REVISIN DE LAS METODOLOGAS DE PROGRAMACIN POR OBJETIVOS Y DE

PROGRAMACIN NO LINEAL

Jefferson AndrsBeltrn Bernal

Lina MarcelaCrdenas Bolvar
Claudia Liliana Prez Sosa
Mara Soledad Sanguino Aponte

Ingeniero Ernesto Fabin Sampayo Oliveros

INSTITUCIN UNIVERSITARIA POILITCNICO GRANCOLOMBIANO

INVESTIGACIN DE OPERACIONES
2014

TABLA DE CONTENIDO
1. OBJETIVO PRINCIPAL...............................................................................................4
1.1.

OBJETIVOS SECUNDARIOS..............................................................................4

2. JUSTIFICACION..........................................................................................................5
3. DECISIN MULTICRITERIO.......................................................................................6
3.1.

MTODO DEL SCORING...................................................................................8

3.2. ANALISIS MULTICRITERIO: MODELO PROCESO ANALTICO

JERRQUICO(AHP, THOMAS SAATY).........................................................................8
4. PROGRAMACION POR OBJETIVOS.......................................................................10
4.1.

ECUACIN OBJETIVO PARA CADA META......................................................10

4.2.

FUNCIN OBJETIVO.........................................................................................11

4.3.

PROGRAMACIN POR OBJETIVOS NO SECUENCIAL.................................11

4.4.

PROGRAMACIN POR OBJETIVOS SECUENCIAL........................................12

5. PROGRAMACION LINEAL.......................................................................................13
5.1. ...............FORMULACION DE UN PROBLEMA DE PROGRAMACION LINEAL
14
5.2. ..........FASES EN LA RESOLUCION DE PROBLEMAS DE PROGRAMACION
LINEAL..........................................................................................................................14
5.3 . ....TIPO DE SOLUCIONES EN UN PROBLEMA DE PROGRAMACION LINEAL
15
5.3.1. EL PROBLEMA DE PROGRAMACIN LINEAL FORMULADO
MATRICIALMENTE (ESTNDAR):...........................................................................15
5.3 .2. ........................................................................................MTODO GRAFICO
16
5.3.3.

ALGORITMO DEL SIMPLEX.......................................................................17

6. PROGRAMACION NO LINEAL...................................................................................21
6.1. FORMULACION DE UN PROBLEMA DE PROGRAMACION NO LINEAL
(P.P.N.L.).......................................................................................................................22
6.2. TIPOS DE PROBLEMAS.......................................................................................23
6.2.1. OPTIMIZACIN NO RESTRINGIDA..............................................................24
6.2.2. OPTIMIZACIN LINEALMENTE RESTRINGIDA...........................................25
6.2.3. PROGRAMACIN CUADRTICA..................................................................26
6.2.4. PROGRAMACIN CONVEXA........................................................................27
6.2.4. PROGRAMACIN SEPARABLE....................................................................27

REFERENCIAS BIBLIOGRAFICAS.................................................................................29
CIBERGRAFIA.................................................................................................................29

1.

OBJETIVO PRINCIPAL
Solucionar problemas presentados en las situaciones cotidianas que se viven a
diario utilizando de manera adecuada el mtodo de la programacin por
objetivos, las diferentes categoras de solucin de programacin lineal.

1.1.

OBJETIVOS SECUNDARIOS

Utilizar mtodos de programacin por objetivos para alcanzar varios

de manera simultnea.
Jerarquizar los resultados del mtodo asocindoles una ponderacin a

cada uno.
Establecer un objetivo numrico especfico para cada uno de los

objetivos a solucionar.
buscar una solucin

que minimice la suma ponderada de las

desviaciones de estas funciones objetivo de sus metas respectivas.

2. JUSTIFICACION
A travs de la siguiente investigacin se busca

hacer una identificacin de

situaciones para utilizar de manera adecuada las metodologas de programacin por

objetivos y de programacin no lineal y las diferentes categoras de problemas de
programacin lineal con el fin de resolver lasproblemticas que se presenten a
diario en un nuestro ambiente ya sea profesional o personal.
Verdaderamente lo que se busca es estar en la capacidad de dar soluciones
ptimas utilizando las tcnicas aprendidas a lo largo del desarrollo de este proyecto,
realizando los procesos manualmente o ayudados por SOFWARE (WIN QSB).

3. DECISIN MULTICRITERIO
Una nica opcin en la toma de decisin puede tornarse insuficiente cuando se
analizan problemas complejos, sobre todo cuando las decisiones pueden afectar
a muchas personas. Por todo esto se debe optar por generar discusiones e
intercambios entre los actores, que por su conocimiento y experiencia pueden
ayudar a estructurar el problema y evaluar las posibles soluciones.
Todo proceso de toma de decisiones comprende de manera general los
siguientes pasos:

Anlisis de la situacin.
Identificacin y solucin del problema.
Identificacin de aspectos relevantes que permiten evaluar las

posibles soluciones.
Aplicacin de un modelo de decisin para obtener un resultado global.
Realizacin de un anlisis de sensibilidad.

