Gua Prctica para Investigacin de Operaciones

PROGRAMACIN LINEAL
Los fundamentos matemticos de la programacin lineal se deben al matemtico
norteamericano de origen hngaro Janos von Neuman (1903-1957), quien en 1928
public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los
problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos.
La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y,
desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que
otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta
disciplina.
En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto: el
clculo del plan ptimo de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230
de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10 das
del mes de junio, rebaj un 11% los gastos respecto a los costos previstos.
Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los
mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre
un 10 y un 15% en tan slo un ao.
Definicin de Programacin lineal:
Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden
resolver la situacin siguiente: Optimizar (maximizar o minimizar) una funcin objetivo,
funcin lineal de varias variables, sujeta a una serie de restricciones, expresadas por
inecuaciones lineales.
Un problema de programacin lineal en dos variables, tiene la siguiente formulacin estndar:

Pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.

En un problema de programacin lineal intervienen:

La funcin z = ax + by llamada funcin objetivo y que es necesario optimizar. En esa

expresin x e y son las variables de decisin, mientras que a, b y c son constantes.
Las restricciones que deben ser inecuaciones lineales. Su nmero depende del
problema en cuestin. El carcter de desigualdad viene impuesto por las limitaciones,
disponibilidades o necesidades, que son: inferiores a ( < o
); como mnimo de
( > o ) . Tanto si se trata de maximizar como de minimizar, las desigualdades pueden
darse en cualquiera de los dos sentidos.

Pgina 31

Gua Prctica para Investigacin de Operaciones

Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se le

denomina conjunto (o regin) factible. Todo punto de ese conjunto puede ser
solucin del problema; todo punto no perteneciente a ese conjunto no puede ser
solucin. En el apartado siguiente veremos cmo se determina la regin factible.

La solucin ptima del problema ser un par de valores (x0, y0) del conjunto factible
que haga que f(x,y) tome el valor mximo o mnimo.

Utilizaremos las siglas PPL para indicar problema de programacin lineal

Determinacin de la regin factible:

La solucin de un problema de programacin lineal, en el supuesto de que exista, debe estar
en la regin determinada por las distintas desigualdades. Esta recibe el nombre de regin
factible, y puede estar o no acotada.

Regin factible acotada

Regin factible no acotada

La regin factible incluye o no los lados y los vrtices, segn que las desigualdades sean en
sentido amplio (

) o en sentido estricto (< o >).

Si la regin factible est acotada, su representacin grfica es un polgono convexo con un

nmero de lados menor o igual que el nmero de restricciones.

El procedimiento para determinar la regin factible es el siguiente:

1) Se resuelve cada inecuacin por separado, es decir, se encuentra el semiplano de
soluciones de cada una de las inecuaciones.

Se dibuja la recta asociada a la inecuacin. Esta recta divide al plano en dos regiones o
semiplanos
Para averiguar cul es la regin vlida, el procedimiento prctico consiste en elegir un
punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las
coordenadas satisfacen o no la inecuacin. Si lo hacen, la regin en la que est ese
punto es aquella cuyos puntos verifican la inecuacin; en caso contrario, la regin
vlida es la otra.

2) La regin factible est formada por la interseccin o regin comn de las soluciones
de todas las inecuaciones.
Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales
pueden presentar varias opciones respecto a sus soluciones: puede no existir solucin, en el
caso de que exista el conjunto solucin puede ser acotado o no.
Vemoslo con un ejemplo:

Pgina 32

Gua Prctica para Investigacin de Operaciones

Dibuja la regin factible asociada a las restricciones:
x+y
y

Las rectas asociadas son: r : x + y = 4 ;

s : y = 4 , t: y = x

Elegimos el punto P(0,0), que se encuentra en el

semiplano situado por debajo de la recta.
Introduciendo las coordenadas (0,0) en la
inecuacin x + y
4, vemos que no la satisface:
0 + 0 = 0 < 4 . Por tanto, el conjunto de
soluciones de la inecuacin es el semiplano
situado por encima de la recta r : x + y = 4 .

