PROBLEMAS PROPUESTOS Y DESARROLLADOS

Caso 5.1
Chandler Oil Company dispone de 5000 barriles de crudo 1 y de 10000 barriles de crudo 2. La compaa produce y
vende dos productos: gasolina y aceite combustible. Ambos productos se elaboran combinando el crudo 1 y el crudo 2.
La calidad del crudo 1 es 10 y la calidad del crudo 2 es 5. La gasolina debe tener una calidad promedio de por lo menos
7 y el aceite una calidad promedio de por lo menos 6. La demanda de cada producto debe ser creada por la publicidad.
Cada dlar gastado en anunciar a la gasolina crea una demanda de 5 barriles de gasolina; cada dlar gastado en
anunciar al aceite combustible origina una demanda de 10 barriles del aceite. La gasolina se vende a 25 dlares por
barril y el aceite combustible se vende a 20 dlares por barril. Formule un modelo de programacin lineal para ayudar a
Chandler a maximizar sus utilidades. (Respuesta: Z* = 347500)

Solucin;
Primero generamos la matriz

Crudo (i) Crudo Crudo Costo Precio CalPro

Producto (j) 1 2
Gasolina 0.2 25 7
Mezcla
Aceite 0.1 20 6
Calcrudo 10 5
Dispo 5000 10000

Sets:
Crudo / Crudo1 Crudo2 / : Dispo, CalCrudo;
Producto / Gasolina Aceite / : Costo, Precio, CalProd;
Matriz(Crudo, Producto) : Mezcla;
End Sets

Data:
Dispo = 5000 10000;
CalCrudo = 10 5;
Costo = .2 .1;
Precio = 25 20;
CalProd = 7 6;
End Data

[Max_Utilidad] max = @sum(Matriz(i,j): Mezcla(i,j)*Precio(j)) - @sum(Matriz(i,j):

Mezcla(i,j)*Costo(j));

@for(Crudo(i): @sum(Producto(j): Mezcla(i,j)) <= Dispo(i));

@for(Producto(j): ( @sum(Crudo(i): Mezcla(i,j)*CalCrudo(i)) / @sum(Crudo(i): Mezcla(i,j)))

>= CalProd(j));
END

LINGO REPORT:

Local optimal solution found.

Objective value: 347500.0
Infeasibilities: 0.000000
Extended solver steps: 5
Best multistart solution found at step: 2
Total solver iterations: 68
Elapsed runtime seconds: 0.37

Model Class: NLP

Total variables: 4
Nonlinear variables: 4
Integer variables: 0

Total constraints: 5
Nonlinear constraints: 2
Total nonzeros: 12
Nonlinear nonzeros: 4

Variable Value Reduced Cost

DISPO( CRUDO1) 5000.000 0.000000
DISPO( CRUDO2) 10000.00 0.000000
CALCRUDO( CRUDO1) 10.00000 0.000000
CALCRUDO( CRUDO2) 5.000000 0.000000
COSTO( GASOLINA) 0.2000000 0.000000
COSTO( ACEITE) 0.1000000 0.000000
PRECIO( GASOLINA) 25.00000 0.000000
PRECIO( ACEITE) 20.00000 0.000000
CALPROD( GASOLINA) 7.000000 0.000000
CALPROD( ACEITE) 6.000000 0.000000
MEZCLA( CRUDO1, GASOLINA) 4000.000 0.000000
MEZCLA( CRUDO1, ACEITE) 1000.000 0.000000
MEZCLA( CRUDO2, GASOLINA) 6000.000 0.000000
MEZCLA( CRUDO2, ACEITE) 4000.000 0.000000
Caso 4.1
La empresa Ryan Electronics tiene un problema de trasbordo. La produccin de sus artculos electrnicos los realiza en
las plantas que estn ubicadas en Denver y Atlanta, con una capacidad de 600 y 700 unidades respectivamente. La
produccin de cada planta es enviada a dos almacenes ubicadas en Kansas City y Louisville, que tienen una capacidad
de almacn de 600 unidades cada una, de los almacenes son enviados a 4 clientes que estn ubicados en las ciudades
de: Detroit, Miami, Dallas y New Orlens, que tiene una demanda de 200, 200, 400 y 300 unidades respectivamente. Los
costos (en dlares por unidad) de transporte son:

Defina las variables de decisin y formule el modelo de programacin lineal correspondiente. (Respuesta: Z* = 5600)

Solucin;
Primero generamos la matriz

Costo de envo i,j

Almacen (j) Kansas Louis CapPlanta
Planta (i)
Denver 2 3 600
Atlanta 3 1 700
CapAlmacen 600 600

Costo de envo j,k

Cliente (k) Detroit Miami Dallas NewO CapAlmacen
Almacen (j)
Kansas 2 6 3 6 600
Louis 4 4 6 5 600
Demanda 200 200 400 300

Modelo Matemtico en Notacin Extendida:

Variables:
, = i j
, = j

Funcin Objetivo:
Min Z = 2*X11+3*X12+3*X21+X22+2*Y11+6*Y12+3*Y13+6*Y14+4*Y21+4*Y22+6*Y23+5*Y24;
Restricciones:
X11+X12<=600;
X21+X22<=700;
X11+X21<=600;
X12+X22<=600;
Y11+Y21=200;
Y12+Y22=200;
Y13+Y23=400;
Y14+Y24=300;
X11+X21=Y11+Y12+Y13+Y14;
X12+X22=Y21+Y22+Y23+Y24;

Modelo Matemtico en Notacin Compacta:

Definicin de Variables:

, =
, =
, =
 , = j

Funcin Objetivo:
2 2 2 4

. , , + . , ,
=1 =1 =1 =1

Restricciones:
2

: ,
=1
2

: ,
=1
4

: , =
=1
2 4

: , = ,
=1 =1
, : , 0
, : , 0

Lingo en Notacin Compacta:

! Nota: Lo que est entre [ ] es comentario

! Variable de decisin
! X: Cantidad de unidades producidos en la planta i enviados al almacn j
! Y: Cantidad de unidades enviados del almacn j al cliente k
! i = 1, 2
! j = 1, 2
! k = 1, 2, 3, 4;

! Declaracin de Variables;

sets:
Planta /Denver Atlanta /: CapPlanta;
Almacen/ Kansas Louis /: CapAlmacen;
Cliente/Detroit Miami Dallas NewO/: Demanda;
PxA(planta, almacen): Costo1, X;
AxC(almacen, cliente): Costo2, Y;
end sets

! Ingreso de Datos;
data:
Costo1 = 2 3
3 1;
Costo2 = 2 6 3 6
4 4 6 5;
CapAlmacen = 600 600;
CapPlanta = 600 700;
Demanda = 200 200 400 300;
end data

! Funcion objetivo;
[MinCosto] min = @sum(PxA(i,j): Costo1(i,j)*X(i,j)) + @sum(AxC(j,k): Costo2(j,k)*Y(j,k));

! Restricciones;
@for(planta(i): @sum(almacen(j): x(i,j)) <= capPlanta(i));
@for(cliente(k): @sum(almacen(j): Y(j,k)) >= Demanda(k));
@for(almacen(j): @sum(planta(i): X(i,j)) <= CapAlmacen(j));
@for(almacen(j): @sum(planta(i): X(i,j)) = @sum(cliente(k): Y(j,k)));

END
 Reporte de Lingo:

Global optimal solution found.