Los mtodos de evaluacin y decisin multicriterios comprenden la seleccin

entre un conjunto de alternativas factibles, la optimizacin con varias funciones
objetivos simultneamente, un agente decisor y procedimientos de evaluacin
racionales y consistentes (Eduardo Martnez, 1998).
Los principios de estos mtodos se derivan de la Teora de Matrices, Teora de
Grafos, Teoras de las Organizaciones, Teora de la Media, Investigacin de
Operaciones, Teora de las Decisiones Colectivas entre otras.
En la Decisin Multicriterio un elemento clasificador es el nmero de alternativas
a tener en cuenta en la decisin, que puede ser finito o infinito. Dependiendo de
esta situacin existen diferentes mtodos. Cuando el nmero de alternativas
tiene un nmero infinito de valores posibles del problema se llama Decisin
Multiobjetivo. Por el contrario cuando el nmero de alternativas es finito se
denominan Decisin Multicriterio Discreta. Estos problemas son ms comunes
en la realidad y se utilizan para realizar una evaluacin y decisin respecto a

problemas que por naturaleza o diseo, admiten un nmero finito de alternativas

de solucin a travs de:
A. Una familia de criterios de evaluacin (atributos, objetivos) que permiten
evaluar cada una de las alternativas (analizar sus consecuencias), conforme
a los pesos (o ponderaciones) asignadas por el agente decisor y que reflejan
la importancia (preferida) relativa de cada criterio.
B. Un conjunto de alternativas estables, generalmente finito (soluciones
factibles que cumplen con las restricciones posibles o previsibles), se
asumen que cada una de ellas es perfectamente identificada, aunque no son
necesariamente conocidas en forma exacta y completa de todas sus
consecuencias cuantitativas y cualitativas.
C. Una Matriz de decisin o de impactos que resume la evaluacin de cada
alternativa conforme a cada criterio, una valoracin (precisa o subjetiva) de
cada una de las soluciones a la luz de cada uno de los criterios, la escala de
medida de las evaluaciones puede ser cuantitativa o cualitativa, y los medios
pueden expresarse en escala cardinal (razn o intervalo), ordinal, nominal y
probabilsticas.
D. Una metodologa o modelo de agregacin de preferencias en una sntesis
global, ordenacin, clasificacin, participacin, jerarquizacin de dichos
juicios para determinar la solucin que globalmente recibe las mejores
evaluaciones.
E. Un proceso de toma de decisiones (contexto de anlisis) en el cual se lleva a
cabo una negociacin consensual entre los actores o interesados
(analista-"experto"-, decisor y usuario)".(Eduardo Martnez, 1998).
Los mtodos de evaluacin y decisin multicriterios discretos son: ponderacin
Lineal (scoring), utilidad multiatributo (MAUT), Relaciones de Superacin y
Anlisis Jerrquico (AHP -AnalyticHierarchyProcess- o Proceso Analtico
Jerrquico),

3.1.

MTODO DEL SCORING

El mtodo del Scoring es una manera rpida y sencilla para identificar la

alternativa preferible en un problema de decisin multicriterio.
Las etapas del mtodo son los siguientes:
1.
2.
3.
4.
5.

Identificar la Meta General del Problema

Identificar las Alternativas
Listar los Criterios a emplear en la toma de decisin
asignar una ponderacin para cada uno de los Criterios
Establecer en cuanto satisface cada Alternativa a nivel de cada uno de los

Criterios
6. Calcular el Score para cada una de las Alternativas
7. Ordenar las Alternativas en funcin del Score. La Alternativa con el Score
ms altorepresenta la Alternativa a recomendar.
Modelo para Calcular el Score:
Dnde:

r ij

S j = w i r ij
i

= rating de la Alternativa j en funcin del Criterio i

w i = ponderacin para cada Criterio i

S j = Score para la Alternativa j

3.2.

ANALISIS

MULTICRITERIO:

MODELO

PROCESO

ANALTICO

JERRQUICO(AHP, THOMAS SAATY)

El mtodo AHP es un procedimiento diseado para cuantificar juicios u
opiniones gerencialessobre la importancia relativa de cada uno de los
criterios en conflicto empleados en el proceso detoma de decisin.
Las 8 etapas del mtodo AHP son las siguientes:
1. Descomponer el Problema de Decisin en una jerarqua de elementos
interrelacionados, Descomponer el Problema de Decisin en una jerarqua
de elementos interrelacionados, identificando : (a) la Meta General, (b) los
Criterios (i=1,2,m) y (c) las Alternativas posibles(j=1,2,n).
Para Cada uno de los m Criterios repetir las Etapas (2) a (5)

