) se redujo.a menos de 10 por cada nueva corrida, En a seccién 3.5 se describird el estudio de Citgo con mis detalle. FORMULACION DE UN MODELO MATEMATICO Una vez.definido el problema del tomador de decisiones, la siguiente etapa consiste en sefor- mularlo de manera conveniente para su andlisis. La forma convencional en que la investiga- cién de operaciones realiza esto es construir un modelo matemitico que represente la esencia del problema. Antes deanalizar cémo formular los modelos de este tipo, se explorard su naturaleza general y, en particular, la de los modelos mateméticos. Los modelos, 0 representaciones idealizadas, son una parte integral de la vida diatia, Entre los ejemplos més comunes pueden citarse acromodelos, retratos, globos terriquieos otros. De igual manera, los modelos tienen un papel importante en la ciencia y los negocios, como lo hacen patente los modelos del 4tomo y de estructuras genéticas, las ecuaciones mate. maticas que describen las leyes fisicas del movimiento o las reacciones quimicas, las grficas, 10s organigramas y los sistemas contables en la industria, Esos modelos son invaluables, pues extraen la esencia de la materia de estudio, muestran sus interrelaciones y facilitan el anlisis. 'E, H. Kaplany E, O'Keefe: “Ler the Needles Do the Talking! Evaluating the New Haven Needle Exchange”, Inter ‘faces, 23(1): 7-26, enero-febrero, 1993, Vea en especial pp. 12-14. 2D. Klingman, N. Phillips, D. Sceiger, R. Wirth y W. Young: “The Challenges and Success Factors in Implementing an Integrated Products Planning System for Citgo", Interfcer,16(3): 1-19, mayo-junio, 1986, Vea en especial pp. 11-14, Vextambién D. Klingman, N. Philips, D. Steiger y W. Young, “The Successful Deployment of Management Science throughout Cigo Petroleum Corporation”, Jnterices, 17(1): 4-28, enero-febrero, 1987. Vea en especial pp. 13-18, Esta aplicacidn se describe en la seccién 3.5.2.2. Formulacién de un modelo matemético Ui Los modelos matematicos también son representaciones idealizadas, pero estin expresa- das en términos de simbolos y expresiones matemiticas, Las leyes de la fisica como F = ma y E=me? son cjemplos familiares. En forma parecida, el modelo matemitico de un problema industrial es el sistema de ecuaciones y expresiones matemticas relacionadas que describen la esencia del problema. Asi, si deben tomarse-7 decisiones cuantificables relacionadas entre si, serepresentan comovariables de decision (digamos, #7), 225... %») para las quese deben determinar los valores respectivos. La medida de desempefio adecuada (por ejemplo, la ganan- Gia) se expresa entonces como una funcién matenratica de estas variables de decision (por cjemplo, P=3., +2, +--+ 5x,,). Esta funcién se llama funci6n objetivo. También sc ex- presan en términos matemiticos todas las limitaciones que se puedan imponer sobre los valores de las variables de decisién, casi siempre en forma de ecuaciones 0 desigualdades (como 41+ 3x1x2+ 2s $10), Tales expresiones mateméticas de las limitaciones, con frecuencia reciben el nombre de restricciones, Las constantes (los cocficientes 0 el lado derecho de las ecuaciones) en las restricciones yen la funcién objetivo se llaman parametros del modelo. El modelo matemético puede expresarse entonces como el problema de elegir los valores de las variables de decisién de manera que se: maximice la funci6n objetivo, sujetaa las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre él, tipifican los modelos analizados en investigacién de operaciones. La decerminacién de los valores adecuados que deben asignarse a los pardmetros del modelo (un valor por pardmetro) es critica ya la vez un reto dentro del proceso de construc- cién del modelo. Al contrario de los problemas en los libros donde se proporcionan los nume- 10s, dererminar los valores de los parémetros en los problemas reales requiere la recoleecton de dos datos velevantes. Como se vio en la seccién anterior, a menudo la recoleccién de datos exactos es dificil. Asi, cl valor asignado a un parémetro muchas veces es, por neccsidad, slo una estimacién, Debidoa la incertidumbre sobre el valor real del pardmetro, es importante anali- zat la forma en que cambiarfa (si lo hace) la solucién derivada del probléma cuando el valor asignado al pardmezro cambia por otros valores posibles. Este proceso se conoce como anlisis de sensibilidad que se estudiard en la siguiente secci6n (y en gran parte del cap{tulo 6). ‘Aun cuando se hable dee!” modelo matemético de un problema en la industria, los pro- bblemas reales por lo general no tienen un solo modelo “correcta”. En la seccion 2.4 se describe la manera en que el proceso de prueba de un modelo conduce a una serie de modelos que proporcionan representaciones cada vez mejores del problema real. Es posible, incluso, desarrollar dos o més tipos de modelos diferentes para analizar ¢l mismo problema. Se darn numerosos ejemplos de modelos mateméticos a través del libro. Una clase de modelos cn especial importante, que se estudia en los capitulos siguientes, ¢s el modelo de programacién lineal, en el que las funciones matemdticas que aparecen tanto en [a funcin ‘objetivo comoen las restricciones, son funciones lineales, En el capftulo siguiente sc construyen modelos especificos de programacién lineal que se ajustan a diversos tipas de problemas, como determinar: 1) la mezela de productos que miaximiza la ganancia; 2) el disefio de la terapia de radiacién que combate de manera efectiva un tumot y que al mismo tiempo minimi- za el dafio al tejido sano circundante; 3) la asignacin de acres a distintas cosechas para maximizar el rendimiento toral neto, y 4) la combinacidn de métodos de control de contami- nacién que logran los estandares de calidad del aire a un costo minimo. Los modelos matemiticos tienen muchas ventajas sobre una descripcién verbal del pro- bblema. Una ventaja obvia es que el modelo matemstico describe un problema en forma mucho més concisa, Esto tiende a hacer més comprensible toda la estructura del problema y ayuda a revelar las relaciones importantes causa-efecto. Indica con mds claridad qué datos12 2_ Panorama del enfoque de modelado en investigacién de operaciones adicionales son importantes para el andlisis. También facilita el manejo del problema en su totalidad y al mismo tiempo el estudio de sus interrelaciones. Por ultimo, un modelo matematico forma un puente para cl empleo de técnicas mateméticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para resolver muchos tipos de modelos mateméticos, en micro y minicomputadoras. Por otro lado, existen obstéculos que deben cvitarse al usar modelos mateméticos. Unmodelo es, necesariamente, una idealizacién abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacién si se desea que el modelo sca manejable (susceptible deer resuelto). Por lo tanto, debe tenerse cuidado de que el mode- losea siempre una representacion del problema. El criterio adecuado para juzgar la validez.de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accién, para poder tomar una decisi6n que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alter nativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante precisos, Entonces, todo lo que se requiere es que exista una alta correlaciin entre la prediccién del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un ntimero consiclerable de prucbas del modelo y las modificaciones consecuentes, que sern el tema de a seccidn 2.4. Aunque esta fase de pruebas se haya coloca- do después en el orden del libro, gran parte del trabajo de validacién del modelo se lleva'acabo en la etapa de construccién para que sirva de gufa en la obtencién del modelo matemético. Al desarrollar el modelo, se recomienca empezar con una version muy sencilla y mover- se, de modo evolutivo, hacia modelos més claborados que reflejen mejor la complejidad del problema real. Este proceso de enrigquecimsiento del mortelo continiia slo mientras sea manejable. El trueque bisico que debe tomarse en cuenta esté entre la precisién y el manejo del modelo, (Vea en la referencia 6 una descripcién detallada de este proceso.) Un paso crucial en la formulacién de un modelo de 10 es la construccién de la funcién objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa para cada objetivo que el tomador de decisiones identifica a definir el problema. Sien el estudiose contempla més de un objetivo, es necesario transformar y combinar las medidas respectivas, en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta medida compuesta puede ser algo tangible (como ganancias) y corresponder a una meta mas alta de la organizacién, o puede ser abstracta (como “utilidad”). En este caso, la tarea para desarrollar una funcién de utilidad puede ser compleja y requerit una comparacidn cuidadosa de los objetivos y su importancia relativa. Una vez. desarrollada la medida global de efectivi- lad, la fauncién objetivo expresa esta medida como una funcién matematica de las variables de decision. Existen métodos que contemplan al mismo tiempo y en forma explicita objetivos miltiples; en el capitulo 7 se analiza uno de ellos (programacién por objetivos). Ejemplos. Unestudio de IO realizado para Monsanto Corp.!se refiere ala optimizacién de las operaciones de produccidn en las plantas quimicas de esta compafia, para minimizar el costo de cumplir con las metas de cantidad de cierto producto quimico (anhidrido maléico) 'R. F, Boykin; “Optimizing Chemical Production at Monsanto”, Inzeficer, 15(1): 88-95, encro-Febrero, 1985. Vea en particular pp. 92-93.2.2 Formulacién de un modelo matematico 13 qque debe producirse en un mes dado, Las decisiones que deben tomarse se relacionan con el disco de control de cada tino de los reactores catalfticos usados para fabricar este producto; el mimero de control determina tanto ka cantidad producids como el costa de opetacién del teactor. La forma del modelo matemstico que resulté es la siguiente: Se eligen los valores de las variables de decision Ry (eUe Betas para Minimizar )) Ry, aja sujetaa DL wRyeT fips Ry=, parai=1,2,...,7 Al Ry=001, 1. siel reactor ise opera en el niimero de control donde Ry = m ee 0 de otra manera eq = costo para el reactor é en el nimero de control j fy = produccién del reactor é en el mimero de control j T = meta de produccién + = mimero de reactores 5 = mimero de controles (incluyendo la posicién de’apagado) La funcién objetivo para este modelo es BEcy Ry . Las restricciones estén dadas en los tres ten- glones que siguen a la funcidn objetivo. Los pardinctras son ci, py yT. Pata el caso de Mon- santo, el modelo tiene més de 1000 variables de decisién Rig (esto es, 75 >1000). Con su implantaci6n se logré un ahorro anual de cerca de $2 millones de dlares. La oficina responsable del control del agua y los servicios pablicos del gobierno de Ho- Janda, cl Rijkswaterstaat, concesioné un importante estudio de IO! para guiarlo en el desa~ rollo de una nueva politica de administraci6n del agua. La nueva politica ahorré cientos de millones de délares en gastos de inversién y redujo el dao agricola en alrededor de $15 mi- Jones de délares anuales, al mismo tiempo que disminuyé la contaminacién térmica y la de-~ bida a las algas. En lugar de formular wn modelo matemético, se desarrolld un sistema integrado y comprensible de 150 modelos! Mas ain, para algunos de los modelos, se desatro- Maron versiones sencillas y complejas, La versién sencilla se usd para adquirie una visidn bési- ca que incluyd c] andlisis de trueques, La version compleja s¢ usd después en las corridas finales del andlisis o cuando se deseaba mayor exactitud o mds deralle en los resultados. Bles- tudio completa de 10 involucré directamente a mas de 125 personas-aiio de esfurerzo (mas de-un tercio de ellas en la recoleccién de datos), cred varias docenas de programas de computadora y estructuré una enorme cantidad de datos. 2B. F, Gouller yel equipo PAWN: “Planning the Netherlands! Water Resoutees”, Zoterfters, 15(2): 3-33, ence ro febrero, 1985, Vea en especial pp. 7-1814 2.3 2. Panorama del enfoque de modelado en investigacién de operaciones OBTENCION DE UNA SOLUCION A PARTIR DEL MODELO Una vez formulado el modelo matemético para el problema bajo estudio, la siguiente etapa 72 ) para derivar una solucién al problema a partir de este modelo, Puede pensarse que ésta debe ser Ia parte principal del estudio pero, en realidad, en la mayoria de los casos no le ez, De hhecho, a veces ésta es una ctapa relativamente sencilla, en la que se aplica uno de los algoritmos (Procedimientositrativos de solucidn) de investigacién de operaciones en na compu tadora, empleando uno de los paquetes de software disponibles. Para el investigador de Gberaciones experimentado, encontrar a solucién es la parte divertida, mientras quel verda. dero trabajo se encuentra en las ctapas anteriores y en las subsccuentes, incluyencd el andl sis de sensibilidad o andlisis posdprimo, que se verd més adelante en esta seccion. Como la mayor parte de este libro esté dedicada ala obtencidn de soluciones pata los is- tintos tipos de modelos matemiéticos, en este momento no's necesarioaclararnatte al respec: to. Sin embargo, sf se requicre presentar la naturaleza de estas soluciones ‘Un tema comiin en 1O es la bisqueda de una solucién éptima, es deci, la mejor, Sin duds, como aqui se presenta, se han desarrollado muchos procedimientos para encontrarin En cierto tipo de problemas, pero es necesario reconocer que estas soluciones son 6ptimas s6lo respecto al modelo que se usa. Como cl modelo necesatiamente es una idealizacign mas uc na Fepresentacidn exacta del problema real, no existe una garantia utOpica de que la so- {hcion Sptima del modelo resulte se a mejor solucién posible que pueda implantarce paral problema real. Simplemente existen demasiados impondcrables e incertidumbres asoiados conlos problemas reales; pero si el modelo esté bien formulado y verificado, lasolucin debe render a una buena aproximacién de un curso de acci6n ideal en la realidad, Por esto, més que cnftascarse en cxigir lo imposible, la prueba del éxito de un estudio de IO debe ser proporciona ono unamejor guia en las decisiones que la que se puede obtener por otros medias, Eleminente cientifico de la administracién y premio Nobel de economia, Herbert Si- mon, introdujo el eoncepro de que en la préctica es mucho més frecuente satisfizar que opti- ‘pizar. Al inventar el término sariffzar como una combinaviGn de stigfaceryoptimizar: Sinvon describe la rendencia de los administradores a buscar una solucién que sea “le suficientemen tebuena” parael problema quese tiene, En lugar de intentar desarrellar una medida global de éficiencia para conciliar de manera 6ptima los conflctos entre os diferentes objetivex desea, bles (incluyendo los criterias bien establecidos para juzgar cl desempeno de los distintos seg: reece i organizacién), se puede usar un enfoque més pragmdtico. Las metas x pueden establecer de manera que marquen los niveles minimos satisfactorios deeficiencia en ae dif. rentesdreas, basindose quizd en niveles de desempefio anteriores 0 en los logros de la compe- eacia Si se encuentra una solucién que permita que todas estas metas se cumplan, es posible ue se adopte sin mis requisitos, Esta es la naturaleza de satifizar, {a disincién entre oprimizar y“satisfizar" refieja la diferencia entre a teora y la realidad, diferencia que con frecuencia se encuentra al tratar de implantar esa teoria en la prictica, En palabras de uno de los lideresingleses dela investigacidn de operaciones, Samu Eilon, “op- timizar ¢s la ciencia de lo absoluto; sarigfizar es el arte de lo factible”| 1.08 equipos de TO intentan incorporar al proceso de toma de decisiones lo mis posible Ge la “ciencia de lo absoluto”. Sin embargo, un equipo que trabaja con éxito, lo hace treano, ‘Eilon, Samuel, “Goals and Constraints in Decision-making”, Operational Retearch Quarterly, 23: 3-15, 1972; ica daa en la conferenca anual de 1971 de a Canadian Operatiotal Research Society ee ee ee2.3. Obtencién de una solucién a partir del modelo 1s ciendo la necesidad més importante del tomador de decisiones de obtener una guia satisfac- roria para sus acciones en un periodo razonable. Por tanto, la meta de un estudio de investigacién de operaciones debe ser llevar a cabo el estudio de manera éptima, indepen- dientemente de si implica ono encontrar una solucién éptima para el modelo. Entonces,ademas de buscar la ciencia de lo absoluto, el equipo debe tomar en cuenta el costo del estudio y las desventajas de retrasar su terminacién, y después intentar maximizar los beneficios netos gue resulten de dicho estudio. Al reconocer este concepto, los equipos de investigacién de operaciones en ocasiones utilizan sdlo procedimientos heuristicos (es decir, procedimientos de disefio intuitivo que no garantizan una solucién éptima) para encontrar una buena so- lucién subéptima, Esto ocurre con més frecuencia en los casos en que el tiempo 0 el costo gue se requiere para encontrar una solucién éptima para un modelo adecuado del problema son muy grandes. En afios recientes, se han logrado grandes progresos en el desarrollo de procedimientos heuristicos eficientes (que incluyen los lamados metaheurfsticos), con lo que su uso es cada vez més amplio. Hasta aqui, ha quedado implicito que un estudio de investigaci6n de operaciones busca sdlo una solucién, que puede o no requerirse que sea Optima, De hecho, esto casi nunca es lo que se busca, Una solucién éptima para el modelo original puede estar muy alejada del ideal para el problema real, de manera que ¢s necesario hacer un anilisis adicional. El andlisis posdptimo (andlisis que s¢ lleva a cabo después de encontrar una solucién éptima) constitu- Ye una parte muy importante de la mayoria de los estudios de investigacién de operaciones. Este andlisis también se conoce como andlisis de qué pasa si puesto que involucra algunas preguntas acerca de qué pasaria con la solucién dptimasi se hubieran hecho suposiciones diferentes sobre las condiciones fituras. Con frecuencia, los administradores que tomatén las uil- timas decisiones son quienes hacen estas preguntas y no el equipo de 10. Con el advenimiento de los poderosos paquetes de software de hojas de cileulo, en Ia ac- tuélidad el papel central del andlisis posdptimo suele tenerlo una hoja de cdleulo. Una de sus grandes ventajas es la facilidad con que cualquier persona puede usarlas, incluidos los administradores, para ver qué pasa con una solucién éptima cuando se hacen cambios en el mode- Jo, Este proceso de experimentar con cambios en el modelo también puede ser util para llegar a. comprender el comportamiento del modelo y adquirir mayor confianza en su validez. nn cierto modo, el analisis posdptimo implica llevar a cabo un andlisis de sensibilidad para determinar qué pardmetros del modelo son criticos (los “pardmetros sensibles”) al determinar la solucién. Pina definicién comin de parsimetros sensibles (que se usard aqui) es Para un modelo maremitico con valores especificos para todos sus pardmetros, los pardmetros sensibles del modelo son aquellos cuyos valores no se pueden cambiar sin que la solucidn épti- ‘ma cambie. Esimportante identificar los pardmetros sensibles, porque determinan aquellos cuyos valores deben asignarse con mas cuidado para evitar distorsiones en los resultados del modelo. Por lo general, el valor de un pardmetro es una estimacién de alguna cantidad (por ejemplo, la ganancia unitaria) cuyo valor exacto se conocer s6lo después de poner en préctica la solucién. Por lo tanto, despues de identificar los par4metros sensibles, se deben realizar estimaciones més cercanas y cuidadosas de cada uno de ellos, o por lo menos del intervalo de va- Jotes posibles. Después se busca una solucién que sea buena para todas las combinaciones de los valores posibles de los pardmetros sensibles. Sila solucién sc implanta sobre la marcha, cualquier cambio posterior en el valor de un pardmetro sensible advierte de inmediato la necesidad de cambiar la solucién,16 2 Panorama del enfoque de modelado en investigacién de operaciones 2.4 En algunos casos, ciertos parémetros del modelo representan politicas de decisién (como asignacién de recursos). Si es asf, con frecuencia existe alguna flexibilidad sobre los valores daclos a estos pardmetros. Tal vez algunos se puedan aumentar si otros se disminuyen. Eland- lisis poséptimo incluye la investigaciGn de estos trueqnes. Junto con ka ctapa de estudio que se presenta en la siguiente seccidn (prueba del modelo), cl anilisis poséprimo incluye la obrencién de un conjunto de soluciones que comprende una serie de aproximaciones, cada vez mejores, al curso de accién ideal. Asi, las debilidades apa- rentes de la solucién inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y quizé al procedimicnto de solucién. Se obtiene entonces una nueva solucién, y el ciclose repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequefias para justificarsu continuaci6n. Aun entonces, pueden presentarse a la gerencia varias solucio- res posibles (quizd soluciones que son dptimas para una de varias versiones plausibbles del modelo y sus datos de entrada) para hacer ka selecci6n final. Comose sugitié en la seccion 2.1, esta presentacién de soluciones alternativas se lleva a cabo cuando la elecci6n final entre ellas debe basarse en consideraciones que es mejor dejar al juicio de la administracién. Ejemplo. — Considere de nuevo el estudio de IO para el Rijkswaterstaat sobre la polftica nacional de administracién de agua en Holanda, que se introdujo al final de la seccidn ante~ rior. Este estudio no concluyé con la recomendaci6n de una sola solucién, Més bien, se identificaron, analizaron y compararon varias alternativas atractivas. La cleccién final se dejé al proceso politico del gobierno de Holanda que culminé con la aprobacién del Parlamento. El ‘andlisis de sensibilidad tavo un papel importante en este estudio. Por cjemplo, cicrtos pardme- tos de los modelos representaron estandares ecoldgicos. El anilisis de sensibilidad incluyd la evaluacién del impacto en los problemas de agua silos valores de estos parimetros se cambia- ran de los estandares ecoldgicos acruales a otros valores razonables, Se us6 también pata eva- Iuar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposicién sobre el efecto de tratados internacionales futuros sobre la contaminacién que pudiera llegar a Holanda, También se analizaron varios escenarios (como afios secos o htimedos en extremo), asignando las probabilidades adecuadas. PRUEBA DEL MODELO El desarrollo de un modelo matemitico grande es anélogo en algunos aspectos al desarrollo de un programa de computadora grande, Cuando se completa la primera versi6n, ¢s inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Con el tiempo, después de una larga serie de programas mejorados, el programador ( equipo de programacién) concluye que el actual proporciona, en general, resultados razonablemente validos. Aunque sin duda quedardn algunas fallas ocultas en el programa (y quiz nunca se detecten), se habrén climinado suficientes problemas importantes como para que sea confiable utilizarlo. ‘De manera similar, es inevitable que la primera versi6n de un modelo matemético grande tenga muchas fallas. Sin duda, algunos factores o interrelaciones relevantes no se incorpora- ronal modelo y algunos pardmetros no se estimaron correctamente. Esto no se puede cludir dada la dificultad en la comunicacién y la comprensién de todos los aspectos y sutilezas de un24 Prueba del modelo 7 problema operacional complejo, as{ como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse de manera exhaustiva para intentar identificar y corregie todas las fallas que sc pueda. Con el tiempo, después de una larga serie de modelos mejorados, el equipo de investigacion de operaciones concluye que ¢l modelo actual produce resultados razonablemente vilidos. Aunque sin duda quedarén algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habran eliminado de manera que ahora es confiable usar el modelo, Este proceso de prucba y mejoramiento de un modelo para inerementar su validea.se ¢o- noce com validacién del modelo. Es dificil describir emo se lleva a cabo la validacién del modelo porque el proceso depende en gran parte del problema bajo estudio y del modelo usado. Sin embargo, se harénal- gunos comentarios generales y después se darin algunos ejemplos (vea més detalles sobre este tema en la referencia 2) Debido a que el equipo de IO puede pasar meses en las actividades de desarrollo de todas las piezas detalladas del modelo, es sencillo “no ver el basque por buscar los érboles”, Enton- ces, después de completar los detalles (“los arboles”) de la version inicial del modclo, una buena manera de comenzar las pruebas es observarlo en forma global (“el bosque”) para verificar Jos errores u omisiones obvias. El grupo que hace esta revisi6n debe, de preferencia, incluir porlo menos una persona que no haya participado en la formulacién. Alexaminar denuevo aformulacién del problema y compatarla con el modelo pueden descubrirse algunos errores. “También es titil asegurarse de que todas las expresiones mateméticas sean consistentes en las di- ‘smensiones de las unidades que emplean. Ademds, puede obtenerse un mejor conocimiento de Ja validez del modelo sie varfan los valores de los pardmetros de entrada y/o de las variables dedecisién, y se comprueba que los resultados del modelo se comportan de una manera factible. A menudo esto es revelador, en especial cuando se asignan a los parémetros o variables valores extremos cercanos a sus méximos o a sus minimos. Un enfoque més sistemético para la prueba del modelo es emplear una prueba retrospectiva, Cuando cs aplicable, esta prucha utiliza datos histéricos y reconstraye el pasado para decerminar si el modelo y la solucién resultante hubieran tenido un buen desempefio, de ha- berse usado, La comparacién de la efectividad de este desempefio hipotético con lo que en realidad ocurrié indica si el uso del modelo tiende a dar mejoras significativas sobre la préct caactual. Puede también indicar éreas en las que el modelo tiene fallas y requiere modificaci res. Lo que ¢s més, al emplear las alternativas de solucidn y estimar sus desempefios histéricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accién. Por otra parte, la prueba retrospectiva tiene la desventaja de que usa los mismos datos gue sirvieron para formular cl modelo. Envonces, fa pregunta crucial es siel pasado en realidad representa cl futuro, $i no ¢s asi, el modelo puede tener tin desempefio distinto en el futuro del que hubiera tenido en el pasado, Para vender esta desventaja de la prueba retrospectiva, a veces es iil continuar con las cir~ cunstancias actuales durante una temporada, Esto proporcionarg nuevos datos con los que no se contaba cuando se construyé el modelo. Estos datos se pueden emplear de la manera descrite para evaluar el modelo. "Es importante documentar el proceso usado para las pruebas de a validacién del modelo. Esto ayuda a aumentar la confianza de los usuarios subsecuentes en cl modelo. Més atin sien el futuro surgen preocupaciones sobre el modelo, esta documentaci6n ayudard a diagnosticar en dénde pueden encontrarse los problemas.EEE 25 2 Panorama del enfoque de modelado en investigacién de operaciones Fiemplos. " Considere una vez misel estudio de investigacion de operaciones para el Rijk« Saterstaatsobre la politica deadministraciOn del agua que se presenté en las secciones 2.2 2.8. El proceso de prueba del modelo en este caso const6 de tres grandes partes. Primero, el equipo de 10 verificé el comportamiento general de los modelos con la comprobacidn de si los resultados de cada uno de ellos cambiaban en forma razonable al cambiar los valores de los Pardmetros, Segundo, s hizo una prueba restrospectiva. Tercero, personas totalmente ajenas al proyecto, que inclufan expercos holandeses, levaron a cabo una revisién técnica cuidadoea de los modelos, la metodologia y los resultados. Este proceso llevé al reconocimiento de vas ios aspectos importantes y a mejoras en los modelos. Zambién se obtuve el conocimiento sobre muchos otros aspectos durante la exapa de va- lidacién del estudio de 1O para la Citgo Petroleum Corp., presentado al final de la seccion 2.1. Eneste caso, el modelo de las ‘operaciones en la refineria se probd con la recole: nde datos de ls entradas ysalidas de la misma durante varios meses; sc saron estos datos para ‘Pers la entrada al modelo y después se compararon los resultados del modelo con la pro- luccién real de la refiner. Este proceso de calibrary recalibrat cl modelo fue largo, pero en Ultima instancia condujo al uso rutinario del modelo para proporcionar la informacion para decisiones criticas. Como se mencioné en la seccién 2.1, la validacion y correccién de lox da. tos de entrada para cl modelo también tuvo un papel importante en este estudio, EB’ siguiente ejemplo se refiere aun estudio de 1O para IBM? que se tealizd con el objeto de integrar sured nacional de inventarios de refacciones para mejorar cl servicioa los clientes, al mismo tiempo que reducir el valor de los inventarios de IBM en més de $250 millones de dolares y ahorrar otros $20 millones de délares anuales mediante el mejoramiento de la ef clencia operacional. Un aspecto en particular interesante de la etapa de validacién del modelo gneeste estudio fue la manera en que se incorporaron al proceso de prueba los usuarios ita, del sistema de inventarios. Debido a que estos usuarios faturas (los administradores de IBM. Sn las dreas funcionales responsables de la implantacién del sistema de inventarios) chidaban Gel sistema que se desarrollaba, se asignaron representantes de la empresa aun equipo de usa. ‘ios que tendcia a funcién de asesorar al equipo de IO. Una vez desarrollada la version prel- minar del nuevo sistema (basada en un sistema de inventarios de multiniveles) se leva aeabo tuna prucba prelininar de implantacién. La extensa retroalimentacién por parte del equipo de usuarios llevé a mejoras importantes en el sistema propuesto, PREPARACION PARA APLICAR EL MODELO. £Qué pasa después de completar la etapa de pruebas y desarrollar un modelo aceptable? Si modelo ha de usarse varias veces, el siguiente paso es instalar un sistema bien documentado Para aplicar el modelo segxin lo establecido por la administraci6n, Este sistema incluirdel mo. elo yel procedimiento de solucion (que inchaye el andisis posdptimo) y os procedimientos Sperativos para su implantacién, Entonces, aun cuando cambic el personal, el sistema pucde consultarse periédicamente para proporcionat una solucién numérica especitica. Oy x; >0. Para resumir, en el lenguaje matemético de programacién lineal, el problema consiste en seleccionar valores de 3 y x» para Maximizar Z=3x, + 5x, sujeta a las restricciones wy mee 2x, < 12 3x, +24, < 18 m20 y x20. (Observe cémo la informacién dada en la tabla 3.1 queda en esencia duplicada en la distribu ci6n de los coeficientes de x, y x en el modelo de programacién lineal.) Solucién grafica Este pequefio problema tiene slo dos variables de decisidn y por lo tanto sélo dos dimensiones, as{ que se puede usar un procedimiento gréfico para resolverlo. Este procedimiento incluye la construcci6n de una grifica dedos dimensiones con x) yy en los ¢jes. El primer paso cs identificar los valores de (x, )) permitidos por las restricciones. Esto se hace dibujando cada una de las rectas que limitan los valores permitidos por una restriccién. Para comenzar, note que las restricciones de no negatividad, x; 20, x, 20 exigen que el punto (2c, ¢)) este nel lado positivo de los ejes (incluso sobre cualquiera de los dos ¢jes), es decir, en el primer cua- drante. Después, observe que la restriccién.x < 4 significa que (2) ) no puede estara la derecha de la recta x,=4. Estos resultados se mucstran en la figura 3.1, cn la que el area sombreada contiene los tinicos valores de (#1, x2) que se permiten. De manera parccida, la testriccin 2x, 12 (0 de modo equivalente, x» <6) implica que la recta 2x =12 debe agregatse a la frontera de la region permisible. La tltima restriceién, 3x, + 2a <18 se encuentra al graficar los puntos (x), x2), tales que 3x, +2 =18 (otra28 3. Introduccién a la programacién lineal FIGURA 3.1 El érea sombreada muestra los valores de (Xi, 2) permitidos por 20,920, 44. recta) para completar la frontera. (Observe que los puntos que cumplen 3x; +2xy <18 son aquellos que estan ya sea sobre o abajo de la recta 3.14, + 2, = 18, por lo que éstaesla recta que limita, y més alld de ella, la desigualdad no se satisface.) En la figura 3.2 se muestra la regién de valores permisibles de (x, x) llamada regidn factible. [La demostracién llamada Graphi- cal Method (método grifico) en el OR Tutor proporciona un ejemplo detallado de la cons- truccién de la regién factible.] FIGURA 3.2 a El érea sombreada muestra los valores 10 permitidos de (xj, x3), llamada la region ea ‘| 38m +2m=183.1 Ejemplo prototipo 29 FIGURA 3.3 Elvalor de (x, x2) que maximiza 3x+ 5x; es 26). El paso final ¢s scleccionar, dentro de esta regidn factible, el punto que maximiza cl valor de Z= 32 + Sx. Para descubrir como realizar este paso de manera eficiente intente algunos valores pot prueba y error, ‘Irate, por ejemplo, Z-= 10 = 3.) + Sry para ver si existe algun va- Jor de (21,42 ) dentro de la regiGn permisible que dé un valor de 10 para Z, ise dibuyja la recta 34 + 51 = 0, se puede ver que existen muchos puntos sobre esta recta que estén dentro de la regan (vea la figura 3.3). Como al intentareste valor arbitrario de Z = 10se tiene una mejor petspectiva, debe intentarse ahora un valor arbitrario mas grande, digamos Z=20=3%, +549. De nuevo, la figura 3.3 revela que un segmento de la recta3.cy + 523 = 20 se encuentra dentro de laregién, de manera que el méximo valor permisible de Z debe ser por lo menos 20. Observe ahora en la figura 3.3 que las dos rectas que se acaban de graficar son paralelas. Esto no cs una coincidencia, ya que cualquier recta construida de esta manera tiene la forma Z=32 +54) pata cl valor seleccionado de Z, lo que implica que 5x = 3x, + Z 0, en forma equivalente, 3 1 Ky Z e+ 5 Z Esta tiltima ecuacién, llamada forma de pendiente-ordenada de la funcién objetivo, demuestra que la pendiene de las rectas es —3 (ya que cadla incremento de una unidad en x hace gue #, cambieen—3), mientras que laordenada de larecta (la interseccidn con cl cje x) e5}Z (puesto que 2 =} cuando x = 0). El hecho de que la pendiente esté fija en ~8 significa que todas las rectas construidas de esta manera son paralelas, De nuevo, si se comparan las rectas 10= 314 +52) y 20= 3x + Sx en la figura 3.3, se observa que la recta que da el valor mayor de Z (Z = 20) se encuentra mis lejos del origen ha- Gia arriba que Ja otra reera (2 = 10), Este hecho también esté implicito en la forma de pen- iente-ordenada de la fancién objetivo, lo que indica que la interseccién con el ge (3 Z) aumenta cuando crece el valor seleccionado de Z.3. Introduccién ala programacién lineal Estas observaciones implican que el procedimiento de prueba y error para construir las rectas de la figura 3.3 involucra sdlo dibujar una familia de rectas paralelas que contengan al ‘menos un punto en la regién factible y elegir la que cortesponda al mayor valor de Z. La figu- 43.3 muestra que esta recta pasa por el punto (2, 6) y esto indica que la soluci6n optima es #1 = y x2=6. La ecuacion de esta recta es 31 + 5x) = 3(2)+5(6)= Z, que dice que cl valor Sptimo de Z es Z=36. El punto (2, 6) se encuentra en la interseccién de las dos rectas, 2x3 =12y3x; +2) =18, mostradas en la figura 3.2, por lo que el punto se puede calcular al- gebraicamente como la solucién simulténea de estas dos ecuaciones. Una vez.estudiado el procedimiento de prueba y error para encontrar el punto 6ptimo (2,6), se pueden seguir los pasos de este método en otros problemas, En lugar de dibujar varias rectas paralelas, es suficiente marcar una de ellas con una regla para establecer la pendien- tey después mover la regla con pendiente fija sobre la regiGn factible en la direccién en que Z mejora. (Cuando el objetivo sea minimizar Z, la regla se mueve en la direccidn en que Z decre- «e.) La regla se deja de mover en el momento en que todavia pasa por un punto de esta regién. Este punto es la solucién dptima deseada. ‘Con frecuencia se hace referencia a este procedimiento como el método gréfico de pro- ‘gtamacién lineal. Se puede usat para resolver cualquier problema de programacién lineal con dos variables de decisién. Con alguna dificultad, es posibleextender el métodoa tres variables de decisién pero no més de tres. (En el siguiente capitulo se estudia el mérodo simplex para resolver problemas mds grandes.) Conclusiones El equipo de IO utiliz6 este procedimiento para encontrar que la soluci6n éptima deseada es #1 =2, x7 =6, con Z = 36. Esta soluci6n indica que la Wyndor Glass Co. debe fabricar los pro- diictos I y 2a una tasa de 2 y 6 lotes por semana, respectivamente, con una ganancia total resultante de 36 000 délares semanales. No existe otra mezcla de los dos productos que sca tan redituable, segsin ef modelo. No obstante, en el capitulo 2se puso de manifiesto que un buen estudio de investigacién de operaciones no sélo encuentra wna solucién para el modelo #nicial formulado y ahf acaba. Todas y cada una de las seis etapas que se describieron son importantes incluso las pracbas ex- haustivas del modelo (vea la seccidn 2.4) y el andlisis posdptimo (seccién 2.3). Alreconocer la totalidad de estas realidades précticas, el equipo de IO std listo para evaluar la validez del modelo de una manera més critica (esto continuard en la seccién 3.3) y para llevar a cabo un andlisis de sensibilidad sobre el efecto que tendrfa el hecho de que las estimaciones dadas en Ja tabla 3.1 fueran diferentes debido a inexactitudes, cambios en las circuns- tancias, etcétera (esto continuard en la seccién 6.7). Continuacién del proceso de aprendizaje con OR Courseware Este ¢s el primero de muchos puntos en el libro en donde encontraré titil usar el OR Course- ware que se encuentra en el CD que acompafiaal libro. Un programa clave en este CD es el llamado OR Tutor que contiene un ejemplo de demostracién completo del métado grdfico introducido en esta seccidn. Al igual que muchos otros ejemplos de demostracién para otras secciones, éste resalta los conceptos que son dificiles de explicar en una pagina impresa. Pue- de consultar en el apéndice 1 la documentacién sobre cl software. Cuando formule un modelo de programacién lineal con mas de dos variables de decisién (por lo que no puede usarse el método grafico), el método simplex: desctito en el capiculo 4 le3.2. Modelo de programacién lineal 31 3.2 permitird encontrar una solucién éptima de inmediato. Obtenerla también es titil para la vali- dacién del modelo, ya que encontrar una solucién sin sentido, indica que sc cometieron errores en Ja formulacidn del modelo. En la secci6n 1.4 se mencioné que ¢l OR Courseware es una introduccién a los tres paquetes de software comerciales que ms se usan —Excel Solver, LINGO/LINDO Y MPL/ CPLEX— para resolver una variedad de modelos de IO, Los tres paquetes incluyen el méto- do simplex para resolver problemas de programacién lineal. La seccién 3.6 describe cmo usar Excel para formular y resolver modelos de programacién lineal en el formato dena hoja de cileulo. Las descripciones de las otros paquetes se proporcionan en ka seccién 3.7 (MPL y LINGO), el apéndice 3.1 (LINGO), la seccién 4.8 (CPLEX y LINDO) y el apéndice 4.1 (LINDO), Ademés, el OR Courseware incluye un archivo para cada uno de los tres paquetes que muestra cémo se puede usar para resolver los ejemplos en este capitulo, MODELO DE PROGRAMACION LINEAL EI problema de la Wyndor Glass Co. se disefié para ifustrar un problema comin de pri maci6n lineal (en versién miniatura). Sin embargo, esta técnica es muy versdtil para describir- Ja mediante un solo ejemplo. En esta secciOn se presentardn las caracteristicas gencrales de los problemas de programacién lineal y las distintas formas legitimas del modelo matemitico. Se comenzard por establecer la terminologfa y notacién basicas. La primera columna de la tabla 3.2 resume las componentes del problema de la Wyndor Glass Co. La segunda, introduce términos més generales para estas Componentes, que se ajustarén a muchos problemas de programacién lineal. Los términos clave son recursos y actividades, en donde m denota el miimero de tipos de recursos que se pueden usar y m el niimero de actividades bajo considera- cién. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehiculos y personal. Los ejemplos de actividades incluyen inversidn en proyectos especificos, publicidad en un medio determinado y el envio de bienes de cierta fuente a cierto desti- ‘no. En cualquier aplicacién de programacién lineal, es posible que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una corresponderfa en forma individual a las alternativas especificas dentro de esta categorfa general. ‘Como se describié en la introduccién del capitulo, el tipo més usual de aplicacién de pro- gramacién lineal involucra la asignaciOn de recursos a ciertas actividades. La cantidad disponible de cada recurso esté limitada, de forma que debe asignarse con todo cuidado. La determinacién de esta asignacién incluye elegir los niveles de las actividades que lograrén cl mejor valor posible de la medida global de efectividad. TABLA 3.2 Terminologia comiin para programacién lineal Ejemplo prototipo Problema general (Capacidad de produccién de las plantas Recursos 3 plantas m recursos Fabricacién de productos Actividades 2 productos actividades ‘Tasa de produccién del producto jx, Nivel de la actividad j, x, Ganancia Z_ Medida global de efectividad Z32 CC _ _$$__ rr at 3. Introduccién a la programacién lineal {Ciertos simbolos se usan de manera convencional para denotar las distintas componen- res de un modelo de programacién lineal. Estos simbolos se enumeran 4 continuacién, junto Con st interpretacién para el problema general de asignacion de recursos a actividades, Z = valor de la medida global de efectividad. = nivel de la actividad j (para j=1,2,...,n). & i 4 = Incremento en Z obtenido al aumentar una unidad en el nivel de la actividad 7. 4% = cantidad de recurso i disponible para asignar a las actividades (para i= 1, Qyies mt). ‘94 = cantidad del recurso 4 consumido por cada unidad de la actividad j Elmodelo establece el problema en términos de tomar decisiones sobre los niveles de las actividades, por lo que x, 25... %y $ellaman variables de decisin. Como se resumeen la tabla 3.3, losvalores dec; 4; yay (paraé= 1,2,..., my j=1,2,..,») son las onshantes de ontreda al modelo. Las ¢;, b; yay también se conocen como pardmetros del modelo. Observe la correspondencia entre la tabla 3.3 y la tabla 3.1. Forma estandar del modelo Para proceder con el problema de la Wyndor Glass Co., ahora se puede formular al mode- do matetndtico parael problema general de asignar recursos a actividades. En particular, este modelo consiste en clegir valores de 27, 9,...y &q para Maximizar Z= e131 + ¢3. +--+ 64.4, sujeta a las restricciones AH + wines +++ aig gs Sd, + ayy < by 421%) + ar2x, ++ AmiX1 + hy 2%1 ++ By Hy S yy, TABLA 3.3 Datos necesarios para un modelo de programacién lineal que maneja la asignacién de recursos a actividades Consumo de recursos por unidad de actividad Actividad Cantidad de Recurso 1 2 zs a recursos disponibles ! a 2 = On 5 2 a) en ne Pq b | m On ona Gn by Contribucién a Z por é = o unidad de actividad3.2_ Modelo de programacién lineal 33 #20, 00 20) ye 20. Llamiamos a esta nuestra formia estdénilar} para el problema de programacién lineal. Cualquier situacién cuya formulacién matemdtica se ajuste a este modelo es un problema de programa- ion lineal. Observe que el modelo paraeel problema de la Wyndor Glass Co. se ajusta a nuestra forma estindar con m=3 y n=2. En este momento se puede resumir la terminologfa que se usard en los modelos de pro- gramiacidn lineal. La funcién que se desea maximizar, ¢153 + ¢)3) +--+ ¢,%q, S¢ llama fun- Gién objetivo. Por lo general, se hace referencia a las limitaciones como restricciones, Las primeras m restticciones (aquellas con una funcién de todas las variables a 3 + a 9) + +11, , 1c! lado izquierdo) a veces reciben el nombre de restricciones funcionales. De manera parecida, las restricciones x; >0 se conocen como restricciones de no negatividad (0 condiciones de no negatividad). Otras formas Debe hacerse notar que el modelo anterior no se ajusta a la forma natural de algunos problemas de programacién lineal. Las otras formas legitimas son las siguientes: 1. Minimizar en lugar de maximizar la funcién objetivo: Minimizar Z= e+ 0%) # +e, q. 2. Algunas restricciones fancionales con desigualdad en el sentido mayor o igual: aie tai9% ++ a5, %_ 2b; para algunos valores de i. 3. Algunas restricciones fiancionales en forma de ccuacién: Baxytaj.% +--+ ap,%,=b, para algunos valores de i. 4. Las variables de decisién sin la restriccién de no negatividad: j no restringida en signo para algunos valores de j. Cualquier problema que incluye una, varias 0 todas estas formas con las otras partes del modelo anterior también se clasifica como un problema de programacién lineal. Nuestra inter- pretacién de las palabras asignacién de recursos limitados entre actividades que compiten puede ya no aplicarse muy bien, sies que se aplica, pero sin importar cudl sea la interpretacién o el contexto, lo tinico necesario es que la formulacién matemtica del problema se ajuste a las formas permitidas. ‘Terminologia para las soluciones del modelo Puede ser que el lector esté acostumbrado a que el término solucién signifique la respuesta fi- nala un problema, pero en programacién lineal (y sus extensiones) la convencién es bastante distinta. Ahora, cualguier conjunto de valores especificos para las variables de decisién (x1, 245-005) Se Hama una solucién, aunque sca s6lo una posibilidad descable o ni siquiera permitida, Después se identifican los tipos de soluciones usando un adjetivo apropiado. 2 Le llamamos muestra forma estindar en lugae de la forma estindar porque otros libros adopran otras formas,34 3__Introduccién a la programaci6n lineal ‘Una solucién factible ¢s aquella para la que todas las restricciones se saiifacen, Una solucién no factible es una solucidn para ka que al menos wna restricciGn st viola. En el ejemplo, los puntos (2, 3) y (4, 1) en a figura 3.2 son soluciones facibles, mientras que (1, 3) y (4, 4) son soluciones no factibles. La regi6n factible es la coleccién de todas las soluciones factibles. La regiGn factible en cl ejemplo es toda el érca sombreada de la figura 3.2, Es posible que un problema no tenga soluciones factibles. Esto hubiera ocurrido de ha- berse requerido que los nuevos productos ruvieran un rendimiento neto de $50 000 semanales por lo menos, para justificar la interrupcién de la fabricacién de la linea actual. La restriccién cortespondiente, 3%, +52 250 hubiera eliminado por completo la regién factible, con lo que ninguna mezela de nuevos productos serfa superior a la situacién actual. Este caso se ilustra en la figura 3.4. Dado que existen soluciones factibles, la meta de la programacién lineal es encontrar una solucién factible que sea la mejor, medida por el valor de la funcidn objetivo en cl modelo. ‘Unasolucién éptima es una solucién factible que proporciona el valor mds favorable dela fan- cién objetivo. El valor més favorable significa cl valor mis grande sila funcién objetivo debe maximizarse, mientras que ¢s cl valor mds pequeno si la fancién objetivo ha de ser un mtnimo. La mayor parte de los problemas tendré nada més una solucién dptima. Sin embargo, también es posible tener més de una, Esto ocurrirfa en el ejemplo si laganancia por lore produ «ido del producto 2 se cambiara a $2,000. Esto cambia la funcién objetivo a Z= 34 +2x,, de manera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) serfan solu- Fi 5 *% eae, 4 Maximizar Z=35+5% Wyndor Glass Co. at sujecoa ay <4 no tenerasolucones Bx +585250 oe ace factibles si se pit mn <18 cee ae 3x + Sm 250 34+ 5xq> 50 al a20, 420 problema. Es | 8m +20) < 18 Fem 20 al. <4 Fr 203.2. Modelo de programacién lineal 35 % Maximizar Z= 3x +2x) Z=18-3y+2m sujroa ys 4 20, <12 3a + 2m $18 420 120 “ados los puntos en el segmento 47 oscuro de la linea son éptimos, todos con Z = 18. ‘Seema miiltiples si ‘= Encién objetivo secombiaraa = 3n+2x, iones 6ptimas. Esto se ilustra en la figura 3.8. Igual que en este caso, cualquier problema que tenga soluciones 6ptimas miiltiples tendré un mimero infinite de ellas, todas con el mismo valor de la funcidn objetivo. Otra posibilidad es que e] problema no tenga soluciones éptimas. Esto ocurre sélo si: 1) no tiene soluciones factibles o 2) las restricciones no impiden que el valor de la fancién objetivo (Z) mejore indefinidamente en la direccién favorable (positiva negativa). Este caso se conoce como un problema que tiene Z no acotada. Eliiltimo caso serfa cierto si enel ejemplo por error se omitieran las tiltimas dos restricciones fiancionales del modelo. Esto se ihustra en | hh figura 3.6. ‘Ahora se introduciré un tipo especial de soluciones factibles que tiene un papel importante cuando el método simplex busca una solucién éptima. ‘Una solucién factible en tun vértice (FEV) cs una solucién que esté en tna esquina de la e~ | i6n factible. La figura 3.7 pone de relieve cinco soluciones factibles en los vértices para el ejemplo. Tas secciones 4.1 y 5.1 analizardn varias propiedades titiles de las soluciones FEV para problemas de cualquier tamafio, incluso la siguiente relacién con las soluciones éptimas. Relaci6n entre las soluciones dptimas y las soluciones FEV: considere cualquier problema de programaci6n lineal con soluciones factibles y una regién factible acotada. El problema debe poseer soluciones FEV y al menos una solucién 6ptima. Mds atin, la mejor solu- cién FEV debe ser una solucién éptima. Entonces, si un problema tiene exactamente una solucién 6prima, ésta debe ser una solucidn FEV, Siel problema tiene miiltiples soluciones 6pri- | ‘mas, al menos dos deben ser soluciones FEV.36 3 Introduceién a la programacién lineal (4.x), Z=0 (4, 10), Z = 62 Maximizar Z= 3% +54; sujeto a ast y 420, m20 (4, 8), Z = 52 sb (4.6),2- 42 FIGURA 3.6 El problema de la Wyndor Glass Co. no tendria soluciones 4 (4,4), 2 = 32 Sptimas sila nica restriceién funcional fuera < 4,ya que x y podria aumentar de = (4,2), Z= 22 modo indefinido en la region fatible sin le- gar aun valor maximo a deZ= 3x+ 543. o 2 4 6 8 10m El ejemplo tiene exactamente una solucién éptima, (x, #2) = (2,6), quees una solucién FEV, (Piense en cémo el método gréfico lleva a la solucién éptima que es una solucion FEV.) Cuando se modifica el ejemplo para que tenga soluciones éptimas milltiples, como se mues- tracn la figura 3.5, dos de estas soluciones Gptimas —(2, 6) y (4, 3)— son soluciones factibles en los vertices. 3.3. SUPOSICIONES DE PROGRAMACION LINEAL De hecho, todas las suposiciones de programacién lineal estan implicitas en la formulacién del modelo que se presenté en la seccién 3.2. Sin embargo, vale la pena hacer hincapié en cllas para que sea més sencillo evaluar siesta técnica cs adecuada para un problema dado. Aun mds, ¢s necesario analizar por qué el equipo de IO de la Wyndor Glass Co, concluyé que la formu- lacién de programacién lineal proporcionaba una representacién satisfactoria del problema. Proporcionalidad Laproporcionalidad es una suposicién sobre la funcién objetivo y sobre las restricciones, como se-resume a continuacién, ‘Suposicién de proporcionalidad: la contribucién de cada actividad al alo dela fiuncién objetivo Z es proporcional al nivel de la actividad x,, como lo representa el término ; x; en la funcién objetivo. De manera similar, la contribucién de cada actividad al lado iequierdo de cada restric- sid funcional es proporcional al nivel de la actividad +, como lo representa el téemino ay x; cn la restriccién. En consecuencia, esta suposicién elimina cualquier exponente diferente a1 para las.FIGURA 3.7 Los puntos son las cinco soluciones FEV para el problema de la Wyndor Glass Co. 3.3. Suposiciones de programacion lineal 37 (0, 0) 4,0) vatiables en cualquier término de las funciones (ya sea la funcién objetivo o la funcién en el lado inquierdo de las restricciones funcionales) en un modelo de progeamacién lineal. Para ilustrar esta suposicion, considere el primer término (8) en Ja funcién objetivo {Z= 3x) + 5x2 )paracl problema de la Wyndor Glass Go. Este término representa la ganancia generada por semana (en miles de délares) al fabricar el producto 1 a una tasa dex lotes por semana. La columna de proporcionalidad satisfécha de la tabla 3.4 muestra el caso qute se supuso ena seccién 3.1, saber, que esta ganancia sin duda es proporcional a e;, de manera que 3; esc término apropiado para la funcién objetivo. Por el contrario, las siguientes tres co- Jumnas muestran casos hipotéticos diferentes en los que la suposicidn de proporcionalidad no se cumple. ‘Vea primero la columna del caso 7 cn la tabla 3.4, Este caso surgirfa si se tavieran costos fijos asociados al arranque de la fabricacién del producto 1. Por ejemplo, es posible que TABLA 3.4 _Ejemplos de proporcionalidad satisfecha o violada Ganancia del producto 1 ($000 por semana) Proporcionalidad x satisfecha aso 0 o o 0 0 1 3 2 3 3 2 ‘ 5 7 5 3 9 8 n ‘ 2 1 1a 6 Cuando la fancié incluye alg sérmine de producto crucado, la proporcionalidad debe interpretarse en el sentido de {gue los cambios en el valor de a funci6n son propotcionales los cambios en cada variable (1s) en forma individual, da clos cualesquicra valores fjos para as otras variables, Por lo tanto, un término de producto cruzado satisface la proporcionalidad siempre que cada variable cn c|sérmino tenga un exponente de 1. (Sin embargo, cualquier té:mino de Producto eruzado viola la suposicién de adisinidad que sc estudiar en seguida.)38 3. Introduccién a la programacién lineal existan costos debidos a la preparacién de las instalaciones de produccién. También puede haber costos asociados con el arreglo de la distribucién del nuevo producto. Como se trata de costos en los que se incurre una sola vez, deben amortizarse cada semana para que sean con- mensurables con Z (ganancia en miles de délares por semana). Suponga que esta amortiza~ cién se hace y que los costos de preparacién o fijos totales significan una reduccién de 1 en Z, pero que la ganancia, sin considerar los costos fijos es de 32x). Esto quiere decir que la contri- bucién del producto 1 aZ es 3; —1 para x, >0, mientras que la contribucién es 3x =O cuando x,=0 (no hay costo fijo). Esta fncién de ganancias,! dada por la curva continua en la figura 3,8, sin duda no es proporcional a 21. A primera vista, pudiera parecer que el caso 2 de la tabla 3.4 es bastante parecido al aso 1. Pero el hecho es queel caso 2 surgede forma muy diferente, No existe un costo fijoy la ¢ganancia debida ala primera unidad del producto 1 por semana, por supuesto es $3, como se supuso en un principio. Pero ahora se tiene un rendimiento marginal creciente; es decir, la pendiente de la funcién de ganancia para el producto 1 (vea la curva continua en la figura 3.9) crece conforme 2x, aumenta. Esta violacion de la proporcionalidad puede ocurrir debido a economfas de escala que en ocasiones se pueden lograr para niveles altos de produccién, por ejemplo, a través del uso de maquinaria més eficiente para altos vollimenes, corridas de pro- diuccién més grandes, descuentos por cantidad por compras grandes de materia prima y por elefecto de la curva de aprendizaje debido al cual los trabajadores son cada vez més eficientes conforme adquieren experiencia en tun trabajo de produccién dado. Cuando el costo incremental disminuye, la ganancia incremental aumenta (si se supone un rendimiento marginal constante). FIGURA3.8 Contribucién 3: La curva sblida viola la dexiae i 12) suposicién de propor- clonalidad debido al costo fijo en que se incurre cuando » 9 aumenta de 0. Los Satisface la valores son los puntos suposicién de dados en la columna 6 {- Proporcionalidag del caso | de la tabla Ne 34. 3 0 Costo fijo—e a ila contribucién del producto 1 la funcidn Z fuera 3x, ~1 para toda x ® 0, inchiso x = 1, entonces la constante fija,-1, se podria eliminar de a fanci6n objetivo sin cambiar la soluicin Optima y se restablecera la proporcionalidad, Sin embargo, en este caso no es posible, ya que la coriseante =I no se aplica si x; = 0:3.3 Suposiciones de programacién lineal FIGURA 3.9 La curva continua viola fa suposicién de proporcionalidad porque su pendiente (el rendimiento marginal del producto I) sigue en aumento conforme x; aumenta. Los valores en los puntos estén dados en la columna del caso 2 dela tabla 3.4. Contribucién dexpaZ 39 13] 15| ‘Viola la suposicién de roporcionalidad ‘Prep ~ 12 NS Satisface la suposicién de proporcionalidad Oompnlish bouwiaBivn dhune wr De nuevo, seguin Log datos de la tabla 3.4, el caso contrario del 2s el casv 3, en el que exis te un rendiimiento marginal decreciente, En este caso, la pendiente de la funcién de ganancia parael producto 1 (dada por la curva continua en la figura 3.10) disminuye conforme x, aumenta. Esta violacién de la proporcionalidad puede ocurrir debido a que los casts de comsercin- fizacién tengan que elevarse més que proporcionalmente para lograr aumentos en el nivel de ventas. Por ejemplo, tal vez cl producto 1 se pueda vender a una tasa de 1 por semana (x) = 1) sin publicidad, micntras que lograr ventas que sostengan una tasa de produccién de +, puede requerir una publicidad moderada, paras =3¢s posible que sea necesaria una extensa campafia publicitaria y para x, = 4 puede requerirse también una disminuci6n en los precios. Los tres casos son ejemplos hipotéticos de Ia forma en que la suposicién de proporcionalidad puede no cumplirse. ¢Cusl es la situacién real? La ganancia real al fabricar el producto 1 FIGURA 3.10 La curva continua viola la suposicién de proporcionalidad ya que su pendiente (el rendimiento ‘orginal del producto 1) sigue decreciendo cuando x aumenta, Los valores de los puntos estan dados en la columna del caso 3 dela tabla 3.4. Contribucién dex aZ 12 Satisface la suposicidn de propottionaiiad wi is Viola la suposicin de proporcionalidad40 3. Introduccién a la programacién lineal (ocualquier otro) se deriva del ingreso de ventas menos os distintos costosdirectos eindiece tos. Es inevitable que algunas de estas componentes de costos no sean estrictamente propor- cionales @ las tasas de produccién, tal vez por alguna razén expucsta, Sin embargo, la Eee ean. 81 después de acumular tod las componentes de ganancia, la pro- Porcionalidad es una aproximacién rezonable para el modelado. Fn el problema ee la Wyndor Glass Co, el equipo de 10 verifies tanto lafuncién objetivo como las restriecicncs fancionales. La conclusién fue que sin duda podta suponerse la proporcionélidad sin dines siones serias. ‘Qué ocurre cuando la suposicién no se cumple, ni siquiera como una aproximacidn ra- ZOnable? En la mayor parte de los casos, est significa que se debe emplear programacién no lineal (presentada en el capitulo 13). Sin embargo, en la seccién 13.8 se sezale que cierta clase importante de falta de proporcionalidad se puede manejar mediante programscion lineal c, formulando el problema de manera adecuada, Lo que es mis, i se viole la suuposicién nada Ins debido alos costos fis, exist una extensiGn a programacida lineal (ragramacidmonnog ‘mista) que se puede usar, pesentada en la seccién 12.2 (el problema con costos jos) Aditividad Aunque la suposicién de proporcionalidad elimina los exponentes diferentes de uno, no rohibe los iérminasde productos crusades (rérminos que incluyen el producto dedos onion. ables). La suposicién deaditivided i climina esta posibilidad, comose vea contineacds, Suposicion de aditividad: cada funcién en un modelo de programacin lineal (ya seal une Sion objetivo oe! lado izquierdo de las restricciones funcionales) es lassema de lng, consribzsciones individuales de las actividades respectivas. Cl que este valor de la. fiuncitn se obstiene simplemente sumando los dos primeros renglones (3+-5=8),es decir, Z= 3x, + 5x comose supUuso antes. Por el contrario, las coltumnas que siguen muestran casos hipoteticos en los quel suposicién deaditividad queda violada (pero no la suposicién de proporcionalidad). TABLA 3.5_Ejemplos que satisfacen o violan la aditividad de la funcién ‘objetivo. Valor de Z Aditividad viol fara vii o sence Gy 2) Aditividad satisfecha Caso (1,0) 3 3 3 (0,1) 5 5 5 a) 8 9 73.3. Suposiciones de programacién lineal 4l Segiin Ja columna del caso 1 de Ja tabla) 3.5, se tiene una’ fancién objetivo deZ= 3x4 + Bip + X12, de manera que Z=3+-5++ 1=9 para (ei, #2)= (1, 1),loque viola la suposicin de aditividad de que Z= 3+5. (La suposicién de proporcionalidad todavia se satisface puesto que si se fija el valor de una variable, el incremento en Z debido a la otra variable es proporcional al valor de-csa variable.) Este caso surge si los das productos son complementarios de alguna forma en que la ganancia aumenta. Por ejemplo, suponga que se requiere una campafia publicitaria importante para comercializar cualquiera de los dos productos por sf solos, pero que la misma campatia puede promover de mafiera efectiva ambos productos. ‘Como se ahorra un costo alto para el segundo producto, la ganancia conjunta seré algo més que la suma de sus ganancias individuales si se producen por separado. El caso 2 de la tabla 3.5 también viola Ja suposicién de aditividad debido al término adicional en su funcién objetivo, Z=3.;+5x2-a1x9de forma que Z=3+5-1=7 para (182) = (1, 1). Al contrario del primer caso, el caso 2 surge cuando los dos productos son conipetitivos de algxin modo en que su ganancia conjunta disminuye. Por ejemplo, suponga que ambos productos deben usar la misma maquinaria y equipo. Si se produce cada uno pot sf solo, maquinaria y equipo se dedican a este tinico uso. Sin embargo, al fabricar ambos productos se requiere cambiar los procesos de produccién de uno a otro, con tiempo y costos in- yolucrados en Ja interrupcién temporal de la produccién de uno yy la preparacién de! otro. Coneste costo adicional importante, su ganancia conjunta serd algo menos que laswnma de sus ganancias individuales-al producirlos por separado. El mismo tipo de interaccidn entre actividades puede afectar la aditividad de las funciones de restriccién, Por ejemplo, considere la tercera restriccién del problema de la Wyndor Glass Co., 321 + 2x9 <18, (Esta es la nica restriccién que incluye ambos productos.) Esta restricci6n se refierea la capacidad de produccién de la planta 3 en la quese dispone de 18 horas semanales de tiempo de produccién para los dos nuevos productos y la funcidn en el lado izquicrdo (3.,-+ 2x2) representa el ntimero de horas de produccién semanales que se usarfan en estos productos, La columna de aditividad satisfécha de la tabla 3.6 muestra este caso, mientras que las dos columnas siguientes exponen casos en los que la funcién tiene un tértni- no adicional de producto cruzado que viola la aditividad. Para las tres colummnas, las contrib ciones individuales de los productos en cuanto al uso de la capacidad de la planta 3 son las supuestas antes, a saber,32, para el producto 1 y 2x, para el producto 2, 0 sea, 3(2) = 6, para =) =2 y2(8) =6 para x, = 3. Igual que en la tabla 3.5, la diferencia estriba en el ultimo ren- TABLA 3.6. Ejemplos de aditividad satisfecha o violada para una restricci6n funcional Cantidad de recurso usado Aditividad violada (G9) Aditividad satisfecha Caso 3 Caso 4 (2,0) 6 ‘ 6 (0,3) 6 6 6 (2,3) 12 15 108Te 42 3. Introduccion a la programacién lineal gidn que ahora da el alor tral de la funcién para el tiempo de produccién utilizado cuando se fabrican los dos productos de manera conjunta. Para el caso 3 (vea la tabla 3.6), el tiempo de produccién utilizado por los dos productos estd dado por la funcién 3.x; + 2x2 + 0.5x).x), de manera que el valor total de la funciin es 6+6 +3=15 cuando (x,:¥2)=(2,3), logue viola la suposicidn de aditividad de que el valor es s6lo 6 +6 =12. Este caso puede surgir justo de la misma forma que se describié para el caso 2 (tabla 3.5): tiempo adicional desperdiciado em el cambio de procesos de produccién entre los dos productos. El término adicional de producto cruzado (0.5); ) representa el tiempo de produccién desperdiciado en esta forma. (Observe que al desperdiciar tiempo cambiando de un producto otro lleva, en este caso, a un término positivo de producto cruzado en donde la funcién total mide el tiempo de produccién utilizado, mientras que conduce a un término ne~ gativo de producto cruzado para el caso 2 ya que esa funcidn total mide la ganancia.) En clcaso4de a tabla 3.6, la funcién de la capacidad que se usa cs 3x1 + 2x2 -O.1x} xp, por lo que el valor de la funcién para (xi, x2)=(2,3)es6 +6 1.2 = 10.8, Este'caso surge de la siguiente manera. Igual que emel caso 3, suponga que las dos productos requieren el mismo tipo de maquinaria y equipo, pero que ahora el tiempo para cambiar de tn producto a otro es relativamente pequefio. Como cada producto pasa por uria serie de operaciones, las instalaciones de produccién individual, que por lo general se dedican a ese producto, tendrfan algunos ticmpos ociosos, Estas instalaciones podrfan utilizarse durante estos tiempos en otros productos. En consecuencia, el tiempo total de produccién usado cuando se fabrican en forma conjunta los das productos es menor que la sma de los tiempos de produccidn usados por los productos individuales cuando se fabrican por separado. Después de analizar los tipos posibles de interaccién entre los dos productos ilustrados en estos cuatro casos, el equipo de IO coneluyé que ninguno tenia un papel importante en el problema real de la Wyndor Glass Co. Por lo tanto, la suposicién de aditividad se adopté como una aproximacién razonable. En otros problemas, sila aditividad no es una suposicién razonable, de forma que algunas 0 todas las funciones matemAticas del modelo necesariamente son no lineales (debido a rérminos de producto cruzado), resulta definitiva la entrada en el Ambito de la programacién no lineal (vea el capitulo 13). Divi: idad La siguiente suposicién se refiere a los valores permitidos para las variables de decisién. ‘Suposicién de divisibilidad: las variables de decisién en un modelo de programacién lineal pueden tomar cwalguier valor, incluso valotes no enteras, que satisfagan las restricciones funcio~ nales y de no negatividad. Asi, estas variables no estn testringidasas6lo valores enteros. Como cada variable de decisién representa el nivel de alguna actividad, se supondré que las actividades se pueden realizar a nivelesfracciomales. En el problema de la Wyndor Glass Co, las variables de decisién representan tasas de pro- duccién (mimero de lotes de un producto fabricados a la semana). Como estas tasas pueden tomar cualguier valor fraccional dentro de la regién factible, la suposicién de divisibilidad se cumple. Enciertas situaciones, la suposicién de divisibilidad no se cumple porque algunas 0 todas las variables de decisién deben restringirse a valores enteros. Los modelos matemiticos con sta restriccién se laman modelos de programacién enteray sc estudiarénenel capitulo 12.3.3 Suposiciones de programacién lineal 43 Certidumbre La ultima suposicién se refiere a los pardmetras del modelo, es decir, a los coeficientes cj enla funcién objetivo, los cocficientes a g en las restricciones funcionales y los b; enel lado derecho de las restricciones funcionales. Suposicién de certidumbre: se supone que los valores asignados a cada parémetro de un modelo de programacién lineal son constantes conocidas. En los problemas reales, rara vez se satisface por completo la suposicion de certidumbre. Casi siempre se formula un modelo de programacién lineal para elegir un curso de accién futuro. Entonces, los valores de los parmetros que se emplean estan basados en una prediccién de las condiciones futuras, lo que es inevitable que introduzca cierto grado de incertidumbre Por esto, siempre ¢s importante realizar un andlisis de sensibilidad después de encon- traruna solucién éptima para los valores supuestos de los pardmetros)Como se presenté en la seccidn 2.3,(e! propdsito gencral es identificar los pardmetros sensibles (cs decir, aquellos cuyo valor no puede cambiar mucho sin cambiar la solucién éptima), ya que un cambio mayor enel valor de un parémetro sensible da la sefial inmediata de la necesidad de un cambioen la solucién que se est usando. ‘El andlisis de sensibilidad tiene un importante papel en el problema de la Wyndor Glass Co,, como se verd en la seccidn 6.7. De todas maneras, es necesario adquirir algunos conoci- mientos adicionales antes de terminar esta historia. Enalgunos casos, el grado de incertidumbre en los pardmetros es demasiado grande para que elanilisis de sensibilidad lo pueda manejar. Entonces es necesario establecer, en forma explicita, estos pardmetros como variables aleatorias. Se han desarrollado formulaciones de este tipo, que se pueden consultar en las secciones 23.6 y 23.7 del sitio de Internet del libro, wwwmhhe.com/hillier. Perspectiva de las suposiciones En la seceién 2.2 se hizo hincapié en que el modelo matematico intenta ser sdlo una represen- tacién idealizada del problema real. Por lo general se requicren aproximaciones las suposiciones de simplificacién para que el problema se pueda manejar. Agregar demasiados detalles y precision puede hacer que el modelo sea dificil de manejar para llevar a cabo un andlisis uiil del problema. En realidad, todo lo quese necesita es que exista una correlacién relativamente alta entre la prediccién del modelo y lo que de hecho pasarfa en el problema real. Este consejo sin duda es aplicablea programacién lineal. Es muy frecuente en las aplica~ ciones reales de esta técnica que casi ninguna de las cuatro suposiciones se cumpla. Excepto quizé por la suposicién de divisibilidad, deben esperarse pequefias disparidades, Esto es cierto en especial para la suposicidn de certidumbre, de manera que cs normal que deba aplicarse el andlisis de sensibilidad para compensar la violacién de esta suposicién. Sin embargo, es importante que el equipo de investigacién de operaciones examine las cuatro suposiciones para el problema que se estudia y analice qué tan grandes son las disparidades. Si cualquiera de las suposiciones queda violada de manera importante, entonces se dispone de varios modelos alternativos, como se verd en capftulos posteriores de este libro. Una desventaja de estos modelos es que los algoritmos disponibles para resolverlos no son nileja- namente tan poderosos como el de programacién lineal, pero en algunos casos esto se ha ido solucionando. En algunas aplicaciones sc utiliza el poderoso enfoque de programacién lineal para el andlisis inicial y después un modelo més complejo para refinar el andlisis.3.4 3_Introduccién a la programacién lineal Al trabajar los ejemplos de la siguiente secci6n encontraré queuna buena prictica es analizar hasta qué grado se cumplen las cuatro suposiciones de programacién lineal, EJEMPLOS ADICIONALES El problema de la Wyndor Glass Co. es un ejemplo prototipo de progeamacién lineal en va- tos aspectos: comprende la asignacién de recursos limitados entre actividades que compiten por ellos, su modelo se ajusta a nuestra forma esténdar y su contexto es el tradicional de la pla- nneacién de la administracién para mejorarla, Sin embargo, la aplicacién de la programacién lineal es mucho mis extensa, Esta seccidn comienza por ampliar el horizonte, Al estudiar los siguientes ejemplos, observe que se caracterizan como problemas de programacién lineal por cl modelo matematico, mds que por su contexto. Luego, piense que ¢! mismo modelo matemitico surge en muchos otros contextos con sdlo cambiar los nombres de las actividades. Estos ejemplos son versiones simplificadas de aplicaciones reales (incluso los dos que se presentan como casos de estudio en la siguiente seccién. ) Disefio de terapia de radiacién Acaban de diagnosticar que MARY tiene céncer en una etapa bastante avanzada. Espectfiea- mente, tiene un tumor grande en el drea de la vejiga (una “lesién completa en la vejiga”). ‘Mary recibird los cuidados médicos més avanzados disponibles, para proporcionarle la mejor posibilidad de supervivencia, Estos cuidados incluyen una serapia de radiacién extensa. La terapia de radiacién incluye el uso de una méquina de rayos externos que pasa radia- i ionizante a través del cuerpo del paciente y daria tanto los tejidos cancerosos como los sanos. Es normal que se administren los rayos con precisién desde diferentes éngulos en un plano de dos dimensiones. Debidoa la atenuacién, cada rayo descarga mds radiacién sobre el tejido cercano al punto de entrada que sobre el cercano al punto de salida. La dispersién tam- bign causa que parte de la radiacién se descargue sobre tejidos que estén fuera de FIGURA 3.11 Seccién cruzada del ‘tumor de Mary (vista desde arriba), cercano a telidos criticos, y los rayos de radiacion usados. Rayo 2 ™~ dod \ Rayo 1 1. Vejiga y tumor 2. Recto, cdccix, ete. 3. Fémur, parte de la pelvis, etc. Jatrayectoria directa del rayo. Como las céhulas del tumor casi siempre se encuentran diseminadas entre céhulas sanas, la dosis de radiacion a través de la regidn del tumor debe ser suficiente para matar las células malignas que son un poco mis sensibles a ésta, pero suficientemente pequefia para no matar a las células sanas. ‘Al mismo tiempo, la dosis agregada que reciben los tejidos criticos no debe exceder los niveles de tolerancia establecidos, con el objeto de prevenir complicaciones que puedan resultar ms serias que la enfermedad misma, Entonces, la dosis completa que recibe el cuerpo sano debe minimizarse. Por la necesidad de balancear con cuidado todos estos factores, el disefio de la terapia de radiacién es un proceso muy delicado. La meta principal deeste disefio es clegir la combinacién de rayos a utilizary la intensidad de cada uno para generar la mejor distribucién de la dosis posible. (La fuerza de la dosis en cualquier punto del cuerpo semideen unidades llamadas kilorads.) Una vez disefiado el tratamiento, se administra en muchas sesiones durante varias semanas. En el caso de Mary, el tamano y la localizacién del tumor hace que el disetio desu tratamiento sea un proceso més delicado que lo usual. La figura 3.1] muestra un diagrama de un corte transversal del tumor visto desde arriba, al igual que los tejidos cereanos criticos que deben evitarse. Estos tejidos incluyen drganos vitales (Por ejemplo, el recto) al igual que estructura dsea (como el fémutr y la pel-3.4_Ejemplos adicionales 45 vis) que atenuardn la radiacién. Ademés, se muestra el punto de entrada y la direccién de los tinicos dos rayos que se pueden usar con un grado médico de seguridad en este caso. (El cjemplo se ha simplificado en esto, en la realidad se consideran docenas de rayos posibles.) Para cualquier rayo propuesto de una intensidad dada, el andlisis de cul seria la absor- cién de radiacién resultante en distintas partes del cuerpo requiere un proceso dificil. En resumen, con base en un andlisis anatémico cuidadoso, la distribucién de energia dentro de un corte transversal de dos dimensiones se puede graficar en un mapa de isodosis en el que las curvas representan la fierza de la dosis como un porcentaje de la fuerza de la dosis en el punto de entrada, Después se coloca una red fina sobre el mapa de isodosis. Si se suma la radiacién absorbida en los cuadros que contienen cada tipo de tejido, se puede calcular la dosis promedio que absorben el tumor, los tejidos sanos y los tejidos criticos, La absorcién de la radiacion ¢s aditiva cuando se administra m4s de un rayo (en forma secuencial). Después de un andlisis exhaustivo, el equipo médico estimé con detalle los datos necesarios paral disefio del tratamiento de Mary; cl resumen se presenta en la tabla 3.7. La primera columna da una lista de las éreas del cuerpo que deben consideratse y las dos siguientes proporcionan la fraccién de la dosis de radiacién de cada rayo en el punto de entrada que se absorbe en promedio en las Areas respectivas. Por ejemplo, si el nivel de la dosis en el punto de ‘entrada del rayo 1s 1 kilorad, entonces se absorberén 0.4 kilorad en toda la anatomfa sanaen el plano de dos dimensiones, un promedio de 0.3 kilorad en los tejidos critics cereanos, un promedio de 0.5 kilorad en las distintas partes del tumor y 0.6 kilorad se absorberan enel centro del rumor, La tltima columna da las restricciones sobre la dosis total de ambos rayos que sé absorbe en promedio en las diferentes partes del cuerpo. En particular, la absorcién promedio de la dosis para la anatomia sana debe ser tan pequefia como sea posible, los tejidos criticos no deen exceder 2.7 Kilorads, el promedio sobre todo el rumor debe ser igual a6 kilorads yen el centro del tumor debe ser por fo menos 6 kilorads. Formulacién como un problema de programacién lineal. Las dos variables de decisin 27 y +2 representan la dosis (en kilorads) en el punto de entrada de los rayos 1 y 2, respectivamente. Como debe minimizarse la dosis toral que llega a la antatomfa sana, sea Z cesta cantidad, En este punto se pueden usar los datos de la tabla 3.7 para formular el siguiente modelo de programacién lincal.! TABLA 3.7 _ Datos para el disefio del tratamiento de radiacion de Mary Fraccién de la dosis de entrada pevaiaeeeeicie absorbida por area (promedio) “doe Pruinielnd Area Rayo | Rayo 2 total, kilorads ‘Anatomia sana, 04 05 Minimizar Talido critica 03 0.1 “27 Region del tumor 05 Os =6 Centro del tumor 06 of 26 Bp realidad, la abla 3,7. una simplificacién de la sitsaci6n real, de manera que el modelo seria algo més complicado que éste yrendirfa dacenas de variables yrestrieciones. Si se desea conocer los detalles de la siruacién general consulte 1D, Sondermany P. G, Abrahamson: “Radiotherapy Treatment Design Using Mathematical Prograruning Models", Operasions Research, 33:705-725, 1985 y su referencia 1,46 3._Introduccién a la programacién lineal Minimizar Z=0.4x; + 0.82, sujeta a, 0.34; + Oley $2.7 05x + 0.5%, = 6 0.6x,+ 04x 2 6 y 20, 20 Observe las diferencias entre este modelo y el presentado en Ja seccidn 3.1 para la ‘Wyndor Glass Co. Este tiltimo involucraba maximizar Z, y todas las restricciones funcionales tenfan la forma <.B] nuevo modelo incorpora otras tres Formas legsbimas descritas en la sec~ cién 3.2, a saber, minimizar Z, restricciones funcionales de la forma = y restricciones funcionales de la forma >. Sin embargo, ambos modelos tienen sdlo dos variables, de manera que este nuevo problema también se puede resolver por el método grdfico que se ilustré en la seccién 3.1. La figura 3.12 muestra la solucién gréfica. La repidn fictible consiste nada més en el segmento entre los puntos (6, 6) y (7.5.4.5), ya que los puntos en este segmento son los tinicos que satisfacen todas las restricciones al mismo tiempo. (Observe que la restriccidn de igualdad limita la region factiblea la recta que contiene este segmento y las otras restricciones funcionales deter minan los puntos extremos de! segmento.) La linea puntcada representa la funcién objetivo que pasa por la solucién éptima (#), %))=(7.5, 4.5) con Z = 5.25. Esta solucidn es éptima y no (6, 6) porque ditminuir Z (pata valores positivos de Z) empnja la funcién objetivo hacia el arigen (donde Z = 0), y Z = 5.25 para (7.5, 4.5) es menor que Z = 5.4 para (6, 6). ‘Asi, cl diseito éptimo es usar una dosis total en el punto deentrada de 7.6 kilorads para el rayo 1 y 4.5 kilorads para el rayo 2. Planeacién regional La CONFEDERACION SUR DE KIBBUTZIM esté formada por tres kibbutzim (comu- nidades agricolas comunales) en Israel. La planeacién global de este gruposse hace en su oficina de coordinacién técnica. En la actualidad planean la produccién agricola para el ato proximo. La produccién agricola esté limitada tanto por la extensién de tetreno disponible para itrigacién como por la cantidad deagua que la Comisién de Aguas (tina oficina del gobierno nacional) asigna para irrigarlo. La tabla 3.8 contiene los datos. TABLA 3.8 Datos de recursos para la Confederacién Sur de Kibbutzim. Kibbutz Terreno disponible (acres) _| Asignacién de agua (pies-acre) 1 400 600 2 600 800, 3 300. 375.3.4. Ejemplos adicionales 47 ah 15> 0.62, + 0.45%) 2 6 10} 5 r Qe Z= 5.25 Oday + 0.5 FIGURA 3.12 L 0.5% + 0.5%) =6 Solucién grafica para al dieefo de la terapia® or.cbes es ee de radiacion de Mary. 0 5 10 “4 El tipo de cosecha adecuada para la regi6n incluye remolacha, algodén y sorgo, y éstas son precisamente las tres que estan en estudio para la estaci6n venidera. Las cosechas difieren primordialmente en su rendimiento neto esperado por acte y en su consumo de agua. Ade- més, el Ministerio de Agricultura ha establecido una cantidad maxima de acres que la Confe- deracién puede dedicar a estas cosechas. La tabla 3.9 muestra estas cantidades. TABLA 3.9 ~ Datos de cosechas para la Confederacién Sur de Kibbutzim Cantidad maxima | Consumode agua | Rendimiento neto Cosecha (acres) (acre-pie/acre) (acre) Remolacha 600 1000 Aigodén 500 750 250 Sorgo48 3. lntroduccién a la programacién lineal Debido a la disponibilidad limitada de agua para irrigacién, la Confederacién no podré usar todo el terreno itrigable para las cosechas de la proxima temporada. Para asegurar la equidad entre los tres kibbutzim, han acordado que cada kibbutz. scmbraré la misma proporcidn de sus tierras irrigables disponibles. Por ejemplo, siel kibbutz 1 siembra 200 de sus 400 acres disponibles, entonces el Kibbutz 2 debe sembrar 300 de sus 600 acres, mientras que el Kibbutz 3 sembrarfa 150 acres de los 300 que tiene. Cualquier combinacién de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El trabajo al que se enftenta la oficina de cootdinacién técnica consisee en planear cudntos acres deben asignarse a cada tipo de cosecha en cada kibbutz, cumpliendo con las restricciones dadas, El objetivo es maximizar el rendi- micnto neto total para la Confederacién Sur. Formulacién como un problema de programacién lineal. Las cantidades sobre Jas que se tomar la decisién son el miimero de acres que se dedicardn a cada cosecha en cada Kibbutz. Las variables de decisién, x, (j =1, 2,..., 9), representan estas nueve cantidades, como se muestra en la tabla 3.10. Como la medida de efectividad Z es el rendimiento neto total, el modelo de programa- cién lineal que resulta para este problema es Maximizar Z=1000(x; + xy +243) + 750(x4 + x5 + x5) + 250(xy + x5 + 5), sujeta a las siguientes restricciones: 1. Terreno para uso en cada kibbutz: wt yt xy $400 dy + Xs +g $600 Bes # Xp + Ho < 300 2. Asignacién de agua para cada kibbutz: 3xj +24 + x7 $600 3x3 + 2x5 + 9 < 800 % 3xq + 2g + xy $375 3, Total de acres para cada cosecha: 1+ 4) + % $600 4+ Xs + x6 $500 7 +g + Xo S325 TABLA 3.10 Variables de decision para el problema de la Confederacién Sur de Kibbutzim Asignacién (acres) Kibbutz Cosecha 1 2 3 Remolacha x Lsy % Algodén ky Xs x Sorgo xy Xa xy3.4. Ejemplos adicionales 4, Igual proporcidn de érca plantada: xt at x7 49 wy + wg t+ Xa 400 600 Mt Ns tx Xet met Xo 600 300 xp time thy tpt eat 7 300 400 5. No negatividad: 2,20, paraj=1,2 sto completa el modelo, a excepcidn de las igualdades que-no estin en la forma apropiada para un modelo de programacion lineal porque algunas variables extén en ellado derecho de las ecuaciones. Asi, la forma final! es Biv + ea + x7) Ber + Hs + ¥8) = 0 (xq omg + ¥g)— 2xg + %6 + X5)=0 Alig + x5 + X9)— 3a) + %4+ ¥7)=0 Laoficina de coordinacién técnica formulé este modelo y después aplicé el método simplex (que se desarrolla cn el capfralo siguiente) para encontrar-una solucién prima oes ay 4s as ¥55 50-87 1 ¥8, #9) = (133 $, 100, 25, 100, 250, 150, 0,0,0), como se muestra en la tabla 3.11. El valor éptimo de la funcién objetivo que obruvicron es Z~ 683 3334, es decir, un rendimiento neto total de $633 333.33 TABLA 3.| Solucion 6ptima para el problema de la Confederaci6n Sur de Kibbutzim Cosecha 1 2 3 Remolacha 1335 100 25 Algodén 100 250 150 1a realidad, cualquiera de exras ecuacioes es redundant y se putde elimina si se desea, Debido af fom de las ceurciones,cualeaquiea dos dla resricciones sobre rea plantada también se pueden climina® porave = satis Haare ee aunitca cuando se satsfcen rant la resticciones restantes del drea como estas ecusciones. Sip embargo, surgen problemas (excep un efuerno computacional us poco mayor) seinen, restieciones no Gesttite, por 1p que no debe preocuparse por identifcals y eliminaras del modelo formulado,50 3. Introduccién a la programacién lineal Control de la contaminacién del aire La NORI & LEETS CO., una de las mayores productoras de acero del mundo occidental, esta localizada en la ciudad de Steeltown y es la tinica empresa grande de la localidad. Stecl- town ha crecido y prosperado junto con la compaffa, que de momento emplea a cerca de 50 000 residentes. La actitud de los habitantes ha sido siempre “lo que es bueno para Nori & Leets es bueno para nosotros”. Sin embargo, esta actitud est cambiando; la contaminacién no controlada del aire debida a los altos hornos de la planta esté en camino de arruinar la apa- riencia de la ciudad y de poner en peligro la salud de sus habitantes. Como resultado, después de una revuelta entre los accionistas se eligié un nuevo consejo directivo més responsable. Los nuevos directores han decidido seguir politicas de responsabilidad social y realizar pliticas con las autoridades de la ciudad y con grupos de ciuidadanos para tomar medidas respecto a la contaminacién ambiental. Juntos han establecido esténda- res rigurosos de calidad del aire para la ciudad de Steeltown. Los tres tipos principales de contaminantes son particulas de materia, xidos de azufre ¢ hidrocarburos. Los nuevos esténdares requicren que la compaiifa reduzca su emisién anual de estos contaminantes en las cantidades presentadas cn la tabla 3.12. Bl conscjo directivo ha dado instrucciones ala gerencia para que el personal de ingenierfa determine cdmo lo- {grar estas reducciones en la forma més econémica. La fabricacién de acero tiene dos fuentes principales de contaminacién, los altos hornos para fabricar ¢l arrabio y los hornos de hogar abierto para transformar el hierro en acero. En ambos casos, los ingenieros determinaron que los métodos de abatimiento mas efectivos son: 1) aumentar la altura de las chimeneas,! 2) usar filtros (con trampas de gas) en las chimeneas y 3) incluir limpiadores de alto grado en los combustibles de los hornos. ‘Todos estos métodos ticnen limitaciones tecnolégicas en cuanto al nivel en que pueden usarse (por ejemplo, un incremento factible méximo en la altura de las chimeneas), pero también existe una gran flexibilidad para usar el método en cualquier nivel fraccionario de su limite tecnolégico. La tabla 3.13 muestra la cantidad de emisién (en millones de libras anuales) que se puede eliminar de cada tipo de horno usando el método de abatimiento al maximo limite tecnoldgi- co. Para fines de andlisis, se supone que cada método se puede usar a un nivel menor para lograr cualquier fraccién en las reducciones de las tasas de emisién mostradas en esta tabla, Mds atin, para cualquiera de los hornos, ¢! uso simultneo de otro método no afecta de manera significativa la reduccién de emisiones que alcanza cada uno de ellos. TABLA 3.12 Esténdares de aire limpio para Nori & Leets Co. Reduccién requerida en la tasa de emisién anual Contaminant (millones de libras) Parviculas 60 ‘Oxidos de azufre 150 Hidrocarburos 125 *Un tiempo después de realizado este estudio, este método especifico de reduecién de contaminacidn se convietiéen ‘materia de controversia. Como su efecto es reducir la contaminacién a nivel del suelo esparciendo las emisiones a una distancia mayor, los grupos ecologistas sostiencn que esto crea ms Ilwviadcida al mantener los Gxicos de azure més tiempo en claire. En consccuencia, la U.S, Environmental Protection Agency adopt nuevas reglasen 1985 para el- rinar los incentivos sobre el uso de chimeneas mis alas.3.4 Ejemplos adicionales 51 TABLA 3.13. Reduccién en la tasa de emisi6n (en millones de libras por afio) con el uso maximo factible del método de abatimiento para Nori & Leets Co. ooo Chimeneas mas altas Filtros Mejores combustibles ‘Altos Hornosde | Altos. Hornosde | Altos Hornos de Contaminante | hernos hogar abierto | hornos hogar abierto| hornos hogar abierto Particulas 2 9 25 20 7 1B Oxides de azufre | 35 42 \8 31 56 49 Hidrocarburos 37 53 28 24 29 20 Después de obtener estos datos, quedé claro que ningiin método por s{solo podia lograr las reducciones requeridas. Por otro lado, la combinacién dedlos tres métodos a toda su capacidad (lo que serfa demasiado caro si se quiere que los productos sean competitivos en precio) resulta mucho més delo que se pide. Por todo esto, la conclusién de los ingenicros fie que de- bian usar alguna combinacién de métodos, tal vez con capacidades fraccionarias, basada en sus costos relativos. Lo quc es mis, debido a las diferencias entre los altos homnos y los hornos de hogar abierto, es probable que la combinacién sea diferente para cada tipo de horno. Se lev a cabo un andlisis para estimar el costo total anual de cada método de abatimien- to. El costo anual de un método inchuye el aumento cn los gastos de operacidn y manteni- miento al igual quc la reduccién en los ingresos debida a cualquier pérdida de eficiencia en el proceso de produccién que pueda resultar por cl uso del método. El otro costo importante es ¢l costo jo inicial (cl capital inicial) requerido para instalar cl método. Pata hacer que este cos- +o tinico fuera conmensurable con los costos anuales, se us6 el valor del dinero en el tiempo para calcular el gasto anual (sobre el tiempo esperado de vida del método) que serfa equivalente a este costo fijo inicial. El andlisis proporcioné estimaciones de los costos anuales rotales (en millones de déla- res), daclos en la tabla 3.14, en que se incurre al usar los métodos a toda su capacidad de abati- Micnto. También se determiné que ¢l costo de un método que se utiliza a un nivel menor es esencialmente proporcional a la capacidad fraccional de la capacidad de abatimiento dada en latabla 3.13 que se logra. Entonces, para cualquier fraccion lograda, el costo total anual serfa en esentcia la fraccién de la cantidad correspondiente cn la tabla 3.14. En este momento, todo esté listo para desarrollar el marco general del plan de la compafifa para disminuir la contaminaci6n. Este plan especifica qué tipo de métodos de abatimien- to deberén emplearse y a qué fracciones de su capacidad para: 1) los altos hornos y 2) los hornos de hogar abierto. Debido a la naturaleza combinatoria del problema de encontrar un TABLA 3.14 —Costo total anual para el uso maximo factible del método de abatimiento para Nori & Lets Co. (millones de délares) Método de abatimiento Altos hornos Hornos de hogar abierto ‘Chimeneas mis altas a 10 Filtros 7 6 Mejores combustibles52 3. Introduccién a la programacién lineal plan que satisfaga los requisitos con el menor costo posible, se formé un equipo de investiga- idn de operaciones para resolverlo. Elequipo decidié enfocar el problema desde un punto de vista de programacion lineal, y formulé el modelo que se resume a continuacién. Formulacién como un problema de programacién lineal. Este problema tiene seis variables de decisién, » j,7=1, 2,....6, que representan el uso de cada uno de los tees mé- todos de abatimiento en cada tipo de homo, expresado como una finccidn de la capacidad de abatimiento (de manera que x ; no excedaa 1). En latabla 3.16 se muestra cl orden asignado a estas variables. Si se toma en Cuenta que cl objetivo es minimizar el costo total sin violar los requetimientos de reduccién en la emisién, los datos en las tablas 3.12, 3.13 y3.14 llevaron al siguiente modelo: Minimizar Z = 8x, + 10x) +743 + Ox4+ Llxs. +. 9%65 sujeta a la siguientes restricciones: 1. Reduccién de emis 12x + Ox +25xy + 2x4 17x + 13x52 60 35x + 4283 + 18g + Bvy + 56x5 +495 2 150 37x, + 53x; + 2843 + 24x, + 295 + 20s 2 120 2, Tecnoldgicas: vj SI; para j=1,2,14,6 3. No negatividad: 4,20, paraj=1,2,.. El equipo de IO usé este modelo! para encontrar el plan de costo minimo (ys 35 352045 5 %6) = (1, 0.623, 0.343, 1, 0.048, 1), conZ = 32.16 (costo total anual de $32.16 millones). Después realizé un andlisis de sensibili- Gad para explorar el efecto de hacer los ajustes posibles en los esténdares del aire dados en la tabla 3.12, y para verificar el efecro de inexactitudes en los datos de costo dados en la tabla 3.14, (Esta historia continuaré en el caso de estudio 6.1 al final del capitulo 6.) Después se hizo una plancaciGn detallada y la gerencia la aprobd Muy poco tiempo después e! programa se puso en préctica y los habitantes de Steeltown respiraron, (mds limpio) con alivio. TABLA 3.15. Variables de decision (fraccién del uso maximo factible del método de abatimiento) para Nori & Lets C Método de abatimiento Altos hornos Hornos de hogar abierto Chimeneas mas altas x x Filtros Mejores combustibles Una forrmulacién equivalente puede expresar cada variable de decision en unidades naturales para su mxétodo de abatimiento; por ejemplo, = y x» podrfan representar el niimero de pies que aumiencan las alcuras de las chimeneas.3.4 Ejemplos adicionales 53 Reciclado de desechos sélidos La SAVE-TT COMPANY opera un centro de reciclado que recoge cuatro tipos de material de desecho sdlido y los trata para amalgamarlos en un producto comercializable. (El tratamien- toy el amalgamado son dos procesos diferentes.) Se pueden hacer tres grados diferentes de este producto (vea la primera columna de la tabla 3.16), segiin la mezcla de materiales que se use. Aunque existe alguna flexibilidad para esta mezcla en cada grado, los esténdares de cali- Gad especifican tna cantidad minima y una méxima para la proporcidn de los materiales permitidos en ese grado. (Esta proporcién es el peso del material expresado como un porcentaje del peso total del producto de ese grado.) Para los dos grados més altos se especifica un porcentaje fijo de uno de los materiales. Estas especificaciones se dan en la tabla 3.16 junto conel costo de amalgamado y el precio de venta para cada grado. Elcentro de reciclado recoge los materiales de desecho sélido de ciertas fuentes habitua- les por lo que casi siempre puede mantener tuna tasa de produccién estable para tratarlos. En Ja tabla 3.17 se dan las cantidades disponibles para la recolecciGn y tratamiento semanal, al igual que el costo de! proceso para cada tipo de material. * La Save-It Coes propiedad de Green Earth, una organizacién dedicada a asuntos ecol6- sgicos, por lo que las ganancias se usan para apoyar las actividades de Green Earth. Esta orga- nizacién ha logrado contribuciones y apoyos por la cantidad de $30 000 semanales, que deben usarse s6lo para cubrir el costo del tratamiento completo de los desechos sélidos. El consejo directivo de Green Earth ha girado instrucciones a la administracién de la Save-It para que divida este dinero entre los materiales de manera tal que se recolecte y se trate al me- nas ia mitad de la cantidad disponible de cada tipo de material. Estas restricciones adicionales se enumeran en la tabla 3.17. Dentro de las restricciones especificadas en las tablas 3.16 3.17, la administracién desea determinar la cantidad que debe producir de cada grado,y la mezcla exacta de maceriales que usar para cada tuno, de manera que se maximice fa ganancia semanal neta (ingresos totales por ventas menos costo toral del amalgamado), exclusivo del costo del tratamiento fijo de $30 000 por semana que serd cubierto por donaciones. Formulacién como un problema de programacién lineal, Antes de intentar cons- muir un modelo de programacién lineal debe tenerse mucho cuidado en la definicién apropiada de las variables de decisién. Si bien muchas veces esta definicién es obvia, otras es TABLA 3.16 Datos de productos para la Save-It Ci ‘Amalgamado | Precio de venta Grado Especificacién Coste ($) por libra | _($) por libra Material I: no mas de 30% del total Material 2: no menos de 40% del total x 50 4 | Material 3: no mas de 50% del total ame = Material 4: exactamente 20% del total Material |: no mis de 50% del total 8 | Material 2: no menos de 10% del total 7.00 Material 4: exactamente 10% del total Material |: no mas de 70% del totala 54 3. Introduccién a la programacién lineal TABLA 3.17 Datos de los materiales de desechos sélidos para Save-It Co. Costo del Libras por semana) tratamiento Material disponibles ($) por libra Restricciones adicionales i 3000 3.00 |. Para cada material, deben recolectarse y 2 2.000 6.00 tratarse al menos la mitad de las libras 3 4.000 4.00 disponibles por semana 4 1.000 5.00 2. Deben usarse $30 000 sermanales para tratar estos materiales Japartemedular de la formulacién, Después de identificar con claridad cul es la informacién que sirve y la forma més conveniente de mancjarla mediante las variables de decisién, se pueden establecer la funcién objetivo y las restricciones sabre los valores de estas variables de decision. Eneste problema especifico, las decisiones que deben tomarse estén bien definidas, pero vale la pena pensar un poco en la manera de manejar la informacidn a través de ellas. (Intente hacerloy veassi primero obtiene el siguiente conjunto inapropindo de variables de decision.) Como un conjunto de decisiones se refiere ala cantidad de cada grado de producto que se debe fabricar, parecerfa natural definir un conjunto de variables de decisién acorde. Siguien- do esta linea de pensamiento, se define ‘yj = niimero de libras del producto de grado # producidas a la semana ( , B,C). Elotro conjunto de decisiones ¢s la mezcla de cada grado. Esta mezcla se identifica por la pro- porcién de cada material en el producto, lo que sugiere definir el otro conjunto de variables de dccisién como zy = proporcién del material jen el producto de grado i (@=A, B, C;j=1, 2, 3, 4). Sin embargo, la tabla 3.17 da los costos del tratamiento y la disponibilidad de los materiales por cantidad (libras) y no en proporciones y es esta informacion en cantidades la que se necesita registrar en algunas de las restricciones. Para el material j (j=1, 2, 3, 4), Cantidad en libras de material j usada por semana = 24,94 +8998 + Bq Yo- Por ejemplo, como la tabla 3.17 indica que se dispone de 3 000 libras del material 1 por sema- ra, una restriccién en el modelo seria 2a YatZayat Zaycs3000. Desafortunadamente, ésta no es una restriccidn legitima de programacién lineal. La expre- sidn en el lado izquierdo no es una funcién lineal porque incluye la maltiplicacién de variables. Por lo tanto, no se puede construir un modelo de programacidn lineal con estas variables de deci Por suerte, existe otra manera de definirlas que s¢ ajustaré al Formato de programacién lineal, (?Tienc usted una idea de cémo hacerlo?) Esto se logra con sélo sustituir cada producto de las variables de decisién anteriores por una sola variable: En otras palabras, se define 4y= 2491 (parai=A, B,C; j=1, 2, 3, 4) = niimero total de libras del material j asignadas al producto # a la semana,3.4_Ejemplos adicionales 55 ¥ después se definen xy, como las vatiables de decisin. Al combinar la 4 en diferentes for- ‘masse legaalas siguientes cantidades necesarias en elmodelo (parai= A,B, Cj=1,2, 3,4). #n + #a+ His + ¥:4-= miimero de libras del producto grado i producido por semana. aj + y+ cj = mtimero de libras de material j usado por semana, Soi Pea = proporcién del material jen el producto de grado i. Etecho de que esa iltina expresin sea una fincion no lineal no causa complicaciones, Por ejemplo, considere la primera especificacién para cl producto grado A en a cola 3-é (a Proporcion cle material Lno debe exceder a 30%). Esta limitacién da a restriccin no lineal x, “a 50.3. Xai % 40+ 243+ Kay Sin embargo, al multiplicar ambos lados de esta desigualdad por el denominador se Mega ala restricci6n equivalente a S03(¢ a1 + x4 +45 + ¥ 44) de manera que 0.741 ~ 0.3% -0.3x43~0.3¥44 <0 que es una restriccidn legitima de programacién lineal. Con este ajustea ls tres cantidades dadas se Ilega directamente a todas las restricciones fancionales del modelo. La funcién objetivo se basa en cl objetivo de la gerencia de maxim, ar la ganancia semanal total (ingresos totales por ventas menos costo total del amalgamado) Maximzat’'Z'= 8.5(uay + 4° Maa ¥ 44)+ 45 (em + simp + sepa + pg) +3.5(¥a + xa + cy + X04), sujeta a las siguientes restricciones: 1. Especificaciones de mezcla (segunda columna de la tabla 3:16): Har SO3(ea + a2 + 4g + a4) (grado.A, material 1) Kaz 2 OA (% an + Xan + 243 + 44) (grado A, material 2) Hag SOB (41 + 474 Rag + 44) (grado A, material 3) 244 = 02a + xp + x3 + x44) (grado.A, material 4), Xm $0.5(xp + xm + app + xp) (grado B, material 1) ¥m = 0.Mg) + %m + Xy3 + x54) (grado B, material 2) #54 = O.l(em + xm + xm + Xp) (grado B, material 4), For $0.7 (sey + xe + ey + xc4) (grado C, material 1).56 3. Introduccién a la programacién lineal 2, Disponibilidad de materiales (segunda columna de la tabla 3.17): day + xm + xc, $3000 (material 1) xp + Xm + Key $2000 (material 2) ag t ¥p3 + Xa S 4000 (material 3) Nast Xpa+ Xc4 S 1000 (material 4). 3. Restricciones sobre las cantidades tratadas (lado derecho de la tabla 3.17): ait em + xr 2 1500 (material 1) x43 + Xm + Xco 2 1000 (material 2) X43 + ¥m3 + ¥c3 = 2000 (matetial 3) ast Xpa+ ¥ca2 500 (material 4). 4. Restriccién sobre el costo del tratamiento (lado derecho de la tabla 3.17): Blea + m+ 1) + Olean + Xm + Xo) + 4(eaa + me + Xca) +5(x44+ Xa4+ ¥ca)=30 000. 5. Restricciones de no negatividad: ea 20, 4220, ing e420. Esta formulacién completa el modelo, extepto que las restricciones para las especificaciones de la mezcla necesitan rescribirse en la forma adecuada para un modelo de programacién lineal con todas las variables en el lado izquierdo y combinando los términos: Especificaciones de mezcla: 0.7%, - 0.3%, ~0.3x 43 -0.3x44 <0 (grado A, material 1) 04x41 + 0.6442 — 04X43 Ox ag 20 (grado A, material 2) 0.5x24) — 0.5x43 + 0.543 — 0.544 $0 (grado A, material 3) 0.2474) — 0.2449 0.2243 + 0.8% 44 = 0 (grado A, material 4). 05x) -0.5xp) ~ 0.5xg3 - 05x24 <0 (grado B, material 1) -0.Leg, + 0.9%; -O.1¥53 —O.1xp4 20 (grado B, maverial 2) -0.1¥p) - 0. —O.1aim + 0.9%p4 = 0 (grado B, material 4). 0.3s4¢y = O.7 ea — 0.7 He - 0.74 <0 (grado C, material 1). La tabla 3.18 muestra una solucién éptima para este modelo, despues estos valores de xy se usan para calcular otras cantidades de interés dadas en Ja misma tabla. El valor 6ptimo de la funcidn objetivo que se obtiene es Z= 35 108.90 (0 sea, una ganancia semanal total de $35 108.90). El problema de la Save-It Co, es un ejemplo de un problema de mezelas. El objetivo para nn problema de este tipo es encontrar la mejor mezcla de ingredientes que deben tener Jos productos finales para cumplir con ciertas especificaciones. Algunas de las primeras aplicaciones de programacién lineal se hicieron para la mezcla de pasolina,en donde los ingredientes del petrdleo se mezclaban para obtener varios grados de gasolina. El reconocido estudio3.4 Ejemplos adicionales 57 TABLA 3.18. Solucién dptima para el problema de Save-It Co. Libras usadas por semana Material Nifvero da tibras Grado 1 2 3 4 producidas por semana A 4123 859.6 MATA 4298 2149 (19.2%) (40%) 20.6%) (20%) 8 2587.7 S175 1552.6 SITS 5175 (50%) (1096) (30%) (10%) a 0 0 o 0° 0 Total 3.000 1377, 2.000 947 ee ae ee de IO en Texaco presentado al final dela seccién 2.5 trata sobre mezcla de gasolina (aunque Texaco us6 un modelo de programacién no/ieal). Otros problemas de merclas inclayen productos finales como acero, fertilizantes y alimento para animales. Programacién de personal UNION AIRWAYS va agregar vuelos desde y hacia su acropuerto base ¥; porlo tanto, necesita contratar més agentes de servicio a clientes. Sin embargo, no esté claro cudntos més debe contratat, La administracién reconoce la necesidad de controlar el costo y al mnismo tiempo proporcionar de manera consistente un nivel satisfactorio de servicio, Por todo esto, un equipo de IO est estudiando cdmo progtamara los agentes para proporcionar un servicio satisfactorio con el menor costo de personal. Con base en Ja nueva programacién de vuclos, se ha realizado un andlisis del mimero m/- imo de agentes de servicio a clientes que deben encontrarse de guardian diferentes momen- +08 del dia para proporcionar un nivel satisfactorio de servicio. La columna deladerecha dela tabla 3.19 muestra el mimero de agentes nccesario para los periodos dados cn la primera. TABLA 3.19. Datos para el problema de programacién de personal en Union Airways jos cubiertos “Turno Namero minimo Periodo 1 Z 3 4 5 _| necesario de agentes 6:00 am a 8:00 am v 48 8:00 am a 10:00 am vow n 10:00.am'a 12:00-am vo 65 12:00 am a 2:00 pm v vow 87 2:00 pm a 4:00 pm aA 64 pm a 6:00 pm vow a pm a 8:00 pm. vo 82 200 pm a 10:00 pm v 8 10:00 pra 12:00 pm vo¥ 52 12:00 prn-a 6:00 am v 15 ‘Costo diario por agente | $170 $160 $175 $180 $195 SE58 3._Introduceién a la programacién lineal Los otros datos de la tabla reflejan uno de los acuerdos del contrato ¢oléctivo vigente entre la compafifa y el sindicato que representa a los agentes de servicio a clientes. El acuerdo es que cada agente trabaje un turno de 8 horas 5 dfas a la semana, y los turnos autorizados son Tamno 1: 6:00 am 22:00 pm Tumo2: 8:00 ama 4:00 pm ‘Turno 3: 12:00 (medio dfa) a 8:00 pm ‘Turno 4; — 4:00 pm a 12:00 am (media noche) ‘Fumo 5: ° 10:00 pm a 6:00 am ‘Las marcas en el cuerpo de la tabla 3.19 muestran las horas cubiertas por los rurnos respectivos. Como algunos turnos son menos deseables que otros, los salarios especificados en el contrato difieren de uno a otro. En el iltimo renglén se muestra la compensacién diaria (con las prestaciones) por cada agente paracada turno. El problema consiste en determinar cudntos agentes deben asignarse a los turnos respectivos cada dfa para minimizar el costo total de personal debidoa los agentes, seguin este tiltimo renglén, al mismo tiempo que se cumplen (o se sobrepasan) los requerimientos de servicio dados en la columma de la derecha. Formulacién como un problema de programacién lineal. Los problemas de pro- gramacién lineal siempre involucran encontrar la mejor mezela de los nivelesde actividad. La clave para formular este problema en particular es reconocer la naturaleza de las actividades. Las actividades cotresponden alos turnos, donde el nivel de cada actividad es el mimero de agentes asignados a ese turno. Asi, este problema trata de encontrar la mejor mezcla de ta ‘mais de twrnos. Como las variables de decisién siempre son los niveles de actividades, las cinco variables de decisién en este caso son x; = mlimero de agentes asignados al turnoj, . paraj=1, 2, 3, 4,5. La restriccién principal sobre los valores de estas variables de décisidn es que cl numero de agentes que trabaja en cada periodo debe satisfacer el requerimiento minimo dado en la columna de la derecha de la tabla 3.19. Por ejemplo, de las 2:00 pm a las 4:00 pm, el nimero total de agentes asignados @ los turnos que cubren esté periodo (turnos 2 y 3) debe ser al menos 64, de manera que yt X32 64 ¢s la restriccién finncional para este periodo. Como el objetivo es minimizar el costo total de los agentes asignados alos cinco tumos, {os coeficientes de la fincién objetivo estén dados en cl tiltimo renglén de la tabla 3.19. Por lo tanto, el modelo completo de programacién lineal es Minimizar Z = 170x; + 160x, +175x5 + 180x 4419545, sujera.a ” 248 (6-8 am) pt 279 (8:10. am) x14 x 2 65 (10-12 am) mt + x 2 87 (12.am-2 pm) y+ Xs > 64 (2-4 pm) +e 273 (4-6 pm)3.4 _Ejemplos adicionales 59 ah eg 282 (6-8 pm) x4 243. (8-10 pm) 4+ xe 252 (10-12 pm) Xs 2 15, (12 pm-6am) y xj20, paraj=l,2,3,45. Observando con cuidado, se-ve que la tervera restriccién, «1 + 7 2 68, de hecho noes necesaria porque la segunda, i + #) 279, asegura que % +x, serd mayor que 65. Asi, #1 + ¥2 2 £65 es una restricciOn redundante que se puede climinar. De manera similar, la sexta restriccién seqt e473, tambidn es una restricci6n redundante porque la séptima es x3 + x4 > 82, (De hecho, tres de las restrieciones de no negatividad, x > 0, 420, #5 20, también son restricciones redindantes debidoa la primera, la octava y la décima: x, 248, x42 43 y x5 215. Sinem- bargo, no hay ganancia en cuanto’ los célculos si se eliminan estas restricciones de no negatividad.) ‘La solucién dptima para este modelo es (+1, 25 83, 4) 5) = (48, 31, 39, 43, 15). Esto conduce a Z= 30 610, es decir, un costo total diario de personal de $30 610. ste problema cs tn ejemplo donde en realidad no se satisface la suposici6n de divisibilidad de un modelo de programacién lineal. Elmimero deagentes asignados a cada curno necesita ser entero. Hablando estrictamente, el modelo debe tener una restriccién adicional para cada una de las variables de decision que-especifique que sus valores deben ser enteros. Al agregar estas restricciones el modelo de programacién lineal se convierte en un modelo de programaci6n entera (tema del capitulo 12). “Aun sin estas restricciones, resulta que Ja solucién-éptima dada tiene valores enteros, ast no hubo problema por no incluirlas. (La forma de las restricciones funcionales hizo que este resultado fuera probable.) Si alguna de las variables hubiera sido no entera, el enfogue mas sencillo hubiera sido redondearla a un valor entero. (El redorideo es factible en este ejemplo porque todas las restricciones funcionales son de la forma ® con coeticientes no negativos.) Cuando se redondea no necesariamente se obtiene una solucién dptima para el modelo de programacién lineal entera, pero el error que se introduce con algunos niumeros grandes ¢s Gespreciable en la mayorta de las situaciones précticas, De manera alternativa, se pueden usar {as técnicas de programacién entera descritas en el capitulo 12 para obtener una solucién ép- tima con valores enteros exacta. Laseccién 3.5 incluye el estudio de un caso sobre la manera en que United Airlines aplicé programacién lineal para desarrollar un sistema de programacién de personal de tamafio mucho mayor que el ejemplo. Red de distribucién de bienes El problema, La DISTRIBUTION UNLIMITED CO. fabricard el mismo nuevo producto en dos plantas distintas y después tendré que enviarlo a dos almacenes de distribucion, donde cualquiera de las dos falbricas puede abastecer a cualquiera delos dos almacenes. La red de distribucién disponible para el envio de este producto se musstra en la figura 3.13, donde Ely F2 son las dos fabricas, Al y A2 son los dos almacenes y CD es el centro de distribucion. Las cantidades que deben cnviarse desde Fl y F2 se muestran a la izquierda, y ls cantidades que deben recibirse en Al y A2 se muestran ala derecha. Cada lecha representa un canal fac- tiblede envio. F1 puede enviar directamente a Al y tiene tres rutas posibles (F1->CD—A2,60 3_Introduceién a la programacién lineal Fl +F2CDA2yF1>A1>A2) paramandar bienes a A2. La fdbrica F2 tiene sélo una ruta a A2(F2-+CD-+A2) yunaa Al (F2-+CD-+A2->A1), El costo por unidad enviada a través de cada canal se muestra al lado de la flecha. También, junto a F1—>F2 y CD->A2 se muestran las cantidades méximas que se pueden enviar por estos canales. Los otros canales tienen suficiente capacidad para manejar todo lo que las fabricas pueden enviar. Ladecisién que debe tomarse se refiere a cudnto enviar a través de cada canal de distribu cién, Bl objetivo es minimizar el costo coral de envio. Formulacién como un problema de programacién lineal, Con siete canales de envio, se necesitan sicte vatiables de decision (¢p1-p25.51:005XFL-A1s *62-CDs*CD-A2s FALADs a2-a1) para representar las cantidades enviadas a través de los canales respectivos. Existen varias restricciones sobre los valores de estas variables. Ademds de las restricciones usuales de no negatividad, se tienen dos restricciones de cota superion, eye1<10 y cp. a2 £80, impuestas por la capacidad limitada de envio de los dos canales, F1>F2 y CD ~>A2. Todas las demas restricciones surgen de las cinco restricciones de flujo neto, una para cada localidad. Estas restrieciones tienen la siguiente forma. Restriccién de flujo neto para cada localidad: Cantidad enviada — cantidad recibida = cantidad requerida. Como seiindica en la figura 3.13, estas cantidades requeridas son 50 pata FI, 40 pata F2, 30 para Al y-60 para A2. FIGURA 3.13 50 unidades Red de distribucién—proctucidas para Distribution Unlimited Co. 30 unidades requeridas Maximo $200/unidad | 16 unidades 40 unidades }60 unidades producidas racistsre 35 _Algunos casos de estudio 61 3.5 &Cuél es la cantidad requerida para CD? Todas las unidades producidas en las fabricas se necesitan en algiin momento en Los almacenes, de manera que las unidades enviadas de las fi- bricas a los centros de distribucién deben mandarse a los