Fundamentos de Investigaci on de Operaciones Programaci on Lineal

Formulaci on de Modelos Julio 2002

La Programaci on Lineal (LP) es una herramienta para resolver problemas de optimizaci on. En 1947, George Dantzig desarroll o un m etodo eciente, el algoritmo Simplex, para resolver modelos de programaci on lineal. Desde entonces, la LP ha sido usada para resolver problemas de optimizaci on en a mbitos tan diversos como la educaci on, la industria y la miner a.

Conceptos B asicos

Consideremos el siguiente ejemplo para describir los t erminos presentes en todo problema de LP. Ejemplo 1. Una muebler a produce mesas y sillas de madera. Cada mesa es vendida en $27000 y requiere $10000 en materiales, adem as, el costo de unitario por mano de obra se estima en $14000. En el caso de las sillas, su precio de venta es de $21000 y los costos son de $9000 y $10000, en materiales y mano de obra respectivamente. La fabricaci on de cada producto requiere de dos tipos de labores: carpinter a y terminaciones. Una mesa requiere de 1 hora de carpinter a y 2 horas de terminaciones. Una silla requiere de 1 hora de carpinter a y 1 hora de terminaciones. Cada semana, la muebler a puede obtener todos los materiales que desee, sin embargo,se pueden dedicar hasta 100 horas a la carpinter a y hasta 80 horas a las terminaciones. La demanda por mesas no est a limitada, mientras que la demanda semanal m axima por sillas es de 40. La muebler a desea maximizar sus utilidades (ingresos - costos). Formule un modelo matem atico que permita maximizar las utilidades. Variables de Decisi on. Se debe comenzar deniendo las variables de decisi on relevantes. En un modelo de programaci on lineal las variables de decisi on deben ser capaces de describir completamente las decisiones que puedan ser tomadas. En este caso, claramente la decisi on consiste en cuantas unidades de sillas y mesas producir por semana. Por lo tanto, podemos denir: x1 x2 = = n umero de mesas producidas por semana. n umero de sillas producidas por semana.

Funci on Objetivo. En un problema de LP, se debe tomar la decisi on de maximizar (usualmente las utilidades) o de minimizar (usualmente los costos) cierta funci on de las variables de decisi on. La funci on a maximizar o minimizar se denomina funci on objetivo. En el ejemplo, los costos e ingresos no dependen del valor de x1 o de x2 , por lo tanto basta concentrarse en maximizar la diferencia entre: ingresos semanales costos de materiales costos por mano de obra

Luego, se debe expresar los t erminos anteriores en funci on de las variables de decisi on x 1 y x 2 . Supondremos que todas las sillas y mesas fabricadas son vendidas (respentando las condiciones de mercado del enunciado). As : ingresos semanales = = = Similarmente: costos por materiales costos por mano de obra = = 10000x1 14000x1 + 9000x2 ingresos por mesas $ mesa mesas semana + + + $ silla ingresos por sillas sillas semana 21000x2

27000x1

+ 10000x2

Por lo tanto la funci on a maximizar queda (en miles): (27x1 + 21x2 ) (10x1 + 9x2 ) (14x1 + 10x2 ) = 3x1 + 2x2

Otra opci on para construir la funci on objetivo consiste en calcular previamente los ingresos netos o utilidades de cada uno de los productos de la muebler a. As : utilidad por mesa utilidad por silla = 27 10 14 = 21 9 10 = 3 = 2

As , el objetivo de la muebler a es escoger los valores de x1 y x2 tal que se maximize 3x1 + 2x2 . Denotando por z el valor de la funci on objetivo para cualquier LP, la funci on objetivo de la muebler a es: Maximizar z = 3x1 + 2x2

El coeciente que acompa na a cada variable en la funci on objetivo se denomina coeciente en la funci on objetivo de la variable y reeja el aporte unitario de dicha variable a la funci on objetivo. Restricciones. En la medida que las variables x1 y x2 crecen, la funci on objetivo aumenta su valor. Por lo tanto si se pudiera escoger arbitrariamente el valor de x1 y x2 , la muebler a podr a hacer crecer arbitrariamente el valor de sus utilidades. Evidentemente, en la pr actica esto no es posible. En este ejemplo, el valor de las variables est a limitado por las siguientes tres restricciones: Restricci on 1 : m aximo 100 horas semanales para carpinter a Restricci on 2 : m aximo de 80 horas semanales para terminaciones Restricci on 3 : producci on m axima de 40 sillas semanales Se asume que la cantidad disponible de material es ilimitada. Luego, el pr oximo paso consiste en formular matem aticamente las restricciones anteriores en t erminos de las variables de decisi on. Para formular la primera restricci on en funci on de las variables x1 y x2 observamos que: terminaciones semana = = terminaciones mesa + terminaciones silla 2x1 + 1x2 2 mesas semana sillas semana