Objective value: 5600.000
Infeasibilities: 0.000000
Total solver iterations: 7
Elapsed runtime seconds: 0.06

Model Class: LP

Total variables: 12
Nonlinear variables: 0
Integer variables: 0

Total constraints: 11
Nonlinear constraints: 0

Total nonzeros: 40
Nonlinear nonzeros: 0

Variable Value Reduced Cost

CAPPLANTA( DENVER) 600.0000 0.000000
CAPPLANTA( ATLANTA) 700.0000 0.000000
CAPALMACEN( KANSAS) 600.0000 0.000000
CAPALMACEN( LOUIS) 600.0000 0.000000
DEMANDA( DETROIT) 200.0000 0.000000
DEMANDA( MIAMI) 200.0000 0.000000
DEMANDA( DALLAS) 400.0000 0.000000
DEMANDA( NEWO) 300.0000 0.000000
COSTO1( DENVER, KANSAS) 2.000000 0.000000
COSTO1( DENVER, LOUIS) 3.000000 0.000000
COSTO1( ATLANTA, KANSAS) 3.000000 0.000000
COSTO1( ATLANTA, LOUIS) 1.000000 0.000000
X( DENVER, KANSAS) 600.0000 0.000000
X( DENVER, LOUIS) 0.000000 2.000000
X( ATLANTA, KANSAS) 0.000000 1.000000
X( ATLANTA, LOUIS) 500.0000 0.000000
COSTO2( KANSAS, DETROIT) 2.000000 0.000000
COSTO2( KANSAS, MIAMI) 6.000000 0.000000
COSTO2( KANSAS, DALLAS) 3.000000 0.000000
COSTO2( KANSAS, NEWO) 6.000000 0.000000
COSTO2( LOUIS, DETROIT) 4.000000 0.000000
COSTO2( LOUIS, MIAMI) 4.000000 0.000000
COSTO2( LOUIS, DALLAS) 6.000000 0.000000
COSTO2( LOUIS, NEWO) 5.000000 0.000000
Y( KANSAS, DETROIT) 200.0000 0.000000
Y( KANSAS, MIAMI) 0.000000 3.000000
Y( KANSAS, DALLAS) 400.0000 0.000000
Y( KANSAS, NEWO) 0.000000 2.000000
Y( LOUIS, DETROIT) 0.000000 1.000000
Y( LOUIS, MIAMI) 200.0000 0.000000
Y( LOUIS, DALLAS) 0.000000 2.000000
Y( LOUIS, NEWO) 300.0000 0.000000
 Caso 6.2 1

James Beerd hornea pasteles de queso y pasteles de Selva Negra. Durante cualquier mes puede hornear cuando mucho
65 pasteles. Los costos por pastel y la demanda de pasteles, la cual se debe cumplir a tiempo, se proporcionan en la
siguiente tabla. Cuesta 50 centavos conservar un pastel de queso y 40 centavos conservar un pastel de la selva negra
en inventario por un mes. Plantee un modelo de programacin lineal para minimizar el costo total por cumplir la demanda
de los tres meses siguientes:

Mes 1 Mes 2 Mes 3

Producto Costo Costo Costo
Demanda Demanda Demanda
($/pastel) ($/pastel) ($/pastel)
Pastel de queso 40 3.00 30 3.40 20 3.80
Selva Negra 20 2.50 30 2.80 10 3.40

(Respuesta: Z* = 464.5)

Solucin:
Primero generamos la matriz

Mes (j)
Producto (i) 1 2 3
Pastel de queso Produccin (i,j) Inventario (i,j) Produccin (i,j) Inventario (i,j) Produccin (i,j) Inventario (i,j)
Selva Negra
Capacidad (j) 65 65 65

Mes (j) CostoInv (i)

Producto (i) 1 2 3
Pastel de queso Demanda CostoProd Demanda CostoProd Demanda CostoProd 0.50
Selva Negra (i,j) (i,j) (i,j) (i,j) (i,j) (i,j) 0.40

Modelo Matemtico en Notacin Extendida:

Variables:
, =
, =

Funcin Objetivo:
Min Z = 3.0*X11+3.4*X12+3.8*X13+2.5*X21+2.8*X22+3.4*X23+0.5*Y11+0.5*Y12+0.4*Y21+0.4*Y22

Nota importante: En este tipo de ejercicios, el costo de inventario se aplica al inventario con el que se
inicia el mes. Por ejemplo, para el pastel de queso en el mes 1, el inventario a costear es cero, pues la
pastelera inicia con un inventario inicial igual a CERO. Por al contrario, para el mes 2, el inventario
inicial, resulta ser el inventario final del mes uno (mes anterior), es decir el Y11, Y finalmente, para
el mes 3, el inventario a costear es el Y12.

Restricciones:
0+X11-40=Y11;
Y11+X12-30=Y12
Y12+X13-20=Y13
0+X21-20=Y21;
Y21+X22-30=Y22
Y22+X23-10=Y23
X11+X21<=65
X12+X22<=65
X13+X23<=65
Modelo Matemtico en Notacin Compacta:

Definicin de Variables:
, =
, =

, =
, =
=
=

Funcin Objetivo:
2 3 2 2

. , , + . ,
=1 =1 =1 =1

Nota importante: Notar que en el segundo trmino de la funcin objetivo, el vector j solo se utiliza
desde 1 a 2 (dejando de lado j=3), esto se debe a que los costos de inventario se aplican sobre los
inventarios iniciales del mes. Por ejemplo, en el caso del pastel de queso,CERO es inventario inicial del
mes 1; Y11 es inventario inicial del mes2; Y12 es inventario inicial del mes 3. As mismo, Y13 es
inventario inicial del mes 4, pero como no forma parte del periodo (mes 1, 2 y 3) en evaluacin, no se le
incluye como costo. En algunos ejemplos, el inventario final debe tener un valor determinado, tener en
cuenta esto.

Restricciones:
2

: ,
=1
Para el mes 1; es decir para el primer periodo.
, = 1: 0 + , = , + ,
Para los siguientes periodos.
, > 1: ,1 + , = , + ,
, : , 0
, : , 0

Lingo en Notacin Extendida:

[COSTO] Min = 3.0*X11+3.4*X12+3.8*X13+2.5*X21+2.8*X22+3.4*X23+0.5*Y11+0.5*Y12+0.4*Y21+0.4*Y22;

[Mes1_Queso] X11-40=Y11;
[Mes2_Queso] Y11+X12-30=Y12;
[Mes3_Queso] Y12+X13-20=Y13;
[Mes1_Selva] X21-20=Y21;
[Mes2_Selva] Y21+X22-30=Y22;
[Mes3_Selva] Y22+X23-10=Y23;
[Produccion_mes1] X11+X21<=65;
[Produccion_mes2] X12+X22<=65;
[Produccion_mes3] X13+X23<=65;
end

Lingo en Notacin Compacta:

! Variable de decision
! Xi,j = Produccin del producto i en el mes j
! Yi,j = Inventario del producto i en el mes j
! i = PastelQueso, SelvaNegra
! j = 1, 2, 3;

! Declaracin de Variables;
sets:
Producto / PastelQueso SelvaNegra / : CostoInv;
Mes / 1..3 / : Capacidad;
Matriz(Producto,Mes): Demanda, CostoProd, X, Y;
end sets

! Ingreso de Datos;
data:
Capacidad = 65 65 65;
CostoInv = 0.50 0.40;
Demanda = 40 30 20
20 30 10;
CostoProd = 3.00 3.40 3.80
2.50 2.80 3.40;
end data

! Funcion objetivo;
min = @sum(Producto(i): @sum(Mes(j): CostoProd(i,j)*X(i,j))) + @sum(Producto(i):
@sum(mes(j): CostoInv(i)*Y(i,j)));

! Restriccion de Entrega para el primer periodo;

@for(Producto(i): @For(mes(j) | j # eq # 1: 0 + X(i,j) = Demanda(i,j) + Y(i,j)));

! Restriccion de Entrega para los siguiente periodos mayores al primero;