almacenes. Por lo tanto, la cantidad. total enviada del centro de distribucién.a los almacenes debe set igwal a la cantidad total enviada desde las fabricas al centro de distribucién. En otras palabras, la diferencia de estas dos cantidades enviadas (la cantidad requerida para la restriccién de flujo neto) debe ser cero. Como el objetivo es minimizar el costo total de envio, los coeficientes de la funcién objetivo son directamente los costos unitarios de envio dados en la figura 3.13. Porlo tanto, usando unidades monetarias en cientos de délares en esta funcién objetivo, el modelo completo de programacién lineal es Minimizar — Z =2xpupp + 4xpucp + 9¥erait 3¥r2.cp+ ¥ep-A2 4 3xqp aa +2% 3.415 sujeta a las siguientes restricciones: 1. Restricciones de flujo neto: Seven p10 Fear = 50 (Eébrica 1) Ser + 52.cp = 40 (Fabrica 2) rei co eeo As = 0. (centrode distribucién) > ¥evat + Xqyaa ~ ¥ag.ar 2730. (almacén 1) = Xeoa2—Kavaa + ¥aar 2-60 (almacén 2) 2. Restricciones de cota siiperior: Xp S10, ¥cp.a2 $80 3. Restricciones de no negatividad: xpre2 20, pcp 20, e020, *r2-cp 20, ¥cp.a2 20, saver, ap.4120- Este problema se verd de nuevo en la seccién 9.6 que esté dedlicado a problemas de pro gramacién lineal de este tipo (lamados problemas de flujo de costo minimo), En la secci6n 9.7 se Obtendré su solucién dptima. , Xerep #40, prar=10, #pa.cp= 40) Xep.ar = 80 XELP2 Rao aa eeaeD! El-costo toral de envio resultante es $49 000. ‘También se verd un caso referente a un problema mucho mds grande de este tipo al final de la siguiente seccién. ALGUNOS CASOS DE ESTUDIO Para proporcionar una mejor perspectiva del gran impacto que puede tener la programacién lineal, se presentan ahora tres casos de aplicacién real. Cada uno es una aplicacién eldsica, ini- ciada a principios de los 80, que se ha convertido en tn est4ndar de excelencia para aplicaciones futuras de programacién lineal. El primero tendrd grandes similitudes con el problema de a Wyndor Glass Co., pero en una escala més eal. De la misma manera, el segundo y el tercerSO 62 3_Introduccién a la programacién linea! ‘casos son las versiones teales de'los dos tims ejemplos presentados en la seccién anterior (los ejemplos de Union Airlines y de Distribution Unlimited). Eleccién de la mezcla del Producto en Ponderosa Industrial! Antes de venderse en 1988, PONDEROSA INDUSTRIAL era un fabricante de triplay con base en Andhuac, Chihuahua, que surea 25% del triplay en México. Igual que para cualquier fabricante de triplay los muchos productos de Ponderosa diferfan enel espesor y lacalidad de Jamadera, El mercado de tiplay en México es competitivo, de manera que ese mismo merca. do establece los precios de los productos. Los precios podfan fluctuat bastante de un mes a otro y haber grandes diferencias entre los productos y la variacién en sus precios, aun de un thes al siguiente. Como resultado, la contribucién de cada producto a la ganancia total de Ponderosa variaba todo el tiempo y de distintas maneras para cada uno de ellos Debiclo- este mareado efecto sobre las ganancias, a administracign se enfrentaba al problema critico de elegir la miezcla de producto —cudnto produeir de cada producto—mensaal, Esra cleccién era muy compleja ya que también debfa tomar en cuenta las cantidades disponibles de los diferentes recursos necesarios para la fabricacién de los productos. Los recursos inds importantes eran troncos de cuatro categorias de calidad y las capacidades de produc. ci6n, tanto para la operacién de prensado como para la de lijado, Desde 1980 se usaba programacién lineal cada mes, como gufa para la decisién de mezcla de productos. El modelo de programacién lineal tenfa el objetivo de maximizar la ganancia total de los productos, Las restricciones del modelo inclufan las diferentes testricciones de fecursos al igual que otras relevantes, como la de la cantidad minima de un producto que debe Surtirse alos clientes regulares y la cantidad méxima que se pucde vender. (Dara ayudar a la Blaneacion de la compra de materia prima, el modelo consideraba también cl impacto de la decisién sobre la mezcla de productos para el mes siguiente, sobre la produccién.) El modelo tenfa 90 variables de decisin y 45 restricciones fiancionales, Este modelo se usaba cada mes para encontrar la mezcla de productos para el mes Siguiente que serfa dptima si los valores estimados de los distintos pardmetros del moxicio. fucran exactos. Sin embargo, como algunos de estos valores cambiaban répidamente (por jemplo, las ganancias unitarias de los productos), se teaizaba un andliss de sensbiidad para determinar el efecto si los valores esperados eran inexactos. Estos resultados indicaban chan do debia ajustarse en la mezcla de productos (si el tiempo lo permitfa) al oeurrir cambios no Previstos en.el mercado (y por ende en la ganancia unitaria) de ciertos productos. ‘Una decisién mensual clave se referia al nimero de troncos que se compraban de las cua- tto categorias de calidad. Las cantidades disponibles para el proximo mes, de hecho, cran los Parimetros del modelo, Por lo tanto, después de tomar la decisiGn de compra y determinar la mezcla de productos Optima correspondiente, se fealizaba un amdliss posdprimo para investi- Bar cl efecto de los ajustes en las decisiones de compra. Por ejemplo, es muy sencillo verificar con programaciOn lineal cual serfa elimpacto sobre la ganancia total, ssc hiciera una compra ‘pia de troncos adicionales de cierta Categoria de calidad que permitiera aumentar ka produccidn el mes siguiente, Ei sistema cle programacién lineal de Ponderosa era interactivo, de manera que la admi- piseraciOn récibfa una respuesta inmediata a sus preguntas de “que pasa si? sobre cl impacto =, onel que sc ha elegido <= para estas restricciones. (Esta selecci6n es necesaria aun cuando antes se hayan escrito los signos en70 3 Introduccién a la programacién lineal FIGURA 3.15 Cuadro de dislogo de Solver después de cespecificar qué celdas en la figura 3.14 contienen los valores de ta funcién objetivo y las variables de decision y de indicar que la funcién objetivo se ‘maximizara. Jacolumna F de la hoja de cdlculo, porque Solver usa sélo las restricciones funcionales que se especifican en el cuadro de didlogo de “agregar restriccién”,) Si hubiera més restricciones fuuncionales que afiadir, se harfa clic en “agregar” para que aparezca de nuevo el cuadro de dilogo. Sin embargo, como no hay més en este ejemplo, el siguiente paso es hacer clic en “aceptar” para regresar al cuadro de didlogo de Solver. Ahora el cuadro de didlogo resume el modelo completo (vea la figura 3.17) en términos de la hoja de céleulo de la figura 3.14. Pero antes de pedir a Solver que resuelva cl modelo, se realiza otro paso. Se lige el botén de “opciones” y aparece el cuadro de didlogo mostrado en la figura 3.18. Este cuadro permite especificar cierto mimero de opciones sobre la manera en que se resolveré el modelo. Las més importantes son las opciones “adoptar modelo lineal” y “asumir no negativos”. Asegiirese de elegir los cuadros de ambas opciones como se muestra ena figura, Esto indica a Solver que es un problema de programacién lineal con restricciones de no negatividad para todas las variables de decisi6n, y que el método simplex se debe usar FIGURA 3.16 cake eee Agregar restriccién después de especificar que se requiere que las sinerreee (ace Salm ls figura 3.14 sean menores © iguales que las celdas [ Aceptar = | respectivas G5, G6 y G7.3.6 __Despliegue y solucion de modelos de PL en una hojade célculo eer rs FIGURA 3.17 Cuadro de didlogo de Solver después de especificar e! modelo en términos de la hoja de caleulo. FIGURA 3-18 ‘Guadro de didlogo de Opciones de Solver después de elegir las op- Gones “adoptar modelo neal” y “asumir no nega- ‘v0s” para indicar que se trata de un modelo lineal ‘con restricciones de no negatividad que debe resolverse con el método simplex.72 3_Introduccién a la programacién lineal i erm mete FIGURA 3.19 Cuadro de didlogo de Resultados de Solver que indica que se ‘encontré una soluci6n ptima, para resolver el problema. En cuanto al resto de las opciones, en general los valores preesta- blecidos se pueden aceptar para problemas pequefios. Con un clic en aceptar se regresa al cua dro de didlogo de Solver. Ahora todo esté listo para hacer clic en “resolver” en el cuadro de didlogo de Solver, con Jo que se ejecutaré el método simplex. Después de unos segundos (para un problema pequefio), Solver indicard los resultados, Por lo comin indicard que encontré una solucién éptima, como se especifica en el cuadro de didlogo de Resultados de Solver mostrado en la figura 3.19. Siel modelo no tiene soluciones factibles o una solucién éptima, este cuadro de didlogo Joindicard con un mensaje como “Solver no pudo encontrar tna solucién factible” o “el conjunto de valores en las celdas no converge”. Elicuadro'de diélogo también presenta la opcidn de generar varios informes, Uno de ellos (el informe de sensibilidad) se analizard con deralle en la seccién 4.7. Después de resolver el modelo, el complemento Solver sustituye el valor original de las variables de decisidn en la hoja de cdlculo con los valores Sptimos, como se muestra en la figu- 123.20. La hoja de célculo también indica el valor de la funci6n objetivo y la cantidad de cada recurso que se usa. FIGURA 3.20 Hoja de calclulo obtenida al resolver el problema de la Wyndor Glass. & ps ushias ol Unided Erbe Jl. eo Pustas | Ventanas | Tolalos | disponibles 7 i c |__Ganancia por unidad (Smiles)| Salus "En versiones de Excel anteriores.a Excel 97, no se dispone de la opcién de no negatividad, por lo que ls estrieeiones de no negatividad deben afadirse en el cuadro de diflogo de Agregar resticcin.3.7_Construccién de modelos grandes de programacién lineal 73 CONSTRUCCION DE MODELOS GRANDES DE PROGRAMACION LINEAL ‘Los modelos de programacién lineal son de muchos tamaiios diferentes, Para los ejemplos de las seeciones 3.1 y 3.4, van desde ttes restricciones funcionales y dos variables de decisién (parala Wyndor y la terapia de radiacién) hasta 17 restricciones fiuncionales y 12 variables de decision (en el problema de Save-It Company). EI dltimo easo puede parecer un modelo algo grande; Después de todo, lleva bastante tiempo escribir un modelo de este tantaiio. Sin em- hhargo, los modelos para los casos tipicos presentados en la seccién 3.5 son mucho més gran des. Por cjemplo, en el estudio del caso de Citgo se tienen alrededor de 3 000 restricciones funcionales y 15 000 variables de decision. El tamano del modelo de Citgo no es del todo raro, Es comiin que los modelos de pro- gramacién lineal en la préctica tengan cientos o miles de restricciones fancionales. De hecho, existen ciertos informes recientes de unos cuantos cientos de miles de restricciones y en ocasiones legan a millones, Formular modelos tan cnormes puede ser una tarea desalentadora. Aun un modelo de “tamafo medio” con mil restricciones y mil variables tiene més de un millén de pardmettos (que inchayen el millon de coeficientes en estas restritciones). Sencillamente no es practico escribir la formulacidn algebiaica ni introducir los parametros en una hoja de célculo. Entonces, éd:no se construyen estos modelos grandes en la practica? Se require el uso de-un lepitaje le modelado, Lenguajes de modelado Un Lenguaje de modelado de programacién matemiética es un software de disco especial pata formular de modo eficiente los modclos de programacién lineal grandes (y otros modelos relacionados). Incliiso cuando se tienen miles de restricciones funcioneles, son de relativa- ‘miente pocos tipos, donde las restricciones del mismo tipo siguen el mismo patton. De igual ‘manera, las variables de decisién estardn dentra de unas cuantas categorfas. Asi, si sc usan grandes bloques de datos en bases de datos, un lenguaje de modelado constmnird todas las testricciones del mismo tipo a la vez, tomando en cuenta las variables de cada tipo. Pronto se ilustrard este proceso. Ademds de formular con eficiencia los modelos grandes, un lenguaje de modelado facili ta las tareas de administracién del modelo, inclusive el acceso a los datos, su transformacida en pardmetros del modelo, la modificacién del modelo cuando se desce y el andlisis de las s0- luciones. También puede producir informes resumidos en el lenguaje de los tomadores de decisiones, al igual que documentar el contenido del modelo. Se han desarrollado varios lenguajes de modelado excelentes en las tiltimas dos décadas, que incluyen AMPL, MPL, GAMS y LINGO. La version de estudiante de uno de ellos, MPL (siglas de mathemarical programming lan: Sage), se ptoporciona en l disco compacto que acompatia al libro junto con amplio material de ayuda, También puede bajarse la tltima versién, del sitio de Internet maximal-usa.com. MPL es un producto de Maximal Software, Inc. Una nueva caracteristica ¢s ol gran apoyo de Excel en MPL. Esto incluye tanto la importacién como la exportacién de conjuntos de datos dey a Excel, Tambi¢n se proporciona un apoyo amplio para el lenguaje de macros de Excel VBA mediante e] OptiMax 2000. (La versién de estudiantes de OptiMax 2000 se encuentra también en el disco compacto que acompafia al libro.) Este producto permite al usuario inte-74 3._Introduccién a la programaci grar totalmente los modelos de MPL en Excel y resolverlos con ctialquiera de los poderosos solucionadores que soporta MPL, como CPLEX (descrito en la seecidn 4.8) LINGO es un producto de LINDO Systems, Inc. La titima versién de estudiantes de LINGO est disponible en el sitio de Internet www.lindo.com, LINDO Systems también proporciona un optimizador orientado por completo a hojas de célculo llamado WhatsBest, también disponible en este sitio de la Web. ELCD-ROM incluye formulaciones de MPL, LINGO y What’sBest para casi todos los ejemplos de este libro a los que se pueden aplicar estos lenguajes de modelado. Ahora se presentard un ejemplo simplificado que ilustra como puede surgir un modelo de programacién lineal muy grande. Ejemplo de un problema con un modelo muy grande Laadministracién de WORLDWIDE CORPORATION desea resolver un problema de mezcla de productos, que es mucho més complejo que el problema de la Wyndor presentado en la seccidn 3.1. Esta corporacién tiene 10 plantas en varias partes del mundo, Cada una produce los mismos 10 productos y después los vende en su region. Se conoce la demanda (potencial de venta) de cada producto en cada planta para cada uno de los préximos 10 meses. Aunque la cantidad de producto vendido en un mes dado no puede exceder la demanda, la cantidad pro- dincida puede ser mayor, y la cantidad en exceso se almacenaria en inventario (con un costo uunitario por mes) para su venta posterior. Cada unidad de cada producto usa el mismo espa- cioenalmacéa, y cada planta tiene un mite superior para el ntimero total de unidades que se puede guardar (la capacidad del inventario) Cada planta tiene los mismos 10 procesos de produccién (se hard referencia a clios como méquinas), cada uno de los cuales se puede usar para producir cualquiera de los 10 productos. Tanto el costo de produceién por unidad como la tasa de produecion de un producto (nimero de unidades producidas por dia dedicado a ese producto) dependen de la combinacién de plantas y m4quinas involucradas (pero no del mes). El miimero de dias habiles (als de produc- cién disponibles) varia un poco de un mes a otro. Como algunas plantas y miquinas pueden producir un producto dado ya sea a menor costo oa una tasa ms répida que otras plantas y méquinas, en ocasiones vale la penta enwiar algunas unidades del producto de una planta a otra para que esta iltima las venda, Existe cierto Costo asociado con cada unidad enviada de cualquier producto para cada combinacién de una planta que envfa (planta origen) y una planta que recibe (planta destino), donde este costo unitario es el mismo para todos los productos, La administracién necesita dererminar cudntas unidades de cada producto debe producir en cada miquina de cada planta cada mes, al igual que cudntas unidades de cada producto debe vender cada planta cada mes y cudntas unidades de cada producto debe enviar cada planta cada mes a cada una de las otras plantas, Tomando en cuenta el precio en todo el mundo de cada producto, cl objetivo es encontrar el plan factible que maximice la ganancia total (ingre- 0 por ventas totales menos la suma de los costos totales de produccién, inventario y envio). Estructura del modelo que resulta Debido a que los costos de inventario y las capacidades de almacén son limitadas, es necesario mantener un registro de la cantidad de cada producto que se guarda en cada planta durante cada mes. En consecuencia, el modelo de programacién lineal tiene cuatro tipos de variables3,7 Construcci6n de modelos grandes de programacién lineal 75 de decisién: cantidades de produccién, cantidades de inventario, cantidades de venta y cantidades enviadas. Con 10 plantas, 10 maquinas, 10 productos y 10 meses, esto da un total de 21 000 variables de decisién, como se describe a contimuaci Variables de decision 10 000 variables de produccién: una por cada combinacidn de planta, maquina, producto ymes 1 000 variables de inventario: una por cada combinacidn de planta, producto y mes 1 000 variables de ventas: una por cada combinacién de planta producto y mes 9.000 variables de envio: una por cada combinacidn de producto, mes, planta (planta origen, fromplant) y orca planta (la planta destino, toplant) ‘Al multiplicar cada variable de decision por el costo unitario o ingreso unitario cortespondiente y después sumar segiin cada tipo, se puede calcular la siguiente funcidn objetivo: Funcién objetivo Maximizar — ganancia =ingresos totales por ventas — costo total, donde ‘Coste total = costo total de productién + costo toral de inventario + costo total de envio. Al maximizar esta funcién objetivo, las 21 000 variables de decisin deben satisfacer las restricciones de no negatividad al igual que los cuatro tipos de restricciones funcionales: de capacidad de produccién, de balanéeo de plantas (restricciones de igualdad que proporcionan valores adecuados para las variables de inventario), de inventarioméximo y de ventas mi- ximas, Como se enuimeran en seguida, existe un total de 3 100 restricciones fincionales, pero todas las restricciones de un tipo siguen el mismo patrén Restricciones funcionales 1000 restricciones de capacidad de produccién (una por cada combinacién de planta, mé- quina y mes): Dias de produccién usados s dias de produccidn disponibles, donde el lado izquierdo es la suma de 10 fracciones, una por cada producto, donde cada fraccida es la cantidad de ese producto (una variable de decisi6n) dividida entre la tasa de produccién del producto (una constante dada). 1.000 restricciones de balance de las plantas (una por cada combinacién de planta, producto yimes): Cantidad producida + inventario del mes pasado + cantidad recibida = ventas + inventario actual + cantidad enviada, donde la eantidad producida es la suma de las variables de decisién que representan las cantidades de produccién en las maquinas, lacantidad recibida es la suma de las variables de decisidn que representan las cantidades enviadas desde otras plantas y la canidad enviada es la suma de las variables de decision correspondientes a las cantidades que se mandan a las otras plantas.76 3_Introduccién a la programacién lineal 100 restricciones de inventario méximo (una por cada combinacidn de planta y mes): Inventario total < capacidad de inventario, donde el lado izquierdo ¢s la suma de las variables de decisién que representan las cantidades de inventario para los productos individuales. 1 000 restricciones de ventas (tuna por cada combinacién de planta, producto y mes): Ventas < demanda. Ahora se estudiard la manera en que el lenguaje de modelado MPL, un producto de Ma- ximal Software, Inc., puede formular este enorme modelo en forma muy compacta. Formulacién del modelo en MPL Quien construye el modelo comienza por asignarle un titulo y enumerar un fudice por cada elemento del problema, como se ilustra en seguida. TITLE Production_Planning; INDEX product (al, a2, 23, Ad, AS, AG, AT, AB, AS, ALO); month (Jan, Feb, Mar. Apr, May, Jun, Jul, Aug, Sep, Oct); plant (Pl, p2, p3, pay pS, ps, D7, PB, P%, p10); fromplant plant; toplant plant; machine (mL, m2, m3, m4, mS, m6, m7, mB, m9, mo) ; Excepto por los meses, los elementos en el lado derecho son etiquetas arbitrarias para los res- peetivos productos, plantas y maquinas, donde las mismas etiquetas se usanen los archivos de datos. Observe que s¢ colocan dos puntos después del nombre de cada elemento y punto y coma al final de cada instruccién (pero una instruccién puede extenderse més de un renglén).. El trabajo pesado en cualquier modelo grande ¢s la recoleccidn y organizacidn de los distintos tipos de datos en archivos de datos. En este caso, se necesitan ocho archivos para pre~ cios de productos, demandas, costos de produccién, tasas de produccién, dias de produccién disponibles, costos de inventario, capacidades de inventario y costos de envio. Estos archivos se numeran 1, 2, 3,..., 8, yel siguiente paso es dar un nombre sugestivo corto a cada uno ¢ identificar (entre paréntesis cuadrados) cl indice o indices sobre los que corren los datos en Jos archivos como se muestra a continuacién. DATA Price {product} = DATAFILE 1; Demand [plant, product, month) = DATAFILE 2; Prodcost (plant, machine, product] DATAFILE 3; ProdRate (plant, machine, product] DATAFILE 4; ProdDaysAvail month] := DATAFILE 5; InvtCost [product} += DATAPILE 6; Invecapacity [plant] DATAFILE 7; ShipCost (fromplant, toplant] DATAFILE 6; Desputs, el modelador da un nombre corto a cada tipo de variable de decision. Después del nombre, entre paréntesis cuadrados, se escribe el (los) indice(s) sobre el (los) que corre el subindice.3.7_ Construccién de modelos grandes de programacién linea 7 VARIABLES Produce (plant, machine, product, month] -» Prod; Inventory [plant, product, month] > Inve; Sales (plant, product, month] > Sale; Ship (product, month, fromplant, toplant] WHERE (fromplant <> toplant); Enel caso de variables de decision con nombres de més de cuatro letras, las flechas a la derecha sefialan las abreviaturas de cuatro letras que se ajustan a las limitaciones de tamafio de varios solucionadores. La diltima linea indlica que los subindices de la planta origen y la planta destino no pueden tener el mismo valor. Hay un paso mds antes de escribir el modelo. A fin de que sea més sencillo leerlo, es itil introducir primero macros que representan las sumas cn la funci6n objetivo. MACROS Total Revenue SUM (plant, product, month: Price*Sales); TotalProdcost := SUM (plant, machine, product, mont! ProdCost+Produce) + Totalinvtcost := SUM (plant, product, month: TnvtCost*Inventory); Totalshipcost. := SUM (product, month, fromplant, toplant: shipcost*ship) : Totalcost = Totalprodcost + Totalinvtcost + Totalshipcost; ‘Los primeros cuatro macros usan la palabra teservada SUM de MPL para ejecutar las sumas involucradas. Después de cada palabra SUM (entre paréntesis) se coloca, primero, el (los) {n- dice(s) sobre el (Los) que corre la suma. Después (en seguida de punto y coma), el vector producto de un vector de datos (tno de los archivos de datos) multiplicado por un vector variable (uno de los cuatro tipos de variables de decisién) ‘Ahora, este modelo con 3 100 restricciones funcionales y 21 000 variables de decisién se puede escribir en la siguiente forma compacta. MODEL MAX Profit = TotalRevenue — Totalcost; SUBJECT TO Prodcapacity (plant, machine, month] -> PCap; ‘gum (product: Produce/ProdRate) < Prodpaysavail; Plantpal [plant, product, month) > PBal; SUM (machine: Produce) + Inventory [month ~ 1} + SUM (fromplant: Ship[fromplant, toplant: = plant]) sales + Inventory + SUM (toplant: Ship(fromplant: MaxInventory (plant, month] — Maxi: SUM (prduct: Inventory) $ InvtCapacity: plant, toplant}); BOUNDS Sales < Demand; END Por cada uno de los cuatro tipos de restricciones, el primer rengldn da el nombre del tipo. Existe una restriccidn de este tipo para cada combinacidn de valores para los indices en los pa-78 3_Introducci6n a la programacién lineal réntesis cuadrados que siguen al nombre, A la derecha del paréntesis, la flecha sefiala a abre- vviatura de cuatro letras que el solucionador puede usar. Abajo de este primer renglén, se muestra la forma general de las restricciones con el operador SUM. Para cada testriccién de capacidad de produccién, los términos en la suma consisten en uma variable de decisién (la cantidad de produccién de ese producto en esa maquina en esa planta durante ese mes) dividida entre la tasa de produccién correspondiente, que da el mimero de dias de produccién usados. Al sumar todos los productos se obtiene el ntimero total dedfas de produccién usados en esa méquina de esa planta durante ese mes, de modo que este miimero no debe exceder el niimero de dias de produccién disponibles El propésito de la restriccién de balanceo de plantas para cada planta, producto y mes es proporcionar el valor correcto a la variable de inventario actual, dados los valores de todas las dems variables de decisién, incluso el nivel de inventario el mes anterior. Cada operador SUM enestas restricciones es sélo una suma de variables de decisién més un vector producto. “También ocurre esto con el operador SUM en la restricci6n de inventario maximo. Por elcon- trario, elado izquierdo de las estricciones de ventas maximas es una sola variable de decision para cada una de las 1 000 combinaciones de planta, producto ymes. (Tiene ventajas separar estas restricciones de cota superior sobre las variables individuales de las restricciones funcionales normales, debido a la eficiencia computacional que se logra al usar la técnica dela cota superior desctita en la secci6n 7.3.) No hay restricciones de cota inferior porque MPL supone de modo automitico que las 21 000 variables de decisidn tienen restricciones de no negatividad a menos que especifiquen cotas inferiores distintas de cero. Para cada una de las 3 100 restricciones funcionales, observe que cl lado izquierdo es una funci6n lineal de las variables de decisin y que el lado derecho es una constante tomada del archivo de datos adecuado. Como la funcién objetivo también es una funcidn lineal de las variables de decisidn, se trata de un modelo legitimo de programacién lineal. Para resolver el modelo, MPL cuenta con varios solucionadores (paquetes de software para resolver modelos de programacién lineal y modelos relacionados) que se pueden instalar en el MPL. Como se ve en la seccién 4.8, CPLEX es un solucionador en especial poderoso. La versién de MPL en el OR Courseware ya tiene instalado Ja yersidn de estudiante de CPLEX, que usa el método simplex para resolver estos modelos. Por lo tanto, para resolver un modelo formulado con MPL, todo lo que debe hacerse es clegit Solve CPLEX en el ment Run oscleccionar el botén Run Solve en la barra de herramientas. Después se puede ver el archivo con la sohucién en una ventana sie oprime el botdn View en la parte inferior de la ventana Status Window. Esta breve introduceién a MPL ilustra a facilidad con que se pueden usar los lenguajes de modelado para formular modelos de programacién lineal muy grandes de manera clara y concisa. Como ayuda en ¢! uso de MPL, se incluye en el CD un tutorial, que revisa todos los detalles de construccién del modelo para las versiones mas pequefias de los ejemplos de pla- neacién de la produccién considerados aqui. En otro lugar del CD se puede ver como se for- mulan con MPL yse resuelven con CPLEX todos los ejemplos de programacién lineal en este capitulo y los subsecuentes. Lenguaje de modelado LINGO LINGO es otro lenguaje de modelado conocido que se presenta en este libro. La compafiia que produce LINGO, LINDO Systems, también produce un solucionador llamado LINDO. y uno para hoja de célculo, What’sBest. Los tres comparten ua conjunto de solucionadoresApéndice 3.1 Lenguaje de modelado LINGO - 79 basados en el método simplex y las versiones mds avanzadas se basan en las técnicas algoritmi- cas introducidas en las secciones 4.9 y 7.4. (Se estudiar4 LINDO en la seccién 4.8 y elapéndi- ce 4.1.) Como se mencion6, la versién de estudiante de LINGO est disponible para bajarse de Internet en el sitio www.lindo.com. Como MPL, LINGO permite al modelador fomular con eficiencia un modelo de programacion lineal grande de manera clara y concisa. También se puede usar para una amplia variedad de otros modelos. LINGO usa los conjuntos como sus bloques fundamentales de construccién. Por ejemplo, en el problema de planeacién de la produccién de Worlwide Corp. los conjuntos de inte- rés incluyen las colecciones de productos, plantas, maquinas y meses. Cada miembro de un conjunto puede tener uno o mds atributos asociados, como el precio de un producto, la capacidad del inventario de una planta, la tasa de produccién de una maquina y el ntimero de dias de produccién disponibles en un mes. Estos atributos proporcionan datos para el modelo. Algunos conjuntos de atributos como cantidades de produccién y cantidades enviadas, pueden ser variables de decisién del modelo. Igual que en MPL, el operador SUM por lo comun se usa para escribir la funcion objetivo y cada tipo de restriccién de manera compacta. Des- pues de completar la formulacidn, el modelo se puede resolver al elegir el comando Solve del menu LINGO 0 presionando el botén Solve en la barra de herramientas. Un apéndice de este capitulo describe un poco mds de LINGO ¢ ilustra su uso con un par de ejemplos pequefios. Un suplemento en el CD muestra cémo se puede usar LINGO para formular el modelo para el ejemplo de planeacién de la produccién de Worldwide Corp. Un tutorial de LINGO en el CD proporciona los detalles necesarios para realizar el modelado bé- sico con este lenguaje. Las formulaciones y soluciones de LINGO para los distintos ejemplos tanto en este capitulo como en otros también se incluyen en el CD-ROM. 3.8 _CONCLUSIONES La programacién lineal es una técnica poderosa para tratar problemas de asignacién de recur- SOs escasos entre actividades que compiten, al igual que otros problemas cuya formulacién matemiatica es parecida. Se ha convertido en una herramienta estandar de gran importancia para muchas organizaciones industriales y de negocios. Aun mds, casi cualquier organizacién social tiene el problema de asignar recursos en algun contexto y cada vez es mayor el reconocimiento de la aplicacién tan amplia de esta técnica. ; Sin embargo, no todos los problemas de asignacién de recursos limitados se pueden formular de manera que se ajusten a un modelo de programacién lineal, ni siquiera como una aproximacion razonable. Cuando no se cumplen una o més de las suposiciones de programacion lineal, tal vez sea posible aplicar otro tipo de modelos matematicos, por ejemplo, los modelos de programacion entera (capitulo 12) o de programacion no lineal (capitulo 13). APENDICE 3.1 LENGUAJE DE MODELADO LINGO LINGO es un lenguaje de modelado matemitico disefiado en particular para formular y resolver una amplia variedad de problemas de optimizacion, que incluyen problemas de programacion lineal, programacion entera (capftulo 12) y programacién no lineal (capitulo 13). Muchos detalles y una version de estudiante se puede encontrar en www.lindo.com.3. Introduccién a la programacién lineal 80 Los problemas sencillos se escriben en LINGO de una manera bastante natural Para ilustrar, considere el siguiente problema de programacién lineal. Maximizar Z = 20%+ 31), sujera a 2x+Sy< 16 4x-3y=6 FIGURA A3.1 Pantallas que muestran la formulacién de LINGO y el informe de solucion de LINGO para un problema de programacién lineal, mag - 20% ¢ S171 aenusea cose Dud Pefce Roy Shack or Sucplee 2 122.0000 000009,Apéndice 3.1 Lenguaje de modetado LINGO 8 eee a #20, 20. EINGtl « 1 mitad superior de la Fgura A3.1 muestra cémo se formulara este problema en LINGO, 1 Primera lina del modelo es slo un comentario que lo describe. Observe que va precedido de Un sign de exclamacién y termina con punto y coma. Este es un requisico para todos ls comencnacs Ser re a RarO. La segunda linea dala fancin objetivo (no incuye la variable 2) e india que {ue contiene ls valores 6primas dels variables de decsin. El primes elemento enlacolusra Shek ‘Surplus (holgura o superévit) muestra los valores correspondicntes dela funcion objesvo. Lox dani ‘mentos que siguen indican la diferencia entre los dos lados de las restrieciones respectivas. Las colum- TAN DO cn el apénice 4.1. Esta cantidades proporcionan sélo tna parte de i informacion dal al anilisis de sensibilidad. Para generar un informe del andlsis de sensibilidad completo (comoclanece do.en el apéndice 4.1 para LINDO), debe elegirse el comando Range en el meni de LINGO {Como se ilustré con MPI. en la secciOn 3.7, LINGO ests diseiado para formular con efhciencia Seta tay Brandes al manejaren el mismo tiempo todas las resticioncs ovarables del mismo ts Se usard el siguiente ejemplo para ilustrar cémo funciona LINGO. Fiemplo. _ Considereunproblema demescla de produceén donde debe determinarsc la mezcla de cua: tro Productos que se fabricardn durante la pxima semana. Paracada product, cada unidad prodicida ee creracatdad conocida de tiempo de produccién en cada una de tres mdquinas. Cada mdquine tiene cierto niimero de horas disponibles por semana: Cada producto proporciona cierta anancia por unidad producida.3. Introduccién a la programacién lineal En forma algebraica estindar, a estructura del modelo de programacisn lineal para este ¢s clegir os niveles de produccién no negativos (ntimero de unidades producidas durante semana) de los cuatro productos para = Maximizar $c pl sujeca a Sesh panint,2,% A donde +x, = niveles de produccién para el producto PO 6; = ganancia unitaria por producto PQj 444 = tiempo de produccién en la méquina j por unidad de producto PO. 4 = tiempo de produccién disponible por semana en la méquina i 3 luna manera de formular el problema mucho més eficiente y compacta, comparable al res del modelo, como se verd en seguida. 3 Formulacién del modelo en LINGO Este modelo es de naruraleza repetitiva. Todas las variables de decisién son del mismo tipo’ restricciones funcionales son del mismo tipo. LINGO. usa comfuntos para describir estas Los sencillos conjuntos de interés en este caso son és 1. El conjunto de méquinas, {bobinadora, coreadora, soldadora}. ) 2. El conjunto de productos, {PO1, P02, P03, P04} ’ Elorden esté implicito en los conjuntos de LINGO, de manera que, en el sentido estricto, nocxisten daderos en la forma matemética usual.Apéndice 3.1 Lenguaje de modelado LINGO 83 Los atributos de interés para los miembros de estos conjuntos son: 1. Atributo de cada maquina: mimero de horas de produccién disponibles por semana. 2. _Atributos de cada producto: ganancia por unidad producida; mimero de unidades producidas por semana, Asi, los primeros dos tipos de atributos son los datos de entrada que se convertirn en los parimetros del modelo, mientras que el iltimo tipo (niimero de unidades producidas por semana de los respectivos productos) proporciona las variables de decisién para el modelo. Estos atributos se abrevian como sigue. maquina: ProdHoursAvail (horas de produccién disponibles) producto: Profit, Produce (ganancia, producir) Otro tipo clave de informacién es el mtimero de horas de produccién que cada unidad de cada pro- dducto usard en las maquinas. Este niimero se puede ver como un atributo para los miembros del conjun- #9 de combinaciones de un producto y una maquina. Como este conjunto se deriva de los dos conjuntos simples, se conoce como un conjuento derivado. La forma de abreviar este atributo para los miembros de este conjunto es la siguiente, ‘MaPr (machine, product): ProdHoursUsed Por lo comtin, una formulacién LINGO tiene tres secciones. 1. Unaseccién de conjuntos, SETS, que especifica los conjuntos y sus atributos. Se puede pensar que describe la estructura de los datos, 2. Una seccidn de datos, DATA, que proporciona los datos a usar o indica en dénde obtenerios. 