Por lo tanto la primera restricci on queda:

2x1 + x2 80

Es importante notar que todos los valores en la expresi on anterior son por semana, ya que las variables de decisi on se han escogido con esa referencia. An alogamente la segunda restricci on queda: x1 + x2 100 x2 40

Finalmente, la tercera restricci on s olo limita el valor de x2 :

El valor que aparece a la derecha del signo de la desigualdad en cada restricci on se denomina the constraints right-hand side (rhs) o coeciente del lado derecho de la restricci on. Usualmente, representa la cantidad disponible de cierto recurso. Restricci on de Signo. Para completar la formulaci on del modelo es importante denir si existe alguna restricci on de signo para cada variable de decisi on. Si una variable de decisi on xi debe cumplir condiciones de no-negatividad, debemos agregar la restricci on xi 0. Si la variable de decisi on xi puede asumir valores positivos y negativos se dice que la variable xi no tiene restricci on de signo (srs). En este ejemplo, ambas variables de decisi on se reeren a cantidades a producir, por lo tanto son no-negativas, luego: x1 0 y x2 0. Sin embargo, en otros ejemplos las varibles pueden ser srs, por ejemplo en el caso de que xi se reere al saldo de alguna cuenta. Combinando todas las expresiones anteriores, es posible completar el modelo matem atico para este problema de optimizaci on: Max sujeto a (st) 2x1 + x2 x1 + x 2 x2 x1 x2 80 100 40 0 0 (Restricci on (Restricci on (Restricci on (Restricci on (Restricci on de de de de de terminaciones) carpinter a) demanda m axima) signo) signo) z = 3x1 + 2x2 (Funci on Objetivo)

Generalizaci on

Repasemos en primer lugar algunos conceptos de linealidad de funciones y desigualdades. Denici on 1 Una funci on f (x1 , x2 , , xn ) de x1 , x2 , , xn es una funci on lineal s y s olo s para un conjunto de constantes c1 , c2 , , cn , se tiene: f (x1 , x2 , , xn ) = c1 x1 + c2 x2 + + cn xn Denici on 2 Para cualquier funci on f (x1 , x2 , , xn ) y cualquier n umero b, las desigualdades f (x1 , x2 , , xn ) b y f (x1 , x2 , , xn ) b son desigualdades lineales. As , 2x1 + 3x2 3 y 2x1 + x2 3 son desigualdades lineales, pero x2 1 x2 3 no es una desigualdad lineal. Denici on 3 Un problema de programaci on lineal (LP) es un problema de optimizaci on para el cual debemos tener presente lo siguiente: 1. Maximizar (o minimizar) una funci on lineal de las variables de decisi on. La funci on que es n objetivo. maximizada o minimizada es llamada la funcio 3

2. Los valores de las variables de decisi on deben satisfacer un conjunto de restricciones. Cada restricci on debe ser una ecuaci on o desigualdad lineal. n de signo asociada a cada variable. Para toda variable xi , la res3. Existe una restriccio tricci on de signo especica si xi debe ser no-negativa (xi 0)o bien sin restricci on de signo (srs). De acuerdo a las deniciones anteriores, el ejemplo estudiado corresponde efectivamente a un LP, pues tanto la funci on objetivo como las retricciones son funciones lineales de x 1 y x2 . El problema estudiado corresponde a un problema t pico de decisi on donde se debe obtener el programa de producci on que maxima las utilidades sujeto a recursos limitados.