2. Desarrollar la Matriz de Comparacin por Pares (MCP) de Alternativas para

cada uno de loscriterios estableciendo el rating de importancia relativa entre
ambas Alternativas consideradas.
El Rating se establece a partir de la escala siguiente:
1=igualmente preferida
3=modernamente preferida
5=fuertemente preferida
7=muy fuertemente preferida
9=extremadamente preferida
Pueden asignarse los valores intermedios 2,4,6,8. Un rating recproco (ej. 1/9,
1/7, 1/5, 1/3,) seaplica cuando la segunda alternativa es preferida a la
primera. El valor 1 es siempre asignado a lacomparacin de una alternativa
con si misma
3. Desarrollar la Matriz normalizada (MCN) dividiendo cada nmero de una
columna de la Matriz de Comparacin por pares por la suma total de la
columna.
4. Desarrollar el Vector de Prioridad para el Criterio calculando el promedio de
cada fila de la Matriz Normalizada. Este promedio por fila representa el Vector
de Prioridad de la Alternativa con respecto al criterio considerado.
5. La Consistencia de las opiniones utilizadas en la Matriz de Comparacin por
pares puede ser determinada a travs del cociente de consistencia (RC). Un
CR inferior a 0.10 es considerado aceptable. Para aquellos casos en que
CR>0.10, las opiniones y juicios debern ser reconsiderados.
6. Luego de que la secuencia (2)-(3)-(4)-(5) ha sido ejecutada para todos los
criterios, los resultados obtenido en (4) son resumidos en una Matriz de
Prioridad (MP) , listando las Alternativas por fila y los Criterios por Columna
7. Desarrollar una Matriz de Comparacin de Criterios por pares de manera
similar a lo que se hizo para las Alternativas en (2)-(3)-(4)
8. Desarrollar un Vector de Prioridad Global multiplicando el vector de prioridad
de los Criterios (7) por la Matriz de prioridad de las Alternativas (6).

4. PROGRAMACION POR OBJETIVOS

Existen numerosos ejemplos de aplicacin en las Ciencias de la Administracin

en los cualesse presentan objetivos mltiples con conflicto de intereses :
estrategia de inversiones financieras (riesgo-rendimiento),proyectos tecnolgicos
(costos, incremento de productividad, riesgo tecnolgico), seleccin de la
localizacin de una nueva planta industrial(ventajas impositivas, costos de
transporte), asignacin de recursos humanos(restricciones presupuestales,
riesgos de incumplimientos), La Programacin por Objetivos proporciona una
manera racional de intentar alcanzar varios objetivos de manera simultnea,
jerarquizando los mismos oasocindoles una ponderacin a cada uno.
El enfoque bsico de la Programacin por Objetivos es establecer un
objetivonumrico especfico para cada uno de los objetivos, formular una
funcinobjetivo para cada uno y despus buscar una solucin que minimice la
sumaponderada de las desviaciones de estas funciones objetivo de sus
metasrespectivas.
Las metas mencionadas se pueden clasificar de la siguiente manera:
A. Meta unilateral inferior: establece un lmite inferior por abajo del cual noSe
quiere ir (pero se aceptan desvos a la meta que deber minimizarse)
Ej:

a1 x1 + a2 x 2 Meta1

B. Meta unilateral superior: establece un lmite superior que no se quiere

exceder (pero se aceptan desvos a la meta que deber minimizarse)
Ej:

a1 x1 + a2 x 2 Meta2

C. Meta bilateral: establece un blanco especfico que no se quiere perder

hacia ningn lado
Ej:

4.1.

a3 x 1+ a3 x 2 Meta3

ECUACIN OBJETIVO PARA CADA META

En el modelo de Programacin por Objetivos existen dos tipos de
restriccionesFuncionales: las restricciones ordinarias de Programacin Lineal
(restriccionesduras o estrictas) y las ecuaciones objetivo (blandas o
flexibles). Las restricciones duras requieren ser cumplidas de manera

estricta.Las restricciones blandas pueden admitir desvos a la meta

establecida, pero estos desvos estarn asociados a una penalizacin que se
reflejar en un parmetroen la Funcin Objetivo.
a. Valor objetivo de la Meta: El Valor de la Meta se descompone en dos
elementos: (1) el valor correspondiente al nivel de la Meta alcanzado
efectivamente y (2) la desvo o diferencia entre el valor meta y el nivel
alcanzado (d)
b. Variables de desvo: Para formalizar los desvos aceptados a cada una
delas metas se emplea las variables auxiliares (d) las que por definicin
puedenobtener valores positivos o negativos.
Para poder hacer operativo el modelo de Programacin Lineal cada (d)
sesustituir por la diferencia de dos variables no-negativas
4.2.

FUNCIN OBJETIVO
Depende del procedimiento, si se consideran los diferentes objetivos de
manera simultnea (Objetivos sin prioridades) o si por el contrario se adopta
un procedimiento secuencial (Objetivos con prioridades).En el primer caso se
tratar de Minimizar una funcin ponderada de las variables de desvo .En el
segundo caso se identificarn m modelos de PL a ser optimizados de
manera secuencial y de acuerdo a los m niveles de jerarqua asignados a
los objetivos. La secuencia se resuelve por nivel de jerarqua, desde el nivel
de mayor prioridad al de menor.

4.3.