3. Una seccién en la que se prepara el modelo matemético, Primero se mostrardn las dos primeras secciones para el ejemplo, { LINGO3h; ! Bjemplo de mezela de productos; ! Nota: la seccién SETS no contiene informacién sobre el némero o nombres de las miquinas o productos. Esa informacién se determina por completo mediante los datos provistos; SETS: 1 Conjuntes simples; Prodlioursavail; Profit, Produce; ! Conjunto derivado; MaPr (Machine, Product): ProdHoursUsed; BNSETS DATA: | Obtener el nombre de las m4quinas para bobinar, cortar, soldar; Machine = Roll cut weld; ! Horas disponibles en cada méquina; ProdiioursAvail = 28 34 21; ! Obtener los nombres de productos; Product = P01 P02 Poa Pod; ! Contribucién a la ganancia por unidad; Profit = 26 35 25 37; ! Horas necesarias por unidad de producto; ProdHoursUsed = 1.7 2.1 1.4 2.4 ! Bobinar; 2.22.8 1.7 2.6 1 Cortar; 1.6 1.3 1.6 0.8; 1 Soldar; ENDDATA3 Introducci6n a la programacién lineal Antes de presentar el modelo matematico, es necesario introducir dos fisncionescllica 40s que permicen aplicar una operacién a todos los miembros del conjunto con sélo-una igy ‘Una cs a funcién @SUM, que calcula la suma de una expresién sobre todos los miembros, to, La forma general de @SUM es esum (set: expresién). La expresién se calcula para, bro de un conjunto y después se suman todos los cdlculos. Por ejemplo, ° @SUM( Product (j): Profit (})*Produce (3) suma la expresién que sigue a los dos puntos —Ia ganancia unitaria de un producto mudhii tasa de produccién de ese producto~ sobre todos ios miembros del conjunto que precede alos de tos. En particular, como este conjunto es el de productos {Producto(j) paraj~=1, 2,3, 4} bg realiza sobre el indice}. Por lo tanto, esta funcidn especifica @SUM proporciona la funcibn Sern = dada antes para el modelo. La segunda funcidn ciclica para conjuntos es @FOR. Esta funcién se usa para generar nes sobre los miembros de un conjunto. La forma generales @FOR( set : constraint) .Po POR (Machine (i): a @SUM( Product (i): ProdHoursUsed(i, j)*Produce(j)) <= ProdHoursAvail (i,j); 3 a indica que se genere la restriccidn que sigue a los dos puntos para cada miembro del conjunto precede. (El simbolo “menor 0 igual que”, s, no esté en el teclado esténdar, por lo que LINGO Jos simbolos <= estindar como equivalente a <,) Este es el conjunto de méquinas {Machine 1, 2,3}, yesta funcidn cubre el ciclo sobre el indice i. Para cadaé, la restriccién que sigue als tos se expres6 antes de manera algebraica como 4 gal Save; Sh. | Por lo tanto, una vez que se afiade la tercera seccidn de la formulacién LINGO (elm mitico), se obtiene la formulacién completa que se muestra a continuacién: ! LINGOSh; 1 Ejemplo de mezcla de productos; SETS: | Conjuntes simples; 1 Conjunto derivado; MaPr (Machine, Product): ProdHoursUsed; ENDSETS DATA: ! Obtener el nombre de las maquinas; Machine = Roll Cut Weld; ! Horas disponibles en cada m4quina; Prodioursavail = 28 34 21;Apéndice 3.1 Lenguaje de modelado LINGO | Obtener los nombres de productos; Product = P01 P02 P03 P04; | Contribucién a 1a ganancia por unidad; Profic = 26 35 25 37; | Horas necesarias por unidad de producto; ProdHouraUsed = 1.7 2.1 1.4 2.4 1 Sobinar 2:2 2.5 4.7 2.6) 4 Contar, 16 1.3 2.6 0.8; 1 Soldar ENDDATA { Maximizar 1a contribucién total a la ganancia; MAX = @SUM( Product (1): Profit (i) * Produce (1) ); ! Para cada m&quina i; @FOR( Machine( i); ! Horas usadas <= horas disponibles; @SUM( Product ( 3): ProdHoursUsed( i, 3)*Produce( 4)) <= ProdiioursAvail; ” modelo se resuelve al oprimir el bon de “tro al blanco’ en la bara de comandos de LINGO. Presionar el boxén'='enlaarra de comandos produce uninformequese wen par comosigue Variable value Reduced cost PRODUCE( P01) 0. 0000000 3.577921 PRODUCE ( P02) 10.00000 9. 0000000 PRODUCE( P03) 5.000000 0. 0000000 PRODUCE( P04) ©. 0000000 1.441558 Row Slack or Surplus Dual Price 2 475.0000 1.000000 2 0.0000000 1.25974 3 0. 5000000 0.0000000 4 9. 0000000 2.272727 J aseecn de renglones dees informes un poco ambigua en cuanto a que es necesario recordar reeietsén | enclmodeloseescribi a ancidn objetivo que los renglones subsecucnser conn on ia faicciones sobre ls capacidades de as maquina, Esta asocacinse pcdescsaren can orn tess mbes a cadaresriccién del modelo. Eso se haceconelnombreente], colosojine nae ‘ela restriccién. Vea el siguiente fragmento modificado del modelo, (Totprof] MAX = @suM( Product: Profit* Produce) ; ! Para cada m&quina 1; @POR( Machine( i): | Horas usadas <= horas disponibles; {Cape} @sum( Product ( j): ProdHoursused( i, j)* Produce( 4)) <= ProdioursAvaii; ”FIGURA A3.2 Pantalla que muestra los datos para el problema de mezcla de productos en una hoja de céleulo. 3 Introduccién a la programacién lineal El informe de la soluci6n ahora contiene estos dos nombres de renglones. Row Slack or Surplus Dual Price ‘TOTPROF 478.0000 1.000000 CAPC( ROLL) 0.000000 15.25978 cape( cut) 0.000000 0.0000000 cAPC( WELD) 9.000000 2.272727 Una caracteristica importante de un modelo LINGO como éste es que ¢s toralmente en cuanto a productos y maquinas. En otras palabras, si se desea resolver otra versién de este| de mezcla de productos con un mimero diferente de maquinas y productos, slo habria que is Jos nuevos datos en la seccién DATA. No seria necesario cambiar la secci6n SETS o las ecuaciones. Bg conversi6n puede realizarla el personal de apoyo sin conocimiento de las ecuaciones del * Importar y exportar datos de una hoja de calculo con LINGO El ejemplo anterior es autocontenido en el sentido de que todos los datos se incorporaron de directa en la formulacién LINGO. En algunas otras aplicaciones, se almacena un cuerpo mds grande de datos en alguna fuente y ser necesario introducirlo al modelo desde esa fuente. Un lugar comin par almacenar datos son las hojas de célculo. : 4 LINGO tiene una funcién sencilla, e018 () , para recuperar y colocar datos de y a una 0 y 20, 20. ire. La solucién que se usa por ahora es x = 2, % = 3UR@ andlisis gréfico para determinar los valores de h tales «sta solucién sea de hecho éptima. i D3.1-14. Considere el siguiente ‘no se han determinado los valores de 6 y ¢3- Maximizar Z = 54 + co%, sujeta a 2a + 4 <11 =m +2q< 2Problemas del capitulo 3 93 > Oy, <0. Para os dos iltimos casos centre su en Ja raz6n 6 entre ¢5.) | siguiente tabla resume los hechos im prexiuctos,AyB, ylos recursos Q, Ry S, reques producirlos. «ls suposiciones de programacién lineal se cum: ‘rule un modelo de programacién lineal, ‘esuclva este modelo en una grética, “atiquee! valor exacto dela solucién éprima en b con ‘~olacisnalgebraica de las dos ecuaciones relevantes, {7 Ara sombreada en la siguiente gifica repre: ion factible de un problema de programacién ‘imcién objetivo debe maximizerse’ f (33) 2) rodice un valor mis grande de la fancién "etvo que (0, 2) y (6, 3), entonces (3, 3) debe ser * solucién éptima, S03 2) las restricciones fiancionales para este proble- nclen expresar como igualdades, Para hacerlo, J. Bp, ¥ Dy las cantidades respectivas inverti- A, B. Cy Dal principio del afi ¢ sila inversion \ponible y Hegard a ste madurez al final del afio 5. ww sea R, la cantidad de dinero disponible no in- + nal principio del ao ¢ (también disponible para nircn un aio posterior). Asi, lacantidad invertida acipo del aito + mds R, debe ser igual a la canti- rsponible para inversiGn en ese tiempo. Escriba \ ccincidn en térmiinos de las variables relevantes sclinicio de cada uno de tos 5 afios para obtener las snes funcionales. vwic un modelo de programacién lineal completo. clva este modelo por el método simplex. «talco Company desea hacer una nueva alea- 410% de aluminio, 35% de zincy 25% de plomoa varias aleaciones disponibles que tienen las si- propiedades: is wad 1 2 3 4 5 we de aluminio 60 2s 45 20 50 te zine 10 1s 4S 50 40 ve she plome 30 60 10 30 10 ‘bray 22 20 25 24 27 ‘wey determinar las proporciones de estas alea- \vdeben mezelarse para producir la nueva alea- ‘costo minim, «un modelo de programacién lineal. «wa este modelo por el método simplex. ‘ Weigelt Corporation tienes tres plantas con “\capacidad de produccién. Por fortuna, la cor- ‘ene un nuevo producto listo para iniciar su “las tres plantas pueden fabricarlo, asi que se “parte del exceso de este modo. El producto “ers en tres tamafios: grande, mediano y chico; y darn una ganancia neta de $420, $360 y $300, respectivamente. Las plantas 1, 2 y 3 tienen capacidad de mano de obra y equipo para producir 750, 900 y 450 unidades diarias de este producto, respectivamente, sin importar el, tamafio 0 la combinacién de tamafios de que se trate. La cantidad de espacio disponible para almacenar material en proceso impone también limitaciones en las tasas, de produccién del nuevo producto. Las plantas 1, 2 y 3 tienen 13 000, 12 000 y 5 000 pies cuadrados de espacio respectivo, para material en proceso de la produccién diaria. Cada unidad grande, mediana y chica que se produce requiere 20, 15 y 12 pies cuadrados, respectivamente. ‘Los pronésticos de venta indican que, si estén disponibles, se pueden vender 900, 1 200 y 750 unidades diarias, de los tamafios respectivos grande, mediano y chico. Seri necesario despedir algunos empleados en cada plantaa menos que la mayor parte de esta capacidad en exceso se pueda usar con el nuevo , Para evitar des- pidos en lo posible, la gerencia ha decidido que las plantas, deben usar el mismo porcentaje de su capacidad adicional con este nuevo producto. El gerente desea saber cuéntas unicades de cada tarma- fio producir en cada planta para maximizar la ganancia. a) Formule un modelo de pi ién lineal. 4) Resuelva este modelo por el método simplex. 3.416. Un avién de carga tiene tres compartimientos para almacenar: delantero, central y trasero. Estos imi ‘un limite de capacidad tanto en ‘peso como en espacio. Los datos se resumen en seguida: MGs atin, para mantener el avién balanceado, el peso de la carga en los respectivos compartimientos debe ser proporcional a su capacidad. Se tienen ofertas para cuatro cargamentos en un vuelo préximo ya que se cuenta con espacio: 3. Elob- Se puede aceptar cualquier fraccién de estas cargas. jetivo es determinar qué cantidad de cada carga debe98 3. Introduccién a la prog-a~=con lineal aceptarse (si se acepta) y c6mo distribusiz = sos compar. timientos para maximizar la ganancia ce 30. 12) Formule un modelo de programaciem =< C4) Resuelva el modelo por el métoce: ss=apvex nara encontrar una de sus soluciones pris =T=Dus. 3.417. Conforrable Hands es una cometie cae produce una linea de guantes de invierno pars 2<2 2 Zzmlia: caballeros, damas y nifios. Desean deciour ae mexcla de estos tres tipos de guantes fabricar. ‘La fuerza de trabajo ¢s sindicalizaéz Caca 3, de manera que se elige x. para aumentar su valor. Como se indica en seguida, x se llama la variable basica entrante para la iteracién 1, En cada iteracién del método simplex el propdsito del paso 1 es elegir una variable no basica para que aumente su valor (y se ajustan los valores de las variables bdsicas para que satisfagan el sistema de ecuaciones). Al aumentar el valor de esta variable no bésica se convertira en variable bdsica para la siguiente solucién BF. Por lo tanto, esta variable se llama la variable basica entrante para la iteracién actual (porque es la que entraré a la base). Determinacién de dénde detenerse (paso 2 de una iteracién) El paso 2 contesta la pregunta de cudnto aumentar el valor de la variable bésica entrante x2 antes de detenerse. Al aumentar la variable «, crece el valor de Z por lo que se quiere incrementar lo més posible sin dejar la regi6n factible. El requerimiento de satisfacer las restricciones funcionales en la forma aumentada (que se muestra en seguida) significa que al aumentar x (manteniendo la variable no bésica x, = 0) cambia el valor de algunas variables bésicas, como se observa en el lado derecho. x, =0, asi, Qo +Ks xy=4 (2) Qe, +84 44=12-2x) (3) 3x, 2x2 +5 as = 18-2). El otro requisite para la factibilidad es que todas las variables sean no negativas. Las variables no bdsicas (incluyendo a la variable entrante) son no negativas, pero es necesatio verificar cudnto puede crecer x2 sin violar las restricciones de no negatividad para las variables bésicas. x= 420 = no hay cota superior sobre x. 44212-22005 nsi-6 «minimo. Xs =18-2m,20 = ast Entonces x2 puede crecer justo hasta 6, punto en el que, ha llegado a0. Aumentar x, amds de 6 causarfa que x, se valviera negativa, lo que violarta la factibilidad. Estos cdlculos reciben el nombre de prueba del cociente minimo. El objetivo de la pruc- bacs determinar qué variable bésica llega a cero primero cuando crece la variable entrante, De inmediato se puede descartar la variable basica en las ecuaciones donde el coeficiente de la variable bdsica entrante es cero o negativo, puesto que estas variables no decrecen si la variable4,3. Algebra del método simplex 120 basica entrante aumenta. [Esto ocurrié con +3 en la ectiacién (1) del ejemplo. Sin embargo, Por cada ecuacién donde el coeficiente de la variable basica entrante es estrictamente. ‘positivo (> 0), esta prueba calcula el cociente del lado derecho entre el coeficiente de la variable b4sica En cualquier iteracién del mérodo simplex, el paso 2 utiliza lapruebn del cociente minimo para determinar cul variable bsicalega primero acero cuando aumentaclvalorde la varntle bisi- aan ante, Al disminuir hasta cero cl valor de esta variable bisica, se convierte en variable np bdsica para la. siguiente solucién BE Por lo tanto, esta variable se lama variable basica que sale Para la iteracién actual (ya que es la que deja la base). De esta manera, #4 ¢s la variable basica que sale para la iteracién 1 del ejemplo. Solucién de una nueva solucién BF (paso 3 de una iteracién) Alaumentar £ =O hasta x, =6, el procedimiento se mueve de la solucidn BF inicial mostra da a la izquierda hacia la nueva solucién BE a la derecha, Solucién BF inicial Nueva solucién BF Variables no bdsicas: x1 =0, x) =0 %=0, x4=0 Variables bésicas: e~4 84-12, xs=18 x5=2, yp =6, xgn? El propésito del paso 3 es convertr el sistema de ecuaciones a una forma més conveniente (la forma adecuada de eliminacién gaussiana) para llevar a cabo la prueba de optimalidad y la si- Suienteiteracin (si es necesario) con la nueva solucién BE En el proceso, eera forma también identificard los valores de 3 y x; para la nueva solucién, Se escribird de nuevo el sistema de ecuaciones completo, con las nuevas variables bisicas cn negritas (Z es la variable bisica en la ecuacién de la funcién objetivo). (0) Z- 3x, - 5x, = 0 q@) x +43 =4 2) ae tx, =12 (3) Bay + Qxp +5 = 18. Entonces, + sustituyda.x como la variable bésica en la ecuacién (2), Para despejar Z, x) 5 ¥-#5» decste sistema de ecuaciones es necesario realizar algunas operaciones algebraicas clementales pata reproducir el patrdn actual de coeficientes de 1g (0, 0, 1, 0) como los nuevos Coeficientes de x2. Se pueden realizar cualquiera de los dos tipos de operaciones algebraicas elementales: 1, Multiplicar (0 dividir) una ecuacidn por una constante distinta de cero. 2. Sumar (o restar) un milltiplo de una ecuacién a (0 de) otra ecuacion, Para preparar la cjecucién de estas operaciones, observe que los tespectivos coeficientes dex, enel sistema de ecuaciones anterior son ~5, 0,22, yse intenta convertislos en 0,0, 1y ©, respectivamente. Para convertir el coeficiente de 2 en la ecuacién (2) en un 1, seusael primer tipo de operacién algebraica elemental y se divide esta ecuacibn entre 2 para obtener Q x» +3426.122 4. Solucién de problemas de programacién lineal: método simplex Para convertir los coeficientes de -5y 3 en ceros, es necesario usar un segundo tipo de operacidn elemental. En particular, se suma a la ecuacién (0) esta nueva ecuacién (2) multiplicada por 5, y se resta de la ecuacién (3) esta nueva ecuacién multiplicada por 2. El nuevo sistema de ecuaciones que resulta es (0) Z-3x, + pave = 30 a +m = 1 (2) x + 3 = (3) 3x, = xgtas = 6. Como x; = 0 y x4 =0, las ecuaciones en esta forma llevan de inmediato a la nueva solucién BE, (x, 2, 3, ¥4, #5) = (0, 6, 4,0, 6), lo que da Z= 30. Este procedimiento para obtener la solucién simultdnea de un sistema de ecuaciones lineales se llama método de climinacién de Gauss-Jordan, o en forma corta eliminacién gaussiana.! El concepto clave de este método es usar las operaciones algebraicas elementales para teducir el sistema de ecuaciones original a la forma apropiada de eliminaci6n gaussiana, en donde cada variable bésica se elimina de todas las ecuaciones menos una (su ecuacién) y enesa ecuacién tiene coeficiente +1. Prueba de optimalidad para la nueva solucién basica factible La ecuaci6n (0) actual da el valor de la funci6n objetivo en términos nada més de las variables no basicas actuales, Z= 30+ 3m - Sa. Aumentar el valor de cualquiera de estas variables no basicas (con el ajuste de los valores de las variables bésicas para que cumplan con el sistema de ecuaciones) significa trasladarsea una de las dos soluciones BE adyacentes. Como »y tiene coeficiente positiva, al crecer lleva a una solucidn BF adyacente que es mejor que la solucién actual, por lo que ésta todavia noes optima. Iteraci6n 2 y la solucién éptima que resulta Como Z = 30+ 3 - $4, se puede aumentar si aumenta el valor de, pero noel de x4. Por o tanto, el paso 1 elige a como la variable bdsica entrante. Para el paso 2, el sistema de ecuaciones actual lleva a las siguientes conclusiones sobre qué tanto se puede aumentar (con «4 =0): 4 w3=4-%20 3 aS 1 4, =620 => no hay cota superior sobre x). 6 x5 =6-3x1,20 > ms 2 3), de manera que x) debe convertirse en variable bdsica. (Este cambio se indica en la tabla 4.4 mediante el recuadro alrededor de la columna abajo de —5.) Paso 2: se determina la variable bdsica que sale con la prueba del cociente minimo. Prucha del cociente minimo 1. Elija los coeficientes de la columna pivote que son estrictamente positivos (> 0). 2. Divida cada coeficiente entre el elemento del Jado derecho en el mismo renglén, 3. Identifique el renglén que tiene la menor de estas razones. 4, Lavariable bisica en ese renglén es la variable basica que sale, entonces sustitiyala por la variable basica entrante en la columna de la variable bésica de la siguiente tabla. TABLA 4.4 Aplicacién de la prueba del cociente minimo para determinar la primera Variable bésica que sale en el problema de la Wyndor Glass Co. Variable Coeficiente de Lado basica XX. Xs | derecho Razén Zz ) 1 7-3 -5 0 0 o jo % (Ca Lona eas gee |[0)] eaves eee apes O24 12 oe x @)o}o laf 0 1 6 |i2+2e6 & micime126 4. Solucién de problemas de programacién lineal: método simplex Ponga un recuadro en este renglén que se llama renglén pivote. El ntimero que se encuentra en los dos recuadros se llama ntimero pivote. Encl ejemplo: 10s célculos para la prueba del cociente minimo se muestran a la derecha de la tabla 4.4. El renglén 2 es el rengidn pivote (vea el recuadro alrededor de ese rengidn en la primera tabla simplex de la tabla 4.5) y 4 es la variable bdsica que sale. En la siguiente tabla simplex (vea la tabla 4.5) x2 sustituye a x4 como la variable basica para el renglén 2. Paso 3: se despeja la nueva solucién BF mediante operaciones elementales con renglones (multiplicaci6n o divisién de un renglén por una constante diferente de cero; sumao resta de un miltiplo de un renglén con otro) para construir una nueva tabla simplex en la forma apropiada de climinacién gaussiana, abajo de la tabla actual, y después se regresa a la prueba de optimalidad. Las operaciones clementales con renglones que deben realizatse son: 1. Divida el renglén pivote entre el mimero pivote. Use este nuevo renglén pivote en los pa sos 2y 3. 2. Para los renglones (incluso cl renglén 0) que tienen un cocficiente negativo en la columna pivote, se suma a este rengidn el producto del valor absoluto de este coeficiente por el nuevo rengién pivote 3. Para los renglones que tienen un coeficiente positivo en la columna pivote, se resta de este renglon el producto de este coeficiente por el nuevo renglén pivote. Enel ejemplo: debido a que x2 sustituye ax 4 como variable basica, se necesita reproducir el patron de la primera tabla de coeficientes de la columna de x4 (0, 0, 1, 0) en la columna de +, de la segunda tabla simplex. Para comenzar, se divide el renglén pivote (renglén 2) entre el ntimero pivote (2), lo que da el nuevo renglén 2 mostrado en la tabla 4.51 Después, se suma al renglén 0 el nuevo renglén 2 multiplicado por 54Lucgo se resta del renglén 3 el nuevo ren- gién 2 multiplicado por 2 (0 de manera equivalénte, se resta del renglén 3 el renglén 2 ante rior). Estos célculos llevan a la nueva tabla simplex que se muestra en la tabla 4.6 para la iteracién 1, Asi, la nueva solucién BF es (0, 6, 4, 0, 6), con Z= 30. Después se regresa a la prueba de optimalidad para verificar si la nueva solucion BF es éptima. Como el nuevo ren- gin 0 todavia tiene un coeficiente negativo (3 para x; , la soluciOn no es optima, y se necesita por lo menos una iteracién més. TABLA 4.5 Tabla simplex para el problema de la Wyndor Glass Co. después de dividir el primer renglén pivote entre el primer numero pivote ener ease Sani ie ented Variable | Ec. eee Lado Iteracién _basica_ | nim. Zz x x xs xq Xs _|derecho Zz of]: | 5 0 0 0 0 s w | o ' 0 \ ° ° 4 0 % Q) 0 0 2 0 1 0 ad ks @ | 0 3 2 0 0 1 18 Zz @ | ” a |oo 1 ' n @ | o ° 1 ° ; ° 6 ks @ | o —_———4.4 El método simplex en forma tabular 127 TABLA 4.6 _ Primeras dos tablas simplex para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de a Iteracién _basica_|nim.| Zz x _ a a xz [derecho z 0) 1 3 +s 0 0 0 0 4 a} oo 1 0 1 0 0 4 a x4 Q) 0 0 2 o 1 ° 12 Je x |@lo [3 2 0 0 1 18 3 2 ) ' 3 0 0 a 0 30 1 % (I) ° ! 0 I ° 0 4 ' n @ |] 0 0 1 0 ai o 6 1 xs, @B) | 0 3 0 0 = I 6 Iteraci6n 2 para el ejemplo y la solucién Optima que resulta Ta segunda iteraci6n comienza de nuevo en la segunda tabla simplex de la tabla 4.6 para encontrar la siguiente solucién BE Sie siguen las instrucciones de los pasos 1 y 2, se encuentra que es la variable basica entrante y xs la variable bdsica que sale, como se muestra en la ta. bla 4.7, Para cl paso 3 se divide el renglén pivote (renglén 3) en a tabla 4.7 entre el mimero pivote (3). Después, se suma al renglén 0 ¢l nuevo rengién 3 multiplicado por 3. Luego, se resta el nuevo renglén 3 del renglén 1. En la tabla 4.8 se tiene ahora el conjunto de tablas simplex completo, La nueva solucién BF es (2, 6, 2, 0, 0), conZ= 36. Alhacer la prueba de optimalidad, se encuentra que la solu- ci6n es dptima porque no hay coeficientes negativos en el renglén 0, de manera que el algoritmo termina. En consecuencia, la solucién éptima para el problema de la Wyndor Glass Co. (antes de introducir variables de holgura) es x; = 2, x = 6. Ahora compare la tabla 4.8 con el trabajo que sc hizo en la seccidn 4.3 para verificar que, en realidad, estas dos formas del método simplex on equivalentes, Después observe que la for. ma algebraica cs mejor para entender la légica que fundamenta el método simplex, pero la TABLA 4.7 Pasos | y 2 de la iteracién 2 para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de Lado Hteracién basica |nim.| Z | x x,__x3 x4 __xy [derecho Razén 5 Z/M)'}3 0 0 F oO fs 1 x (1) | 0 0 ' 0 o}4 m» {@]o flo; 1 o Lt o fe 2 : $22 minime (3) | 0 |L3 0 oOo - tle ai it xs128 45 4. Solucién de problemas de programacién lineal: método simplex TABLA 4.8 Tabla simplex completa para el problema de la Wyndor Glass Co. Variable | Ec. Coeficiente de =a Iteraci6n _basica_| nam. |Z x x x a * derecho Ze 0) |e eas eer eo eee OO 0 ° % ay | 0 1 0 1 0 0 4 x @ | 0 0 2 0 1 0 12 Xs @ | o | 3 bl o Fj ; a 5 Zi Mm; r | 3 0 0 a ° 30 wm |oo | fa ° ' 0 a a 1 ' 2 (2) 0 0 ! 0 3 0 6 a @|o|lB 0 0a i 7 3 z |! 0 0 ° 7 1 36 1 1 *% (hy) o 0 0 1 5 a5 2 j l % @ | 0 0 I 0 0 5 3 ° 1 ° 0 a L * a 3 3 Z forma tabular organiza el trabajo de mancra mas conveniente y compacta. En general se usaré esta forma de ahora en adelante. Enel OR Tutor puede encontrar un ejemplo adicional de aplicacion del método simplex en forma tabular. Vea la demostracién llamada Simplex Method—Tabular Form. ROMPIMIENTO DE EMPATES EN EL METODO SIMPLEX Es posible que haya observado que en las dos secciones anteriores no se dijo qué hacer cuando las reglas de selecci6n de! método simplex no llevan a una decisién clara, ya sea porque hay cempates (valores iguales) o por otras ambigiiedades parecidas. Se estudiardn estos detalles. Empate para la variable basica entrante El paso 1 de cada iteracién elige la variable no bésica que tiene el coeficiente negativo con el ‘mayor valor absolsto en la ecuacién (0) actual como la variable bésica entrante. Ahora suponga quc dos 0 més variables no basicas ticnen el coeficiente negativo mds grande (en valor absolu- to), ¢s decir, que hay un empate. Por ejemplo, esto ocurrirfa en la primera iteracién del problema de la Wyndor Glass Co. si se cambiara la funcidn objetivo a Z = 32x, + 32, con lo que la ecuacién (0) inicial seria Z— 3.x - 3x, = 0. {Cémo debe romperse este empate? La respuesta es quese puede elegir entre estos dos contendientes de manera arbitraria. ‘Tarde o temprano sc llegard a la solucién éptima, sin importar cudl de las variables empatadas se haya escogido, y no existe un método conveniente para predecir cul lleva ah{ con mayor4.5_Rompimiento de empates en el método simplex 129 rapidez. En este ejemplo, sise escoge x, como variable entrante, el método simplex alcanza la soluci6n dptima (2, 6) en tres iteraciones y si se elige xp, llega en dos. Empate para la variable basica que sale: degeneraci6n Ahora suponga que el empate ocurre entre dos o mds variables bdsicas al elegir la variable que sale en el paso 2 de una iteracién, dmporta cudl se escoge? En teoria, si, yen una forma critica debido a que puede ocurrir la siguiente sucesién de eventos, Primero, todas las variables empatadas se hacen cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por lo tanto, aquellas que no se eligieron como variable bésica que sale también tendrdn un valor de cero en la nueva solucién BE (Las variables bisicas con valor de cero sc llaman degeneradas y el mismo nombre se da a la solucién BF correspondiente.) Segundo, si una de estas variables basicas degencradas sigue con valor de cero hasta que se selecciona como variable bésica que sale en una iteraciGn posterior, la variable basica entrante deberé también quedar con valor de cero (ya que no puede crecer sin que la variable bésica que sale se vuelva negativa), entonces el valor de Z quedard sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada itera- cién, el método simplex puede caer en un ciclo que repite la misma secnencia de soluciones en forma periddica, en lugar de aumentar en algtin momento para llegar a la solucién éptima, De hecho, se han construido ejemplos artifciales que se quedan atrapados cn un ciclo perpe- tuo de este tipo. Por fortuna, aunque en tcorfa ¢s posible que haya ciclos perpetuos, muy rata vez han ocurrido en problemas reales. $i ocurriera un ciclo siempre se puede salir de él cambiando la elec- cion de la variable bdsica que sale. Atin més, se han construido reglas especiales! para romper empates que siempre evitan los ciclos. Sin embargo, estas reglas con frecuencia se ignoran en Jas aplicaciones reales, y no se repetirén aqui. Para propésito practicos, se recomienda romper los empates de modo arbitrario y seguir el proceso sin preocuparse de las variables degeneradas que puedan resultar, Cuando no hay variable basica que sale: Z no acotada Existe otra posibilidad en el paso 2 de una iteracién, de la que no se ha hablado: aquella en la que ninguna variable califica como variable basica que sale.? Esta situacidn puede ocurrir si la variable bdsica entrante puede crecer indefinidamente sin que ninguna de las variables bési- cas actuales adquicra valores negativos. En la forma tabular, esto significa que todos los cocti- cientes en la columna pivote (sc excluye el renglén 0) son negativos 0 cero. Como se ilustra en la tabla 4.9, esta situacién surge en el ejemplo mostrado en la figura 3.6 en la pagina 36. En este ejemplo se ignoraron las dos tiltimas restricciones funcionales del problema de la Wyndor Glass Co. por lo que no se incluyen en el modelo. Observe en a figura 3.6 que el valor de.) puede aumentar de manera indefinida (lo que hace que Z crezca indefinidamente) sin salir de la regién factible. Después vea en la tabla 4.9 que x2 es la variable bésica entrante pero el tinico coeficiente en la columna pivote es cero. Como la prueba del ‘Vea, R. Bland, “New Finite Pivoting Rules for the Simplex Method”, Mathematics of Operations Research, 2: 103-107, 1977. “Note que el caso andlogo (sin variable bisica entrante) no puede ocurtirenel paso 1 de una iteracién porque la prue- bba de oprimalidad detendria el algoritmo antes, lo que indica que se ha alcanzado una solucidn éptima,130 4. Solucién de problemas de programacién lineal: método simplex TABLA 4.9 Tabla simplex inicial para el problema de la Wyndor Glass Co. sin las dos Ultimas restricciones funcionales Variable | Ec. Coeficiente de Lado basica |nam.| Z | % x2 x3 [derecho Razén z |@{t|-3 -5 0 0 (Donde x=0 y x3 aumenta, so |Mm{o}s Bl) 1 4 Sin minimo —xy=4= bey Oxy = 40. cociente minimo usa sélo coeficientes mayores que cero, no se cuenta con un cociente que proporcione una variable bésica que sale. La interpretacién de una tabla simplex como la que se muestra en Ia tabla 4.9 es que las restricciones no impiden el crecimiento indefinido de la funcién objetivo Z, de manera que el método simplex se detiene con ¢l mensaje de que Z es ne acotada, Debido a que ni siquicra la programacién lineal ha descubierto la manera de lograr ganancias infinitas, el mensaje real en problemas practicos es: ise ha cometido un error! Tal vez el modelo esté mal formulado, ya sea por haber omitido una restriccién relevante o por haberla establecido de modo incorrec- to. De otra manera, pudo haber ocurrido un error en los célculos. Soluciones éptimas multiples Enlascccién 3.2 (cna definicién de solucién éptima), sc mencioné que un problema puede tener mas de una solucién éptima. Este hecho se ejemplificé en la figura 3.5 al cambiar la fun- cién objetivo del problema de la Wyndor Glass Co. aZ = 3x, + 2x2, de lo que resulté que todos los puntos sobre el segmento de recta entre (2, 6) y (4, 3) eran éptimos. Entonces, todas las soluciones son un promedio ponderado de estas dos soluciones FEV éptimas (1, ¥2) = w1(2, 6) + 2 (4, 3), donde los pesos ; y 2 son niimeros que satisfacen las relaciones wi +w,=1 y 20, 20. Por ejemplo, w, = }y m2 =} da 1 2 @ 8 6 $) (2 ) = =(2, 6) + <(4,3)=(2+2, 2+2]=(—,4 (1, #2) = 3(2, 6) + (4 3)=(F4 55 345 3 como una solucién éptima. En general, cualquier promedio ponderado de dos o més soluciones (vectores) donde los pesos son no negativos y suman | se llama combinacién convexa de estas soluciones. Enton- ces, toda solucidn éptima en el ejemplo es una combinacién convexa de (2, 6) y (4, 3). Este ejemplo es representativo de problemas con soluciones ptimas multiples. ‘Como se indica al final de la seccién 3.2, cualquier problema de programacién lineal con soluciones éptimas miiltiples (y una regién factible acotada) tiene al menos dos soluciones FEV que son éptimas. Toda solucién dptima es una combinacién lineal de estas soluciones FEV ép- timas. En consecuencia, en la forma aumentada, roda solucién éptima es una combinacién convexa de la soluciones BF éptimas. (Los problemas 4.5-5 y 4.5-6 son una gufa para el razonamiento que fundamenta esta con- clusién.)4.5_Rompimiento de empates en el método simplex 131 El método simplex se detiene en forma automitica al encontrar 4a solucién BF éptima. Sin embargo, en muchas aplicaciones de programacién lineal existen factores intangibles que Rose incorporan al modelo y que pueden ser titiles para tomar decisiones significativas entre {as soluciones dptimas alternativas. En esos casos, deben identificarse las otras soluciones 6p- timas. Como se indicé6, esto requiere encontrar todas las otras soluciones BE ptimas, y entonces toda solucién dptima es una combinacidn convexa de las soluciones BF éptimas. Una vez.que el método simplex encuentra una solucién BF éptimna, se puede detectar si existen otras y, si asf es, se encuentran como sigue: Siempre que un problema tiene mds de una soluciéu BF éptima, al menos una variable no bési- ca tiene coeficiente cero en el rengién (0) final, de manera que si aumenta su valor, el valor dela funcién Z no cambia. Por lo tanto, estas otras soluciones BF ptimas se pueden identificar (sise desea) realizando iteraciones adicionales del método simplex, en las que cada vez se elige una variable no bdsica con cocficiente cero como variable bdsica entrante.! A manera de ilustracién, considere el caso anterior del problema de la Wyndor Glass Co. donde la funcién objetivo se cambia a Z = 3.x; + 2c). En la tabla 4.10 se muestran las primeras tres tablas que obtiene el mérodo simplex antes de detenerse con una soluciGn bésica factible éptima. No obstante, como una variable no bésica (xs) en esa iteracién tiene coeficiente TABLA 4.10 Tabla simplex completa para obtener todas las soluciones BF éptimas con <2=2, para el problema de la Wyndor Glass C Variable | Ec. Coeficiente de lado iSolucién Ieracion basica_|nam.| Z | x x2 x1 x4 xs | derecho éptima? Zz (0) ' 3 -2 ow o oO oO No % ay | oo 1 0 L 0 ° 4 a % @]ojfol 2 0 «4 0 2 xs () o 3 2 o o I 18 Zz (0) ' 0 -2 3 o oO 12 No x () ° 1 fo] 0 0 4 J Xs @i]o!o |2} o 1 0 2 Xs @ | o 0 2{[ -3 0 1 6 Zz (0) I oO oO o 0 1 18 Si x (| 0 1 0 1 0 0 4 2 x ® | 0 jf eo taf 1 6 3 I xy 8) | 0 0 tip 0 a 3 Z @}tlo oo o o 4 18 si are % MPofr oo 0 -3 3 2 font 1 1 aes, M/o}o o 1 3 -5 2 1 x @ | 0 0 Si una de estas iteraciones no tiene una variable hisica que sale, esto indica que la regién factible es no acorada y la variable bdsica entrante puede crecer indefinidamente sin cambiar el valor de Z.132 4.6 4. Solucién de problemas de programacién lineal: método simplex cero en el renglén O, se realiza una iteracién mds en esa misma tabla para identificar la otra so- lucién BF éptima. Entonces las dos soluciones bdsicas factibles éptimas son (4, 3, 0, 6,0) y (2, 6,2, 0,0), yambas dan un valor de Z = 18. Note que la ultima tabla simplex también tiene una variable no bdsica (x4) con coeficiente cero en el renglén (0). Esta situacién es inevitable porque las iteraciones adicionales no cambian el renglén 0, y cada una de las variables bésicas que salen conserva su coeficiente cero. Si ahora se eligiera x 4 como variable bésica entrante, sdlo se regresaria ala tercera tabla simplex. (Verifique esto.) Por lo tanto, estas dos son las tinicas soluciones BF que son éptimas, y todas las demas son una combinacién convexa de ellas. (1, 25 %3, % 45 %5) = 1(2, 6, 2, 0, 0) +2 (4, 3, 0, 6, 0), , 120, m2, 20. w+ w= ADAPTACION A OTRAS FORMAS DE MODELO Hasta ahora se han presentado los detalles del método simplex con la suposicién de que el problema se encuentra en nuestra forma estandar (maximizar Z sujeta a restricciones funcionales de la forma < y restricciones de no negatividad sobre todas las variables) conb; > 0 para toda i= 1,2,...,m. En esta seccién se establecerd cémo hacer los ajustes requeridos a otras formas legitimas de modclos de programacién lineal. Se veré que estos ajustes se pueden hacer en el paso inicial, y que el resto del método simplex se aplica justo como se aprendié. El nico problema serio que introducen las otras formas de restricciones funcionales (=, > o.con lados derechos negativos) es identificar una solucién inicial bdsica factible. Antes, cra muy sencillo encontrar esta solucién inicial al hacer que las variables de holgura fueran las variables bdsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacién correspondiente. Ahora debe hacerse algo més. Elenfoque estindar que se utiliza en estos casos es la técnica de variables artificiales. Esta construye un problema artificial més conveniente introduciendo una variable ficticia (llamada variable artificial) en cada res- triccién que lo requiera. Esta nueva variable se introduce sdlo con el fin de que sea la variable bésica inicial para esa ecuacién. Las restricciones usuales de no negatividad también se aplican sobre estas variables y la funcién objetivo se modifica para que imponga una penalizacién exorbitante en el céso de que adquieran valores mayores que cero. Las iteraciones del método simplex automaticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucién; después de esto se resuelve el problema real. Para ilustrar la técnica de Jas variables artificiales, primero se considera el caso en que la ‘Gnica forma no esténdar en el problema es la presencia de una o més restricciones en forma de igualdad. Restricciones en forma de igualdad En realidad, cualquier restriccidn en forma de igualdad, WX, + Aig X_ +o + Minky =O; es equivalente a dos restricciones de desigualdad: Ay X + Ain Xz + + Mig hy SO; jy + Ain X2 +0 + Mig Xp 20;.4.6 Adaptacién a otras formas de modelo 133 Sin embargo, en lugar de hacer esta sustitucién ¢ incrementar con ello el niimero de restric. Ciones, es més conveniente usar la técnica de la variable artificial que se ilustrard con el siguiente ejemplo. Ejemplo. —Suponga que se modifica el problema de la Wyndor Glass Co. de la seccidn 3.1, de manera que se requiere que la planta 3 se use en toda su capacidad. El nico cambio que su- fre el modelo de programacién lineal es que la tercera restriccién, 3, + 2x. < 18, se convierte en una restriccién de igualdad 3x, + 2x, =18, con lo que el modelo completo se convierte en el que se muestra en la esquina superior derecha de la figura 4.3, Esta figura también muestra la regién factible con sines més oscura, y ahora consiste nada més en el Segmento que conecta los puntos (2, 6) y (4, 3). Después de introducir al sistema de ecuaciones las variables de holgura que todavia se necesitan para las restricciones de desigualdad la forma aumentada del problema se convierte en (0) Z~ 3x, - 5x, = 0 Q) x ty = 4 (2) 2x, +442 12 (3) 3x, + Qay = 18. FIGURA 4.3 — Cuando la tercera Maximizar Z= 3x + 5x, restriccién funcional sujeto a se convierte en once A igualdad, fa region ms factible para el 3a + 2 = a problema de la 420, 2 Wyndor Glass Co. se convierte en el segmento de recta entre (2, 6) y (4, 3),134 4. Soluci6n de problemas de programacién lineal: método simplex Obtencién de una solucién basica factible inicial. El procedimiento es construir un problema artificial que tiene la misma solucién éptima que el problema real, haciendo dos modificaciones a este problema real. 1. Seaplica la técnica de la variable artificial introduciendo una variable artificial 10 negativa (denotada por Xs)! en la ecuacién (3), como si fuera una variable de holgura (3) Bxy + xp + Hs = 18. 2. Seasigna una penalizacidn enorme al hecho de tener 5 > 0, cambiando la funcién objetivo Z= 3x, + 5x, a Z= 3x, + 5x1 - MXs, donde M simbélicamente representa un ntimero positive muy grande. (Este método que fuerza a X5 hasta llegar a X5 = 0 en la solucién Optima se llama método de la M.) Ahora se encuentra la solucién éptima para el problema real con Ia aplicacién del método simplex al problema artificial; la solucién BF inicial es la siguiente: Solucién BF inicial Variables no bésicas:. 