@for(Producto(i): @For(mes(j) | j # GT # 1: Y(i,j-1) + X(i,j) = Demanda(i,j) + Y(i,j)));

! Restriccion de capacidad;
@for(Mes(j): @sum(Producto(i): X(i,j)) <= Capacidad(j));

end

Lingo en Notacin Compacta (OTRA OPCIN)

! Variable de decision
! Xi,j = Produccin del producto i en el mes j
! Yi,j = Inventario del producto i en el mes j
! i = PastelQueso, SelvaNegra
! j = 1, 2, 3;

! Declaracin de Variables;
sets:
Producto / PastelQueso SelvaNegra / :;
Mes / 1..3 / : Capacidad;
Matriz(Producto,Mes): Demanda, CostoProd, CostoInv, X, Y;
end sets

! Ingreso de Datos;
data:
Capacidad = 65 65 65;
CostoInv = 0.50 0.50 0.50
0.40 0.40 0.40;
Demanda = 40 30 20
20 30 10;
CostoProd = 3.00 3.40 3.80
2.50 2.80 3.40;
end data

! Funcion objetivo;
min = @sum(Matriz(i,j): CostoProd(i,j)*X(i,j)) + @sum(Matriz(i,j): CostoInv(i,j)*Y(i,j));

! Restriccion de Entrega para el primer periodo;

@for(Producto(i): @For(mes(j) | j # eq # 1: 0 + X(i,j) = Demanda(i,j) + Y(i,j)));

! Restriccion de Entrega para los siguiente periodos mayores al primero;

@for(Producto(i): @For(mes(j) | j # GT # 1: Y(i,j-1) + X(i,j) = Demanda(i,j) + Y(i,j)));

! Restriccion de capacidad;
@for(Mes(j): @sum(Producto(i): X(i,j)) <= Capacidad(j));

End

Reporte de Lingo:
Global optimal solution found.
Objective value: 464.5000
Infeasibilities: 0.000000
Total solver iterations: 5
Elapsed runtime seconds: 0.05

Model Class: LP

Total variables: 12
Nonlinear variables: 0
Integer variables: 0

Total constraints: 10
Nonlinear constraints: 0

Total nonzeros: 34
Nonlinear nonzeros: 0

Variable Value Reduced Cost

COSTOINV( PASTELQUESO) 0.5000000 0.000000
COSTOINV( SELVANEGRA) 0.4000000 0.000000
CAPACIDAD( 1) 65.00000 0.000000
CAPACIDAD( 2) 65.00000 0.000000
CAPACIDAD( 3) 65.00000 0.000000
DEMANDA( PASTELQUESO, 1) 40.00000 0.000000
DEMANDA( PASTELQUESO, 2) 30.00000 0.000000
DEMANDA( PASTELQUESO, 3) 20.00000 0.000000
DEMANDA( SELVANEGRA, 1) 20.00000 0.000000
DEMANDA( SELVANEGRA, 2) 30.00000 0.000000
DEMANDA( SELVANEGRA, 3) 10.00000 0.000000
COSTOPROD( PASTELQUESO, 1) 3.000000 0.000000
COSTOPROD( PASTELQUESO, 2) 3.400000 0.000000
COSTOPROD( PASTELQUESO, 3) 3.800000 0.000000
COSTOPROD( SELVANEGRA, 1) 2.500000 0.000000
COSTOPROD( SELVANEGRA, 2) 2.800000 0.000000
COSTOPROD( SELVANEGRA, 3) 3.400000 0.000000
X( PASTELQUESO, 1) 45.00000 0.000000
X( PASTELQUESO, 2) 25.00000 0.000000
X( PASTELQUESO, 3) 20.00000 0.000000
X( SELVANEGRA, 1) 20.00000 0.000000
X( SELVANEGRA, 2) 40.00000 0.000000
X( SELVANEGRA, 3) 0.000000 0.1000000
Y( PASTELQUESO, 1) 5.000000 0.000000
Y( PASTELQUESO, 2) 0.000000 0.2000000
Y( PASTELQUESO, 3) 0.000000 4.300000
Y( SELVANEGRA, 1) 0.000000 0.000000
Y( SELVANEGRA, 2) 10.00000 0.000000
Y( SELVANEGRA, 3) 0.000000 3.700000
Caso 3.3
Sunco Oil tiene refinera en Los ngeles y Chicago. La refinera de Los ngeles puede procesar hasta 2 millones de
barrilles de crudo por ao y la refinera de Chicago refina hasta 3 millones de crudo por ao. Una vez refinado, el crudo
se embarca hacia dos puntos de distribucin: Houston y Nueva York. Sunco estima que cada punto de distribucin
puede vender hasta 5 millones de barriles por ao. Debido a las diferencias en los costos de embarque y refinacin, la
utilidad unitaria (en $/milln de barriles) depende de dnde se refin el crudo y del punto de distribucin.