PROGRAMACIN POR OBJETIVOS NO SECUENCIAL

Cada meta representa una Ecuacin Objetivo y en la Funcin Objetivo se
incluirn las variables de desvo relevantes correspondientes a cada Objetivo.
Metas prioritarias. En este caso los desvos en la Funcin Objetivo sern
ponderados por los coeficientes de penalizacin. Metas no prioritarias. En
este caso todas las metas tienen una importancia comparable, tienen mismo
nivel de prioridad y los coeficientes de penalizaciones la Funcin Objetivo son
iguales a 1.

4.4.

PROGRAMACIN POR OBJETIVOS SECUENCIAL

Existe una jerarqua de niveles de prioridad para las metas, de modo que las
metas de primordial importancia reciben atencin con primera prioridad y las
de importancia secundaria reciben atencin de segunda prioridad, y as
sucesivamente. Los objetivos de diferente nivel de prioridad no son
comparados de manera simultneamente.

4.4.1. Metas de primera prioridad: representan metas jerarquizadas, porque el

tomador de decisin no est dispuesto a sacrificar ningn resultado de las
meta de este nivel de prioridad.
4.4.2. Procedimiento Secuencial: el programa de objetivos con prioridades
jerarquizadas se resuelve mediante una secuencia de modelos de
Programacin Lineal. En este procedimiento, al pasar de un nivel de prioridad
superior al nivel inferior, las Restricciones Objetivo del nivel superior
inicialmente blandas se convierten en una restriccin dura que no admite
desvos a la meta respectiva. Es decir que no puede sacrificarse nada en el
logro de una meta de prioridad superior al tratar de alcanzar un objetivo
inferior

5. PROGRAMACION LINEAL
La Programacin Lineal es una de las tcnicas agrupadas como programacin
Matemtica, aplicable a problemas de asignacin de recursos limitados, con
actividades competitivas hacia un objetivo comn, que puede ser de maximizar
beneficios o minimizar prdidas. Se utiliza un modelo matemtico con
representacin vlida de la problemtica en estudio; sus relaciones deben ser
lineales, que significa utilizar, slo variables de primer grado en cada trmino.
El objetivo de la Programacin Lineal es encontrar el valor de la funcin que:
Max( Min) z=c 1 x 1+ c 2 x 2++ cn xn

DENOMIDA FUNCION OBJETIVO

La funcin objetivo se encuentra sujeta a una serie de restricciones

st
a 11 x 1+a 12 x 2

++ a1 n xn=b 1

a 21 x 1+a 22 x 2

++a2 n xn=b 2

.
am1 x 1+am 2 x 2++amn xn=bm
Donde

xi0( i=1,2, , n)

son las condiciones de no negatividad de las

variables.
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.

FIGURA 1. TIPOS DE REGIONES FACTIBLE

5.1. FORMULACION DE UN PROBLEMA DE PROGRAMACION LINEAL

Para que un modelo de Programacin Lineal sea vlido, debe cumplir las
propiedades siguientes:

Proporcionalidad: Significa que la contribucin al valor de la funcin objetivo y

el consumo o requerimiento de los recursos utilizados, son proporcionales al
valor de cada variable de decisin. As el trmino 2x1 es proporcional, porque
contribuye al valor de la funcin z con 2, 4, 8, etc. para los valores 1, 2, 3, etc.,
respectivamente, de x1. Se puede observar el aumento constante y proporcional

de 2 conforme crece el valor de x1.

Aditividad: Significa que se puede valorar la funcin objetivo z, as como
tambin los recursos utilizados, sumando las contribuciones de cada uno de los

trminos que intervienen en la funcin z y en las restricciones.

Divisibilidad: Significa que las variables de decisin son continuas y por lo tanto
son aceptados valores no enteros para ellas. La hiptesis de divisibilidad ms la
restriccin de no negatividad, significa que las variables de decisin pueden

tener cualquier valor que sea positivo o por lo menos igual a cero.
Certidumbre: Significa que los parmetros o constantes son estimados con
certeza, o sea, no interviene una funcin de probabilidad para obtenerlos

5.2. FASES EN LA RESOLUCION DE PROBLEMAS DE PROGRAMACION

LINEAL
Las fases en la resolucin de un problema de Programacin Lineal las podemos
resumir en:
( x 1, x 2, , xn) .

Definir el significado cuantitativo de las variables de decisin

Establecimiento de la funcin objetivo cuyo valor se desea maximizar (utilidad,

rendimiento, ingreso, produccin) o bien minimizar (costo, tiempo, mano de

obra, inventario).
Establecimiento de las restricciones que limitan el valor ptimo que puede tomar
la funcin objetivo. Las restricciones que pueden presentarse son del tipo: i) Si
no se debe exceder del recurso disponible
requerido

(); ii

(); iii ) Para igualar el recurso especificado

Para no menos de lo
() .

Resolucin del problema y anlisis de la solucin o soluciones.

