UNIVERSIDAD DE ORIENTE

NCLEO MONAGAS
DEPARTAMENTO DE INGENIERA DE SISTEMAS
UNIDAD DE ESTUDIOS BSICOS
MODELOS DE OPERACIONES I (071- 4633)
MATURIN/ MONAGAS/ VENEZUELA

Programacin Separable

PROFESORA:
DEVIA, JUDITH
REALIZADO POR:
(Apellido, Nombre/C.I.)
ALFONZO, ELIZBETH/
ARISMENDI, MARA/
IBEZ, INEBA/
MAITA, YLIANNI/
MARCANO, MIRIAM/
MARN, ROSANGEL/
ALBANYS/
SECCIN: 01

MATURN, ENERO DE 2015

La programacin separable es un caso especial de programacin convexa, en

donde el supuesto adicional es:

Todas las funciones

f ( x ) y gi (x ) son separables.

Una funcin separable es una funcin en la que cada trmino incluye una sola
variable, por lo que la funcin se puede separar en una suma de funciones de
variables individuales. Por ejemplo, si f (x) es una funcin separable, se puede
expresar como
n

f ( x )= f j (x j)
j=1

donde cada

f j ( x j ) incluye slo los trminos con x j . En la terminologa de

programacin lineal los problemas de programacin separable satisfacen los

supuestos de aditividad, pero violan el supuesto de proporcionalidad cuando
cualquiera de las funciones

f j ( x j ) son funciones no lineales.

Para ilustrar, se considera la siguiente funcin objetivo

f ( x 1 , x 2 )=126 x 19 x 21 +182 x 213 x 22

sta es una funcin separable porque puede ser expresada como

f ( x 1 , x 2 )=f 1 x1 + f 2 x 2
Donde
2

f 1 x 1=126 x1 9 x1
Y

f 2 x 2=182 x 213 x 2
son cada una funciones de una sola variable

x1 y

x 2 , respectivamente.

Es importante distinguir estos problemas de otros de programacin convexa, pues

cualquier problema de programacin separable se puede aproximar muy de cerca
mediante uno de programacin lineal y, entonces, se puede aplicar el eficiente
mtodo simplex.
En la programacin separable, se puede encontrar una aproximacin tan cercana
como se quiera con un problema de programacin lineal que tiene un nmero
mayor de variables.

La programacin separable supone que la funcin objetivo

todas las restricciones

gi ( x)

f (x)

es cncava,

son convexas y todas estas funciones son

funciones separables (lo que significa que cada trmino incluye una sola variable).
Sin embargo, para simplificar la presentacin, nos centraremos en el caso especial
en el que las funciones

gi (x)

convexas y separables, en realidad son funciones

lineales como las de programacin lineal.

En consecuencia, slo la funcin objetivo requerir un tratamiento especial.
La funcin objetivo se puede expresar como una suma de funciones cncavas de
variables individuales,
n

f ( x )= f j (x j)
j=1

de manera que cada

f j( x j)

tiene una forma como la que se muestra en la figura

1, en el rango de valores factibles de

xj .

Como f (x) representa la medida de desempeo (por ejemplo, ganancia) de todas

las actividades juntas, fj (xj) representa la contribucin a la ganancia por parte de la
actividad j cuando se realiza al nivel xj.

Figura 1. Forma de Curvas de Ganancia para Programacin Separable

La condicin de que f (x) sea separable slo implica aditividad; esto es, no existe
interaccin entre las actividades no existen trminos de productos cruzados
que afecten la ganancia total ms all de sus contribuciones independientes.
El supuesto de que cada fj (xj) es cncava indica que la ganancia marginal
pendiente de la curva de ganancia, se mantiene igual o decrece (nunca
aumenta) a medida que xj crece.
Las curvas cncavas de la ganancia se presentan con mucha frecuencia. Por
ejemplo, pueden ser posible vender una cantidad limitada de algn producto a un
cierto precio y despus una cantidad adicional a un precio menor, y tal vez, otra
cantidad adicional a un precio todava menor. De igual manera, puede ser
necesario comprar materias primas a fuentes cada vez ms costosas. Otra
situacin comn es aquella en la que debe emplearse un proceso de produccin
ms caro como el uso de tiempo extra, para aumentar la tasa de produccin
sobre cierta cantidad.
Este tipo de situaciones puede conducir a cualquiera de las curvas de ganancia
que se muestran en la figura 1. En el caso 1, la pendiente decrece por intervalos,
de manera que fj (xj) es una funcin lineal por partes (una sucesin de segmentos
de recta conectados). En el caso 2, la pendiente puede decrecer en forma
continua al aumentar x, de manera que fj (xj) es una funcin cncava general.
Cualquier funcin de este tipo se puede aproximar tanto como se quiera por una
funcin lineal por partes y este tipo de aproximacin se usa, segn sea necesario,
para problemas de programacin separable. (En la figura 1 se muestra una
funcin de aproximacin que consiste en slo tres segmentos de recta, pero la
aproximacin se puede mejorar si se introducen ms intervalos.) Esta
aproximacin es muy conveniente, puesto que una funcin lineal por partes de una
sola variable se puede escribir como una funcin lineal de mltiples variables, con
la restriccin especial sobre estas variables que se describe a continuacin.