La recta t asociada a la restriccin pasa por

el origen, lo cual significa que si probsemos
con el punto P(0,0) no llegaramos a ninguna
conclusin. Elegimos el punto (1,0) y vemos
que no satisface la inecuacin y
x (y = 0 <
1 = x ). Por tanto, el conjunto solucin de esta
inecuacin es el semiplano determinado por
la recta t que no incluye al punto (1,0).

Procedemos como en el paso anterior.

Las coordenadas (0,0) satisfacen la
inecuacin y
4 ( 0
4) . Por tanto, el
conjunto de soluciones de la inecuacin
es el semiplano que incluye al punto O.

La regin factible est formada por los puntos

que cumplen las tres restricciones, es decir,
se encuentran en los tres semiplanos
anteriores.

Pgina 33

Gua Prctica para Investigacin de Operaciones

Mtodo grfico :
Solucin Grfica de un problema de PL
Problema 1.
La WINDOR GLASS CO produce artculos de vidrio de alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta
1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.

Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea
de produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar
libre una parte de la capacidad de produccin para emprender la fabricacin de dos productos
nuevos que tienen ventas potenciales grandes:

Producto 1: una puerta de vidrio de 8 pies con marco de aluminio.

Producto 2: una ventana corrediza con marco de madera de 4 pies por 6.

El producto 1 requiere de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2.

El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha
concluido que la compaa puede vender todos los productos que se puedan fabricar en las
plantas. Sin embargo, como ambos productos competirn por la misma capacidad de
produccin en la planta 3, no est claro qu mezcla de productos sera la ms rentable. Por lo
tanto, se ha formado un equipo de IO para estudiar este problema.
El grupo comenz a realizar juntas con la alta administracin para identificar los objetivos del
estudio y desarrollaron la siguiente definicin del problema:
Determinar que tasas de produccin deben tener los dos productos con el fin de maximizar las
utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. (Cada producto se fabricar en lotes de 20 unidades,
de manera que la tasa de produccin est definida con el nmero de lotes que se producen a
la semana) Se permite cualquier combinacin de tasas de produccin que satisfaga estas
restricciones, incluso no fabricar uno de los productos y elaborar todo lo que se posible del
otro.
El equipo de IO tambin identific los datos que necesitan reunir:
Nmero de horas de produccin disponibles por semana en cada planta para estos nuevos
productos. (Casi todo el tiempo de estas plantas ests plantas est comprometido con los
productos actuales, lo que limita la capacidad para manufacturar nuevos productos.)
Nmero de horas de fabricacin que emplea cada lote producido de cada artculo nuevo en
cada una de las plantas.

Pgina 34

Gua Prctica para Investigacin de Operaciones

La ganancia por lote de cada producto nuevo. (Se escogi la ganancia por lote producido como
una medida adecuada una vez que el equipo lleg a la conclusin de que la ganancia
incremental de cada lote adicional producido sera, en esencia, constante, sin importar el
nmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para
iniciar la produccin y comercializacin de estos nuevos productos, la ganancia total de cada
uno es aproximadamente la ganancia por lote producido multiplicado por el nmero de lotes.)
La obtencin de estimaciones razonables de estas cantidades requiri del apoyo de personal
clave en varias unidades de la compaa. El personal de la divisin de manufactura
proporcion los datos de la primera categora mencionada. El desarrollo de estimaciones para
la segunda categora requiri un anlisis de los ingenieros de manufactura involucrados en el
diseo de los procesos de produccin para los nuevos artculos. Al analizar los datos de costos
obtenidos por estos ingenieros, junto con la decisin sobre los precios de la divisin de
mercadotecnia, el departamento de contabilidad calcul las estimaciones para la tercera
categora.

La tabla siguiente resume los datos reunidos de la informacin anterior.