5.3. TIPO DE SOLUCIONES EN UN PROBLEMA DE PROGRAMACION LINEAL

5.3.1. EL PROBLEMA DE PROGRAMACIN LINEAL FORMULADO

MATRICIALMENTE (ESTNDAR):
T
Min z=C X
st

AX =b
X

Donde A es una matriz de m filas (restricciones) y n columnas (variables), siendo n

>= m. Generalmente las restricciones aparecen en forma de desigualdad y son
convertidas en igualdades al introducir las variables de holgura, esto hace que la
suposicin de que n >= m est justificada. Adems se supondr que la matriz A tiene
rango m; lo que quiere decir que pueden seleccionarse m columnas de A de manera
que la matriz que forman tenga determinante no nulo. El hecho de exigir que el
rango de la matriz A sea m implica evitar que en el problema aparezcan restricciones
redundantes o contradictorias. Las restricciones redundantes pueden eliminarse de
la formulacin del problema y las contradictorias provocan que el espacio de
soluciones factibles sea vaco y el problema no tenga solucin.
Las soluciones de un problema de programacin lineal se clasifican en:

Solucin factible: Es un conjunto de

ordenadamente como un vector

n+m

variables

x j,

definidas

X =( x 1, x 2, ... xj, ... xn , xn+1, ... , xn+ m)

que

satisface el conjunto de ecuaciones que constituyen el sistema (2.2) y (2.3)

sus componentes son todas positivas o nulas.

Solucin bsica: Solucin bsica: aquella que resulta de (2.2) al hacer (n-m)
variables iguales a 0. Cada una de las submatrices de A con determinante

distinto de cero (es decir, invertibles) formadas seleccionando m columnas de

A se llama matriz bsica o matriz de base. Si B es una de esas matrices, se
dice que es una matriz bsica factible si el vector resultante de multiplicar su
inversa por el vector b tiene todas sus componentes mayores o iguales que

cero
Solucin factible bsica: aquella que es solucin bsica y cumple (2.3), esto

es, todas las variables son no negativas

Solucin factible bsica no degenerada: aquella que es solucin factible
bsica que tiene exactamente m variables

xi positivas , es decir, todas las

variables bsicas son positivas.

Solucin factible mnima: aquella que es factible y hace mnimo z.
No factibles: alguna componente tiene un valor negativo

5.3.2.

MTODO GRAFICO

Lo que se pretende con el mtodo grfico es dar una visin geomtrica del problema
que queremos resolver. Es evidente que su precisin no es la deseada, pero nos
puede dar una aproximacin a lo que queremos resolver.
El procedimiento a seguir es:
1. Dibuje la grfica de cada restriccin sobre el mismo cuadrante no negativo
2. Convierta las desigualdades en igualdades y represente la rectas que
representan estas ecuaciones
3. Escoja cualquier punto de ensayo que no pertenezca a la recta
4. Evale el primer miembro de la expresin. Sustituya el punto de ensayo en el
primer miembro de la desigualdad y obtenga el valor numrico
5. Determine si el punto de ensayo satisface la desigualdad.
6. Si el punto de ensayo satisface la desigualdad original, entonces todos los
puntos que estn del mismo lado que el punto de ensayo satisfacen la
desigualdad, en caso contrario ser un punto no factible
7. Localice la regin de soluciones factibles (Regin Factible)
8. Dibuje una recta arbitraria de la funcin objetivo, por ejemplo pasando por el
origen, para obtener la pendiente de la funcin objetivo
9. Determine la direccin ascendente o descendente de esta recta.

10. Dada la pendiente de la funcin objetivo y teniendo en cuenta si es un

problema de maximizar o minimizar, determine el vrtice del conjunto factible
que est sobre la recta que representa la funcin objetivo.
11. Los valores de las variables de decisin, en este vrtice, dan la solucin al
problema
El valor ptimo de la funcin objetivo se obtiene sustituyendo los valores ptimos
de las variables de decisin en la funcin objetivo

5.3.3. ALGORITMO DEL SIMPLEX

El mtodo Simplex es un procedimiento iterativo que permite mejorar la
solucin de la funcin objetivo en cada paso. El proceso concluye cuando no
es posible continuar mejorando dicho valor, es decir, se ha alcanzado la
solucin ptima (el mayor o menor valor posible, segn el caso, para el que
se satisfacen todas las restricciones). Partiendo del valor de la funcin
objetivo en un punto cualquiera, el procedimiento consiste en buscar otro
punto que mejore el valor anterior. La bsqueda se realiza mediante
desplazamientos por las aristas del polgono, desde el vrtice actual hasta
uno adyacente que mejore el valor de la funcin objetivo. Siempre que exista
regin factible, como su nmero de vrtices y de aristas es finito, ser posible
encontrar la solucin. El mtodo Simplex se basa en la siguiente propiedad: si
la funcin objetivo Z no toma su valor mximo en el vrtice A, entonces existe
una arista que parte de A y a lo largo de la cual el valor de Z aumenta.
Ser necesario tener en cuenta que el mtodo Simplex nicamente trabaja
con restricciones del problema cuyas inecuaciones sean del tipo "" (menor o
igual) y sus coeficientes independientes sean mayores o iguales a 0. Por
tanto habr que estandarizar las restricciones para que cumplan estos
requisitos antes de iniciar el algoritmo del Simplex. En caso de que despus
de ste proceso aparezcan restricciones del tipo "" (mayor o igual) o "="
(igualdad), o no se puedan cambiar, ser necesario emplear otros mtodos
de resolucin, siendo el ms comn el mtodo de las Dos Fases.

La forma estndar del modelo de problema consta de una funcin objetivo

sujeta a determinadas restricciones:
Funcin objetivo :

Sujeto a

c 1 x 1+c 2 x 2+...+cnxn

a 11 x 1+ a 12 x 2+...+a 1 n xn=b 1

a 21 x 1+ a 22 x 2+...+a 2 nxn=b 2
...
am1 x 1+am 2 x 2+...+amnxn=bm

x 1,. .., xn 0
El modelo debe cumplir las siguientes condiciones

1. El objetivo consistir en maximizar o minimizar el valor de la funcin

objetivo (por ejemplo, incrementar ganancias o reducir prdidas,
respectivamente).
2. Todas las restricciones deben ser ecuaciones de igualdad
(identidades matemticas).
3. Todas las variables (xi) deben tener valor positivo o nulo (condicin
de no negatividad).
4. Los trminos independientes (bi) de cada ecuacin deben ser no
negativos.
Hay que adaptar el problema modelado a la forma estndar para poder
aplicar el algoritmo del Simplex

Como se ha comentado, el objetivo del mtodo consistir en optimizar el

valor de la funcin objetivo. Sin embargo se presentan dos opciones:
obtener el valor ptimo mayor (maximizar) u obtener el valor ptimo menor
(minimizar).
Adems existen diferencias en el algoritmo entre el objetivo de
maximizacin y el de minimizacin en cuanto al criterio de condicin de
parada para finalizar las iteraciones y a las condiciones de entrada y
salida de la base. As:

Objetivo de maximizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor
negativo.
Condicin de entrada a la base: el menor valor negativo en la fila Z (o el
de mayor valor absoluto entre los negativos) indica la variable Pj que
entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente

P 0/ Pj

de

los estrictamente positivos.

Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor
positivo.
Condicin de entrada a la base: el mayor valor positivo en la fila Z indica
la variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la
variable que sale se determina mediante el menor cociente P0/Pj de los
estrictamente negativos.
No obstante, es posible normalizar el objetivo del problema con el fin de
aplicar siempre los mismos criterios en lo referente a la condicin de
parada del algoritmo y a las condiciones de entrada y salida de las
variables de la base. De esta forma, si el objetivo es minimizar la
solucin, se puede cambiar el problema a otro equivalente de
maximizacin simplemente multiplicando la funcin objetivo por "1". Es

decir, el problema de minimizar Z es equivalente al problema de

maximizar (-1)Z. Una vez obtenida la solucin ser necesario

multiplicarla tambin por (-1).

Construccin de la primera tabla:

Las columnas de la tabla estn dispuestas de la siguiente forma: la primera

columna de la tabla contiene las variables que se encuentran en la base (o
variables bsicas), esto es, aquellas que toman valor para proporcionar una
solucin; la segunda columna recoge los coeficientes que dichas variables
bsicas tienen en la funcin objetivo (esta columna es llamada Cb); la
tercera muestra el trmino independiente de cada restriccin (P0); a partir
de sta aparece una columna por cada una de las variables de decisin y
holgura presentes en la funcin objetivo (Pj). Para tener una visin ms
clara de la tabla, se incluye una fila que contiene los ttulos de cada una de
las columnas.
Sobre esta tabla se agregan dos nuevas filas: una de ellas, que lidera la
tabla, donde aparecen los coeficientes de las variables de la funcin
objetivo, y una ltima fila que recoge el valor la funcin objetivo y los costes
reducidos Zj - Cj.
Se muestra a continuacin el aspecto general de la tabla del mtodo
Simplex:

Figura 2. Tabla Inicial Mtodo Simplex

Todos los valores incluidos en la tabla vendrn dados por el modelo del
problema salvo los valores de la fila Z (o fila indicadora). Estos se obtienen
de

la

siguiente

Zj=(CbiPj) para i=1. . m, donde si j=0, P 0=bi y C 0=0 ,

contrario

forma:
y

en

caso

Pj=aij .

Se observa, al realizar el mtodo Simplex, que en esta primera tabla

ocupan la base todas las variables de holgura y por ello (todos los
coeficientes de las variables de holgura son 0 en la funcin objetivo) el
valor inicial de Z es cero.
Por este mismo motivo tampoco es necesario realizar los clculos de los
costes reducidos en la primera tabla, pudindose determinar directamente
como el cambio de signo de los coeficientes de cada variable en la funcin
objetivo, esto es, -Cj.
6. PROGRAMACION NO LINEAL
Aunque los problemas de programacin lineal son muy comunes y cubren un amplio
rango de aplicaciones, en la vida real uno se tiene que enfrentar con cierta frecuencia
a otro tipo de problemas que no son lineales. Cuando el conjunto de restricciones, la
funcin objetivo, o ambos, son no lineales, se dice que se trata de un problema de
programacin no lineal (PPNL).
Los problemas de optimizacin no lineal son ms difciles de resolver que los
lineales. Estas dificultades aparecen incluso en el caso ms simple como el de
optimizar una funcin de una variable en R sin restricciones
6.1. FORMULACION DE UN PROBLEMA DE PROGRAMACION NO LINEAL
(P.P.N.L.)
Un problema no lineal es un problema de programacin matemtica donde la
funcin objetivo alguna restriccin es no lineal.
Forma general de un P.P.N. L.

