REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIN SUPERIOR

INSTITUTO UNIVERSITARIO POLITECNICO SANTIAGO MARIO
BARINAS ESTADO BARINAS

Programacin lineal avanzada

(Modelos de programacin lineal
paramtricos y enteros)
ESTUDIANTE:
Yannalyt Liberon Gatite
V-24112232

BARINAS, SEPTIEMBRE 2016

INTRODUCCIN

El avance de la investigacin de operaciones la ha hecho indispensable para el

desarrollo en todos los mbitos no nicamente en el rea militar, ya es un hecho que un
factor importante de la implantacin de la Investigacin de Operaciones es el
mejoramiento de las tcnicas disponibles en donde por supuesto el advenimiento de la
revolucin de las computadoras es un factor sumamente importante para el desarrollo
del mismo. Hoy en da se usa toda una gama de computadoras, desde las computadoras
de grandes escalas como las computadoras personales para la Investigacin de
Operaciones.
Debido a la gran importancia que tiene la investigacin de operaciones en la carrera
de ingeniera industrial, se hace indispensable conocer todos los trminos que la
compone, es por ello que desarrollar el presente trabajo con el objetivo de dar a
conocer mis conocimientos del tema.
El trabajo estar direccionado principalmente en la demostracin de mis propios
conocimientos donde estar citando diversos autores que con sus investigacin y
publicaciones me han permito entender de mejor manera el tema.

PROGRAMACIN LINEAL AVANZADA

Marrero F.., (2007) Herramientas para la toma decisiones: La Programacin
Lineal B.C.S. Mxico, INDICA Para la construccin de un modelo de programacin
lineal De forma obligatoria se deben cumplir los siguientes requerimientos:
Requerimiento 1. Funcin objetivo. (F.O).
Debe haber un objetivo (o meta o blanco) que la optimizacin desea alcanzar.

Requerimiento 2. Restricciones y decisiones.

Debe haber cursos o alternativas de accin o decisiones, uno de los cules permite
alcanzar el objetivo
.
Requerimiento 3. La F.O y las restricciones son lineales.
Deben utilizarse solamente ecuaciones lineales o desigualdades lineales.

por ejemplo:
Modelo standard de Programacin Lineal
Optimizar Z = C1X1+ C1X2 +.+ Cn Xn).
Funcin objetivo.
Sujeta a a11X1+ a11X2 +..+ a1nXn) ( b1
a21X1+ a21X2 +..+ a2nXn) ( b1
Restricciones

am1X1+ am1X2 +..+ amnXn) ( bm

Debiendo ser
X1 ( 0, X2 ( 0, .. Xn ( 0
Donde :
Xj : variables de decisin, j = 1,2.., n.
n : nmero de variables.
m : nmero de restricciones.
aij , bi , cj constantes, i = 1,2.., m.
Pasos para la construccin del modelo

1) Definir las variables de decisin.

2) Definir el objetivo o meta en trminos de las variables de decisin.

3) Definir las restricciones.

4) Restringir todas las variables para que sean no negativas.

El mtodo simplex es un procedimiento iterativo que permite tender progresivamente
hacia la solucin ptima. Es un procedimiento sistemtico y eficiente para encontrar y
probar soluciones situadas en los vrtices de optimalidad.
El mtodo requiere que las restricciones sean ecuaciones en lugar de inecuaciones, lo
cual se logra aadiendo variables de holgura a cada inecuacin del modelo, variables
que nunca pueden ser negativas y tienen coeficiente 0 en la funcin objetivo. Para el
modelo formulado anteriormente tenemos:
Z 6X1 4X2 = 0
2X1 + 2X2 + s1 = 160
X1 + 2X2 + s2 = 120
4X1 + 2X2 + s3 = 280
Todas las variables son no negativas.
La solucin bsica inicial se obtiene seleccionando las variables de holgura como
variables bsicas, resultando conveniente disponer los valores como se muestran en la
tabla siguiente:

Cada ecuacin debe tener una nica variable bsica(VB), con el coeficiente unidad
en la fila correspondiente.
Esta solucin bsica debe ser examinada para observar si puede ser mejorada. La
presencia de coeficientes negativos en la FO indica que la solucin bsica puede ser
mejorada, pues el valor de Z se incrementar.
Cuando no hay coeficientes negativos, significa que la solucin es ptima.
Para encontrar una solucin mejorada es necesario:

Elegir la variable que entra como la de mayor coeficiente negativo (X1)

Elegir la variable que sale como aquella que al ser removida permita que la
variable que entra a la base pueda tener un valor tan grande como sea posible,
sin violar alguna de las restricciones en el modelo. En este caso la variable S3

deja la base y a su vez X1 se introduce como la nueva variable bsica.

El elemento pivote es el coeficiente que est en la interseccin de la columna de

la variable que entra y la fila de la variable que sale.

Los valores correspondientes a la nueva fila pivote se obtienen dividiendo los

coeficientes de la fila pivote en la tabla inicial por el elemento pivote.