Planta

Tiempo de produccin por Lotes, Horas

Tiempo de produccin
disponible
a
la
semana, horas

Producto
1
2
3
Ganancias por lote

1
1
0
3
$ 3000

2
0
2
2
$5000

4
12
18

El primer paso para la resolucin del problema de programacin es la definicin de las

variables de decisin en este caso tenemos dos tipos de producto:
1. Variables de decisin

x1 Nmero de lotes del producto1 fabricado por semana

x2 Nmero de lotes del producto2 fabricado por semana

La funcin objetivo es lo que queremos optimizar (minimizar o maximizar), por ello est
compuesta por los costos de cada producto, los cuales van acompaado por las variables de
decisin en el caso de la minimizacin y de utilidades y variables de decisin en el caso de la
maximizacin. En este problema en particular lo que desea la empresa es encontrar la solucin
que maximice sus utilidades. Colocamos 3 en lugar de 3000 y 5 en lugar de 5000, para trabajar
en unidades mas pequeas; pero al final representa miles de dlares.
2. Funcin Objetivo
Maximizar Z f ( x1 , x2 ) 3x1 5x2
Pgina 35

Gua Prctica para Investigacin de Operaciones

En este caso las restricciones son las limitantes que tiene la empresa para producir el
producto1 y el producto2. Tenemos 3 restricciones bien definidas, las cuales. Cabe sealar que
las restricciones de no negatividad, siempre es necesario incluirlas, ya que en las respuestas no
pueden resultar valores menores que cero, sino la solucin del problema no tendra ningn
sentido.
3. Restricciones

x1 4 Horas disponibles en la planta 1, para producir lotes del producto 1

2 x2 12 Horas disponibles en la planta 2, para producir lotes del producto 2

3x1 2 x2 18 Horas disponibles en la planta 3, para producir lotes del producto 1 y producto 2

x1 0
x2 0

Restricciones de no negatividad

4. Formule el modelo matemtico del PPL.

Ahora se puede formular el modelo matemtico del problema para lo cual definimos la
funcin objetivo a maximizar, sujeta a las restricciones que se sealan.

Mx.

Z 3x1 5 x2
S.a

x1 4
2 x2 12
3 x1 2 x2 18
x1 0
x2 0

Pgina 36

Gua Prctica para Investigacin de Operaciones

5. Con la forma estndar del modelo, graficamos para encontrar la regin factible.

Si hacemos uso del WinQSB los pasos ha seguir son los siguientes
1.
2.
3.
4.
5.
6.

Nos vamos a INICIO.

Elegimos todos los programas
Damos clic derecho izquierdo en WinQSB
y elegimos con un clic izquierdo la herramienta Goal Programming.
Al cargar el programa nos vamos a archivo y damos clic en nuevo.
Aparecer una nueva ventana que nos muestra:
Ttulo del problema: el ttulo es totalmente opcional cada uno le pueda dar el
nombre que desee.
Nmero de Goal, es decir nmero de metas. En este caso queremos encontrar un
solo ptimo por lo cual, la meta es 1.
Nmero de variables: las variables de decisin, no son ms que las que definimos
al inicio, son dos. Entonces escribimos 2.
Nmero de restricciones: tambin ya las hemos definido. Son tres restricciones. El
programa ya incluye las restricciones de no negatividad, por lo que solamente
escribimos las otras faltantes 3.
El programa trae la opcin de minimizacin o maximizacin. Como el nuestro es un
problema de maximizacin le damos entonces clic en maximizacin.
Damos clic en aceptar y nos aparecer una nueva ventana en la cual veremos en la
primera columna C1, C2, C3; estas son las restricciones del problema. Aparece
adems en la primer fila la letra Z, all colocaremos los coeficientes de las variables
de decisin de la funcin objetivo.
Para tener una mejor interpretacin es necesario que cambiamos los nombres a
las restricciones e incluso a las variables de decisin, para ello nos vamos a Edicin;
elegimos la opcin constraint name y podemos cambiarle el nombre a las
restricciones de igual forma, podemos elegir la opcin variable name y definir bien
quien es x1 y x2.
Cuando hemos introducido los coeficientes de la funcin objetivo y de las
restricciones, entonces podemos irnos a la opcin Solve and Analize y elegimos
Graphic Method, dado que nuestra intencin es resolverlo por el mtodo grfico.
Al hacer esto el programa nos mandar a una nueva ventana, la cual nos indica
que variable conforma el eje de las X y cual conforma el eje de las Y, le damos
aceptar y ante nosotros aparecer un grfico como el que se muestra a
continuacin.