Utilidad unitaria ($/milln de barriles)

Houston Nueva York
Refinera Los ngeles 8000 13000
Refinera Chicago 11000 14000

Asimismo, Sunco planea ampliar la capacidad de cada refinera. Cada milln de barriles de capacidad de refinacin
anual que se ample costar $1200 en el caso de la refinera de Los ngeles y $1500 en el caso de la refinera de
Chicago, respectivamente. Defina las variables de decisin y plantee el modelo de programacin lineal correspondiente,
en la forma compacta, que permita a Sunco optimizar sus operaciones en un ao. (Respuesta: Z* = 115500)

Solucin;
Primero generamos la matriz

Distribuidor j
Houston Nueva York CapacAct Amplia
Refinera i
LAS
CHG
Xij CapacActi Yi
Demandaj

Houston Nueva York CostoAmpl

LAS
CHG
Utilidadij Costoampli

Modelo Matemtico en Notacin Compacta:

Definicin de Variables:

, =
=
, =
=
=
=

Funcin Objetivo:
2 2 2

. , ,
=1 =1 =1

Restricciones:
2

: , +
=1
2

: ,
=1
, : , 0
: 0
 Lingo en Notacin Compacta:

! Nota: Lo que est entre [ ] es comentario

! Variable de decisin
! X: Millones de barriles enviados desde la refinera i hasta el distribuidor j
! Y: Millones de barriles ampliados en la refinera i
! i = 1, 2
! j = 1, 2

! Declaracin de Variables;

sets:
Refineria /LAS CHG /: Y,CapacAct,CostoAmpl;
Distribuidor / HOU NYK /:Demanda;
RxD(refineria,distribuidor):X,utilidad;
end sets

data:
CapacAct= 2 3;
CostoAmpl= 1200 1500;
Utilidad= 8000 13000 11000 14000;
Demanda=5 5;
end data

max=@sum(RxD(i,j):utilidad(i,j)*X(i,j))-@sum(refineria(i):CostoAmpl( i)*Y(i));
@for(Refineria(i):@sum(Distribuidor(j): x(i,j))<=CapacAct(i)+Y(i));
@for(Distribuidor(j):@sum(Refineria(i): x(i,j))<=Demanda(j));
End

Reporte de Lingo :

Global optimal solution found.

Objective value: 115500.0
Infeasibilities: 0.000000
Total solver iterations: 4
Elapsed runtime seconds: 0.03

Model Class: LP

Total variables: 6
Nonlinear variables: 0
Integer variables: 0

Total constraints: 5
Nonlinear constraints: 0

Total nonzeros: 16
Nonlinear nonzeros: 0

Variable Value Reduced Cost

Y( LAS) 0.000000 700.0000
Y( CHG) 5.000000 0.000000
CAPACACT( LAS) 2.000000 0.000000
CAPACACT( CHG) 3.000000 0.000000
COSTOAMPL( LAS) 1200.000 0.000000
COSTOAMPL( CHG) 1500.000 0.000000
DEMANDA( HOU) 5.000000 0.000000
DEMANDA( NYK) 5.000000 0.000000
X( LAS, HOU) 0.000000 2000.000
X( LAS, NYK) 2.000000 0.000000
X( CHG, HOU) 5.000000 0.000000
X( CHG, NYK) 3.000000 0.000000
UTILIDAD( LAS, HOU) 8000.000 0.000000
UTILIDAD( LAS, NYK) 13000.00 0.000000
UTILIDAD( CHG, HOU) 11000.00 0.000000
 UTILIDAD( CHG, NYK) 14000.00 0.000000

El plan de envo ptimo, y la ampliacin son los siguientes:

Envo y Ampliacin ptima (en millones de barriles)

Distribuidor
Ampliacin
Refinera Houston NewYork
Los Angeles 0 2 0
Chicago 5 3 5
Caso 7.3: Suministro de arena

Usted es un contratista que puede suministrar arena a tres construcciones ubicadas en Surco, La Molina y San Borja. La
arena se puede obtener de dos canteras ubicadas en Cieneguilla y Lurn. La cantidad mxima que puede comprar en
Cieneguilla es 18 toneladas y en Lurn 14 toneladas.
Los costos de transporte y obtencin de la arena se muestran en el cuadro siguiente:
Costo de transporte
(soles / tonelada)
Construccin Costo de arena
Surco La Molina San Borja
Cantera (soles/tonelada)
Cieneguilla 30 60 50 100
Lurn 60 30 40 120

La cantidad de arena que como mnimo debe entregar a cada construccin es la siguiente:
Surco La Molina San Borja
10 toneladas 5 toneladas 10 toneladas
Teniendo en cuenta los datos anteriores, el modelo de programacin lineal que permite al contratista determinar la
cantidad de arena que debe transportar desde las canteras a las construcciones es el siguiente:

Sets:
cant/1..2/ : disp, costo;
const/1..3/ : req;
CC(cant,const) : costo_t, x;
End sets

data:
req = 10 5 10;
disp = 18 14;
costo = 100 120;
costo_t = 30 60 50 60 30 40;
End data

Min = @sum(cc(i,j):x(i,j)*costo_t(i,j)+x(i,j)*costo(i));

@for(cant(i):[disponibilidad] @sum(const(j):x(i,j))<=disp(i));
@for(const(j):[requerimiento] @sum(cant(i):x(i,j))>=req(j));
End

Reporte de la Solucin ptima

Global optimal solution found.

Objective value: 3570.000

Variable Value Reduced Cost

DISP( 1) 18.00000 0.000000
DISP( 2) 14.00000 0.000000
COSTO( 1) 100.0000 0.000000
COSTO( 2) 120.0000 0.000000
REQ( 1) 10.00000 0.000000
REQ( 2) 5.000000 0.000000
REQ( 3) 10.00000 0.000000
COSTO_T( 1, 1) 30.00000 0.000000
COSTO_T( 1, 2) 60.00000 0.000000
COSTO_T( 1, 3) 50.00000 0.000000
COSTO_T( 2, 1) 60.00000 0.000000
COSTO_T( 2, 2) 30.00000 0.000000
COSTO_T( 2, 3) 40.00000 0.000000
X( 1, 1) 10.00000 0.000000
X( 1, 2) 0.000000 20.00000
X( 1, 3) 8.000000 0.000000
X( 2, 1) 0.000000 40.00000
X( 2, 2) 5.000000 0.000000
X( 2, 3) 2.000000 0.000000
 Row Slack or Surplus Dual Price
1 3570.000 -1.000000
DISPONIBILIDAD( 1) 0.000000 10.00000
DISPONIBILIDAD( 2) 7.000000 0.000000
REQUERIMIENTO( 1) 0.000000 -140.0000
REQUERIMIENTO( 2) 0.000000 -150.0000
REQUERIMIENTO( 3) 0.000000 -160.0000

Reporte de Rangos de Sensibilidad

Ranges in which the basis is unchanged:

Objective Coefficient Ranges:

Current Allowable Allowable

Variable Coefficient Increase Decrease
X( 1, 1) 130.0000 40.00000 140.0000
X( 1, 2) 160.0000 INFINITY 20.00000
X( 1, 3) 150.0000 10.00000 40.00000
X( 2, 1) 180.0000 INFINITY 40.00000
X( 2, 2) 150.0000 20.00000 150.0000
X( 2, 3) 160.0000 40.00000 10.00000

Righthand Side Ranges:

Current Allowable Allowable

Row RHS Increase Decrease
DISPONIBILIDAD( 1) 18.00000 2.000000 7.000000
DISPONIBILIDAD( 2) 14.00000 INFINITY 7.000000
REQUERIMIENTO( 1) 10.00000 7.000000 2.000000
REQUERIMIENTO( 2) 5.000000 7.000000 5.000000
REQUERIMIENTO( 3) 10.00000 7.000000 2.000000

a) Cul es el punto ptimo de operacin?

Envo ptimo de Arena

Construccin
Surco La Molina San Borja Total
Cantera
Cieneguilla 10 0 8 18
Lurn 0 5 2 7
Requerimiento 10 5 10

b) Cul de las Canteras se usa a su mxima de disponibilidad?

La cantera 01 se usa a su mxima disponibilidad (slack or surplus = CERO)
La cantera 02 se usa al 50% (slack or surplus = 07)

c) A fin de favorecer el envo de Cieneguilla Molina, cul sera el precio por tonelada que debera cobrarse?
El precio debera ser 40, y se obtiene de restar el costo actual (60) menos el valor del costo reducido (20).

d) En cunto pueden variar los costos de envo/ de extracin, sin que afecte el punto ptimo actual?
Al revisar los valores en: Objective Coefficient Ranges

Variable Peor Valor Coeficiente Actual Mejor Valor

X (1 , 1) 170 (=130+40) 130 (=100+30) -10 (=130-140)
X (1 , 2) (=160+) 160 (=100+60) 140 (=160-20)
X (1 , 3) 160 (=150+10) 150 (=100+50) 110 (=150-40)
X (2 , 1) (=180+) 180 (=120+60) 140 (=180-40)
X (2 , 2) 170 (=150+20) 150 (=120+30) 0(=
 X (2 , 3) 200 (=160+40) 160 (=120+40) 150 (=160-10)

e) Usted ha escuchado que es posible que la cantera de Cieneguilla eleve el costo por tonelada de arena. Hasta qu
precio estara usted dispuesto a pagar por tonelada en dicha cantera para mantener su plan actual?

f) Se ha enterado que un competidor ha acudido antes que usted a la cantera de Cieneguilla y ha comprado material
dejndole a usted una disponibilidad menor. Usted desea evaluar cul ser el efecto en sus costos totales y cul
sera la mxima disminucin de dicha disponibilidad que le permitiera mantener las mismas rutas de transporte a
utilizar en su plan actual.
LINGO COMPACTO

Operadores Lgicos:

#EQ# Igual
#NE# No Igual
#GE# Mayor o igual
#GT# Mayor
#LT# Menor
#LE# Menor o igual
#AND# y
#OR# o (inclusivo)
#NOT# no

Instrucciones que recorren conjuntos:

@For(Conjunto(i): )
Repite una tarea para todo i
@Sum(Conjunto(i): )
Suma una expresin para todo i
@Prod(Conjunto(i): )
Multiplica una expresin para todo i
@Max(Conjunto(i): )
Calcula el mximo para todo i
@Min(Conjunto(i): )
Calcula el mnimo para todo i
@Writefor(Conjunto(i): )
Escribe una expresin para todo i.