M f (x 1 ; ; x 2 ; :::; xn)
M ax
s : a :g 1(x 1; x 2; :::; xn)( ;=; )b 1

g 2(x 1 ; x 2 ; :::; xn)( ;=; )b 2

gm( x 1; x 2; :::; xn)( ;=; )bmComo en Programacion lineal la funcion f (x 1; ; x 2; :::; xn) es

y gi(x 1 ; x 2 ; :: :; xn)( ;=; )bi

; i=1 ;::: ; m son lasrestricciones del mismo . Ademas se supone

que estas f unciones son diferenciables .

Notar que las caracterIsticas y propiedades de los P. N . L . son distintas a las de P. L . y los

algoritmos de optimiz acion son tambien diferentes a losutilizados en P . L .

Tipos de Problemas de Programacin No lineal

Sin restricciones: Estos problemas son un programa matemtico para los que
las variables de decisin no estn restringidas. Su formulacin es de la siguiente
forma:
x 1 ; ; x 2 ; :::; xn
M f
M ax

Este tipo de problemas aparecen de forma natural en distintas reas de la ciencia

tales como Estadstica y Econometra. Otro aspecto importante de este tipo es
que, en ocasiones, un P.N.L. con restricciones se puede resolver a partir de un
sin restricciones.

6.2. TIPOS DE PROBLEMAS

Los problemas de programacin no lineal se presentan de muchas formas
distintas. Al contrario del mtodo smplex para programacin lineal, no se
dispone de un algoritmo que resuelva todos estos tipos especiales de problemas.
En su lugar, se han desarrollado algoritmos para algunas clases (tipos
especiales) de problemas de programacin no lineal. Se introducirn las clases
ms importantes y despus se describir cmo se pueden resolver algunos de
estos problemas.
Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el
problema es de Programacin lineal y puede resolverse utilizando alguno de los
bien conocidos algoritmos de programacin lineal.
Si la funcin objetivo es cncava (problema de maximizacin), o convexa
(problema de minimizacin) y el conjunto de restricciones es convexo, entonces
se puede utilizar el mtodo general de Optimizacin convexa
Existe una variedad de mtodos para resolver problemas no convexos. Uno de
ellos

consiste

en

utilizar

formulaciones

especiales

de

problemas

de

programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y

poda, cuando el problema se divide en subdivisiones a resolver mediante
aproximaciones que forman un lmite inferior del coste total en cada subdivisin.
Mediante subdivisiones sucesivas, se obtendr una solucin cuyo coste es igual
o inferior que el mejor lmite inferior obtenido por alguna de las soluciones
aproximadas. Esta solucin es ptima, aunque posiblemente no sea nica. El
algoritmo puede ser parado antes, con la garanta de que la mejor solucin ser
mejor que la solucin encontrada en un porcentaje acotado. Ello se utiliza en
concreto en problemas importantes y especialmente difciles y cuando el
problema cuenta con costes inciertos o valores donde la incertidumbre puede ser
estimada en un grado de fiabilidad apropiado.
Los tipos de problemas de programacin no lineal son:
Optimizacin no restringida.

Optimizacin linealmente restringida.

Programacin cuadrtica
Programacin convexa.
Programacin separable.
Programacin no convexa.
Programacin geomtrica.
Programacin fraccional.
Problema de complementariedad.

6.2.1. OPTIMIZACIN NO RESTRINGIDA

Los problemas de optimizacin no restringida no tienen restricciones, por lo que
la funcin objetivo es sencillamente
Maximizar f ( x ) sobretodos los valores x ( x 1, x 2, , xn )

lacondicin necesa ria para que una solucin especficaxsea ptima cuando f (x) es una funcindifere

Cuando f (x) es cncava, esta condicin tambin es suficiente, con lo que la

obtencin de x* se reduce a resolver el sistema de las n ecuaciones obtenidas
al establecer las n derivadas parciales iguales a cero. Por desgracia, cuando se
trata

de

funciones no

lineales

f (x),

estas

ecuaciones

suelen

ser no

lineales tambin, en cuyo caso es poco probable que se pueda obtener una
solucin analtica simultnea. Qu se puede hacer en ese caso? Las
secciones 13.4 y 13.5 describen procedimientos algortmicos de bsqueda para
encontrar x* primero para n = 1 y luego para n > 1. Estos procedimientos
tambin tienen un papel importante en la solucin de varios tipos de problemas
con restricciones, que se describirn en seguida. La razn es que muchos algoritmos para problemas restringidos estn construidos de forma que se adaptan
a versiones no restringidas del problema en una parte de cada iteracin.