4 =0, x, =0 Variables basicas: wast xg=12, x =18. Como x hace las veces de la variable de holgura en la tercera restriccién del problema artificial, esta restriccién es equivalente a 3.x, + 2x3 < 18 (justo como en el problema original de la Wyndor Glass Co. en Ja seccidn 3.1). A continuacién se muestra el problema artificial que resulta (antes de aumentarlo) al lado del problema real. Problema real Problema artificial Defina ¥.= 18 3x - 2x. Maximizar Z = 34, +52, Maximizar Z = 3x, + 52, - Mis, sujeta a sujetaa 4 <4 * s4 2x) 12 dx -s12 a+ 2x,=18 Bayt 2x, =18 y (03x; + 2xy + Xs = 18) 120, 4220. y %20, 4220, ¥520. Entonces, igual que en la seccién 3.1, la regién factible para (17, x») en el problema artificial es la que se muestra en la figura 4.4. T.a tinica porcidn de esta regién factible que coincide con la del problema original es cuando %5 = 0 (de manera que 3x, + 2x) = 18). La figura 4.4 muestra, ademas, cl orden en cl que cl método simplex examina las soluciones FEV(o las soluciones BE después de aumentar el problema), donde los ntimero en los circulos identifican qué iteracién obtuvo esa solucién. Observe que en este caso, el método simplex se mueve en sentido positivo (contrario al de las manecillas del reloj) mientras queen 'Se distinguirdn siempre las variables artficiales mediante la barra sobre cllas.4.6 _Adaptacién a otras formas de modelo * Defina 3 = 18-3 - 2, sujeto a a 2m<12 3x) + 249 518 20, %20 oe y_ 420, FIGURA 4.4 Esta grafica muestra la region factible y la secuencia de soluciones FeV ©.D.@.@ que examina el método simplex para el problema artificial que corresponde (0, 0) al problema real de la figura 4.3. Maximizar Z = 35+ 8x2 Mi, s 4 a 44, es necesario el siguiente paso de preparacién, pués de aumentar el problema artificial es (0) Z- 3x, - 5x +ME= 0 q) * +3 = 4 (2) 2x2 +4 =112 (3) Bx, + 2g + #=18 ¢l problema original se movia cn sentido negativo (vea la figura 4.2). 1a razén de esta dife- Tencis 6 ¢l Sérming adicional -%5 en la funcin objetivo del problema artificial Antes de aplicar elmétodo simplex y comprobar que sigue el Caminomann ge enla figu- Conversién de la ecuacién (0) a ta forma apropiada. El sistema ecuaciones des- donde las variables bésicas iniciales (2, 4, 5) se muestran en negritas. Este sistema todavia HO estd en la forma apropiada de eliminacién de Gauss porque el corficiente de 5 es diferente de cero en Ia ecuacién (0). Recuerde que todas las variables basieas deben eliminarse de la ecuacién (0) con operaciones algebraicas antes de que el método simplex aplique la prucha de bles bésicas. Fara la liminaci6n algebraica de %; de la ecuacién (0), se resta de esta ecuacién (0) la ecuacién (3) multiplicada por M. Z~ 3x, ~ 5x) + Mis = ~M@Gx; +2xy + Hy = 18) Nuevo renglén (0) Z ~ (44 + 3)m —(2M + 5)x, = 18M,136 4. Solucién de problemas de programacién lineal: método simplex Aplicacién del método simplex. Esta nueva ccuacién (0) da Zsdlo en términos de las variables no basicas (+1, 2), Z=-18M+ 3M+ 3)x, + (2M+ 5)xp Como3 M+ 3>2M + 5 (recuerde que M representa un nimero muy grande), si se aumenta x1, Z crece a una tasa més rdpida que al aumentar x, de manera que se elige x, como la variable bésica entrante. Esto causa tun movimiento de (0, 0) a (4, 0) en la iteracién 1, como se muestra en la figura 4.4, y Z se incrementa en 4(3M + 3). Las cantidades que incluyen el valor M nunca aparecen en el sistema de ecuaciones en otro renglén que no seal (0), asi que sdlo tienen que tomarse en cuenta en la prueba de optimalidad y al determinar la variable bésica entrante. Una manera de manejar estas cantidades esasignara M algin valor numérico (muy grande) y trabajar con las cantidades que resulten en laccuacién (0) en la forma acostumbrada, Sin embargo, este enfoque puede acarrear errores de redondeo significativos que a su vez pueden invalidar la prueba de optimalidad, Por lo tanto, es mejor hacer lo que acaba de mostratse, esto es, expresar cada coeficiente de la ecuacidn (0) como una funcién lineal aM + & de la cantidad simbélica M al registrar y actualizar por separado el valor numérico de: 1) el factor multiplicative ay 2) el factor aditive b. Como se supone que Mes tan grande que 6 es despreciable comparado con M cuando a ¥ 0, las decisiones en la prueba de optimalidad y la eleccién de la variable bdsica entrante se hacen sdlo con los valores de los factores multiplicativos en la forma usual. La nica excepcién ocurre cuando hay un empate que se rompe usando los factores aditivos. En la tabla 4.11 se muestra la tabla simplex que resulta al aplicar esta técnica al ejemplo. Observe que la variable artificial #5 es una variable bdsica (35 > 0) en las dos primeras tablas simplex y no bdsica (s = 0) en las tiltimas dos. Entonces, las dos primeras soluciones BF para este problema artificial son no fuctibles para el problema real mientras que las dos tiltimas son soluciones BF para el problema real. Este ejemplo incluyé sdlo una restriccién de igualdad. Si un modelo de programacién lineal tiene més, cada una debe manejarse de la misma manera. (Si el lado derecho es negativo, primero se multiplican ambos lados por -1.) Lados derechos negativos La técnica que acaba de presentarse para manejar una restriccién de igualdad con lado derecho negativo (esto es, multiplicar ambos lados por -1) también se puede usar con las restricciones de desigualdad con lado derecho negativo. Si se multiplican ambos lados de una desigualdad por —1 se invierte el sentido de la desigualdad; es decir, < cambia a 2 y viceversa. Por ejemplo al hacer esto con la restriccién sy-%S-1 — (estoes, x $x ~-1) da la restriccién equivalente , como, + x, 2 I,conla ayuda de la técnica de variables artificiales, Restricciones funcionales de la forma > Para ilustrar la manera en que la técnica de variables artificiales mancja las restricciones de la forma 2 se usaré el modelo del disefio de terapia de radiacién para Mary, presentado en la sec- cién 3.4. Por convenicneia sc repite el modelo aqui y se seriala con un recuadro la restriccién de interés en este caso. Ejemplo de terapia de radiacién Minimizar Z = 0.4% + 0.5%, sujetaa 0.3m + 0.x, <¢ 2.7 0.54 +0.5x) = 6 0.6m + 0.4%, 26 420, 20.138 4 Solucion de problemas de programacién lineal: método simplex ah 27 ao 15 Puntos Segmento con linea gruesa Solucién éptima soluciones en los vértices regidn factible (75, 4.5) 0.6m + 0.4% 2 6 10+ sk - 0.5m + 0.5% =6 03x + Oly < 2.7 FIGURA 4.5 L Grafica del ejemplo de terapia de radiacién y sus e Jt soluciones en los vertices. 0 5 10 m En la figura 4.5 se repite la solucién gréfica para este ejemplo (presentado en la figura 3.12) con algunas difttencias. Las tres rectas de la figura, junto con los dos ejes constituyen las cinco fronteras de restriccién del problema. Los puntos dibujados en la interseccién de cada par de restricciones son las soluciones en los vértices. Las tinicas dos soluciones factibles en un vértice son (6, 6) y (7.5, 4.5) y la regién factible es el segmento que une estos dos puntos. La solucién dptima es (x1, 2) = (7.3, 4.5), con Z= 5.25. Muy pronto se mostrard la manera en que el método simplex resuelve este problema a partir de la solucién directa del problema artificial correspondiente. No obstante, primero se describird como manejar la tercera restriccién.4.6 Adaptacién a otras formas de modelo 139 El enfoque involucra la introduccién de das variables: una variable de superdvit x5 (defi- nida como xs = 0.62) + 0.4%) ~ 6) y una variable artificial, como se veri en seguida. 06x, + 04x) 26 > 0.6%, +04 -% =6 (x5 20) > 0.621 + 0.427 — 45 + 6 = 6 (xs 20, % 20). Aqui, x se lama variable de superdvit porque resta el exceso del lado izquierdo sobre el derecho para convertir la restriccién de desigualdad en una de igualdad equivalente, Una vee ky Brada esta conversi6n, se introduce una variable artificial igual que para las restricelones de igualdad. ena vez introducida la variable de holgura x3 en la primera restriccién, se inserta una va- table artificial %, en la segunda restriccién y se aplica el método de la.M; el problema artificial completo (en la forma aumentada) es Minimizar Z= 0.44 + 0.5x) + Mi4+ Mis, sujeta a 0.3.41 + Olay + x3 27 0.5%, + 05x, +, 6 064; + 0.4%, ~ Fs + B= 6 y *120, 220, 320, %.20, x5 20, Ke 20. Observe que los coeficientes de las variables artificiales en la funciGn objetivo son +M,enlu- Ber de~ 4M porque ahora se debe minimizar Z. Entonces, aun cuando es posible que¥4>Oy/o ¥5> On una solucién factible para el problema artificial, la unidad de penalizacn tan grande de +M evita que esto ocurra en una solucién éptima, Como siempre, laintroduccién de variables artficiales hace que la regidn factible se am- Plfe. Compare las restrcciones sobre (+, 22) para el problema real con las restrieciones on: rrespondientes del problema artificial. Restricciones sobre (31, 2) Restricciones sobre (41, %2) para el problema real para el problema artificial 0.34 + O.lx, $2.7 0.3%, + Ole, < 2.7 0.5x; + 05x. = 0.5%, + 0.8%, <6 — (=se cumple six, =0) 0.6%, + 0.4%, >6 No hay restricci6n (excepto cuando 5 = 0) 3120, x20 420, x20 Laintroduccién de la variable artificial ¥4 para que haga las veces de la variable de holguraen Ja segunda restriccién, permite valores de (x1, x7) menores que la recta0 Se, + 0 5x =6enla figura 4.5. La introduccin de xs y X, en la tercera restrccidn del problema real (yl movimiento de estas variables al lado derecho) lleva a la ecuacién 0.620) + 0.41, =64 a5 - Ke. Debido aque la inicarestriccion sobre xs y.%, es que sean no negativa, su diferencia xy — puede ser un mimero positivo o negativo. Entonces, 0.6 + 0:42, puede tomar cualquier valor, lo que tiene el efecto de eliminar la rercerarestricci6n del problema artifical ypermicir Puntos cn los dos lados de la recta 0.6: + 0.4) = 6 en la figura 4.5. (Se conserve ly tercera festriccién en el sistema de ecuaciones porque mds adelante volvers a ser relevance, despues deque el método de la Mlleve aX, = 0.) En consecuencia, a regién factible para el problema4 Solucién de problemas de programacién lineal: método simplex artificial es el poliedro completo de la figura 4.5 cuyos vértices son (0, 0), (9, 0), (7.5, 4.5) y (0, 12). Como ahora el origen es factible para el problema artificial, el método simplex comienza con (0, 0) como la solucién FEV inicial, es decir, con (31, 2, ¥3% 4,.%5,5) = (0,0,2.7,6, 0, 6) como solucién BF inicial, (El propésito de crear el problema artificial es hacer que el origen sea factible para tener un punto de partida conveniente para el método simplex.) Después se seguird la trayectoria del método simplex desde el origen hasta la solucién éptima para los dos problemas, el artificial y el real. Pero primero, écmo maneja el método simplex la minimizacion? Minimizacién Una manera directa de minimizar Z con el método simplex es cambiar los roles de los coeficientes negativos y positivos cn cl renglén 0, tanto para la prueba de optimalidad como para el paso 1 de una iteracién. Sin embargo, en lugar de cambiar las instrucciones del método simplex para este caso, se presentard una manera sencilla de convertir cualquier problema de minimizacién en un problema equivalente de maximizacién: Minimizar Z= Yo; x; jal €s equivalente a Maximizar -Z— )\(-c;) 55 fA es decir, las dos formulaciones llevan a la(s) misma(s) solucién(es) éptima(s). Las dos formutlaciones son equivalentes porque entre m4s pequefia es Z, mds grande es ~Z, entonces, la solucién que da el menor valor de Z dentro de la regién factible, también debe dar el mayor valor de —Z en esta region. Por lo tanto, en el ejemplo de terapia de radiacién se debe hacer el siguiente cambio en la formulacién: Minimizar Z= 0.4%, + 05x, 0.43, — 0.52 Después de introducir las variables artificiales %4 y #5, y de aplicar el método de la.M, la con- version correspondiente es > Maximizar -Z Minimizar Z= 0.4x, +0.50) + Mi,+ Mii > Maximizar -Z = - 0.4%, - 0.5%) - ME,- Mi. Solucién del ejemplo de terapia de radiacién Elejemplo esté casi listo para aplicarle el método simplex. Si se usa la forma de maximizacién que se acaba de obtener, el sistema de ecuaciones completo es (0) -Z+04e+ 0.5%. + Mis + Mi, = 0 () 0.3%; + Oly, + x3 =274.6 Adaptacién a otras formas de modelo 141 (2) 0.52; + 0.52 + =6 (3) 0.62, + 0.4%, = Xs+ R= 6. Las variables bésicas (1s, %4, %) en la solucién BF inicial (para este problema artificial) se muestran en negritas. Observe que este sistema de ecuaciones todavia no esté en la forma apropiada de climina- cin gaussiana para iniciar el método simplex, ya que todavia deben eliminarse las variables bisicas %4 y ¥4 de la ecuaci6n (0) de manera algebraica. Como 4 y Xe tienen coeficiente M, Se tienen que restar de la ecuaci6n (0), la ecuacién (2) y la ecuacién (3) ambas multiplicadas por M. Acontinuacién se resumen los céleulos de todos los coeficientes (y los lados derechos), en donde los vectores son los renglones relevantes de la tabla simplex correspondiciite al siste. ma de ecuaciones anterior. Renglén 0: (0.4, 05, 0, M, 0, M, 0) -M{0.5, 05, 0 1, 0, 0, 6) —M0.6, 04, 0, 0, -1, 1, 6) Nuevo rengionO=[-11M+04, -09M+05, 0, 0, M, 0, —12M}. La tabla simplex inicial que resulta, lista para comenzar el método simplex, se muestra enla tabla 4.12, Al aplicar el método simplex en la forma acostumbrada se obtiene la secuencia de tablas simplex mostradas en el resto de la tabla 4.12. En ‘cuanto a la prueba de optimalidad y la cleccion de la variable basica entrante en cada iteracién, las cantidades que incluyen M se tratan justo como se explicé para la tabla 4.11. Fn particular, siempre que M estd Presente, s6lo se usa su factor multiplicativo a menos que haya un empate, en cuyo caso el empate se rompe con los términos aditivos correspondientes. Un empate de este tipo ocurre ena dlkima seleccién de la variable bisica entrante (vea la pentiltima tabla simplex) en donde los coeficientes de. y as cn cl renglén 0 tienen el mismo factor multiplicativo, ~3, Al com parar los términos aditivos, }!< Z, se selecciona xs como la variable bésica entrante. Observe en la tabla 4.12 la progresion de valores de las variables artficales & 4 y 5 y de Z. Se comienza con valores grandes, # 4=6y ¥¢= 6, con Z = 12.M (-Z=-12M).La primera iteracion reduce mucho estos valores. El método de la M logra hacer que 4 = 0 (como una ‘nueva variable no bdsica) en la segunda iteracién y en la siguiente hace lo mismo con 4.Con 4 =0y Xs = 0, se garantiza que la solucién bdsica dada en la ultima tabla simplex es factible Para el problema real. Como pasa la prucba de optimalidad, también es éptima. Ahora se puede ver lo que el método de la M ha hecho en la gréfica dela figura 4.6, Lare- sion factible para el problema artificial tiene al iniciar cuatro soluciones FEV, (0, 0), (9, 0), (0, 12) y (7.5, 4.5), y después sustituye las primeras tres con dos solticiones FEV nuevas, (8, 3), (6, 6), después de que % decrece hasta 5 = 0, de manera que 0.6%; + 0.4xz > 6 se convierte en una restriccidn adicional. (Observe que las tres soluciones FEV sustituidas, (0, 0), (9, 0) y (0, 12), eran, de hecho, soluciones no factibles en los vértices para el problema real mostrado en la figura 4.5.) Comenzando con ei origen como una solucién FEV inicial conveniente para el problema artificial, el proceso se mueve por la frontera a las otras tres soluciones FEV, (9, 0), (8, 3) y (7.5, 4.5). La tltima de éstas es la primera que también es factible para el problema real. Por coincidencia, esta primera solucién factible resulta éptima, por Jo que no se necesitan mas iteraciones.142 4. Solucién de problemas de programacién lineal: método simplex TABLA 4.12. El método de la M para el ejemplo de terapia de radiacién ————_—— Variable| Ee, |_____ Coeficiente de | tade Iteracién basica | nim. | Z x x x3 Rs xs %_ | derecho z | @ | -1 | -lm+04 -09ms05 ° Mm 0 =12M xo | @ | 0 | [03 oul ° o ° 27 Q Ry a | o 05 Os 1 0 0 6 % | @ | 0 | Los 04 o “| ! 6 By. tl : omy ~2.iM=3. z | @|- ° 0" 30 ° m o | -2m-36 i ; un |q@]o ' : ° 0 ° 9 \ % | @ | o ° ; 1 ° ° 1s % | w | o @ 02 =a o = 1 06 54,7 5,1) 8, Wl 7 Sami Mi o' osm—a: z |@|- ° ° F ° pu Smt | -osm—47 20, 3 -3 ; x | @]o ' ° : ° : 5 8 5 5 5 ~ |@ lo ° ° Fi \ A 5 os an | @ | 0 ° 1 =10 ° <5 5 3 z |o|- 0 ° 05 MALI o m -5.25 x | Ww \ ° 5 “1 o ° 78 2 x | @|o ° ° ' 06 ' “1 03 1x | @ ° \ 5 3 ° ° 45 En otros problemas con variables artificiales, puede ser necesario realizar iteraciones adicionales para llegar a una solucién éptima después de obtener la primera solucién factible para el problema real. (Este fue el caso en el ejemplo resuelto en la tabla 4.11.) Asf, puede pensarse que el método dela M tiene dos fases. En la primera fase, todas las variables artificiales se hacen cero (debido a la penalizacién de M por unidad al ser mayores que cero) conel fin de obtener una solucién basica factible inicial para el problema veal. En la segunda fase todas las variables artificiales se mantienen en cero (por esta misma penalizacién) mientras que el método sfmplex genera una secuencia de soluciones BF que llevan a la solucién dptima. El método de dos fases que se describe a continuacién es un procedimiento directo para realizar estas dos fases sin siquiera introducir la M de una manera explicita, Método de dos fases Enel ejemplo de terapia de radiacién que se acaba de resolver en la tabla 4.12, recuerde la funcidn objetivo real Problema real: Minimizar Z= 0.4%, + 0.5x).4.6 Adaptacién a otras formas de modelo 143 Restricciones para el problema artificial 0.3m + 0. $2.7 0.5m + 0.5% 6 (= se cumple si %= 0) (0.6% + 0.4. 2 6 cuando % = 0) M20, 220 (%20, X20) Este segmento oscuro es la regi6n factible para el problema real (34 =0, %=0). (7.5, 4.5) éptima FIGURA 4.6 La gréfica muestra la region factible y la secuencia de soluciones FEV@,0.@.@) ‘examinadas por el método simplex (con el método de la M) para el problema artificial correspon- (0, 0) ¢- diente al problema + real de la figura 4.5. Z=0+12M “OA -2=36+2.um (9, 0) a Sin embargo, el método de la M utiliza la siguiente funcién objetivo (0 su equivalente en a forma de maximizacién) en todo el procedimiento: Método dela M: — Minimizar = 0.4, + 0.5) + Mg + Mite. Como los dos primeros coeficientes son despreciables comparados con M, el método de dos fases puede climinar la M usando las siguientes dos funciones objetivo que definen a Z de manera completamente diferente. Método dle dos fases: Fase 1: Minimizar Z = %4+ % (hasta que ¥ 4 =0, % = 0). Fase 2: Minimizar Z = 0.42 + 0.5%, (con 4 =0, % =0). La funcién objetivo de ka fase 1 se obtiene dividiendo la funcién objetivo del método de la M entre M y eliminando los términos despreciables. Como la fase 1 concluye al obtener una so4, Solucién de problemas de programacién lineal: método simplex lucién BF para el problema real (aquella en la que ¥ 4 = Oy % = 0), esta solucién se usa como la solucién BF inicial para aplicar el método simplex al problema real (con su fancién objetivo) en la fase 2. ‘Antes de resolver el ejemplo de esta manera se hard un resumen de las caracteristicas generales. Resumen del método de dos fases. Paso imicial: se revisan las restricciones del problema original introduciendo variables artificiales segiin se necesite para obtener una solu- cién BF inicial obvia para el problema artificial. Fase 1: el objetivo de esta fase es encontrar una solucién BE para el problema real. Para hacer esto, Minimizar Z = 2 de variables artificiales, sujeta a las restricciones revisadas. La solucién éptima que sc obtiene para este problema (con Z = 0) ser4 una solucién BF para el problema real. Fase 2: el objetivo de esta fase es encontrar una solucién éptima para el problema real. Como las variables artificiales no son parte del problema real, se pueden eliminar ahora (de todas maneras todas tienen valor de cero).! Comenzando con a solucién BF obtenida al final de Ia fase 1, se usa el método simplex para resolver el problema real. En seguida se resumen los problemas que deben resolverse por el método simplex en las fases respectivas para el ejemplo. Problema para la fuse 1 (ejemplo de terapia de radiacién): Minimizar Z = %4+ ¥, sujeta a 0.3% + O.1x, + x3 =27 0.5, + 0.5%, +% =6 0.6%; + 0.44, =x + %6= 6 y ™, 20, 220, ~320, #420, x520, %20. Problema para la fase 2 (ejemplo de terapia de radiacién): Minimizar Z=0.4%, + 0.5%), sujeta a 0.3%, + 0lm+% =27 0.5x; + 0.522 =6 0.6, + 0.4%, - %5=6 y x20, 4220, 20, 520. Sc estén pasando por alto otras tres posibilidades; 1) variables artificiales > 0 (que se presentan en la siguienté sub. secciGn), 2) variables artificiales que son variables bisicas degeneradas y 3) variables artficiales que se retienen como variables no bdsicas en la fase 2 (sin permiir que vuelvan a entrar como bsicas) para ayudar en el andlisis poséptimo subsecuente, El OR Courseware le permite explorar estas posibilidades.4.6 Adaptacién a otras formas de modelo 145 Las tnicas diferencias entre cstos dos problemas se encuentran en la funcién. objetivo yenla inclusi6n (fase 1) 0 exclusién (fase 2) de las variables artificiales X 4 y Zq. Sin las variables arti_ ficiales, el problema para la fase 2 no tiene una solucién BF inicial obvia, El tinico propésito Para resolver el problema de la fase 1 ¢s obtener una solucidn RF con #4 =O, %=0 ques¢ pueda usar como la solucién BF inicial para la fase 2. Tatabla 4.13 muestra el resultado de aplicar el método simplex a este problema para la fase 1. [El rengién 0 en la tabla simplex inicial se obtiene al convertir minimizar Z~ 3, + EA a maximizar (~Z) = -%4 ~ X, y después usar operaciones elementales con renglones para climinar las variables bdsicas 4 y X5 de-Z+ 4+ = 0.] En la pentiltima tabla simplex existe un empate para la variable bdsica entrante entre 23 y 25, que se rompe arbitrariamente en favor de xs. La solucién obtenida al final dela fase es, entonces, (x1,.¥2, 5, %4, 5, %) = (6,6, 0.3, 0, 0, 0) 0 después de eliminar 4 y ¥, (x1, 2, ¥3,.¥3) = (6, 6, 0.3, 0). Seguin se afirmé en el resumen, esta solucidn de la fase 1 es sin duda una solucion BF para cl problema rea! (problema de la fase 2) puesto que es la solucidn (después de hacer x5 = 0) del sistema de ecuaciones que consiste en las tres restricciones funcionales para el proble- ima dela fase 2. De hecho, después de eliminar las columnas de %4 ys, aligual que el renglén 0 para cada iteracién, a tabla 4.13 muestra una manera de utilizar [a liminacién gaussiana ara resolver este sistema de ecuaciones reduciéndolo a la forma que tiene en la tabla simplex final. TABLA 4.13 Fase | del método de las dos fases para el ejemplo de terapia de radiacién Variable | Ee. |— Coeficiente de Lado Iteracion basica | nam.| Z x Xp x3 Xq Xs %_|derecho Zz @ [-1 fa -o9 ° ° o 0 [-12 % (ay 0 03, 0.1 1 0 0 0 27) 0 i @) 0 05 0.5 0 t 0 0 6 ie @ | 0 os} 04 0 ° =! ' 6 -# ow z | -1 o 3 0 t 0} -21 : 2 ° o 9 ' x a) | oo 1 7 5 0 5 i 5 Ry @ | o 0 5 5 1 0 ° 1s iy @ | 0 0 oz] =2 ot i 06 3 5 8 Zz @ | -1 0 0 -2 9-3 GZ | -os i ol ew A xi On 0 5 ° a A 8 e 5 5 3 y Q | 0 0 0 ; ! i o5 os 4 @ | 0 0 tno os 5 3 Zz @ | -1 0 0 0 1 0 1 ° x a | o 1 ° 0-4 <5 5 6 3 3 % @ ° ° 0 1 3 ' -1 03 n @® | 0 0 ' 6146 4 Solucién de problemas de programacién lineal: método simplex La tabla 4.14 muestra la preparacién para iniciar la fase 2 después de completar la fase 1. Se comienza con la tiltima tabla simplex en la tabla 4.13, se eliminan las variables artificiales (ay), se sustituye la funcién objetivo de la fase 2 (~Z = -0.4%, — 0.5: en la forma de ma- ximizacién) en el renglén 0 y después se restablece la forma apropiada de eliminacién gaussiana (con la eliminacién algebraica de las variables bdsicas x; y x2 del renglén 0). Asi, el renglén 0 en la tabla simplex se obtiene con las siguientes operaciones elementales con renglones en la pentiltima tabla simplex: sc restan del renglén 0, el renglén 1 multiplicado por 0.4 y el renglén 3 multiplicado por 0.5. Observe que los renglones 1 y 3 no cambian excepto por la climinacién de las dos columnas. Los tinicos ajustes ocurren en el renglén 0 a fin de sustituir la funcién objetivo de la fase 1 con la funcién objetivo de la fase 2. La uiltima tabla simplex en la tabla 4.14 es la tabla simplex inicial para aplicar el método simplex al problema de la fase 2, como se muestra al inicio de la tabla 4.15, Una sola iteracién lleva a la solucién dptima que se muestra en la segunda tabla simplex: (21, 2, 3,5) =(7.5, 4.5, 0, 0.3). Esta solucién ¢s la solucién éptima deseada para el problema real que interesa més que el problema artificial construido para la fase 1. Ahora observe lo que el método de las dos fases ha hecho en la gréfica de la figura 4.7. A partir del origen, la fase 1 examina un total de cuatro soluciones FEV para el problema artificial, Las primeras tres de hecho eran soluciones no factibles en los vértices para el problema real mostrado en la figura 4.5. La cuarta solucién FEV, en (6, 6), ¢s la primera que también es TABLA 4.14 Preparacién para la fase 2 en el ejemplo de terapia de radiacin ———_—_——— —— Coeficiente de Variable | Ec. Lado basica |nam.| Z| % x2 Xs Xq_—Xs—_—Re_| derecho z @ }-1 | 0 0 0 t 0 t 0 n |@miolt 0 0 -4 -5 5} 6 Tabla simplex final para la 3 fase | xy (2) 0 ° °o ' 5 1 -t 03 Pn @}o|o ' 0 6 5-5 6 z |@j-+{|o o o ° ° ; a x a fol et 0 0 $s 6 Se eliminan X4y Be Pattee one ' 03 mn |@{o}o 1 0 5 6 Zz @|-1| 04 os oO 0 0 Se sustituye la funcién aw TM }o; er eo ad a objetivo para la fase 2 oa Q 0 0 1 1 03 nun |@]o}o to 5 6 Zz @|-1 | o ° 0 05 -54 Se restablece la forma x wmfofu ° 0 3 6 ada de eliminacién ea ane mn |@lo}o o t 1 03 no |@{o}o 1 0 5 64.6 Adaptacién a otras formas de modelo 147 TABLA 4.15 Fase 2 del método de las dos fases para el ejemplo de terapia de radi Variable | Ec. cocicienta de Lado Kteracién _bésica | nim. |Z x x x3 x3 |derecho Zz @ | - 0 0 ° os | 54 x WM | o I o 0 =5 6 o % ) ° 0 0 1 1 03 x. @) oO 0 1 ° 5 6 Zz @ | -1 0 0 0s 0 -5.25 x “) | 0 1 0 5 0 75 ' xs @) ° 0 0 1 1 03 % @ | 0 0 1 5 0 45 FIGURA 4.7 * La gréfica muestra la (0, 12) secuencia de solucio- = nes FEV para la fase | @OO@@y después para la fase 2 ©.@) cuando se aplica el método de las dos fases al ejemplo de terapia de radiacién (0, = artificial (fase 1)" wero Este segmento oscuro es pe 0 a regién factible para cl ~@, J. problema real (fase 2) : 1 "S (7.5, 4.5) éptima Regién factible’ =! 's «« @) (8, 3) para cl problema (9, 0) 2148 4 Solucién de problemas de programacién lineal: método simplex factible para el problema real, de manera que se convierte en la solucién FEV inicial para la fase 2. Una iteracion lleva a la solucin FEV 6ptima en (7.5, 4.5). Siel empate para la variable bésica entrante que surgié en la peniiltima tabla simplex de la tabla 4.13 se hubiera roto de otra manera, entonces la fase 1 habria ido directamente de (8, 3) a (7.54.5). Después de utilizar (7.5, 4.5) para establecer la tabla simplex inicial para la fase 2, la prueba de optimalidad habria revelado que esta solucién era éptima y no se habrfa realizado ninguna iteracién. Resulta interesante comparar los métodos de la M y de las dos fases, Se comenzaré por sus funciones objetivo. Método de Ia M: Minimizar Z = 0.4%, + 0.5%, + Mi 4+ Mis. Métoslo de dos fases: Fase 1: Minimizar Z= 4+ %5. Fasc 2: Minimizar Z = 0.4%, + 0.5%, Dado que los términos Mi, y Mis dominan alos términos 0.4, y 0.522 en la funcién objetivo para el método de la M, esta funcién objetivo es esencialmente equivalente a la de la fase 1 mientras % 4 y/o X, Scan mayores que cero. Entonces, cuando ¥ 4 = Oy Xs = 0, la funcion objetivo del método de la M se vuelve completamente equivalente a la funcién objetivo de la fase 2. Debido a estas equivalencias virtuales en la funcién objetivo, el método de la M y el de dos fases tienen casi siempre la misma secuencia de soluciones bisicas factibles. La tinica ex- cepcién posible ocurre cuando existe un empate para la variable bésica entrante en la fase 1 del método de dos fases, como sucedié en la tercera tabla simplex de la tabla 4.13. Observe que las primeras tres tablas simplex de las tablas 4.12 y 4.13 son casi idénticas, la tinica diferencia ¢s que los factores multiplicativos de M en la tabla 4.12 se convierten en cantidades tinicas en los puntos correspondientes de la tabla 4.13. En consecuencia, no se contaba con os factores aditivos que rompieron el empate para la variable bsica entrante en la tercera tabla simplex de la tabla 4.12 para romper este mismo empate en la tabla 4.13. El resultado en este ejemplo fue una iteracidn adicional en el método de dos fases, aunque en general, la ventaja de contar con los factores aditivos es minima. Elmérodo de dos fases sigue los pasos del método de la M usando sélo los factores multiplicativos en la fase 1 y eliminando las variables artificiales en Ia fase 2. (El método de la M puede combinar los factores multiplicativos y aditivos asignando un valor muy grande a 1M, pero esto podria crear problemas con inestabilidad numérica.) Por estas razones es comiin que cuando se trate de paquetes de computadora se use el método de dos fases. Sin soluciones factibles Hasta aqui, esta seccién se ha ocupado més que nada del problema elemental de identificar la solucién BF inicial cuando no se dispone de una obvia. Se ha visto que se puede usar la técnica de variables artificiales para construir un problema artificial y obtener una soluci6n BF inicial para este problema artificial. El método de la M0 el de dos fases permiten al método simplex comenzar su recorrido hacia las soluciones BF y por tiltimo hacia la solucién dptima del problema real.TABLA 4.16 4.6 Adaptacién a otras formas de modelo 149 No obstante, se debe estar consciente de un obstéculo que se puede presentar, Puede no existir una cleccién obvia para la solucién BF inicial por la poderosa razén de que ino existan soluciones factibles! Al construir una solucién factible artificial, no hay nada que impida al método simplex proceder como siempre ¢ incluso informar que encontré una supuesta solucidn éptima. Por fortuna, la técnica de las variables artficiales proporciona algunas sefales que indican que esto ha ocurrido: Siel problema original no tiene soluciones facribles, entonces cualquier solucién éptima obtenida con el méxodo de lM on a fase 1 del mérodo de dos fases leva a una solucién finalque con. tiene al menos una variable artificial mayor que cero. Deorra manera, odasson igualesa cero, Para ilustrar esto, cambic la primera restricci6n del ejemplo de terapia de radiacion (vea la figura 4.2) como sigue: 03x, 401% <27 > 03x, +01 <18 con lo que el problema ya no tiene soluciones factibles. Si se aplica el método de la M como antes (vea la tabla 4.12) se obtiene la tabla simplex que se muestra en la tabla 4.16, (La fase 1 del método de dos fases conduce ala misma tabla simplex, excepto que cada expresién con M se reemplaza s6lo por el factor multiplicativo.) Entonces, por lo comin, el método de la Mindicaria que la solucién optima es (3, 9, 0,0, 0, 0.6). Sin embargo, ya que una variable ar- Uificial Xs = 0.6 > 0, el mensaje real aqui es que el problema no tiene soluciones factibles, El método de laM Para la revision del ejemplo de terapia de radiacién que no tiene soluciones factibles Co6fi Variable| Ec. Lado Iteracién basica | nam. | z x; Ke Xs %, | derecho Zz | -1 | tamso4 ms o -12M % “| o | fos ° ° ° 18 0 Xe @ | o 05 1 0 0 6 x @) 0 0.6 ° -l 1 6 Zz @ | -1 o o mM 0 | ~S4M~24 x fo 1 ° o 0 6 ' - i @ | o o 1 0 0 3 % @) oO 0 ° -1 1 24 Zz @ | -1 ° ° +05 16M=I1 0 | -06m-57 x a | o 1 0 5 -t ° o 3 a ” @ | 0 8 1 -5 3 0 0 9 i 3) | 0 ° ° <1 06 Ei ! 06150 Variables que pueden ser negativas En la mayor parte de los problemas practicos, los valores negativos para las variables de deci- sién tienen un significado fisico, por lo que es necesario incluir las restricciones de no negatividad en la formulacién de los modelos de programacién lineal. Sin embargo, esto no ocurre siempre. Como ejemplo, suponga que en el problema de la Wyndor Glass Co. el producto 1 ya estd en produccién y que la primera variable de decisién x, representa el incremento en la tasa de produccién, Entonecs, un valor negativo de x; indicaria que debe disminuirse la pro- duccién del producto 1 en esa cantidad. Tal reduccién podria ser deseable para permitir una tasa de produccién més alta del nuevo producto 2 mas rentable, con lo que se permitirfan valores negativos de x7, en el modelo. Como el procedimiento para determinar la variable bdsica que sale requiere que todas las variables tengan restriccidn de no negatividad, cualquier problema que contenga variables que pueden adquirir valores negativos debe convertirse en un problema equivalente que em- plee sdlo variables no negativas antes de aplicar el método simplex. Por fortuna, sc puede hacer esta conversiGn. La modificacién que requiere cada variable depende de si tiene 0 no una cota inferior (negativa) sobre los valores permitidos. Se presentaré cada caso. Variables con una cota sobre los valores permitidos. Considere cualquier variable de decisién x ; que puede tener valores negativos, pero nada mas aquellos que satisfacen una restriccién de la forma xj 2 Lj, donde L; es una constante negativa. Esta restriccin se puede convertir en una de no negatividad haciendo el cambio de variables xj=x;-L;, demaneraque x20. Entonces (#/; + L;) se sustituye por x; en el modelo y la nueva variable de decisién x/; no puede ser negativa, (Esta misma técnica se puede utilizar cuando L ; es positiva para convertir una restriccién funcional x, 2 L; a una restriccién de no negatividad x, 2 0.) Para ejemplificar, suponga que la tasa de produccién actual para el producto 1 en el problema de la Wyndor Glass Co. es 10. Con la definicin de x, que se acaba de dar, el modelo completo en este punto es el mismo que el dado en la seccién 3.1, salvo que la restriccién de no negatividad x; 2 0 se sustituye por x12 -10. Para obtener el modelo equivalente que necesita el método simplex, la variable de deci redefinird como la tasa de produccién total del producto 1, xj=a+10, nse lo que leva a los siguientes cambios en la funcidn objetivo y las restricciones: Z =3m 45m Z =3(x{ -10)+ 5x7 Z=-30+ 3x}+ 5x) x s4 xj ~10 s4 x sl4 2x)$12 + 2x) S12 By 2xys12 3x) +2) $18 3(xej ~ 10) + 293 $18 3xj + 2xrs48 2-10, 20 x{-102-10, 20 #120, 5204.6 Adaptacién a otras formas de modelo 151 Variables sin cota sobre los valores negativos peri los. En caso de que xj m0 tenga una cota inferior en el modelo formulado, sc requiere un cambio distinto: 4 j Se sustituye en todo el modelo por la diferencia de dos nuevas variables no negativas, xj=x>-%;, donde x} 20, x7 20. Como #7 y x} pueden tomar cualquier valor no negativo, esta diferencia x — 27 puede tener cualquier valor (positivo 0 negativo), por lo que es una sustitucién legitima para x; en el modelo. Después de estas sustituciones, el método simplex puede proceder con variables que son no negativas. Las nuevas variables, 27 ye; tienen una interpretaciGn sencilla. Como se explica en el si- Buiente parrafo, cada solucién BF para la nueva forma del modelo necesariamente tiene la Propiedad de que «7; = 00 x7 = 0 (oambas). Por tanto, en la solucién dptima obtenida porel método simplex (una solucién BE), xj, six, 20, 0, — deotra manera; lxj|, six; <0, 0, de otra manera; tle forma que +; representa la parte positiva de x ; y v7 su parte negativa (como lo sugieren los superindices). Por ejemplo, six; = 10, las expresiones anteriores dan x = 10y x7 =0. Este mismo valor de x = x} ~} ocurrird también con valores grandes de x7 y x tales que x; = 47 +10. Algraficar estos valores de x} y x; en dos dimensiones se obtiene una recta con punto cermi. nal en 7} ~ 10, x7 =0 para evitar violar las restrcciones de no negatividad. Este punto es la tinica soluci6n en un vértice sobre la recta. Por lo tanto, s6lo este punto terminal puede ser Parte de una solucién FEV global o de la solucién BE que involucra a todas las variables del modelo. Esto ilustra por qué necesariamente para cada solucién BF se tiene que x} =00 x} =0 (0 ambas). Para ilustrar el uso de x} y +7, se regresard al ejemplo, dado en la pagina anterior en donde x se vuelve a definir como el incremento sobre la tasa de produccidn actual de 10 para el producto 1 en el problema de la Wyndor Glass Co. Pero ahora suponga que la restrccién x 2 -10 no esté incluida en el modelo original, ya que es claro que no influye en la solucién dptima. (En algunos problemas, ciertas variables no Recesitan tener cotas inferiores explicitas cuando las restricciones funcionales impiden valo- esmenores.) Entonces, antes de aplicar el método simplex, x, se reemplaza por la diferencia, xj=4¥-x, donde xf 20, x7 20, como se muestra: Maximizar Z= 3x, + 5x2, Maximizar Z = 3x} - 3x7 + 5x2, sujera a a s4 sujeta a at xp s4 2nsi2 | 4 2xy $12 *3m 42x25 18 3xf -3ap + 2m <18 #22 0 (solamente) 20, 920, 20152 47 4. Solucién de problemas de programacién lineal: método simplex Desde un punto de vista computacional, este enfoque tiene la desventaja de que el nuevo modelo equivalent ticne mds variables que ¢l modelo original. De hecho, si ninguna variable original tuviera restriccién de cota inferior, el nuevo modelo tendria el doble de variables, Por fortuna este enfoque se puede modificar un poco para que el numero de vari bles aumente sdlo en uno, sin importar cuntas variables originales tengan que sustituirse. Esta modificacién se hace reemplazando cada variable de este tipo, xj, por pany 5 donde x’ >0, x"20, donde." es la misma variable para toda j rclevante. Eneste caso, la interpretacidn de x" es que —x" es el valor actual de la variable original negativa mdsgrande (cn términos de valor absolu- to), entonces, x’; ¢s la cantidad por la que « ; excede este valor. Con esto, el método simplex puede hacer que algunas x’; adquieran valores mayores que cero aun cuando x" >0. ANALISIS POSOPTIMO En las secciones 2.3, 2.4 y 2.5 se hizo hincapié en que el andlisis posdptimo, el andlisis que se hace después de obtener una solucién éptima para la versi6n inicial del modelo, constituye una parte muy importante de casi todos los estudios de investigacién de operaciones. Este hecho es particularmente cierto para las aplicaciones comunes de programacién lineal. Esta seccidn esté dedicada a presentar el papel que juega el método simplex al realizar este andlisis. La tabla 4.17 resume los pasos que deben seguirse en un anilisis poséptimo en estudios de programacién lineal. La tiltima columna de esta tabla identifica algunas técnicas que emplean el método simplex. Aqui se dard una introduccién breve a estas técnicas y los detalles se dejan para capitulos posteriores. Reoptimizas Como se analizé en la seccién 3.7, los modelos de programacién lineal que surgen en la préc- tica casi siempre son muy grandes, con cientos o miles de restricciones funcionales y variables de decision. En estos casos, pueden ser de interés muchas variaciones del modelo bésico que consideran diferentes escenarios. Por lo tanto, después de encontrar una solucién éptima para una versién de un modelo de programacién lineal, debe resolverse el problema de nuevo TABLA 4.17 Anilisis poséptimo para programacién lineal Tarea Propésito Técnica Extraccion de errores del modelo | Encontrar errores y debilidades del modelo | Reoptimizacién Validacién de! modelo Demostrar la validez del modelo final Vea fa seccion 2.4 Decisién gerencial final sobre Efectuar una divisi6n apropiada de los Precios sombra asignacion de recursos recursos de la organizacién entre las (valores de b) actividades bajo estudio y otras actividades importantes Evaluacién de las estimaciones de | Determinar las estimaciones cruciales que Anilisis de los parémetros del modelo pueden afectar la solucién éptima de un . estudio mas amplio Evaluacién de trueques entre Determinar el mejor trueque Programacién lineal los parémetros del modelo paramétrica4.7. Andlisis poséptimo 153 (con frecuencia muchas veces) para una versidn ligeramente diferente del modelo. Casi siempre se deben resolver varias veces durante la etapa de extraccion de errores del modelo (descri- ta en las secciones 2.3 y 2.4) y, por lo general, se hace lo mismo un gran ntimero de veces durante las erapas de andlisis posoptimo. ‘Una manera de hacerlo es sencillamente aplicar el método simplex desde el principio a cada nueva versién del modelo, aunque cada corrida pueda requeris, en problemas grandes, cientos 0 miles de iteraciones. Sin embargo, una forma mucho mds ficiente es la de reoptimi. zar. La reoptimizacién deduce los cambios que deben introducirse a la tabla simplex final (como se estudiard en las sccciones 5.3 y 6.6). Esta tabla simplex revisada y la solucidn éptima del modelo anterior se usan como la tabla inicial y la solucién bdsica inicial para resolver el nuevo nodelo, Si esta solucidn es factible para el nuevo modelo, se aplica el método simplex en la forma usual, a partir de esta solucién BF inicial. Sila solucién no es factible, tal vez se pueda aplicar un algoritmo similar lamado método simplex dual (descrito en la seccién 7.1) para encontrar la nueva solucién éptima,! comenzando con esta sqlucién bdsica inicial, La gran ventaja de la técnica de reoptimizacién sobre el hecho de volver a resolver el problema desde el principio, es que quiz4 la solucién éptima para el problema revisado esté mucho mds cerca de la solucién éptima anterior que de una solucién BF inicial construida como sicmpre para el metodo simplex. Asi, si se supone que las revisiones del modelo son moderadas, se requerirn s6lo unas cuantas iteraciones para reoptimizar en lugar de cientos 0 tal vez miles que pueden realizarse al comenzar desde el principio. De hecho, las soluciones del modelo anterior y del revisado con frecuencia son las mismas, en cuyo caso, la técnica de reoptimizaci6n requiere sélo una aplicacién de la prueba de optimalidad y ninguna iteracién. Precios sombra Recuerde que los problemas de programacién lineal con frecuencia se pueden interpretar como [a asignacién de recursos a las actividades. En particular, cuando las restricciones funcionales son de la forma <, las 4; (los lados derechos) se interpretaron como las cantidad de {os respectivos recursos disponibles para las actividades bajo estudio, En muchos casos, puede haber dudas respecto a las cantidades que estardn disponibles. Si ast es, los valores b; quese uusan en el modelo inicial (validado), en realidad pueden representar una decisiOn inicial tentativa del gerente sobre la cantidad de recursos de la organizacién que sc asignaran a las actividades consideradas en el modelo y no a otras que el gerente considere importantes, Desde esta perspectiva mds amplia, algunos valores de 6; se pueden incrementar en un modelo revisado, pero sélo cuando se presenten razones poderosas en cuanto a que esta revisiGn ser be- néfica. En consecuencia, a informacién sobre la contribucién econémiica de los recursos a la medida de desempefio (Z) para el estudio en curso casi siempre seré titil en extremo. El méto- do simplex proporciona esta informacién en forma de precios sombra para los recursos respectivos. Los precios sombra para el recurso i (denotados por y) miden el valor marginal de este recur- 0, ¢s decir, la tasa.ala que Z puede aumentar sie inerementa (un poco) la cantidad que se pro- "El inico requisito para usar el método simplex dual agui es que todavia se pase la prueba de optimalidad al aplicarla al renglén 0 de la tabla simplex final revisnda. Si no, en su lugar se puede usar otro algoritmo llamado mérado pri- mal—dual.154 4 Solucién de problemas de programacién lineal: método simplex porciona de este recurso (4;).1:? El método simplex identifica este precio sombra como y= Coeficiente de la #-¢sima variable de holgura en el rengln 0 de la tabla simplex final. ‘Como ejemplo, en el problema de la Wyndor Glass Co., Recurso i = capacidad de produccién de la planta i (i= 1, 2, 3) que se proporciona para los dos nuevos productos bajo estudio, b; horas del tiempo de produccién por semana que se proporcionan en la planta i para estos nuevos productos. Proporcionar una cantidad sustancial de tiempo de produccién para los nuevos productos re- queriré un ajuste en los tiempos de produccién para los productos actuales, as{ que elegir los valores de b; ¢s una decisién administrativa dificil. La decisidn inicial tentativa ha sido bj=4, b)=12, 63 =18, como se refleja en el modelo bésico considerado en la seccién 3.1 y en este capitulo. Sin embargo, la gerencia desea ahora evaluar el efecto de cambiar cualquicra de los valores de las 5; . Los precios sombra para estos recursos proporcionan justo la informacién que necesita la gerencia, La tabla simplex final en la tabla 4.8 (vea la pagina 128) lleva a yf =0 = precio sombra del recurso 1, = precio sombra del recurso 2, y% = 1 = precio sombra del recurso 3. Con sdlo dos variables de decisién, estos mimeros se pueden verificar graficamente si se observa que un incremento individual de 1 en cualquier 4; de hecho aumentaria el valor de Zen 9} Por ejemplo, la figura 4.8 muestra este incremento para el recurso 2 al volver a aplicar el meétodo gréfico que se presenté en la seccién 3.1. Lasolucién éptima, (2, 6) con Z = 36, cambia a (&, 18) con Z= 37 } cuando &, aumenta en 1 (de 12 a 13), de manera que yf = OZ =37}-36=3. Como Z se expresa en miles de délares de ganancia semanal, yy = $ indica que si se agre- gara una hora mds de tiempo de produccién a la semana en la planta 2 para estos nuevos productos, aumentaria la ganancia total en $1 500 a la semana, éDebe hacerse esto? Depende de a ganancia marginal de otros productos que por el momento usan este tiempo de produccidn. Si existe un producto actual que contribuye con menos de $1 500 de la ganancia semanal por una hora de produccién a la semana en la planta 2, entonces valdrfa la pena algiin cambio en la asignacién del tiempo de produccién a los nuevos productos. Esta historia continuard en la seccién 6.7, donde el equipo de IO de la Wyndor utiliza los precios sombra como parte del andlisis de sensibilidad del modelo. "Elincremento.en b, debe ser suficientemente pequefio para que el conjunto actual de variables bésicas siga siendo 6p- timo, ya que esta tasa (cl valor marginal) cambia si el conjunto de variables bisicas cambia. Bn caso de una restriccién funcional de la forma 2 o=, su precio sombra se define de nuevo como la tasa.ala que pue- dde aumentar Z al incrementar (un poco) el valor de 6,, aunque la interpretacin usual de b, ahora seria algo diferente a la cantidad de recursos disponibles.FIGURA 4.8 La grafica muestra que el precio sombraes y#= 3 r Para el recurso 2 del problema de la Wyndor 4 Glass Co. Los dos puntos son las soluciones éptimas para b, = 12 0 by = 13, y al in- sertar estas soluciones en la 2 funcién objetivo se ve que un incremento de | en b; oca- siona un aumento de y3 = 3 enz. 4.7_ Analisis posptimo 155 af Z =3m% 45x, 7a dm= 13> Z=3()+9(8)= 374] 4 2x, = 12 Z = 3(2) + 5(6) = 36 4a4 La figura 4.8 demuestra que y7 =3 es la tasaa la que aumentarfa Z si se incrementara un Poco b2, pero también demuestra el fenémeno general de que esta interpretacién es vilida hada més para aumentos pequefios en bp. Si se aumenta a mds de 18 unidades, lasolucion ép- tima se queda en el punto (0, 9) sin que la Z aumente ms. (En ese punto cambia el conjunto de variables bésicas en la solucién Optima y debe obtenerse una tabla simplex final con nuevos precios sombra, incluyendo y¥ =0.) Ahora observe en la misma figura por qué yf =0. La restriccién sobre el recurso 1, *1 $ 4, no atan a la solucién dptima, (2, 6), ya que existe un superavit de este recurso. Por lo tanto, sid adquiere un valor mayor que 4, no se obtendré una nueva solucién éptima con un valor mayor para Z. Por el contrario, las restricciones sobre los recursos 2 y 3,23 < 12y3xe, + 2x; $18,son restricciones de atadura (en las que se cumple la igualdad para la solucién éptima). Debido a que la disponibilidad limitada de estos recursos (b, = 12, 5 = 18) ata aZ para que no pueda incrementarse, los precios sombra de estos recursos son positives. Los economistas se rfieren aeste tipo de recursos como bienes escasos, mientras que los recursos disponibles con superé- vit (como el recurso 1) son dienes libres (recursos con precios sombra de cero). El tipo de informacion que proporcionan los precios sombra es valiosa para a gerencia cuando examina la posibilidad de reasignar recursos dentro de la organizacién. También resulta muy tt cuando un aumentoen d; se puede lograr con sélo salir a comprar un poco més del recurso, Por ejemplo, suponga que Z representa ganancias y que las ganancias unitarias de las actividades (los valores de. ;) incluyen los costos (a precios normales) de todos los recur. S08 que se consumen. Entonces, un precio sombra positivo de 97” para el recurso significa que la ganancia total Z se puede aumentar en la cantidad y? comprando una unidad mis de este recurso a su precio normal. Asimismo, si se tiene que pagar un precio mayor al nominal156 4. Solucién de problemas de programacién lineal: método simplex por la cantidad adicional del recurso, y} representaré el precio mdximo (cantidad adicional sobre el precio normal) que vale la pena pagar.! La teoria de dualidad proporciona el fundamento tedrico de los precios sombra y se describe en el capitulo 6. Cuando se examiné la suposicién de certidumbre para la programacién lineal al final de la sec- cién 3.3, se hizo notar que los valores usados para los pardmetros del modelo (las aij, ye; que se identifican en la tabla 3.3) casi siempre son sélo estimaciones de las cantidades cuyos verdaderos valores no se conocerén hasta que ¢! estudio de programacién lineal se leve a la prictica en cl futuro. El propésito principal del anilisis de sensibilidad cs identificar los pardmetros sensibles (esto es, aquellos que no pueden cambiar sin cambiar la solucién éptima). Los pardmetros sensibles son los parémetros que ser necesario controlar muy de cerca conforme el estudio se ponga en practica. Si se descubre que el valor verdadero de un pardmetro sensitivo difiere de su valor estimado en el modelo, esto da la sefial inmediata de que la solucin debe cambiar. &Cémo se identifican los parémetros sensibles? En el caso de las b; , acaba de verse que esta informacién est dada por los precios sombra que proporciona el método simplex. En particular, si y7 > 0, entonces la solucién éptima cambiasid; lo hace, por lo qued; es un pardmetro sensible, Sin embargo, y¥ = 0 indica que la solucién éptima no es sensible al menos a cambios pequefios en 6; . En consecuencia, si el valor que se usa para b, ¢s una estimacién de lacantidad de recurso que se tendrd disponible (y no una decisién administrativa), los valores deb; que se deben controlar con més cuidado son aquellos con precios sombra positives, enes- pecial los que tienen precios sombra grandes. Cuando el problema tiene sélo dos variables, la sensibilidad de los distintos parémetros se puede analizar con una gréfica. Por ejemplo, en la figura 4.9 se puede observar que ¢, = 3 puede cambiar a cualquier otro valor dentro del intervalo de 0 a 7.5 sin que la solucién épti- ma (2, 6) cambie. (La raz6n es que cualquier valor de cy dentro de este intervalo mantiene la pendiente de Z= ¢) x, + 5x2 entre las pendientes de las lineas 2) = 12 y 34 + 2x, = 18.) De igual manera, si cy = 5es el nico parmetro que se cambia, puede tomar cualquier valor mayor que 2 sin que afecte la solucidn éptima. Asf, nic; nic, son pardmetros sensibles. ‘La manera ms facil de analizar la sensibilidad de cada uno de los pardmetros a y ¢s verificar si su restriccién correspondiente es de atadura en la solucién éptima. Como x; < 40 es una restriccién de atadura, cualquier cambio suficientemente pequefio en sus coeficientes (@; = 1, 412 = 0) no cambiard la solucién éptima, asi que éstos no son pardmetros sensibles. Por otro lado, tanto 2x) < 12.como3x + 2x2 < 18, son restricciones de atadura, por lo que al cambiar cualquiera de sus coeficientes (a3) = 0,432 = 2, a3} = 3, 39 = 2) tendrd que cambiar la solucién éptima, y por lo tanto, éstos son pardmetros sensibles. Es comin que se preste més atencién al andlisis de sensibilidad sobre los pardmetros b; y ¢; que sobre los. En los problemas reales con cientos 0 miles de restricciones y variables, el efecto al cambiar una az por lo general es despreciable, mientras que el cambio en el valor de una 6; 0 una c; puede tener un impacto real, Atin mds, en muchos casos, los valores de las Si las ganancias unitarias na incluyen los costos de los recursos consumidos, entonces yj" representa el precio total unitario mdximo que valdria la pena pagar para aumentar b;.4.7 Andlisis poséptimo FIGURA 4.9 La gréfica muestra el andlisis de sensibilidad de cy c, para el problema de la Wyndor Glass Co. Comenzando con la recta de la funcién objetivo original [en donde 6=3y @ = 5, y la solucién Z=30=05+5x, Sptima es (2, 6)], fas otras dos rectas muestran los extremos de cuanto puede cambiar la pendiente de la 4 funcién objetivo sin que cambie la solucién éptima (2, 6). Ast, con c= 5.el intervalo de valores permitido para c, es 0<¢<75.Conc,=3el intervalo permisible para c, i e232. 0 2 4 6 = 75% + 5x2 Z = 36 = 354+ 5x) (OZ = 18 = 34 +2) (2, 6) éptima 157 4 quedan determinados por la tecnologfa que se est usando (a veces se les da el nombre de coeficientes tecnolégicos) por lo que puede que haya muy poca (o ninguna) incertidumbre respccto a sus valores finales. Esto resulta ventajoso ya que existen muchos mds pardmetros ay que b; yc; en problemas grandes. a7 ye; en pl 8 En problemas con més de dos (o tal vez tres) variables, no se puede analizar la sensibilidad de los parémetros en una gréfica como se hizo con el problema de la Wyndor Glass Co. Sin embargo, se puede extraer el mismo tipo de informacién del método simplex. Para obtenerla es preciso usar la idea fisndamental que sc describe en la seccidn 5.3 para deducir los cambios que se generan en la tabla sfmplex final como resultado de cambiar el valor de un pa- rimetro en cl modelo original. En las secciones 6.6 y 6.7 se describe y ejemplifica cl resto del procedimiento, Uso de Excel para generar informacién Para el andlisis de sensibilidad Es comiin que el andlisis de sensibilidad se incorpore en los paquetes de software hasado en el método simplex. Por ejemplo, el Excel Solver genera informacion para el andlisis de sensibilidad sise le pide. Como se muestra en la figura 3.19 (vea la pgina 72), cuando Solver produce el mensaje de haber encontrado una solucién, también da a la derecha una lista de tres rest menes que puede proporcionar. Si se selecciona el segundo (llamado “sensibil id”) después de resolver el problema de la Wyndor Glass Co., se obtendré el informe de sensibilidad montra. do en a figura 4.10. La tabla superior ahf proporciona la informacion para el andlisis de sensi. bilidad acerca de las variables de decisién y sus coeficientes en la funcidn objetivo. La tabla inferior hace to mismo para las restricciones funcionales y los lados derechos.158 4 Solucién de problemas de programacién lineal: método simplex Celdas cambiantes Valor Gradiente Coeficiente Aumento Disminucién Celda Nombre Igual_reducido ___ objetivo _permisible_permisible 3 $C$9__Solucion Puertas 2 0 45 3 $0$9_Solucién Ventanas 6 0 5 1E+30 3 FIGURA 4.10* Informe de Restricciones sensibilidad Valor Sombra Restriccién Aumento Disminucién proporcionado por Celda__Nombre__Iqual_precio _lado derecho _permisible_permisible Excel Solver para el SES5 Planta 1 Totales 2 0 416430 2 problema de la $ES6 Planta 2 Totales 12 15 12 6 6 Wyndor Glass Co. $ES7_ Planta 3 Totales 18 1 18 6 6 * N. de. Los encabezados de las columnas corresponden ala traduccién de Excel y Solver. En general se conservardn las figuras como aparecen al co- rrerel programa. El texto explica a qué corresponden, Observe primero la tabla superior en esta figura. La columna del “valor igual” indica la so- lucién éptima. La siguiente columna contiene los castos reducidos 0 gradiente reducido. (No se estudiardn estos costos ahora debido a que la informacién que proporcionan también se pue~ de obtener del resto de la tabla superior.) Las siguientes tres columnas proporcionan la infor- macién necesaria para identificar el intervalo permisible para conservar la optimalidad para cada Coeficiente ¢, en la funci6n objetivo. Para cualquicr ¢;, suintervalo permisible para conservar la optimalidad cs el intervalo de valores de este coeficiente en el cual la solucién éptima actual permanece 6ptima, suponiendo que no hay cambios en los otros coeficientes. La columna del “coeficiente objetivo”da el valor actual de cada coeficiente y las dos columnas siguientes el aumento permisible y la disminucién permisible a partir de este valor para permane- cer dentro del intervalo permisible. Por lo tanto, 3-3S¢53+4.5, demaneraque 0 nivel minimo aceptable) como se hizo para el problema de contaminacién de la Nori & Leets Co. en la seccién 3.4. La programacién lineal para- métrica permite entonces la investigacién sistemitica de lo que ocurre cuando se cambia una inicial tentativa sobre los trueques (como el nivel minimo aceptable para los beneficios) a fin de mejorar un factor a costa de otro. La técnica algorftmica para programacién lineal parametrica es una extensién natural del andlisis de sensibilidad, por lo que también estd basada en el método simplex. El procedimiento se describe en la seccién 7.2, PAQUETES DE COMPUTADORA Sila computacidn electrénica no sc hubiera inventado, sin duda no se oirfa hablar de progra- macién lineal y el método simplex. Aunque es posible aplicar e! método stmplex a mano para resolver problemas muy pequetos de programacién lineal, los célculos necesarios son demasiado tediosos para levarlos a cabo de manera rutinaria. Sin embargo, el método simplex es unalgoritmo particularmente adecuado para su ejecucién en computadora. La revolucién de Jas computadoras ha hecho posible la amplia aplicacién de la programacién lineal en las tlti- mas décadas. Implantacién del método simplex Existe una amplia disponibilidad de programas del método simplex en esencia para casi todos los sistemas de cémputo modernos. Por lo general, estos programas son parte de paquetes de software complejos de programacién matemitica que incluyen muchos procedimientos descritos cn los capftulos subsecuentes (incluso los referentes a anilisis poséptimo).. Estos programas de computadora no siempre siguen la forma tabular o la algebraica del método simplex que se presentaron en las secciones 4.3 y 4.4. Estas formas se pueden simpli- ficar de manera significativa al llevarlas a la computadora, As‘, los programas usan una forma matricial (que suele llamarse método simplex revisado) muy adecuada para computaci6n. Esta forma obtiene justo los mismos resultados que las formas tabular y algebraica, pero calcula y almacena sélo los mimeros que necesita para la iteracién actual, y después guarda los datos esenciales de manera més compacta. En la seccidn 5.2 se describe este método. Elmétodo simplex se usa en forma rutinaria para resolver problemas de programacién lineal sorprendentemente grandes. Por cjempla, algunas computadoras personales poderosas (en especial las estaciones de trabajo) pueden resolver un problema con varios miles de restricciones funcionales y un ntimero mayor de variables de decision. En el caso de computadoras grandes se habla de diez mil restricciones funcionales.} Para ciertos tipos especiales de No intenteesto en casa. Los problemas de este tipo requieren un sistema de programacién lineal complejo que usa las técnicas modernas que apravechan la proporcién de coeficientes en la matriz y otras técnicas especiales (por ejemplo, sdenicas de quicbre para encontrar con rapidez. una solucién BF inicial avanzada). Cuando se resuelven problemas en forma periddica después de alguna actualizacién menor dc los datos, con fiecuencia sc ahorra mucho ticmpo al usar (0 modificar) la tltima solucién éptima como solucién inicial bdsica factible para la nueva corrida.4.8 Paquetes de computadora 161 problemas de programacién lineal (como problemas de transporte, asignacién y flujo de cos- to minimo que se describirén en secciones posteriores), ahora pueden resolverse problemas de tamafio mucho mayor con versiones especializadas del método simplex. Varios factores afectan el tiempo que tarda el método simplex general en resolver un problema de programacién lineal. El més importante es el niimero de restriccionesfuncionales ordi narias. De hecho, el tiempo de célculo tiende a ser, a grandes rasgos, proporcional al cubo de este niimero, por lo que al duplicarlo el tiempo puede quedar multiplicado pot un factor aproximado de 8. Por el contrario, el niimero de variables es un factor de importancia relat vamente menor.! Ast, aunque se dupliquen, ral vez ni siquiera se duplique el tiempo de célew. los. Un tercer factor con alguna importancia es la densidad de la tabla de coeficientes de las restricciones (es decir, la proparcid dle coeficientes distintos de cero) ya que esto afecta el tiem. Po de célculo por iteracién, (En problemas grandes encontrados en la préctica, es comiin que la densidad esté por debajo de 5% e incluso sca menor al 1% yesta “proporcién” tiende a ace. erar mucho el método simplex.) Una regia empirica comiin para estimar el mimero burdo de iteraciones cs que ticnde a ser el doble del nuimero de testricciones funcionales. En problemas de programacién lineal grandes, ¢s inevitable que al inicio se cometan algunos errores y se tomen decisiones equivocadas al formular el modelo e introducirlo en la computadora. Entonces, como se estudié en la seccién 2. 4, se necesita un proceso cxhaustivo de pruebas y refinamiento (vabidacién del modelo). El producto terminal usual noes un mode. loestético que el método simplex resuelve una vez. Mds bien, el equipo de IO y casi siempre la gerencia roman en cuenta una larga serie de variaciones sobre el modelo bisico (en ocasiones, miles de variaciones) para examinar diferentes escenarios como parte del andlisis posdptimo. Este proceso completo se acelera mucho cuando se puede llevar a cabo de manera interacting ch nia comiputadora personal. Con la ayuda de los lenguajes de modelado matemtico y de los avances en la tecnologia de computadoras esto es, cada vez, més, una préctica comin. Hasta mediados de la década de los 80, los problemas de programacién lineal se resolvian casi exclusivamente en computadoras grandes. Un interesante desarrollo reciente ¢s la explo- sion en la capacidad de ejecutar programas de programacién lineal en las computadoras personales, incluyendo las microcomputadoras y las estaciones de trabajo, Estas, que incluyen algunas con capacidad de procesamiento en paralelo, ahora se usan en lugar de las computadoras grandes para resolver modelos masivos. Las computadoras personales mds répidas No se quedan atrés aunque la solucién de modelos extensos suele requerir memoria adicional. Software de programacién lineal descrito en este libro Hoy se dispone de un gran niimero de paquetes de software para programacién lineal y sus extensiones, que satisfacen distintas necesidades. Uno que se considera en particular podero- soes CPLEX, un producto de ILOG, Inc., con oficinas en Silicon Valley. Durante més de una décacla, CPLEX ha marcado el camino de la solucién de problemas de programacién lineal cada vez més grandes. Los extensos esfuerzos de investigacidn y desarrollo han permitido una serie de actualizaciones con incrementos drésticos en la eficiencia. CPLEX 6.5, libera- do en marzo de 1999 proporciona otra mejora de un orden de magnitud, Este software ha resuelto con éxito problemas de programacién lincal reales surgidos en la industria con tantas como 2 millones de restricciones funcionales y un nuimero comparable de variables de deci. sidn. Con frecuencia, CPLEX 6.5 usa el método simplex y sus variantes (como el método simplex dual presenrada en la seccién 7.1) para resolver estos problemas masivos. Ademés "Esta afirmacion supone que se esté utilizando el método simplex revisado descrito en la seccién 5.2,162 4. Solucién de problemas de programacién lineal: método simplex del método simplex, CPLEX 6.5 cuenta con otras herramientas podcrosas para resolver problemas de programacién lineal. Una es un algoritmo rdpido como un rayo que usa el enfoque de punto interior introducido en esta seccidn. Este algoritmo puede resolver algunos problemas de programacién lineal enormes que el método simplex no puede (y viceversa). Otra caracteristica es el método simplex de redes (descrito en la seccién 9,7) que puede resolver tipos especiales de problemas de programacién lineal aun mds grandes. CPLEX 6.5 también va més alld de la programacién lineal ¢ incluye algoritmos modernos para programacién entera (capitulo 12) y programacién cuadrdtica (seccién 13.7). Como a menudo se usa para resolver problemas realmente grandes, lo normal es que CPLEX se use junto con un Jenguaje de modelado de programacién matematica. Como se des- cribié en la seccién 3.7, los lenguajes de modelado estan disefiados para formular con eficiencia modelos de programacién lineal grandes (y modelos relacionados) de manera compacta, después de lo cual, se corre un solucionador para resolver el modelo. Varios lenguajes de modelado sobresalientes trabajan con CPLEX como solucionador. ILOG introdujo hace poco su propio lenguaje de modelado, llamado OPL Studio, que se puede usar con CPLEX. (Se puede encontrar una versién de evaluacién de OPL Studio en la pagina de Internet de ILOG, wwwilog.com.) Como sc mencioné cn la seccién 3.7, la version de estudianes de CPLEX se incluye en el OR Courseware como el solucionador del lenguaje de modelado MPL. Esta versién trabaja con el método simplex para resolver problemas de programaci6n lineal. LINDO (iniciales de Linear INteractive and Discrete Optimizer) es otro prominente paquete de software para programacién lineal y sus extensiones, Un producto de LINDO Systems, con oficinas en Chicago, LINDO tiene una historia més antigua que CPLEX. Aun- que no tan poderoso como CPLEX, la versién completa de LINDO ha resuelto problemas con decenas de miles de restricciones funcionales y cientos de miles de variables de decisién. Suya duradera popularidad se debe en parte a la sencillez de manejo. Para problemas relativamente pequeios (tamafio libro de texto), el modelo se puede introducir y resolver de manera bastante intuitiva, por lo que se trata de una herramienta titil para Jos estudiantes, Sin embargo, LINDO no cuenta con algunas caracteristicas de los lenguajes de modelado para el manejo de problemas de programacién lineal grandes. En esos casos, puede ser més eficiente usar el lenguaje de modelado LINGO para formular el modelo y después correr el solucionador que comparte con LINDO para resolver el modelo. Se puede bajar la versién de estudiantes de LINDO de la pagina de Internet www.lindo.com. El apéndice 4.1 proporciona una introduccién al uso de LINDO. El CD-ROM tam- bién incluye un tutorial de LINDO y las formulaciones en este formato de todos los ejemplos del libro a los que se puede aplicar. Los solucionadores basados en las hojas de cdlculo cada vez son mejor recibidos para programacidn lineal y sus extensiones. Entre los lideres se encuentran los solucionadores produ- cidos por Frontline Systems para Microsoft Fxcel, Lotus 1-2-3 y Corel Quattro Pro. Ademis del solucionador bésico que incluyen estos paquetes, se dispone de dos més poderosos: el Premium Solver y el Premium Solver Plus. Debido al amplio uso actual del software de hojas de cdlculo como Microsoft Excel, estos solucionadores han hecho que un creciente mimero de personas conozcan el potencial de la programacién lineal. Para problemas tipo libros de texto (y algunos considerablemente més grandes), las hojas de célculo proporcionan una manera conveniente de formular y resolver el modelo de programacién lineal, como se describe enlaseccidn 3.6. Los solucionadores mds poderosos pueden resolver modelos hastante grandes con varios miles de variables de decision. Sin embargo, cuando la hoja de cdlculo crece a49 4.9 Enfoque de punto interior para resolver problemas de programacién lineal 163 un tamafo dificil de manejar, un buen lenguaje de modelado y su solucionador pueden pro- Porcionar un enfoque més eficiente para formulat y resolver el modelo. Tas hojas de cdlculo proporcionan una excelente herramienta de comunicacién, en especial si se trata de administradores tipicos que se sienten a gusto con este formato pero no con las formulaciones algebraicas de IO. Por esto, es comin que los paquetes de optimizacién y los lenguajes de modelado pueden importar y exportar datos y resultados al formato de una hoja de cdlculo, Por ejemplo, el lnguaje de modelado MPL ahora incluye una mejora (Ilama- dla OptiMax: 2000 Component Library) que permite creat la sensacién de un modelo en hoja de céleulo para el usuario del modelo pero que usa MPL para formularlo de manera muy eficien. te. (La version de estudiate de OptiMax 2000 se incluye en el OR Courseware.) El Premium Solver es uno dc los complementos de Excel incluido en el CD-ROM. Se puede instalar para obtener un desempefio mucho mejor que con el Excel Solver estandar Entonces, todo el software, los tutoriales, y los ejemplos en el CD-ROM proporcionan varias opciones atractivas de paquetes para programacién lineal. Opciones de software disponibles para Pprogramacién lineal. 1, _Ejemplos de demostracién (en OR Tutor) y rutinas interactivas para un aprendizaje eficiente del método simplex. 2. Excel y el Premium Solver para formula y resolver modelos de PL en una hoja de célenlo, 3. MPL/CPLEX para la formulacién y solucidn eficiente de modelos grandes de PL. 4. LINGO ysu solucionador (compartido con LINDO) que da una manera alternativa de formular y resolver modelos grandes de programacién lineal con eficiencia, 5. LINDO para formular y resolver modelos de programacién lineal en forma directa, Quiza su profesor especifique qué software usar. Cualquiera que sea la eleccidn, adquirird ex periencia con el tipo de software actual que usan los profesionales de IO. ENFOQUE DE PUNTO INTERIOR PARA RESOLVER PROBLEMAS DE PROGRAMACION LINEAL El desarrollo de més impacto durante la década de 1980 en investigacién de operaciones fire cldescubrimiento del enfoque de punto interior para resolver problemas de programacin lineal. Este descubrimiento se hizo en 1984, cuando un joven matemdtico de AT&T Bell La- boratories, Narendra Karmarkar, anuncié el desarrollo de un nuevo algoritmo para resolver problemas grandes de programacién lineal. Aunque el algoritmo experiments sélo una mez cla de aceptacién y rechazo al competir con el método simplex, el concepto clave de solucién que se describird parecfa tener un gran potencial para resolver problemas de PL enormes mas alla del alcance del método simplex. Muchos investigadores de alto nivel trabajaron en modificaciones del algoritmo de Karmarkar para aprovechar su potencial completo. Se han logrado grandes avances (y continiian) y se ha desarrollado varios algoritmos poderosos que usan cl enfoque de punto interior. En la actualidad, los paquetes de software mas eficaces disefiados para resolver problemas muy grandes (como CPLEX) incluyen al menos un algoritmo que usa cl enfoque de punto interior junto con el método simplex. La investigacisn sobre estos algoritmos continua y su implantacién en la computadora sigue mejorando. Esto ha teno- vado la investigacién sobre el método simplex lo mismo que sobre su implantacién en la Computadora (recuerde el avance dréstico de CPLEX 6.5 citado en la seccidn anterior). Con-164 4. Solucién de problemas de programacién lineal: método simplex timta la competencia por la supremacia entre los dos enfoques para resolver problemas muy grandes. ‘Ahora se estudiar la idea clave en que se apoya el algoritmo de Karmarkar y sus variantes subsecuentes que usan el enfoque de punto interior. El concepto de solucién clave Aunque es radicalmente diferente al método simplex, el algoritmo de Karmarkar comparte algunas de sus caracteristicas. Es un algoritmo iterative, Comienza por identificar una solucién prueba factible. En cada iteracién, se mueve de una solucién prueba actual a una mejor solu- cién prucba cn la regién factible. Después contimia este proceso hasta llegar a una solucién prueba que es (en esencia) éptima. La gran diferencia se encuentra en la naturaleza de estas soluciones prueba. Para el méto- do simplex, las soluciones prueba son soluciones FEV (o soluciones BF en el problema aumentado), de manera que todos los movimientos se hacen por las aristas sobre la frontera de la regi6n factible, Para el algoritmo de Karmarkar, las soluciones prueba son puntos interiores, es decir, puntos dentro de la frontera de la regién factible. Estas la raz6n por la que se hace referencia al algoritmo de Karmarkar y sus variantes como algoritmos de punto interior. Para ilustrar esto, la figura 4.11 muestra la trayectoria seguida por el algoritmo de punto interior en cl OR Courseware cuando se aplica al problema dc la Wyndor Glass Co., comen- FIGURA 4.11 “ab La curva de (1, 2)a (2, 6) muestra una trayectoria, tipica seguida por un algoritmo de punto interior, a través del imterior de la region factible para el problema de la Wyndor Glass Co. (2, 6) dptima4.9 __Enfoque de punto interior para resolver problemas de programacién lineal 165 TABLA 4.18 Salida del algoritmo de punto interior en OR Courseware para el problema de la Wyndor Glass Co. Iteracién x Xa Zz 0 1 2 B 1 1.27298 4 23.8189 2 1.37744 5 29.1323 3 1.56291 55 32.1887 4 1.80268 5.71816 33,9989 s 1.92134 5.82908 34.9094 6 1.96639 5.90595 35.429 7 1.98385, 5.95199. 