Pgina 37

Gua Prctica para Investigacin de Operaciones

(2,6)
(0,6)

(4,3)

Regin
Factible

(0,0)

(4,0)

Los pares ordenados que han sido seleccionados son los que acotan la llamada Regin Factible,
son las posibles soluciones al problema y son esenciales para descubrir cual es el ptimo. El
siguiente paso es evaluar cada uno de estos puntos y encontrar el que maximice nuestras
utilidades al mayor porcentaje posible.
6. Soluciones factibles.
Valores permitidos
de la regin factible
(0,0)

x1 , x2

(0,6)
(2,6)
(4,3)
(4,0)

Funcin Objetivo

Z
Z
Z
Z
Z

Z 3x1 5x2
3(0) 5(0)
3(0) 5(6)
3(2) 5(6)
3(4) 5(3)
3(4) 5(0)

Soluciones factibles
(FEV)
0
30
36
27
12

Despus de haber analizado las soluciones factibles vemos que la que nos da la mxima
utilidad es el punto (2,6)
Esto se interpreta de la siguiente manera:
7. Soluciones ptimas:
Para obtener la mxima utilidad que es de $36,000 tendremos que
producir dos lotes del producto 1 y 6 lotes del producto 2.

Pgina 38

Gua Prctica para Investigacin de Operaciones

Problema 2.
Rulisa fabrica masa para pasteles de tipo I y II. La de tipo I la vende a 5 euros el kilo, gastando 1
euro en ingredientes y 2 en mano de obra. La de tipo II se vende a 3 euros y cuestan 1 euro,
tanto los ingredientes como el trabajo. Para hacer las masas se necesitan dos tipos de
actividades: amasado y horneado. Rulisa dispone de 18 horas de amasado y 12 de horneado a
la semana. La masa de tipo I necesita 2 horas de amasado
Y 3 de horneado, mientras que la de tipo II, necesita 3 de amasado y 1 de horneado.
Si la cantidad de masa que se puede vender es ilimitada, optimizar los beneficios semanales de
Rulisa.
Anlisis del problema

Identifiquemos los datos que necesitamos para la para definir el modelo:

Nmero de horas disponibles para produccin, por semana. (18 para amasado
y 12 para horneado)

Nmero de horas que requiere cada tipo de masa (tipo I y II) en amasado y
horneado.

La ganancia por cada producto (precio de venta - costos de produccin) de

cada uno.

La tabla siguiente resume los datos reunidos.

Actividades

Tiempo de produccin por producto, horas

Tipo de masa
I

Amasado
Horneado
Ganancias Por
Producto

II
2
3
2

3
1
1

Tiempo de produccin
disponible a la
semana, horas
18
12

Para lograr una mejor solucin del problema definiremos nuestras variables de decisin, las
cuales son:
1. Variables de decisin

x1 Kilogramos de masa I a fabricar semanalmente.

x2 Kilogramos de masa II a fabricar semanalmente.

Pgina 39

Gua Prctica para Investigacin de Operaciones

En este caso la funcin objetivo estar compuesta por la ganancia obtenida por cada tipo
de masa y por las variables de decisin. El problema que estamos resolviendo es un
problema de maximizacin.
2. Funcin Objetivo
Maximizar

z f ( x1 , x2 ) 2 x1 x2

Dado que este producto requiere de dos operaciones fundamentales (Amasado, Horneado) las
restricciones estarn dadas por la capacidad en horas semanales para estas actividades.
Adems colocaremos la restriccin de no negatividad.
3. Restricciones

2 x1 3x2 18
3x1x2 12

x1 0
x2 0

Tiempo mximo de amasado permitido

Tiempo mximo de horneado permitido

Restricciones de no negatividad

4. Ahora se puede formular el modelo matemtico del problema para lo cual definimos
la funcin objetivo a maximizar, sujeta a las restricciones que se sealaron
anteriormente.
Maximizar z 2 x1 x2
S. a

2 x1 3x2 18
3x1x2 12
5. Con la forma estndar del modelo, graficamos para encontrar la regin factible.

x1 0

x 0

Para graficar la regin factible 2es necesario que conozcamos los puntos por donde pasan las
diferentes rectas por lo que hacemos uso de el mtodo de intercepto. Aunque existen otros

Pgina 40

Gua Prctica para Investigacin de Operaciones

formas de resolver sistemas de ecuaciones haremos uso de este por considerarlo ms sencillo
de utilizar.
Primero cambiamos el signo por el =.
Elegimos de las ecuaciones.

2 x1 3 x2 18

x2 0

x1 0

2 x1 3(0) 18

2(0) 3 x2 18

x1 18 / 2

x2 18 / 3

x1 9

x2 6
Punto1 (0,6)
Punto2 (9,0) este punto queda descartado dado que no es uno de los vrtices de la regin
factible

3 x1 x2 12

x2 0

x1 0

3 x1 0 12

3(0) x2 12

x1 12 / 3

x2 12

x1 4

Punto3 (0,12)
Punto (4,0)

Descartamos este punto dado que No forma parte de la regin Factible.

Para encontrar la intercepcin de las rectas 2 x1 3x2 18 y 3x1 x2 12 usamos el mtodo

de sustitucin. Vemoslo a continuacin.

2 x1 3 x2 18

3 x1 x2 12
2 x1 3(12 3 x1 ) 18
2 x1 9 x1 36 18
7 x1 18
x1 18 7
x2 30 7

Dado que no todos los puntos son parte de la regin factible, podemos decir que los vrtices
de la regin factible son:

Pgina 41

Gua Prctica para Investigacin de Operaciones

3x1 x2 12

(0,6)
(18/7,30/7)

2 x1 3x2 18

(4,0)

(0,0)

Para encontrar la solucin ptima es necesario que evaluemos todos los valores de los vrtices
en la funcin objetivo.
6. Soluciones factibles.

Valores permitidos
de la regin factible
(0,0)

x1 , x2

(0,6)
(18/7, 30/7)
(4,0)

Funcin Objetivo

Z
Z
Z
Z

Z 2 x1 x2
2(0) 0
2(0) 6
2(18 / 7) 30 / 7
2(4) 0

Soluciones factibles
(FEV)
0
6
66/7
8

La solucin ptima se puede analizar de la siguiente manera.

7. Soluciones ptimas:
Para alcanzar la mxima utilidad es necesario que la empresa produzca 18/7 kg de masa de
tipo I y 30/7 Kg de masa de tipo II, para alcanzar una utilidad mxima de 66/7 de euros.

Pgina 42

Gua Prctica para Investigacin de Operaciones

GUA PRCTICA # 2
Solucin Grfica de PPL
Unidad 2: Programacin lineal
Contenidos:

Construccin del modelo de programacin lineal.

Solucin grfica del problema bidimensional

Objetivos: A l finalizar la prctica el estudiante adquiera las siguientes habilidades:

Resolver problemas de programacin lineal con dos y tres restricciones a

travs del Mtodo Grfico.
Graficar la regin de factibilidad en un sistema de coordenadas, haciendo uso
de las restricciones del problema de programacin lineal.
Hacer uso del IOR Tutoral para encontrar la regin de factibilidad del problema
de programacin lineal.
Encontrar la solucin al problema de programacin lineal de dos y tres
restricciones.

I.

Resuelva los siguientes problemas por el mtodo grafico.

Problema 1:
La compaa INTEL produce dos dispositivos para computadoras, (producto 1 y
producto 2) y requiere partes de metal y componentes elctricos. La administracin
desea determinar cuantas unidades de cada producto fabricar para maximizar la
ganancia. Por cada unidad del producto 1 se requiere 1 unidad de partes de metal y 2
unidades de componentes elctricos. Por cada unidad del producto 2 se necesitan 3
unidades de partes de metal y 2 unidades de componentes elctricos. La compaa
tiene 200 unidades de partes de metal y 300 componentes elctricos. Cada unidad del
producto 1 da una ganancia de $ 2 y cada unidad del producto 2 da una ganancia de $
3.00
a) formule un modelo de programacin lineal.
b) Utilice el mtodo grafico para resolver este modelo. Cul es la
ganancia total que resulta?

Materiales

Unidades de Material para cada Total de unidades

dispositivo
disponibles
de
cada
material
Producto 1
Producto 2

Ganancias por unidad

Pgina 43

Gua Prctica para Investigacin de Operaciones

1. Variables de decisin

2. Funcin Objetivo

3. Restricciones

4. Formule el modelo matemtico del PPL.

Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.

Forma estndar del modelo:

5. Con la forma estndar del modelo, graficamos para encontrar la regin

factible.

Pgina 44

Gua Prctica para Investigacin de Operaciones

6. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

7. Soluciones ptimas:

Problema 2:
Una fbrica de bombones tiene almacenados 500 Kg.. de chocolate, 100 Kg.. de
almendras y 85 Kg.. de frutas. Produce dos tipos de cajas: las de tipo A contienen 3
Kg. de chocolote, 1 Kg. de almendras y 1 Kg. de frutas; la de tipo B contiene 2 Kg. de
chocolate, 1,5 Kg. de almendras y 1 Kg. de frutas. Los precios de las cajas de tipo A y
B son 13 y 13,50 , respectivamente. Cuntas cajas de cada tipo debe fabricar para
maximizar sus ventas?

Pgina 45

Gua Prctica para Investigacin de Operaciones

Caja tipo A

Caja tipo B

Disponibles

Chocolate
Almendras
Frutas
Precio en euros

1. Variables de decision

2. Funcin Objetivo

Pgina 46

Gua Prctica para Investigacin de Operaciones

Restricciones

3. Formule el modelo matemtico del PPL.

Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.

Forma estndar del modelo:

4. Con la forma estndar del modelo, graficamos para encontrar la regin

factible.

Pgina 47

Gua Prctica para Investigacin de Operaciones

5. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

6. Soluciones ptimas:

Problema 3:
Un laboratorio de Cmputos, almacena, al menos 300 Computadoras de un tamao y
400 de un segundo tamao. Se ha decidido que el nmero total de computadoras
almacenadas no debe exceder de 1200. Determine las cantidades posibles de estos
dos tipos de computadoras que pueden almacenarse.
Restricciones

Tipo de Computadoras
Computadora 1
Computadora 2

Total
Computadoras

Tipos de Computadoras

1. Variables de decisin

2. Funcin Objetivo

3. Restricciones

Pgina 48

Gua Prctica para Investigacin de Operaciones

4. Formule el modelo matemtico del PPL.
Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.
Forma estndar del modelo:

5. Con la forma estndar del modelo, graficamos para encontrar la regin

factible.

6. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

7. Soluciones ptimas:

Pgina 49

Gua Prctica para Investigacin de Operaciones

El Mtodo Simplex
Para la solucin de un problema de PL
Para resolver los problemas de PL se utilizan varios Algoritmos. El ms antiguo y ms
utilizado sigue siendo el Algoritmo del Simplex debido a Dantzig.
La solucin de los problemas de programacin lineal parte de dos teoremas
fundamentales:
El conjunto factible de un problema de PL puede representarse mediante un
poliedro convexo.
Si un PL tiene solucin ptima y finita sta se encuentra en uno de los vrtices
del poliedro convexo.
De ellos se deduce que:
Puesto que el nmero de vrtices de un poliedro factible es finito, el nmero de
posibles soluciones de un PL tambin es finito.
Esto sugiere, inicialmente, un algoritmo para calcular la solucin ptima:
Calcular el valor de la funcin objetivo en cada vrtice del conjunto factible y escoger
el mejor. Sin embargo, el nmero de vrtices de un conjunto factible es:

m n
(m n)!

m
m! (m n - m)!
m = nmero de restricciones
n =nmero de variables
Ejemplo: S m=3;

n=2; entonces el nmero de Vrtices=10

El concepto de vrtice es de naturaleza geomtrica y es poco adecuado para construir

un algoritmo utilizable por ordenadores.
Conceptos importantes:
Variable bsica: Una de las variables restantes, diferentes a las no-bsicas, de un
programa lineal en forma estndar (igual en nmero al total de restricciones de
igualdad)
Variable no bsica: conjunto seleccionado de variables de un programa lineal en
forma estndar (en nmero igual al total de variables menos el nmero de
restricciones de igualdad) cuyos valores se toman como cero.
Forma estndar: Una forma particular de un problema de programacin lineal en el
que la funcin objetivo debe ser maximizada; solamente existen restricciones de
igualdad y todos los lados derechos de las variables son no negativos

Pgina 50