Cuando una variable Xj tiene una restriccin de no negatividad, x- > 0, la

condicin necesaria (y tal vez) suficiente anterior cambia ligeramente a

Para cada j de este tipo. Esta condicin se ilustra en la figura 13.11, donde la
solucin ptima de un problema con una sola variable es x = 0 aun cuando la
derivada ah es negativa y no cero. Como este ejemplo tiene una funcin
cncava para maximizar sujeta a una restriccin de no negatividad, el que su
derivada sea menor o igual a 0 en # = 0, es una condicin necesaria y suficiente
para que x= 0 sea ptima.

6.2.2. OPTIMIZACIN LINEALMENTE RESTRINGIDA

Los problemas de optimizacin linealmente restringida se caracterizan por
restricciones que se ajustan por completo a la programacin lineal, de manera
que todas las funciones de restriccin g (x) son lineales, pero la funcin objetivo
es no lineal. El problema se simplifica mucho si slo se tiene que tomar en
cuenta una funcin no lineal junto con una regin factible de programacin lineal.
Se han desarrollado varios algoritmos especiales basados en una extensin del
mtodo smplex para analizar la funcin objetivo no lineal.

Un caso especial importante descrito a continuacin es la programacin

cuadrtica.

6.2.3. PROGRAMACIN CUADRTICA

De nuevo los problemas de programacin cuadrtica tienen restricciones
lineales, pero ahora la funcin objetivo /(x) debe ser cuadrtica. Entonces, la
nica diferencia entre stos y un

Problema de programacin lineal es que algunos trminos de la funcin objetivo

incluyen el cuadrado de una variable o el producto de dos variables

6.2.4. PROGRAMACIN CONVEXA

La programacin convexa abarca una amplia clase de problemas, entre ellos
Como casos especiales, estn todos los tipos anteriores cuando /(x) es cncava.
Las suposiciones son
1-f(x) es cncava.
2-Cada una de las g(x) es convexa.
6.2.4. PROGRAMACIN SEPARABLE
La programacin separable es un caso especial de programacin convexa, en
donde la suposicin adicional es
Todas las funciones f(x) y g(x) son funciones 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

Son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando
el mismo razonamiento, se puede verificar que la funcin considerada en la
figura 13.7 tambin es una funcin separable.

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 smplex.

Son cada tina funciones de una sola variable x1 y x2, respectivamente. Usando
el mismo razonamiento, 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 smplex.

REFERENCIAS BIBLIOGRAFICAS

Anderson, Sweeney y Williams Mtodos Cuantitativos para los Negocios(7 Ed.

-1998) pag731-74

Hillier&Lieberman Investigacin de Operaciones (7 Ed. -2002) Cap. 7; pg. 332339.

Hillier&Lieberman (6 Ed. -1997) Cap. 7; pg. 285-292

Anderson, Sweeney y Williams Mtodos Cuantitativos para los Negocios(7 Ed.

-1998) pag731-746

Reklaitis G., Ravindran A., Ragsdell K. (1983), Engineering optimization. Methods

and applications, ed. John Wiley and Sons Inc. Capitulos. 2 y 3

CIBERGRAFIA

Consulta realizada Mircoles 5 de Marzo/2014

http://www.ccee.edu.uy/ensenian/catmetad/material/MdA-Scoring-AHP.pdf
Consulta realizada Viernes 6 de Marzo/2014
http://eco-mat.ccee.uma.es/mateco/Docencia/PM/Leccion%204/CLASE%20DE
%20MULTICRITERIO1.pdf
Consulta realizada Sbado 8 de Marzo/2014
http://sisbib.unmsm.edu.pe/bibvirtualdata/tesis/basic/toskano_hg/cap2.pdf
Consulta realizada Domingo 9 de Marzo/2014
http://www.eco.unrc.edu.ar/wp-content/uploads/2010/10/Decisi%C3%B3nMulticriterio.pdf
Consulta realizada Domingo 9 de Marzo/2014
http://www.angelfire.com/ak6/ilb/4_4.pdf
Consulta realizada Domingo 9 de Marzo/2014
http://www.monografias.com/trabajos40/decision-multicriterio/decisionmulticriterio.shtml
Consulta realizada el 01 de abril/2014
http://recursostic.educacion.es/descartes/web/materiales_didacticos/prog_lineal_l

bc/sistema_pl.htm
Consulta realizada el 05 de Abril/2014
http://ocw.usal.es/eduCommons/ensenanzas-tecnicas/investigacion-operativa-

i/contenidos/TemasIO-I_PDF/Cap02(PL)_IO-I.pdf
Consulta realizada el 10 de Abril/2014
http://148.204.211.134/polilibros/portal/Polilibros/P_terminados.../InvOperac-1Virginia/InvOperac/UMD/Unidad

%202/Contenido/modelostipicosdeprogramacio.htm#arriba
Consulta realizada el 11 de abril/2014
http://www.phpsimplex.com/teoria_metodo_simplex.htm
Consulta realizada el 13 de Mayo/2014
http://www.ugr.es/~proman/IO1Grado/PDF/Tema_8.pdf
Consulta realizada el 15 de Mayo/2014
http://programacionnolinealsm.wordpress.com/2012/06/24/optimizacion-norestringida/
Consulta realizada el 17 de Mayo/2014
http://www.uv.es/~sala/clase03.pdf