Las otras filas de la solucin mejorada se calculan por la expresin:

Nueva fila = Fila anterior elemento de la columna pivote(nueva fila pivote)

As, se obtiene la siguiente tabla:

Como se puede apreciar esta no es an la solucin ptima Por qu?

Iterando nuevamente se obtiene la tabla correspondiente que se muestra a continuacin:

Es esta la solucin ptima? Si lo es determine entonces los valores de

las variables para el ptimo.
Se ha aplicado el algoritmo para el caso del modelo estndard, cuando se
presentan problemas con restricciones ( o = y el criterio de optimizacin es mnimo,
entonces hay que introducir variables artificiales y se sugiere convertir el problema en
un problema de maximizar
Aspectos fundamentales del mtodo Simplex

1. Encuentra una solucin ptima

2. Es un mtodo de cambio de bases

3. Requiere que la funcin objetivo sea expresada de tal forma que cada variable
bsica tenga como coeficiente 0

4. Requiere que cada variable bsica aparezca en una y solamente una ecuacin
de restriccin
En base a todo lo expuesto anteriormente considero que Un problema de
programacin lnea no solo se lo puede comprobar por el mtodo grafico sino que para
su mayor seguridad se puede optar por el mtodo simplex que de acuerdo al autor este
requiere de ciertos procedimientos para su construccin , no obstante es el de mos mas
sencillos y efectivos a la hora de dar solucin a problemas de optimizacin. A
continuacion precentare un ejercicio donde se dara solucin a un problema especifico y
se explicara paso a paso

Resolver mediante el mtodo simplex el siguiente problema:

Maximizar
sujeto a:

Z = f(x,y) = 3x + 2y
2x + y 18
2x + 3y 42
3x + y 24
x0,y0

Se consideran las siguientes fases:

1.

Realizar un cambio de variables y normalizar el signo de los trminos

independientes.
Se realiza un cambio en la nomenclatura de las variables. Establecindose la
correspondencia siguiente:

x pasa a ser X1

y pasa a ser X2
Como los trminos independientes de todas las restricciones son positivos
no es necesario hacer nada. En caso contrario habra que multiplicar por "-1" en
ambos lados de la inecuacin (teniendo en cuenta que esta operacin tambin
afecta al tipo de restriccin).

Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de
holgura, exceso y artificiales segn la tabla siguiente:

1. En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de
las restricciones del tipo , para convertirlas en igualdades, resultando el sistema de
ecuaciones lineales:
2X1 + X2 + X3 = 18
2X1 + 3X2 + X4 = 42
3X1 + X2 + X5 = 24
2.

Igualar la funcin objetivo a cero.

Z - 3X1 - X2 - 0X3 - 0X4 - 0X5 = 0

3.

Escribir la tabla inicial del mtodo Simplex.

La tabla inicial del mtodo Simplex est compuesta por todos los coeficientes
de las variables de decisin del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P0 el trmino
independiente y el resto de variables Pi coinciden con Xi), y las restricciones (en
las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.
La primera fila est formada por los coeficientes de la funcin objetivo,
mientras que la ltima fila contiene el valor la funcin objetivo y loscostes
reducidos Zj - Cj.
La ltima fila se calcula como sigue: Zj = (CbiPj) para i = 1..m, donde si j
= 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la
primera tabla del mtodo Simplex y ser todos los Cb nulos se puede simplificar
el clculo, y por esta vez disponer Zj = -Cj.

1.

Condicin de parada.
Si el objetivo es la maximizacin, cuando en la ltima fila (fila indicadora) no
existe ningn valor negativo entre los costes reducidos (columnas P1 en
adelante) se alcanza la condicin de parada.
En tal caso se llega al final del algoritmo ya que no existe posibilidad de
mejora. El valor de Z (columna P0) es la solucin ptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solucin siempre resultar mejorable. Ante esta situacin
no es necesario continuar iterando indefinidamente y tambin se puede dar por
finalizado el algoritmo.
De no ser as, se ejecutan los siguientes pasos de forma iterativa.
2.

Eleccin de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge
la columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En
este caso sera la variable X1 (P1) de coeficiente -3.
Si existiesen dos o ms coeficientes iguales que cumplan la condicin
anterior (caso de empate), entonces se optar por aquella variable que sea bsica.
La columna de la variable que entra en la base se llama columna pivote (en
color verde).
Una vez obtenida la variable que entra en la base, se procede a determina
cual ser la variable que sale de la misma. La decisin se toma en base a un
sencillo clculo: dividir cada trmino independiente (columna P0) entre el
elemento correspondiente de la columna pivote, siempre que ambos elementos
sean estrictamente positivos (mayores que cero). Se escoge la fila cuyo resultado
haya resultado mnimo.
Si hubiera algn elemento menor o igual a cero no se realiza dicho cociente.
En caso de que todos los elementos de la columna pivote fueran de sta
condicin se habra cumplido la condicin de parada y el problema tendra una
solucin no acotada (ver teora del mtodo Simplex).
En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]
El trmino de la columna pivote que en la divisin anterior dio lugar al
menor cociente positivo indica la fila de la variable de holgura que sale de la
base. En este caso resulta ser X5 (P5), de coeficiente 3. Esta fila se llama fila
pivote (en color verde).