Reformulacin como un problema de programacin lineal

La clave para dar a una funcin lineal por partes la forma de una funcin lineal es
usar variables separadas para cada segmento de recta. Como ilustracin,
considere la funcin lineal por partes fj (xj) que se muestra en la figura 1, caso 1
o la aproximacin por la funcin lineal por partes del caso 2, que tiene tres
segmentos de recta en el intervalo de valores factibles de xj. Se introducen las tres
nuevas variables, xj1, xj2 y xj3, y se establece
Xj = xj1 + xj2 + xj3,
donde
0 x j1 u j 1,

0 x j2 uj2,

0 x j3 u j 3.

Despus se usan las pendientes, sj1, sj2 y sj3 para volver a escribir fj (xj) como
fj (xj) = sj1xj1 + sj2xj2 + sj3xj3
Con la restriccin especial
Xj2 = 0 siempre que xj1 < uj1,
Xj3 = 0 siempre que xj2 < uj2.
Para entender por qu se requiere esta restriccin especial, suponga que Xj=1,
donde ujk > 1 (k = 1, 2, 3), de manera que fj (1) = sj1. Observe que
xj1 + xj2 + xj3 = 1
permite
xj1 = 1, xj2 = 0, xj3 = 0 fj (1) = sj1,
xj1 = 0, xj2 = 1, xj3 = 0 fj (1) = sj2,
xj1 = 0, xj2 = 0, xj3 = 1 fj (1) = sj3.
y as sucesivamente, donde
sj1 > sj2 > sj3.
Sin embargo, la restriccin especial slo permite la primera posibilidad, que es la
nica que da el valor correcto de fj(1).
Desafortunadamente, la restriccin especial no se ajusta al formato que requieren
las restricciones de programacin lineal, por lo cual algunas funciones lineales por
partes no se pueden reescribir en el formato de programacin lineal. Sin embargo,
se supone que nuestra fj (xj) es cncava, por lo que sj1 > sj2 >. . ., por lo cual un

algoritmo para maximizar f (x) de manera automtica asigna la prioridad ms alta

al uso de xj1 cuando (en realidad) aumenta el valor de xj desde cero, la siguiente
prioridad al uso de xj2, etc., sin incluir siquiera la restriccin especial explcita en el
modelo. Esta observacin conduce a la siguiente propiedad esencial.
Propiedad esencial de programacin separable. Cuando f (x) y gi(x) satisfacen
los supuestos de programacin separable y las funciones lineales por partes que
resultan se ponen en la forma de funciones lineales, al eliminar la restriccin
especial se obtiene un modelo de programacin lineal cuya solucin ptima
satisface de manera automtica la restriccin especial.
Para escribir el modelo completo de programacin lineal con la notacin anterior,
sea nj el nmero de segmentos de recta en fj (xj) (o en la funcin lineal por partes
que la aproxima), de manera que
nj

x j= x jk
k=1

se sustituir en todo el modelo original y

x
nj

f j ( j)= s jk x jk
k=1

se sustituir en la funcin objetivo para j = 1, 2,..., n. El modelo que se obtiene es

n

Maximizar Z=

nj

( )

s jk x jk ,

j=1 k=1

sujeta a
n

nj

( )

a ij x jk
j=1

b i , para i=1, 2, , m

k=1

x jk u jk , para k =1,2, , n j ; j=1,2, , n .

y

x jk 0, para k=1, 2, ,n j ; j=1, 2, , n.

nj

(Las restricciones

k=1

se eliminan, puesto que estn garantizadas por las

x jk 0 ). Si algunas variables originales x no tuvieran cota superior,

j

restricciones
entonces

x jk 0

u j n = , por lo que se debe eliminar la restriccin que incluye esta

j

cantidad.
Una manera eficiente de resolver este modelo es usar la versin simplificada del
mtodo smplex para manejar restricciones de cota superior. Despus de obtener
una solucin ptima para este modelo, se calcula
nj

x j= x jk ,
k=1

para j =1, 2, . . ., n, con el fin de identificar una solucin ptima para el problema
original de programacin separable (o su aproximacin lineal por partes).
Ejemplo. La Wyndor Glass Co. recibi un pedido especial de artculos procesados
a mano que se debe elaborar en las plantas 1 y 2 durante los prximos cuatro
meses. Para cumplir con este pedido ser necesario asignar algunos empleados
de las brigadas de trabajo de los productos normales, por lo que el resto del
personal tendr que trabajar horas extra para utilizar toda la capacidad de
produccin de la maquinaria y equipo de la planta para elaborar estos productos.
En particular, a fin de fabricar los dos nuevos productos normales, el tiempo extra
tendr que utilizar el ltimo 25% de la capacidad disponible en la planta 1 para el
producto 1 y el ltimo 50% de la capacidad disponible en la planta 2 para el
producto 2. El costo adicional del tiempo extra reducir la ganancia de cada
unidad del producto 1 de 3 a 2 dlares y del producto 2, de 5 dlares a 1 dlar, de
lo que resultarn las curvas de ganancia de la fi gura 2, las cuales se ajustan a la
forma del caso 1 de la figura 1.

La administracin ha decidido usar tiempo extra en lugar de contratar ms

trabajadores durante esta situacin temporal. Sin embargo, insiste en que se
aprovechen por completo las brigadas de trabajo de cada producto en tiempo
normal antes de usar cualquier tiempo extra. An ms, piensa que temporalmente
se deben cambiar las tasas de produccin actuales (x1 = 2 para el producto 1
y x2 = 6 para el producto 2), si esta medida mejora el rendimiento total. Por todo
ello, ha girado instrucciones al equipo de IO para revisar los productos 1 y 2 y
determinar la nueva mezcla de productos ms redituable durante los prximos
cuatro meses.
Figura 2. Datos de ganancia durante los prximos 4 meses de la Wyndor Glass
Co.

Formulacin. El modelo de programacin lineal del problema original

de la Wyndor Glass Co., es:
Maximizar Z=3 x 1+5 x 2

sujeta a
x1 4
2 x 2 12
3 x1 +2 x 2 18 y
x 1 0 ; x2 0.
Ahora se debe modificar este modelo para que se ajuste a la nueva situacin que
se acaba de describir. Para esto, sea x1 = x1R + x1O la tasa de elaboracin del
producto 1, en donde

x1R

es la tasa de produccin alcanzada con tiempos

normales de trabajo y x1O es la tasa de produccin incremental al usar tiempo

extra. Defina x2 = x2R + x2O de la misma manera para el producto 2. Por tanto, en
la notacin general del modelo de programacin lineal para programacin
separable que se present antes del ejemplo, n = 2, n1 = 2 y n2 5 2. Al sustituir los
datos de la figura 2 incluso las tasas mximas de produccin en tiempo normal y
tiempo extra en este modelo general se obtiene el modelo especfico para esta
aplicacin. En particular, el nuevo problema de programacin lineal trata de
determinar los valores de x1R, x1O, x2R y x2O para
Maximizar Z=3 x 1 R +2 x 1O +5 x 2 R + x 2 o ,
sujeta a
x 1 R + x 1O 4
2( x 2 R + x 2 O ) 12
3 ( x 1 R + x 1O ) +2(x 2 R + x 2 O ) 18
x 1 R 3 , x 1O 1 , x 2 R 3 , x 2 O 3
y
x 1 R 0 , x 1 O 0 , x 2 R 0 , x 2 O 0.