Consecuencias y Supuestos

El hecho que la funci on objetivo de un PL sea una funci on lineal de las variables de decisi on tiene dos implicancias: 1. La contribuci on a la funci on objetivo de cada variable es porporcional al valor de la variable de decisi on. 2. La contribuci on a la funci on objetivo para toda variable es independiente de los valores de las otras variables de decisi on. An alogamente, el hecho de que cada restricci on sea una ecuaci on o desigualdad lineal tambi en tiene dos implicancias: 1. La contribuci on de cada variable al coeciente del lado izquierdo de cada restricci on es proporcional al valor de la variable. 2. La contribuci on de cada variable al coeciente del lado izquierdo de cada restricci on es independiente de los valores de las otras variables. Las primeras implicancias de la listas anteriores constituyen el Supuesto de Proporci on en LP. Las segundas implicancias de las listas anteriores constituyen el Supuesto de Adici on en LP. Para que un modelo de LP corresponda a una representaci on adecuada de la realidad, las variables de decisi on deben satisfacer los dos supuestos anteriores. Adicionalmente, se agregan dos supuestos: el supuesto de Divisibilidad y el de Certeza. El Supuesto de Divisibilidad requiere que cada variable de decisi on pueda tomar valores fraccionarios. En el ejemplo anterior, el supuesto se traduce en que es aceptable producir 2.4 sillas o 1.6 mesas. Evidentemente, el supuesto de divisibilidad no se satisface en el ejemplo. En este caso se puede proceder a formular el modelo como un problema de programaci on lineal entera (ILP), problema en el cual una o m as variables deben ser enteras. Este tipo de problema se estudiar a m as adelante. Cuando no se satisface el supuesto de divisibilidad, una posibilidad es redondear la soluci on obtenida a un valor entero, sin embargo no existen garant as que dicha soluci on sea la mejor. El Supuesto de Certeza exige que cada par ametro: coecientes de la funci on objetivo, coecientes del lado derecho, etc. sean conocido con certeza, es decir, no se acepta incertidumbre en sus valores. Es claro que es muy dif cil que un problema cumpla exactamente con todos los supuestos. Sin embargo, un modelo puede ser u til aunque diera de la realidad si se es consistente con los requerimientos m as estrictos del problema y se tienen presente las limitaciones al interpretar los resultados. 4

Regiones Factibles y Soluciones Optimas

Dos de los conceptos m as fundamentales en LP son la regi on factible y la soluci on optima de un problema. Llamaremos punto a la especicaci on de un valor para cada variable de decisi on. n factible para un LP es el conjunto de puntos que satisfacen todas las Denici on 4 La regio restricciones (incluidas las de signo) de un problema de LP. n o ptima del LP es un Denici on 5 En el caso de un problema de maximizaci on, una solucio punto de la regi on factible que est a asociado al mayor valor posible de la funci on objetivo. Similarmente, para un problema de minimizaci on, una soluci on o ptima es un punto que est a asociado al menor valor posible de la funci on objetivo. La mayor a de los problemas de LP tienen s olo una soluci on optima. Sin embargo, existen muchos problemas de LP que no poseen soluci on optima o bien poseen varios o innitos valores optimos.

5
5.1

Algunos Ejemplos
Problema de la Dieta

Una dieta diaria satisfactoria debe contener al menos 2000 [kCal], 55 [g] de prote nas y 800 [mg] de Calcio. Se pide formular un modelo que permita determinar una dieta satisfactoria de m nimo costo a partir de los siguientes alimentos: Alimento Avena Pollo Huevos Leche Pastel Cerdo Modelo: En este caso resulta natural denir como variable de decisi on xi la cantidad de alimento tipo i (i = 1 . . . 6) a consumir. Como cada alimento tiene un costo, basta ponderar cada variable de decisi on por su respectivo coeciente y construir la funci on objetivo a minimizar. Las restricciones obedecen a los l mites diarios de consumo por alimento y a las condiciones de energ a, prote nas y calcio que debe cumplir la dieta. Por lo tanto, el modelo queda: Max st z = 3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 29x6 110x1 + 205x2 + 160x3 + 160x4 + 420x5 + 260x6 4x1 + 32x2 + 13x3 + 8x4 + 4x5 + 14x6 2x1 + 12x2 + 54x3 + 285x4 + 22x5 + 80x6 x1 x2 x3 x4 x5 x6 xi 2000 55 800 4 3 2 8 2 2 0 i (Funci on Objetivo) (Energ a m nima) (Proteinas m nimas) (Calcio m nimo) (Porci on l mite) (Porci on l mite) (Porci on l mite) (Porci on l mite) (Porci on l mite) (Porci on l mite) (Restricci on de signo) Porci on 28 100 2 237 170 260 Energ a [kCal] 110 205 160 160 420 260 Prote nas [g] 4 32 13 8 4 14 Calcio [mg] 2 12 54 285 22 80
$ Precio [ u ] 3 24 13 9 20 29

L mite [ du a ] 4 3 2 8 2 2

5.2

Problema de Planicaci on de Personal

Las enfermeras de un hospital llegan cada 4 horas y trabajan en turnos de 8 horas continuas. La administraci on ha decidido la idea de denir 6 cambios de turno al d a para minimizar las distracciones y los problemas de comunicaci on que ocurren en los cambios de turno. El hospital ha realizado un an alisis del trabajo requerido durante cada uno de los seis per odos del d a. Las caracter sticas de cada per odo son las siguientes: Hora del D a 2 AM - 6 AM 6 AM - 10 AM 10 AM - 2 PM 2 PM - 6 PM 6 PM - 10 PM 10 PM - 2 AM Per odo 1 2 3 4 5 6 N umero m nimo de enfermeras 25 60 50 35 55 40

Las enfermeras que empiezan a trabajar en los per odos 2, 3 y 4 ganan US$40 al d a, y aquellas que comienzan en los per odos 1, 5 y 6 ganan US$50 al d a. Cu antas enfermeras deben empezar a trabajar en cada turno para minimizar los costos por salarios? Modelo: En este caso podemos identicar como variable de decisi on el n umero de enfermeras N i que comienza a trabajar en el turno i (i = 1 . . . 6). De esta forma, la funci on objetivo queda: z = 50N1 + 40N2 + 40N3 + 40N4 + 50N5 + 50N6 Evidentemente, la funci on anterior debe ser minimizada. Para construir las restricciones es conveniente recurrir a una representaci on gr aca de los turnos: Turno 1 N1 2 N2 3 4 5 6

N3

N4

N6 De la gr aca anterior se observa que en cada turno trabajan las enfermeras que comenzaron en dicho turno, pero tambi en las que empezaron en el turno anterior. Por lo tanto, las restricciones de personal m nimo por turno quedan: N1 + N 2 N2 + N 3 N3 + N 4 N4 + N 5 N5 + N 6 N6 + N 1 60 50 35 55 40 25

N5

Finalmente, el modelo se completa con las restricciones de signo: Ni i

5.3

Problema de Planicaci on de Producci on

La empresa Sil Computer necesita satisfacer la demanda de computadores por parte de sus clientes (grandes corporaciones e instituciones educacionales) para los pr oximos 4 trimestres. 6

Actualmente, Sil Computer tiene 5000 computadores en inventario. La demanda esperada para los pr oximos trimestres son 7000, 15000, 10000 y 8000. Sil Computer tiene el material y la capacidad de producir hasta 10000 computadores cada trimestre, a un costo de US$ 2000 por computador. Empleando personal de sobretiempo se puede producir hasta 2500 computadores m as a un costo individual de US$ 2200. Los computadores producidos en un trimestre pueden ser usados para satisfacer la demanda de ese per odo, o bien quedar en inventario para ser usados posteriormente. Cada computador en inventario tiene un costo adicional de US$100 por per odo para reejar los costos de almacenaje. Como puede satisfacer Sil Computer su demanda a costo m nimo? Modelo: En este caso la decisi on a tomar corresponde a la producci on de computadores por trimestre. Como se puede fabricar computadores en horario normal y en sobretiempo es conveniente separar ambos tipos de producci on en variables distintas. Adem as, se debe decidir en cada per odo cuantas unidades guardar en inventario. Denamos las siguientes variables ( t = 1 . . . 4): xt yt it = producci on en el per odo t en horario normal = producci on en el per odo t en sobretiempo = inventario al nal del per odo t

De acuerdo a las variables denidas podemos formular el modelo completo considerando el balance trimestral entre lo producido, lo proveniente del per odo anterior en inventario y la demanda del trimestre respectivo. Min z = 2000(x1 + x2 + x3 + x4 ) + 2200(y1 + y2 + y3 + y4 ) + 100(i1 + i2 + i3 ) st 5000 + x1 + y1 = 7000 + i1 i1 + x 2 + y 2 = 15000 + i2 i2 + x 3 + y 3 = 10000 + i3 i3 + x 4 + y 4 = 8000 xt 10000 t yt 2500 t x t , y t , it 0 t Para la formulaci on anterior se ha supuesto que cada computador es completamente fabricado en horario normal o en sobretiempo y que las variables pueden ser no enteras. Evidentemente ninguno de estos supuestos es correcto en la situaci on real, pero constituye una buena aproximaci on del problema.

5.4

Problema de Transporte

Supongamos un problema de transporte de alg un producto desde n or genes hacia m destinos. En cada origen hay una existencia de productos ei (i = 1 . . . n). En cada destino hay una demanda por dj unidades (j = 1 . . . m). El costo unitario de env o desde cada origen i hacia cada destino j es de cij . Formule un modelo de programaci on lineal que permita denir la distribuci on del producto de modo de minimizar los costos de transporte. Modelo: La decisi on consiste simplemente en determinar el n umero de productos que son transportados desde cada origen hacia cada destino. Luego, se emplear an las siguientes variables: 7

xij

cantidad enviada desde origen i a destino j

De acuerdo a las variables denidas, la funci on objetivo queda:

n m

M in
i=1 j =1

cij xij

Las restricciones corresponden a la capacidad m axima en cada origen y a la demanda en cada destino. Adem as, como las variables representan cantidades, deben ser positivas.
m j =1 xij n i=1 xij xij

ei dj 0

i = 1 . . . n (disponibilidad) j = 1 . . . m (demanda) ij (restricci on de signo)

El problema anterior se dice balanceado si se satisface que:

n m

ei =
i=1 j =1

dj

El problema anterior admite m ultiples variaciones como la incorporaci on de l mites a la capacidad de cada ruta, incorporaci on de costos jos, puntos de transbordo, rutas alternativas entre otras posibilidades. Este tipo de problema es muy vers atil y puede ser aplicado a muchas situaciones que no necesariamente se reeren a transporte, adem as posee su propio algoritmo de resoluci on.

5.5

Problema de Mezcla

Una rener a de petr oleos produce dos tipos de gasolina sin plomo: regular y extra, los cuales vende a su cadena de estaciones de servicio en US$12 y US$14 por barril, respectivamente. Ambos tipos se preparan del inventario de petr oleo nacional renado y de petr oleo importado renado que tiene la rener a y deben cumplir las especicaciones que se presentan en la siguiente tabla: Presi on m axima de vapor 23 23 Octanaje m nimo 88 93 Demanda m axima [barril/semana] 100.000 20.000 Entregas m nimas [barril/semana] 50.000 5.000

Regular Extra

Las caracter sticas del inventario de petr oleos renados son las siguientes: Presi on de vapor 25 15 Octanaje 87 98 Inventario [barril] 40.000 60.000 Costo [US$/barril] 8 15

Nacional Importado

Formule un modelo de programaci on lineal que permita maximizar la ganancia semanal de la rener a. Modelo: Para poder formular un modelo para el problema supondremos que no existen p erdidas en el proceso de renamiento y que tanto el octanaje como la presi on de vapor se pueden mezclar linealmente.

De acuerdo al supuesto anterior debemos denir variables que nos permitan controlar que proporci on de cada tipo de petr oleo se emplear a para fabricar cada tipo de gasolina, as : xij = cantidad de petr oleo renado tipo i (i = 1, 2) para fabricar gasolina j (j = 1, 2)

Consideremos las variables anteriores en barriles, de modo de emplear las proporciones entregadas en el enunciado. Como se conoce el precio de venta de cada gasolina y el costo de cada petr oleo, la funci on objetivo se reduce a maximizar la diferencia entre ingresos y costos, es decir, las utilidades. M ax 12(x11 + x21 ) + 14(x12 + x22 ) 8(x11 + x12 ) 15(x21 + x22 )

A continuaci on construimos las restricciones. Las restricciones respecto de inventario disponible y demanda de cada tipo de gasolina se explican por s solas: x11 + x12 x21 + x22 x11 + x21 x11 + x21 x12 + x22 x12 + x22 40000 60000 50000 100000 5000 20000 (Inventario petr oleo tipo 1) (Inventario petr oleo tipo 2) (Demanda m nima de gasolina tipo 1) (Demanda m axima de gasolina tipo 1) (Demanda m nima de gasolina tipo 2) (Demanda m axima de gasolina tipo 2)

Las restricciones de presi on de vapor y de octanaje m nimo deben ser normalizadas respecto de la cantidad total fabricada, que no es necesariamente la cantidad m axima o m nima posible de fabricar.
25x11 +15x21 x11 +x21 25x12 +15x22 x12 +x22 87x11 +98x21 x11 +x21 87x12 +98x22 x12 +x22

23 23 88 88

(Presi on de vapor m axima gasolina tipo 1) (Presi on de vapor m axima gasolina tipo 2) (Octanaje m nimo gasolina tipo 1) (Octanaje m nimo gasolina tipo 2)

Finalmente, el modelo queda completo con las condiciones de signo: xij 0 ij