35.7115 8 1.99197 5.97594 35,8556 9 1.99599 5.98796 35.9278 10 1.99799 5.99398 35.9639 u 1,999 5.99699 35.9819 12 1.9995 5.9985 35.991 13 1.99975 5.99925, 35.9955 4 1.99987 5.99962 35.9977 15 1994 5.99981 35.9989 OO zando en a solucién prueba inicial (1, 2). Observe que todas las soluciones prueba (puntos) gue aparecen en esta trayectoria se encuentran dentro de la frontera de la regién factible con forme la trayectoria se acerca ala solucién éptima (2, 6). (Todas las soluciones prueba subsecuentes que no se muestran estén también dentro de la fiuntera de la region factible.) Compare esta trayectoria con la seguida por el método simplex alrededor de la frontera de (0, 0) a (0, 6) a (2, 6). La tabla 4.18 muestra una salida real del OR Courseware para este problema.! (Inténte- lo.) Observe como las soluciones prueba sucesivas se van acercando a la solucién éptima pero en realidad nunca llegan. Sin embargo, la desviacién se vuelve infinitesimalmente pequetia , Para propésitos précticos, la solucién prueba final puede tomarse como la solucién 6ptima, La seccién 7.4 presenta los deralles del algoritmo de punto interior especifico que se de- sarrollé en el OR Courseware. Comparacién con el método simplex ‘Una manera significativa de comparar los algoritmos de punto interior con el método simplex es examinar sus propiedades tedricas en cuanto a complejidad computacional, Karmar- Kar demostré que la versi6n original de su algoritmo es un algoritmo de tiempo polino- ial; es decir, el tiempo que se requiere para resolver cualquier problema de programacién lineal se puede acotar por arriba por una funcién polinomial del tamafio del problema. Se han construido contracjcmplos patuligicos para demostrar que el método simplex no posee esta propiedad y que cs un algoritmo de tiempo exponencial (esto ¢s, el tiempo requerido solo Puede ser acotado por arriba mediante una funcidn exponencial del tamario del problema). La diferencia en el desempenioen el peor de los casos es considerable. No obstante, esto nada dice ‘La rutina se lama Solve Automatically bythe Interor-Point Algorithm (solucién automitica por el algoriemo de punto interior), El ment de “option” da dos alternativas para cierto pardmetro a del algoritmo (definido en la seccién 7.4), La eleccién usada aqui es el valor establecido de a = 08.166 4 Solucién de problemas de programacién lineal: método simplex sobre su comparacién en el desempefio promedio en problemas reales, que es un asunto de mayor importancia. Los dos factores bdsicos que determinan el desempefio de un algoritmo para un problema real son el tiempo promedio de computadora por iteracin y el numero de iteraciones. Las si guientes comparaciones conciernen estos factores. Los algoritmos de punto interior son mucho més complicados que el método simplex. Se requieren mucho més célculos cn cada iteracién para encontrar la siguiente solucién prueba, Por lo tanto, el tiempo de computadora por iteracidn para un algoritmo de punto interior es muchas veces mayor que para el método simplex. Para problemas bastante pequefios, el numero de iteraciones requeridas por un algoritmo de punto interior y por el método simplex tiende a ser comparable. Por ejemplo, en un problema con 10 restricciones funcionales, 20 iteraciones seria lo normal para los dos tipos de algoritmos. En consecuencia, en problemas de tamafio similar, el tiempo total de computadora para un algoritmo de punto interior tenderé a ser mucho mayor que para el método simplex. Por otro lado, una ventaja de los algoritmos de punto interior es que los problemas grandes no requieren muchas més iteraciones que los problemas pequefios. Por ejemplo, un problema con 10 000 restricciones funcionales tal vez requiera menos de 100 iteraciones. Aun considerando el tiempo sustancial de computadora necesario por iteracién para un problema de este tamafio, un nlimero de iteraciones tan pequefio hace que el problema sea muy manejable. Por el contrario, el método simplex puede requerir 20 000 iteraciones con lo que puede no terminar en un tiempo razonable. Entonces, es muy probable que los algoritmos de punto interior sean més rdpidos que el metodo simplex para problemas tan grandes. La raz6n de esta gran diferencia en el mimero de iteraciones en problemas grandes es la diferencia en las trayectorias seguidas. En cada iteraci6n el método simplex se mueve de la so- lucién FEV actual a una solucién FEV adyacente por una arista de la frontera de la regién factible. Los problemas grandes tienen cantidades astronémicas de soluciones FEV. La trayectoria desde la solucién FEV inicial hasta una solucién 6ptima puede dar muchas vueltas por la frontera, tomando numerosos pasos a cada solucién FEV adyacente siguiente. En con- traste, un algoritmo de punto interior se salta todo esto caminando por el interior dela region factible hacia la solucién éptima. Al agregar restricciones funcionales se agregan aristas a la frontera de la regién factible, pero esto tiene muy poco efecto sobre el ntimero de soluciones prueba que se necesitan en la trayectoria a través del interior. Esto hace posible que los algoritmos de punto interior resuelvan problemas con un ntimero muy grande de restricciones funcionales. Una tiltima comparacién importante se refiere a la habilidad para realizar los distintos tipos de anélisis posdptimo descritos en la seccién 4.7. El método simplex y sus extensiones son muy adecuados y su uso es muy extenso para este tipo de andlisis, Desaforrunadamente, cl enfoque de punto interior en la actualidad tiene una capacidad muy limitada en esta érea.! Dada la gran importancia del andlisis poséptimo, ésta es una falla crucial de los algoritmos de punto interior. Sin embargo, se establecerd una forma en que el método simplex se puede combinar con el enfoque de punto interior para salvar este obstaculo. ‘Sin embargo, la investigacién dirigida a aumentat esta capacidad contintia avanzando. Por ejemplo, vea H. J. Green- berg, “Matrix Sensitivity Analysis from an Interior Solution of a Linear Program”, INFORMS Journal on Computing, 11: 316-327, 1999 y sus referencias.49 Enfoque de punto interior para resolver problemas de programacién lineal 167 Papeles complementarios del método simplex y el enfoque de punto interior La investigacién que se realiza en la actualidad contintia proporcionando mejoras sustancia- lesen la implantacién en computadora del método simplex (incluidas sus variantes) y el algo- Fimo de punto interior. Por lo tanto, cualquier prediccidn sobre su papel futuro es riesgosa, De todas maneras, se dard un resumen de nuestra prediccién actual acerea de sus papeles complementarios. Elmétodo simplex (y sus variantes) signe siendo el algoritmo esténdar paral uso rutina- tio de programacién lineal. Es el algoritmo més eficiente para problemas con menos de unos Guantos clentos de restricciones funcionales. También es el mas eficiente para algunos (pero no todos) los problemas con hasta varios miles de restricciones funcionales y casi un niirsero, ilimitado de variables de decisién, por lo que la mayor parte de los usuarios lo siguen usando Para este tipo de problemas. Pero, cuando el ntimero de restricciones funcionales aumenta, sada vez es mas probable que el enfoque de punto interior sea el mas eficiente, y ahora se usq con frecuencia. Cuando el tamaiio llega a decenas de miles de restricciones funcionales, clen. foque de punto interior puede ser el nico capaz de resolver el problema, Aun asf, no siempre Ccurre esto, Como se mencioné en la seccién anterior, el modern software (CPLEX 6.5) ha tenido éxito en el uso del método simplex y su variantes para resolver algunos problemas masivos con cientos de miles ¢ incluso millones de restricciones y variables de decisiGn, Estas generalizaciones sobre la comparacidn entre el enfoque de punto interior yel méto- do simplex para distintos tamafios de problemas no se cumpliran en todos los ease, El soft, ware dado y el equipo de cémputo que se usan tienen un impacto importante. Elzipo especifico de problema de programacién lineal que se desea resolver afecta mucho la comparacién. Al Pasar el tiempo se sabré més sobre cémo identificar los tipos de problemas que son mds adecuados para cada tipo de algoritmo, Uno de los productos secundarios del enfoque de punto interior ha sido la renovacién importante de los esfuerzos dedicados a mejorar la eficiencia de los programas de compu tadora del método simplex. Se han logrado progresos impresionantes en los tiltimos aes y habré més por venir. Al mismo tiempo, la investigacidn y desarrollo en marcha sobre el en. gue de punto interior aumentaré todavia més su poder, y quiz4 a un paso més acelerado que en el caso del método simplex. El mejoramiento de la tecnologia de las computadoras, como el procesamiento masivo cn paralelo (un gran nimero de unidades de computadora que opcran en paralclo en distintas Partes del mismo problema), también significaré un aumento sustancial en el tamaiio del problema que cualquiera de los dos tipos de algoritinos pueda resolver. Sin embargo, por el momento parece que los enfoques de punto interior tienen mucho mayor potencial que el método simplex para aprovechar el procesamiento en paralelo, Como ya se dijo, una desventaja grave del enfoque de punto interior es su limitada capa- Cidad para realizar un analisis pos6primo. Para compensar esta falla, los investigadores han in- rentado desarrollar procedimientos para cambiar al método simplex cuando el algoritmo de Punto interior termina. Recuerde que las soluciones prueba obtenidas por éste se acercan cada ver. més a una solucién éptima (la mejor solucién FEV) pero nunca llegan a ella, Por sto, un procedimiento para cambiar de enfoque requiere identificar la solucién FEV (0 aso. lucion BF del problema aumentado) que es muy cercana a la solucién prueba final. Por ejemplo, si se observa la figura 4.11, es sencillo ver que la solucién prueba final en la ‘abla 4.18 es muy cercana a (2, 6). Desafortunadamente, en problemas con miles de variables168 4.10 4. Solucién de problemas de programacién lineal: método simplex de decisién (en los que no se dispone de una gréfica), la identificacién de una solucién FEV (o BF) cercana es una tarea dificil y tardada. No obstante, sc ha progresado bastante en el desarrollo de procedimientos para hacerlo. Una vez encontrada la solucién BE cercana, se aplica la prueba de optimalidad del méto- do simplex para verificar si se trata de la solucin BF dptima. Sino es éptima, se llevan a cabo algunas iteraciones del método simplex para moverla hacia el éptimo. En general, solo se necesitan unas cuantas iteraciones (tal vez una sola) ya que el algoritmo de punto interior se acerca mucho a una solucién éptima. Estas iteraciones deben poderse realizar bastante répi- do, aun en problemas demasiado grandes para resolverlos desde el principio. Después de obtener realmente una solucién éptima, se aplican el método simplex y sus extensiones para ayudar a realizar el andlisis posdptimo. Debido a las dificultades que implica la aplicacidn de un procedimiento de cambio (que incluye el tiempo adicional de computadora), algunos profesionales preferiran usar nada més el método simplex desde el principio. Esta parece una buena opcidn cuando sélo er algunas ‘ocasiones se encuentran problemas suficientemente grandes para que un algoritmo de punto interior sea un poco més répido (antes de hacer el cambio) que el método simplex. Esta mo- desta aceleracién no justificarfa ni el tiempo adicional de computadora para el procedimiento de cambio ni el alto costo de adquirir (y aprender a usar) el software basado en el enfoque de punto interior. Sin embargo, para las organizaciones que con frecuencia deben manejar problemas de programacién lineal extremadamente grandes, la adquisicidn del nuevo software de este tipo (con el procedimiento de cambio) tal vez valga la pena. Cuando se trata de problemas enormes, la nica forma de solucién disponible pueden ser estos paquetes. Las aplicaciones de los modelos de programacién lineal muy grandes algunas veces llevan a ahorros de millones de délares. Sdlo una de estas aplicaciones puede pagar varias veces cl costo de los paquetes de software basados en el enfoque de punto interior y ¢l cambio al método simplex al final. CONCLUSIONES El método simplex es un algoritmo eficiente y confiable para resolver problemas de progra- macién lineal. También proporciona la base para llevar a cabo, en forma muy eficiente, las distintas etapas del andlisis poséptimo. ‘Aunque tiene una interpretacién geométrica util, el método simplex es un procedimien- to algebraico. En cada iteracién se mueve de la soluci6n BE actual a una adyacente mejor mediante la eleccién de la variable bésica entrante y la que sale; después usa la eliminacién de Gauss para resolver el sistema de ecuaciones lineales, Cuando la solucion actual no tiene una solucién BF adyacente que sea mejor, la solucién actual es 6ptima y el algoritmo se detiene. Se presenté la forma algebraica completa del método simplex para establecer su l6gica y se llevé el método a una forma tabular mds conveniente. Para preparar el inicio del método simplex, algunas veces es necesatio obtener una solucién bésica factible inicial para un problema artificial. En este caso se puede usar el método de la M, o bien, el métado de dos fases, para asegurar que el método simplex obtenga una solucién éptima para ¢l problema real. La implantacién en computadoras personales del método simplex y sus variantes sc han convertido en herramientas tan poderosas que se usan a menudo para resolver problemas de programacién lineal con cientos de restricciones funcionales y variables decisi6n y, en ocasio-Apéndice 4.1 Introduccién al uso de LINDO 169 nes, para problemas bastante mds grandes. Los algoritmos de punto interior proporcionan uuna nueva herramienta poderosa para resolver problemas muy grandes, APENDICE 4.1_INTRODUCCION AL USO DE LINDO El paquete de LINDO esté disefiado para aprenderlo y usarlo con facilidad, en especial con problemas Pequefios como los encontrados en este libro. Ademds de programacién lineal, también se puede usar Para resolver problemas de programacién entera (capitulo 12) y cuadritica (seccién 13.7). Este apén- dice se centra en su uso para programacién lineal, LINDO permite introducir un modelo en forma algebraica directa, Por ejemplo, ésta es una forma sencilla de escribir un modelo en LINDO para el ejemplo de la Wyndor Glass, Co. de la seccién 3.1, ! Problema de Wyndor Glass Co. Modelo LINDO !X1 =lotes del producto 1 por semana 1X2 = lotes del producto 2 por semana ! Ganancia, en 1000 ddlares MAX Profit) 3 X1 +5 X2 Subject to ! Tiempo de produccién Plant 1) X1 < Plant 2) 2X2 <= 12 Plant 3) 3X1 +2X2 <= 18 END Ademds del modelo bésico, esta formulacién incluye varios comentarios aclaratorios, donde cada comentario se indica cuando inicia con un signo de exclamacién. Asi, los tres primeros renglones dan cl titulo y la definicién de las variables de decisién. Estas pueden estar en mimisculas o maytisculas, pero suelen usarse las mayiisculas para que no se vean desproporcionadas con los “sub{ndices”. Otra opcién ¢8 usar palabras sugestivos (0 abreviaturas), como el nombre del producto que se fabrica, para representar la variable de decisién en todo el modelo, siempre que la palabra tenga a lo més ucho letras. La quinta linea de la formulacién LINDO indica que el objetivo del modelo es maximizar la fun- cién objetivo, 34; + 83. La palabra Profit (ganancia) seguida de un paréntesis aclara que la cantidad que se maximiza ¢s la ganancia. El comentario en el cuarto renglon explica que las unidades de la fan- cidn objetivo son miles de délares, Elntimero 1000 en este comentario no tiene separacién o coma antes de los tltimos tres digitos porque LINDO no los acepta. (Tampoco acepta paréntesis en las expresiones algebraicas.) El comentario del séptimo rengldn sefiala que las siguientes restricciones son de los tiempos de Produccién que se usan. Los siguientes tres comienzan por un nombre seguido de un paréntesis para cada restriceién funcional. Estas restricciones se escriben de la forma usual excepto por los signos de desigualdad, Como muchos teclados no incluyen los simbolos < y >, LINDO interpreta los simbolos < 0 <= como <,y > 0 >= como 2. (Para sistemas que incluyen los simbolos < y>, LINDO no los recono- werd.) El final de las restricciones se indica con la palabra END. LINDO supone de modo automstico las restricciones de no negatividad. Si, por ejemplo, x; no tiene restriccién de no negatividad, debe indicar. se con FREE X1 en el rengldn que sigue a END.170 4 Solucién de problemas de programacién lineal: método simplex Para resolver este modelo en la versién para Windows de LINDO, se selecciona el comando Solve del ment Solve o bien se oprime el born Solve en la barra de herramientas. En una plataforma distinta a Windows, sdlo se escribe GO seguido de la tecla Intro donde esté el cursor. La figura A4.1 muestra el informe de solucién que entrega LINDO. Tanto la primera como la tiltima linea en esta figura indican que se encontré una solucién éptima en a iteracion 2 del método simplex. Después estd el valor de la funcion objetivo para esta solucidn. En seguida, se tienen los valores de x y x) para la solucién dptima, La columna a la derecha de estos valores proporciona los costos reducidos. No se han estudiado eneste capitulo porque la informacién que proporcionan se puede derivar del intervalo permisible para seguir dptima pata los coeficientes de la funcidn objetivo, y también se dispone de estos intervalos permisibles (como se verd en la siguiente figura). Cuando la variable es una pariable bdsica en la solucién Optima (como ambas variables en el problema de la Wyndor), su costo reducido es 0 automaticamente. Cuando es una variable no bdsica, su costo reducido proporciona informacién interesante. Esta variable es 0 porque su coeficiente en la funcién objetivo es muy pequefio (al maximizar) o muy grande (al minimizar) para justificar que se realice la actividad representada por la variable. El costo reducido indica unto se puede aumentar (al maximizar) o disminuir (al minimizar) este coeficiente antes de que cam- la solucidn éprima y esta variable se convierta en bdsica. Sin embargo, recuerde que esta informa- cién se obtiene con el intervalo permisible para seguir ptimo para el coeficiente de esta variable en la funcién objetivo. El costo reducido (para una variable no bésica) es silo el aumento permitido (al ma mizar) a partir del valor actual del coeficiente para quedar dentro de su intervalo permisible para seguir Sptimo o la disminucién permitida (al minimizar). Abajo de los valores de las variables y los costos reducidos en la figura A4.1, aparece la informacién: sobre las tres restricciones fancionales. La columna Slack or Suerplus (holgura o superdvit) da la diferencia entre los dos lados de cada restriccién. La columna Dual Prices (precios duales) proporciona, con otro nombre, los precios sombra estudiados en la seccién 4.7 para estas restricciones.! (Este nombre se debe al hecho encontrado en la seccién 6.1 de que los precios sombra son los valores éptimos de las variables duales vistas en el capftulo 6.) Cuando LINDO proporciona este informe, también pregunta si desea el andlisis de intervalos (sensibilidad). La respuesta afirmativa (se oprime la tecla Y) da el informe de intervalas adicional mostrado en la figura A4.2. Este es idéntico a las tiltimas tres columnas de las tablas del informe de sensibilidad generado por Excel Solver, mostradas en la figura 4.10. Asf, como se vio en la seccidn 4.7, los primeros FIGURA A4. LP OPTIMUM FOUND AT STEP 2 Informe de solucién OBJECTIVE FUNCTION VALUE Proporcionada por Profit) 36.00000 LINDO para el problema dela Wyndor Glass Co. VARIABLE VALUE —- REDUCED COST x1 2.000000 -000000 x2 6.000000 000000 ROW SLACK OR SUPLUS DUAL PRICES Plant1) 2.000000 000000 Plant2) 000000 1.500000 Plant3) 000000 1.000000 NO, ITERATIONS= 2 Tenga presente que LINDO usa una convencién de signos distinta de la adoptada aqui (vea la definicién de precios sombra en el segundo pie de la seccién 4.7 ), de manera que para problemas de minimizacion, los precios sombra (precios duales) son el negativo de los de! libro.Referencias seleccionadas FIGURA A4.2 Informe de intervalos proporcionado por LINDO para el problema de la Wyndor Glass co. RANGES IN WHICH THE BASIS I$ UNCHANGED: VARIABLE x1 x2 ROW Planti, Plant2 Plant3 OBS COBFFICIENT RANGES CURRENT, cour 3.000000 5.000000 ALLOWABLE INCREASE 4.500000 INFINITY RIGHTHAND SIDE RANGES CURRENT, RHS 4.000000 12.000000 18.000000 ALLOWABLE, INCREASE INFINITY 6.000000 6.000000 ALLOWABLE, DECREASE 3.000000 3.000000 ALLOWABLE DECREASE 2.000000 6.000000 6.000000 (71 dos renglones de este informe indican que el intervalo permisible para seguir dptimo para cada coeficiente en la funcién objetivo (suponiendo que no hay otro cambio en el modelo) es Osc, <75 254 De manera similar, los tiltimos tres renglones indican que cl intervalo permisible para seguir factible Para cada lado derecho (suponiendo que no hay otro cambio en el modelo) es 2 0, x, = Oy, > Ocenla solucién éptima, 8) Describa como puede usar la informacién para adap- tar el método simplex a fin de resolver este problema en el mimero m{nimo posible de iteraciones (si comienza con la solucién BF inicial de costumbre.) No realice iteraciones. 175 4) Utilice el procedimiento desatrollado en el inciso a) Para resolver este problema a mano. (No use el OR Courseware.) 4.3-9. Diga si cada una de las siguientes afirmaciones es falsa o verdadera y justifique su respuesta con la referencia a las citas especificas (seguin el niimero de pagina) en el capitulo. 4) La regla del método simplex para elegir la variable b&- sica entrante se usa porque siempre conduce a la mejor solucién BF adyacente (mayor valor de Z). 9) La regla de la razén minima del método simplex para clegir la variable bisica que sale se usa porque al hacer otra eleccién con una razén mayor sc llega a una solu cién que no ¢s factible. ¢) Cuando el método simplex obticne la siguiente solu- cién BE se usan operaciones algebraicas elementales para eliminar cada variable no bdsica de todas las ecuaciones menos una (su ecuacién) y para darle un coeficiente de +1 en esa ccuacién. D4 4.4-1. Repita el problema 4.3-1, usando la forma tabular del método simplex. D,LC 4-4-2, Repita el problema 4,3-2, usando la forma tabular del método simplex. DLC 4.4-3. Repita el problema 4.3-3, usando la forma tabular del método simplex. 4.4-4. Considere el siguiente problema. Maximizar Z = 2.4 + x), sujeta a Htxy< 40 44, + 4) < 100 y 420, 20, 4) Resuelva este problema graficamente a mano. Identifi- que todas las soluciones FEV. 5) Ahora repita el inciso @ usando una regla para dibujar la grdfica con cuidado. De) Mediante célculos manuales resuelva este problema por el método simplex en forma algebraica. D,d) Ahora use el OR Courseware para resolver este problema interactivamente por el método simplex en su forma algebraica. De) Mediante calculos manuales resuelva este problema por el método simplex en forma tabular. D,J') Ahora utilice el OR Courseware para resolver este problema de manera interactiva por el método simplex en forma tabular. Cg) Use un paquete de software basado en el método simplex para resolver este problema.176 4.4-5. Repita el problema 4.4-4 para resolver el siguiente problema. Maximizar Z= 2x, + 3x, sujeta a 4 + 2x, $30 m+ S20 y 20, 20. 4.4-6. Considere el siguiente problema. Maximizar Z=2x, + 4x, + 3x3, sujera a 3x, + 4xy + 2p $60 Ixy + xy + 2x, $40 4% + Bx, + 2x; $80 y 420, 20, 320. D1 a) Trabaje el método simplex paso a paso en la forma algebraica, ,1 4) Trabaje el método s{mplex en forma tabular. Ce) Use un paquete de software basado en el método simplex para resolver cl problema, 4.4-7. Considere el siguiente problema. Maximizar Z = 3x, + 5x) + 6x5, sujeta a Qt m+ xy S4 mtlnt ms4 wt my +2ey 4 mt mt 3 <3 x20, 220, x20. D1 a) ‘Trabaje el método simplex paso a paso en forma algebraica. D,1h) Trabaje el métado simplex en forma rabular Ce) Use un paquete de computadora basado en el méto- do simplex para resolver e! problema. 44-8. Considere el siguiente problema Maximizar Z = 2x ~ x + ¥3, sujeta a aomtigs 4 2x, + x < 10 My -X%)- 3S 7 4 Solucién de problemas de programacién lineal: método simplex 420, 20, x20. D1 a) Trabaje el método simplex paso a paso en forma algebraica. ,1) Trabaje el mérodo simplex paso a paso en la forma tabular. Cc) Use un paquete de computadora basado en el mé- todo simplex para resolver este problema, DJ.4.4-9. Trabaje el método simplex paso a paso (en forma tabular) para resolver el siguiente problema, Maximizar Z = 2x, - xy + x3, sujeta a Butt x <6 x — x) + 2xy <1 Htm- <2 y 20, 20, 20 DJ 44-10, ‘Irabaje el método simplex paso a paso para resolver el siguiente problema. Maximizar Z = 2, +3, + 2x5, sujeta a ¥+2x- 3 < 20 2x, +4, + 2x, < 60 2m + 3x, 4+ 4 < 50 420, 20, 20. 4.5-1. Considere las siguientes afirmaciones sobre pro gramacién lineal y el método simplex. Eriquete cada una como falsa o verdadera y justifique su respuesta. a) En una iteracién specifica del método simplex, si hay tun empate para la variable que debe salir de la base, en- ronees la siguiente solucién BF debe cener al mesos una variable basica igual a cero. 4) Sino existe una variable bésica que sale en alguna itera- cién, entonces el problema no tiene soluciones factibles. ¢) Sialmenos una de las variables basicas tiene coeficiente de cero en el rengién 0 de la tabla simplex final, entonces el problema tiene soluciones 6ptimas miiltiples. d) Sicl problema tiene soluciones éptimas miltiples, entonces el problema debe tener una regién factible acotada,Problemas del capitulo 4 4.5-2. Suponga que se proporcionan las siguientes restricciones para un modelo de programacién lineal con variables de decision x y x. ~¥ + 3x, < 30 3x + x $30 y m20, 20. @) Demuestre en una gréfica que la regién factible es no acotada. 4) Siel objetivo cs maximizar Z = —x, + x), étiene el modelo una solucién éptima? Si es asi, encuéntrela. Sino, explique por qué. ©) Repita el inciso 6 si el objetivo es maximizar Z = x -x. 4) Para funciones objetivo donde este modelo no tiene soluciones éptimas, ésignifica esto que no hay soluciones buenas segiin el modelo? Explique. (Qué pudo haber salido mal al formular el modelo? D,le) Seleccione una funcién objetivo para la que este modelo no tenga solucién éptima. Después trabaje el método s{mplex paso a paso para demostrar que Z es no acotada. Cf) Para la fancién objetivo seleccionada en el inciso e, use un paquete de software basado en el método sim. plex para determinar que Z no es acotada. 4,5-3. Siga las instrucciones del problema 4.5-2 para las siguientes restricciones: 2x,- x<20 4 -2% S20 y 20, %20. DA 4.5-4, Considere cl siguiente problema. Maximizar Z = 5x + + 3x + 4x4, sujera a Hy - 2x, + 4y + 3xy < 20 44, + 6x) + 5x3 - 4x4 < 40 2a, 3x + 3x + By < 50 y %20, 420, ¥20, 420 ‘Trabaje el método simplex paso a paso para demostrar que Z es no acotada. 4.8-5. Una propiedad bisica de cualquier problema de programacién lineal con una regi6n factible acotada es que toda solucién factible se puede expresar como una combinaci6n convexa de las soluciones FEV (tal vez en mds de una forma). De igual manera, para la forma aumentada del problema, toda solucién factiblese puede expresar como una combinacién convexa de las soluciones BE, 177 a) Demuestre que cualquier combinacién convexa de cualquier conjunto de soluciones factibles debe ser una soluci6n factible (de manera que cualquier combina- cién convexa de soluciones FEV debe ser factible). 8) Utilice el resultado establecido en el inciso a para demostrar que cualquier combinacién convexa de soluciones BF debe ser una solucién factible. 4.5-6. Utilice los hechos dados en el problema 4.5-5 para demostrar que las siguientes afirmaciones deben ser ciertas para cualquier problema de programacién lineal que tiene una regidn factible acotada y sohuciones éptimas miiltiples: 4) Toda combinacién convexa de soluciones BF éptimas debe ser éptima. 4) Ninguna otra solucién factible puede ser dptima. 4.5-7. Considere un problema de programacidn lineal de dos variables cuya soluciones FEV son (0, 0), (6, 0), (6, 3), (3, 3) y (0, 2). (Vea enel problema 3.2-2 la gréfica de la regién factible.) 4) Use la gréfica de la regi6n factible para identificar todas las restricciones del modelo. 4) Para cada par de soluciones FEV adyacentes, dé un ejemplo de una funcién objetivo tal que todos los puntos en el segmento entre esas dos soluciones en los vér- tices sean soluciones éptimas. 6) Ahora suponga que la fancién objetivo es Z = —x + 2x,. Use el método gréfico para encontrar todas las soluciones éptimas. 1d) Para la funcién objetivo del incisoc, trabaje el méto- do simplex paso a paso para encontrar todas las soluciones BF éptimas. Después escriba una expresi6n algebraica que identifique todas las soluciones éptimas. D1.4.5-8. Considere el siguiente problema. Maximizar Z = x, + x) + 5+ x4, sujeta a +s xgt xsd y 4jz0, para j=1,2,3,4. Trabaje el método simplex paso a paso para encontrar 40- das las soluciones BF éptimas. 4.6-1.* Considere el siguiente problema Maximizar Z = 2x, + 3x. sujera a nt2ns4 y+ 53 y 20, 20.178 a) Resuelva este problema gréficamente. 4) use el método de la M para construir la primera tabla simplex completa para el método simplex ¢ identificar la solucién BF inicial (artificial) correspondiente. ‘También identifique la variable bisica entrante y la variable basica que sale. 1c) A partir del inciso b trabaje el método simplex paso a paso para resolver el problema. 4.6-2. Considere el siguiente problema. Maximizar Z = 42; + 2x) + 3x3 + 5x4, sujera a any + Bay + 405 + 2ary = 300 Bx + y+ y+ Sq = 300 y xj20, a) Use el método de la M para construir la primera tabla simplex completa para el método simplex ¢ identificar la solucién BF inicial (artificial) correspondiente. Identifique tambien la variable bésica entrante inicial y la variable bisica que sale. 1) Trabaje el método simplex paso a paso para resolver el problema. 2) Utilice el método de dos fases para construir la primera tabla simplex completa para Ia fase 1 ¢ identifique la solucién BF inicial (artificial) correspondiente. Identi- fique tambien la variable bésica entrante inicial y la variable bdsica que sale. 1d) Trabaje la fase 1 paso a paso. ¢) Construya la primera tabla s{mplex completa para la fase 2. f) Trabaje la fase 2 paso a paso para resolver el problema. 4g) Compare la serie de soluciones BF obtenidas en l inci- sob con las de los incisos d yf: {Cudles de estas soluciones son factibles slo para el problema artificial obtenido al introducir las variables artificiales y cudles son de hecho factibles para el problema real? Ch) Use un paquete de software basado en el mérodo simplex para resolver el problema. para j= 1,2,3,4. 4.6-3. Considere cl siguicnte problema. Minimizar Z = 3x, +2, sujeta a 2x, + 210 3m +I 6 H+ mz 6 y 420, 20. . a) Resuelva este problema grificamente. 6) Use el método de la M para construir la primera tabla simplex completa para el método simplex ¢ identifi- 4 Solucién de problemas de programacién lineal: método simplex que la solucién BF inicial (artificial) correspondiente. Identifique también la variable bésica entrante inicial y la variable basica que sale. 1c) Trabaje el método simplex paso a paso para resolver el problema 4.6-4.* Considere el siguiente problema. Minimizar Z = 2x, + 3x, +5, sujeta a at du, + 2ay28 3x + 2x) 26 y 20, 20, 320. a) Reformule este problema para que se ajuste a nuestra forma esténdar del modelo de programacién lineal presentado en fa seccién 3.2 1b) Utilice cl método de la M para trabajar cl método simplex paso a paso para resolver el problema. 1¢) Utilice el metodo de las dos fases pata wabajar el mé- todo simplex paso a paso para resolver el problema. d) Compare la secuencia de soluciones BF obtenidas en Jos incisos b yc. (Cudles de estas soluciones son factibles solo para el problema artificial obtenido al introducir las variables artificiales y cudles son de hecho factibles para el problema real? Ce) Use un software basado en el método simplex para resolver el problema. 46-8. Segiin el método de la M, explique por qué el mé- todo sfmplex nunca clegirfa una variable artificial como variable bésica entrante, una vez que todas las variables artificiales son no bésicas. 4.6-6. Considere el siguiente problema. Maximizar Z = 90x, + 70%), sujeta a 2x, +52 wy ~ Hy 22 y 20, 20. a) Demuestre en una gréfica que este problema no tiene soluciones factibles. 4) Use un paquete de computadora basado en el méto- do simplex para determinar que el problema no tiene soluciones factibles. Te) Utilice el método de la M para trabajar el método simplex paso a paso y demostrar que el problema no tiene soluciones factibles. 1) Repita el inciso ¢ para la fase 1 del método de las dos fases.Problemas del capitulo 4 4.6-7.. Siga las instrucciones del problema 4.6-6 para el siguiente problema. Minimizar Z = 5000. +7000%, sujeta a -2y+ 21 4-221 y 420, 20. 4.6-8. Considere el siguiente problema. Maximizar Z =2x, +5x, +325, sujera a 4 ~ 2x, + Bx, 220 2a + hy + x3 = 50 420, 20, 20, @) Use el método de la M para construir la primera tabla simplex completa para el método simplex ¢ identificar la solucién BF inicial (artificial) correspondiente. ‘También identifique la variable bésica entrante inicial y la variable bisica que sale. 16) Trabaje el método simplex paso a paso para resolver el problema. 1c) Use el método de dos fases para construir la primera tabla simplex completa para la fase 1 ¢ identificar la so- lucién BF inicial (artificial) correspondiente. También identifique la variable bésica entrante inicial y la variable bésica que sale. 1d) Trabaje la fase 1 paso a paso. 2) Construya la primera tabla simplex completa para la fase 2. 1) Trabaje la fase 2 paso a paso para resolver el problema. g) Compare la secuencia de soluciones BF obtenidas en el inciso b con las de los incisos d yf: Cudles de estas soluciones son factibles sélo para el problema artificial obtenido al introducir las variables artificiales y cudles son factibles de hecho para el problema real? Ch) Use un paquete de software basado en el método simplex para resolver el problema, 4.6-9. Considere el siguiente problema. Minimizar, Z = 2%, + x, + 3x3, sujera a 5x + Dany +75 = 420 3x + Dery + 5x52 280 y 420, 420, 320. 179 1a) Use el método de dos fases y trabaje la fase 1 paso a paso. Cb) Use un paquete de software basado en el método simplex para formular y resolver la fase 1 del problema. 1.¢) Trabajc la fase 2 paso a paso para resolver el problema original. © d) Use un programa de computadora basado en el mé- todo simplex para resolver el problema original. 4.6-10.* Considere el siguiente problema. Minimizar Z= 3x, + 2x, + 4x5, sujera a 2a + y+ 3x = 60 3x + 3p + 5x52 120 Yy 420, #20, 320. 14) Utilice el método de la M para trabajar el método simplex paso a paso a fin de resalver el problema. 14)Use el método de dos fases para trabajar ¢! método simplex paso a paso y resolver el problema. ¢) Compare la serie de soluciones BF en los incisos a y 6. &Cuiles de estas soluciones son factibles slo para el problema artificial obtenido al introducir las variables attificiales y cudles son de hecho factibles para cl problema real? Cd) Use un paquete de software basado cn cl método simplex para resolver el problema. 4.6-11. Siga las instrucciones del problema 4.6-10 para cl siguiente problema. Minimizar Z = 3x, + 2x, + 7x5, sujeta a -4tm =10 xy = x, +4, 210 y 420, 420, #20. 4.6-12. Siga las instrucciones del problema 4.6-10 para el siguiente problema. Minimizar Z= 3x; +2 + x5, sujeta a Kee = 7 3x, + y+ 43210 y 20, 20, x20.180 4.6-13. Etiquete cada una de las siguientes afirmaciones como falsa o verdadera y justifique su respuesta, a) Cuando un modelo de programacién lineal tiene una restriccién de igualdad, se introduce una variable artificial a esta restriccién con el fin de comenzar el méto- do simplex con una solucién bdsica inicial obvia que sea factible para el modelo original. b) Cuando se crea un problema artificial introduciendo variables artificiales y usando el método de la M, si todas las variables artificiales en una solucién éptima det problema artificial son iguales a cero, entonces el problema real no tiene soluciones factibles. ¢) En la prdctica suele usarse el método de dos fases porque, en general, se requieten menos iteraciones para llegar a una solucién dptima queen el método dela M. 4.614, Considere el siguiente problema. Maximizar Z= x +42) + 2x, sujeta a 4x -mt mys 5 wa — x + 2xy < 10 y 20, 420 (sin restriccién de no negatividad sobre %,). a) Reformule este problema para que todas las variables tengan restricciones de no negatividad. ,1 6) Trabaje cl mérodo simplex paso a paso para resolver el problema. c)Use un paquete de software basado en el método simplex para resolver el problema. 46-15." Considere el siguiente problema. Maximizar Z = -% + 40, sujeca a By + mS 6 K+Ims 4 % 2-3 (sin restriccién de cota inferior para x). a) Resuelva este problema por el método gréfico, 4) Reformule este problema de manera que tenga solo dos restricciones funcionales y todas las variables tengan restricciones de no negatividad. D,1¢) Trabaje el método simplex paso a paso para resolver este problema, 4.6-16. Considere el siguiente problema. Maximizar Z = x + 2x, + 23, sujeta a 3x, + x3 $120 h- 4-44, < 80 3x + xy + 2x3 $100 4 Solucién de problemas de programacién lineal: método simplex (sin restricciones de no negatividad). a) Reformule este problema para que todas las variables tengan restricciones de no negatividad. D,1 4) Resuclva el problema por el método simplex. Cc) Use un paquete de computadora basado en el método simplex para resolver el problema. 4.6-17. Eneste capitulo se describié el método simplex segiin se aplica a problemas de programacién lineal en los que la funcién objetivo se debe maximizar. En la seccién 4.6 se describié emo convertir un problema de minimi- zacién en uno equivalente de maximizacién para aplicarcl método simplex. Otra opcién en los problemas de mini- mizacién cs hacer algunas modificaciones a las instrucciones que se dieron para el método simplex, a fin de aplicar el algoritmo directamente, a) Describa cudles deberian ser estas modificaciones. 4) Use el método de la M para aplicar el algoritmo modificado que desarrollé en el inciso @ y_tesuelva el siguiente problema directamente, a mano. (No use el OR Courseware.) Minimizar Z = 3x; + 8x, + 5x3, sujeca a 3x, + 44,270 3x + 5xy + 2x, 2 70 y 420, . 20, 4.6-18. Considere el siguiente problema. x20. Maximizar Z = -2x, + x) ~ 4x5 + 3x, sujetaa M+ %)+3xt2ys 4 0 Mt mye] Qa + <2 my +2xy 4x3 +2%q= 2 , 520, 420 (sin restricciones de no negatividad para x). a) Formule de nuevo este problema para que se ajuste a nuestra forma estindar del modelo de programacién lineal que se presenté en la seccidn 3.2. &) Use el método de la M para construir la primera tabla simplex completa para el método simplex e identifique la soluci6n BF inicial (artificial). Identifique tambidn la variable basica entrante y la variable bdsica que sale. ¢) Use el método de dos fases para construir el renglén 0 de la primera tabla simplex para la fase 1. cd)Use un paquete de computadora basado en el método simplex para resolver este problema. 320,

Investigacion de Operaciones Hillier Lieberman PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Investigacion de Operaciones Hillier Lieberman PDF

Uploaded by

Copyright:

Available Formats

You might also like