(Observe que las restricciones de cota superior del penltimo rengln del modelo
convierten a las primeras dos restricciones funcionales en redundantes, de
manera que estas dos ecuaciones se pueden eliminar.)
Sin embargo, existe un factor importante que no se toma en cuenta en forma
explcita en esta formulacin. En particular, no existe nada en el modelo que
requiera que se utilice todo el tiempo normal disponible, antes de emplear
cualquier tiempo extra para elaborar ese producto. En otras palabras, puede ser
factible tener x1O > 0 aun cuando x1R < 3 y tener x2O > 0 aun cuando x2R < 3.
Tal solucin sera inaceptable para la administracin. (La prohibicin de esta
solucin conduce a la restriccin especial de la que se habl antes.)
Como consecuencia, se llega a la propiedad esencial de programacin separable.
Aun cuando este modelo no toma en cuenta este factor de manera explcita, lo
hace en forma implcita! Aunque el modelo tenga un exceso de soluciones
factibles que en realidad son inaceptables, garantiza que cualquier solucin
ptima ser legtima, es decir, que no sustituir tiempo de trabajo normal
disponible por horas extra.
En efecto, se puede aplicar con seguridad el mtodo smplex a este modelo para
encontrar la mezcla de productos ms redituable. La razn es doble.
Primero, las dos variables de decisin para cada producto siempre aparecen
juntas como una suma, x1R + x1O o x2R + x2O, en cada restriccin funcional distinta
de las restricciones de cota superior sobre las variables individuales. Por tanto,
siempre es posible convertir una solucin factible no aceptable en una aceptable
que tenga las mismas tasas de produccin totales, x1 = x1R + x1O y x2 = x2R + x2O,
con slo reemplazar la produccin en tiempo extra por la mxima produccin
normal.
Segundo, la produccin en tiempo extra es menos redituable que la normal es
decir, la pendiente de cada curva de ganancia de la figura 2 es una funcin
montona decreciente de la tasa de produccin, de modo que al convertir una
solucin factible no aceptable en una aceptable debe incrementarse la tasa total

de la ganancia Z. En consecuencia, cualquier solucin factible que usa tiempo

extra de produccin para un producto, cuando todava se dispone de tiempo
normal, no puede ser ptima respecto del modelo.
Por ejemplo, considere la solucin factible inaceptable x1R = 1, x1O = 1, x2R = 1, x2O
= 3, que proporciona una ganancia total Z = 13. La forma aceptable de lograr las
mismas tasas de produccin x1 = 2 y x2 = 4 es x1R = 2, x1O = 0, x2R = 3, x2O = 1. Esta
ltima solucin tambin es factible pero hace que el valor de Z aumente en (3 2)
(1) + (5 1)(2) = 9 hasta una tasa total de ganancia Z = 22.
De manera similar, la solucin ptima para este modelo resulta ser x1R = 3, x1O = 1,
x2R = 3, x2O = 0, que es una solucin factible aceptable.
Extensiones
Hasta ahora, nos hemos centrado en el caso especial de programacin separable,
en el que la nica funcin no lineal es la funcin objetivo f (x). Ahora considere en
forma breve el caso general en el que las funciones de restriccin gi(x) no tienen
que ser lineales, pero son convexas y separables, de manera que cada gi(x) se
puede expresar como una suma de funciones de variables individuales
n

gi ( x )= g ij ( x j ) ,
j=1

donde cada

gij ( x j )

es una funcin convexa. Una vez ms, cada una de estas

funciones se puede aproximar tanto como se quiera por una funcin lineal por
partes (si no est ya en esa forma). La nueva restriccin es que para cada variable
xj (j = 1, 2, . . ., n), todas las aproximaciones lineales por partes de las funciones de
esa variable [ fj(xj), g1j(xj), . . ., gmj(xj)] deben tener los mismos lmites de intervalos,
para poder usar las mismas variables nuevas (xj1, xj2, . . ., xjnj) para todas las
funciones lineales por partes. Esta formulacin conduce a un modelo de
programacin lineal igual al que se obtiene para el caso especial, excepto que
para cada i y j, las variables xjk tienen coeficientes distintos en la restriccin i

[donde estos coeficientes son las pendientes correspondientes de la funcin lineal

por partes que aproxima a gij(xj)]. Como gij(xj) tiene que ser convexa, en principio la
misma lgica implica que debe cumplirse la propiedad esencial de programacin
separable.
Una desventaja de la aproximacin de funciones por medio de funciones lineales
por partes es que slo se logra una buena aproximacin con un nmero muy
grande
de segmentos de recta (variables), mientras que una malla fina de intervalos nada
ms se necesita en la vecindad inmediata de la solucin ptima. Se han
desarrollado enfoques ms elaborados, que usan una sucesin de funciones
lineales por partes de dos segmentos, para obtener aproximaciones cada vez ms
cercanas en esta vecindad inmediata. Este tipo de enfoques tiende a ser ms
rpido y ms exacto cuando se desea aproximar una solucin ptima.