Si al calcular los cocientes, dos o ms resultados cumplen la condicin para

elegir el elemento saliente de la base (caso de empate), se escoge aquella que no
sea variable bsica (siempre que sea es posible).
La interseccin de la fila pivote y columna pivote marca el elemento pivote,
en este caso el 3.
3.

Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento
Fila en Columna Pivote * Nuevo Elemento Fila Pivote)
Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras
que el resto de elementos de la columna pivote se anulan (anlogo al mtodo de
Gauss-Jordan).
Se muestran a continuacin los clculos para la fila P4:

La tabla correspondiente a esta segunda iteracin es:

Al comprobar la condicin de parada se observa que no se cumple ya que entre los

elementos de la ltima fila hay uno negativo, -1. Se contina iterando nuevamente los
pasos 6 y 7.

6.1. La variable que entra en la base es X2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.

6.2. Para calcular la variable que sale, se dividen los trminos de la columna
P0 entre los trminos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 /
7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la variable que sale
de la base es X3 (P3).

6.3. El elemento pivote es 1/3.

7. Actualizando nuevamente los valores de la tabla se obtiene:

Una nueva comprobacin de la condicin de parada revela que entre los elementos de la
fila indicadora vuelve a haber uno negativo, -1. Significa que aun no se ha llegado a la
solucin ptima y hay que seguir iterando (pasos 6 y 7):

6.1. La variable que entra en la base es X5 (P5), por ser la variable que
corresponde al coeficiente -1.

6.2. Se escoge la variable que sale calculando el cociente entre los trminos de la
columna de trminos independientes y los trminos correspondientes de la nueva
columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasin es X4 (P4).

6.3. El elemento pivote es 4.

7. Despus de actualizar todas las filas, se obtiene la tabla siguiente

Fin del algoritmo.

Se observa que en la ltima fila todos los coeficientes son positivos cumplindose,
por tanto la condicin de parada.
La solucin ptima viene dada por el valor de Z en la columna de los trminos
independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto
donde se alcanza, observando las filas correspondientes a las variables de decisin que
han entrado en la base: X1 = 3 y X2 = 12.
Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

MODELOS DE PROGRAMACION LINEAL ENTERA

Los modelos de Programacin Entera son aquellos donde la totalidad o un

subconjunto de las variables de decisin toman valores enteros. En este sentido la forma
estandar de un modelo de Programacin Entera queda definido de la siguiente forma:

Existen mltiples aplicaciones de modelos de Programacin Entera como apoyo a la

toma de decisiones. Algunas aplicaciones tpicas son problemas de localizacin de
instalaciones, inclusin de costos fijos, problemas de asignacin, problemas de ruteo
vehicular, etc.
AHORA BIEN Qu ES UN MODELO DE PROGRAMACION LINEAL ENTERA?
Para mi es un modelo que contiene restricciones y una funcin objetivo idntica a las
formuladas por planeacin lineal. Entonces la nica diferencia es que una o mas
variables de decisin tienen que tomar un valor entero en la decisin final.
Existen tres tipos de modelos de programacin entera segn

Crys Montes,

Estudiante at Instituto Tecnologico de Tijuana

Un modelo entero puro es como su nombre lo indica un modelo en el que se exige que
todas las variables de decisin tengan valores enteros.
La programacin entera mixta es cuando algunas de las variables de decisin tiene
valores enteros, los dems cumpklen con la suposicin de divisibilidad
La programacin entera binaria solo tiene dos alternativas posible.
A continuacion presentare un ejercicio de programacin lineal entera:
Consideremos la siguiente formulacion de un programa entero y su relajacion lineal:

Resolveremos ambos grficamente

Solucion optima entera: xPE = (5, 0)T zPE = 5

Solucion optima lineal: xPL = ( 376 193 , 950 193 )T = (1.9482, 4.9223)T zPL =
5.0984
Redondeando xPL , obtenemos: xRPL = (2, 5) : no es factible para (PE)

CONCLUSIN
En este trabajo he considerado la programacin lineal como una herramienta vital
para el desarrollo de soluciones amplias en diversas reas que favorecen a la evolucin
de la sociedad, tanto tecnolgica como econmicamente. La programacin lineal est

compuesta por una serie de mtodos que permiten su aplicacin en todas las reas con
las que se relaciona.
Puedo concluir afirmando que la investigacin de operaciones mediante la
programacin lineal y los diversos mtodos que la componen nos permitir formular y
resolver diferentes problemas direccionados a la toma de decisiones, en donde la
naturaleza de dichos problemas depender los modelos matemticos a utilizar.

BIBLIOGRAFIA
Crys Montes (2015) modelos de programacin entera Tijuana Mexico recuperado de:
http://es.slideshare.net/krizx/modelos-de-programacion-entera
Marrero F.., (2007) Herramientas para la toma decisiones: La Programacin Lineal
B.C.S.

Mxico,

recuperado

http://www.phpsimplex.com/ejemplo_metodo_simplex.htm

de: