Beruflich Dokumente
Kultur Dokumente
OPERACIONES
Ing. Carlos Alfredo Gil Narvaez
RESEÑA HISTÓRICA
Las primeras actividades formales de la
Investigación de Operaciones se dieron en
Inglaterra durante la Segunda Guerra Mundial,
cuando se encomendó a un equipo de científicos
ingleses la toma de decisiones acerca de la mejor
utilización de materiales bélicos. Al termino de la
guerra, estas ideas fueron adaptadas para
mejorar la eficiencia y la productividad en el
sector civil.
Un elemento principal de la investigación de
operaciones es el modelado matemático
CONCEPTO
La Investigación de Operaciones o Investigación
Operativa, es una rama de las Matemáticas
consistente en el uso de modelos matemáticos y
algoritmos con objeto de realizar un proceso de toma
de decisiones. Frecuentemente, trata del estudio de
complejos sistemas reales, con la finalidad de
mejorar (u optimizar) su funcionamiento.
La investigación de operaciones permite el análisis
de la toma de decisiones teniendo en cuenta la
escasez de recursos, para determinar cómo se puede
optimizar un objetivo definido, como la maximización
de los beneficios o la minimización de costos.
MODELOS MATEMÁTICOS
Imaginemos que tenemos un compromiso por
cinco semanas entre Lima y Tacna. Vuela hacia
Tacna el Lunes y retorna el Miércoles. Un pasaje
ida y vuelta cuesta 180 Dólares, pero se ofrece un
descuento del 20% si las fechas del viaje abarcan
un fin de semana. Un boleto de viaje en cualquier
dirección cuesta el 75% del precio regular (solo
ida). ¿Cómo debe de comprar los boletos para
reducir el costo de traslado durante las 5
semanas?
Se puede considerar que el caso es un problema de
toma de decisiones, cuya solución requiere
identificar tres componentes:
¿Cuáles son las alternativas de solución?
¿Bajo que restricciones se toma la decisión?
w = ancho del rectángulo en pulgadas,
h = altura del rectángulo en pulgadas.
Con base en estas definiciones, las restricciones de
la situación pueden expresarse verbalmente como
1. Ancho del rectángulo + altura del rectángulo =
la mitad de la longitud del alambre.
2. El ancho y la altura no pueden ser negativos.
Estas restricciones se traducen de manera algebraica
como sigue
1. 2 ( w + h )= L
2. w ≥ 0; h ≥ 0
Ahora el único componente restante es el objetivo del
problema; es decir, maximizar el área del rectángulo. Si Z
se define como el área del rectángulo, el modelo completo
es
Maximizar Z= wh
sujeto a
2 ( w + h )= L
w, h ≥ 0
Utilizando cálculo diferencial, la mejor solución de
este modelo es w = h = L / 4 la cual requiere la
construcción de una forma cuadrada.
Función objetivo
Variables de decisión
Restricciones
Una solución del modelo es factible si satisface
todas las restricciones; es óptima si, además de ser
factible, produce el mejor valor (máximo o mínimo)
de la función objetivo. En el ejemplo de los boletos,
el problema considera tres alternativas factibles, y
la tercera es la que produce la solución óptima. En
el problema del rectángulo, una alternativa factible
debe satisfacer la condición w + h = L / 2 donde w y
h son variables no negativas. Esta definición
conduce a una infinidad de soluciones factibles y, a
diferencia del problema de los boletos, el cual utiliza
una sencilla comparación de precios, la solución
óptima se determina aplicando cálculo diferencial.
PROBLEMAS
1.En el ejemplo de los boletos, identifique una cuarta alternativa factible.
2.En el problema del rectángulo, identifique dos soluciones factibles, e
indique cuál es la mejor.
3. Amy, Jim, John y Kelly están en la ribera de un río y desean cruzar a la
ribera opuesta en una canoa, la cual sólo puede llevar dos personas a la
vez. Como Amy es la más atlética, puede cruzar el río remando en 1
minuto. Jim, John y Kelly lo harían en 2, 5 y 10 minutos, respectivamente.
Si dos personas están en la canoa, la persona más lenta determina el
tiempo de cruce. El objetivo es que las cuatro personas estén en la ribera
opuesta en el menor tiempo posible.
(a)Identifique por los menos dos planes factibles para cruzar el río
(recuerde que la canoa es el único medio de transporte y que no puede
viajar vacía).
(b)Defina el criterio para evaluar las alternativas.
(c)¿Cuál es el menor tiempo para llevar a las cuatro personas al otro lado
del río?
SOLUCIÓN DEL MODELO DE IO
En la investigación de operaciones no se cuenta con
una técnica general única para resolver todos los
modelos que puedan surgir en la práctica. En su
lugar, el tipo y complejidad del modelo matemático
determina la naturaleza del método de solución.
Por ejemplo, la solución del problema de los boletos
requiere una clasificación simple de las
alternativas, basada en el precio de la compra total,
mientras que la solución del problema del
rectángulo utiliza cálculo diferencial para
determinar el área máxima.
La técnica de IO más importante es la
programación lineal. Está diseñada para modelos
con funciones objetivo y restricciones lineales. Otras
técnicas incluyen la programación entera (en la
cual las variables asumen valores enteros), la
programación dinámica (en la cual el modelo
original puede descomponerse en subproblemas más
pequeños y manejables), la programación de red
(en la cual el problema puede modelarse como una
red), y la programación no lineal (en la cual las
funciones del modelo son no lineales). Éstas son sólo
algunas de las muchas herramientas de IO con que
se cuenta.
Una peculiaridad de la mayoría de las técnicas de
IO es que por lo general las soluciones no se
obtienen en formas cerradas (como si fueran
fórmulas), sino que más bien se determinan
mediante algoritmos. Un algoritmo proporciona
reglas fijas de cálculo que se aplican en forma
repetitiva al problema, y cada repetición (llamada
iteración) acerca la solución a lo óptimo. Como los
cálculos asociados con cada iteración suelen ser
tediosos y voluminosos, es recomendable que estos
algoritmos se ejecuten
con la computadora.
FASES DE UN ESTUDIO DE IO
Es una ciencia por las técnicas matemáticas que
incorpora, y un arte porque el éxito de las fases que
conducen a la solución del modelo matemático depende
en gran medida de la creatividad y experiencia del
equipo de IO.Willemain (1994) manifiesta que “una
práctica [de IO] eficaz requiere más que competencia
analítica. También requiere, entre otros atributos, juicio
técnico (es decir, cuándo y cómo utilizar una técnica
dada), así como habilidades de comunicación y
supervivencia organizacional”.
Es difícil prescribir cursos de acción específicos
(semejantes a los que indica la teoría precisa de la
mayoría de los modelos matemáticos) para estos
factores intangibles.
Sin embargo, podemos ofrecer lineamientos
generales para la implementación de la IO en la
práctica.
Para implementar la IO en la práctica, las fases
principales son:
1. Definición del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de la solución.
La definición del problema implica definir el alcance del problema
investigado. Esta función debe ser realizada por todo el equipo de IO.
El objetivo es identificar tres elementos principales del problema de
decisión: (1) descripción de las alternativas de decisión; (2)
determinación del objetivo del estudio, y (3) especificación de las
limitaciones bajo las cuales funciona el sistema modelado.
La construcción del modelo implica un intento de transformar la
definición del problema en relaciones matemáticas. Si el modelo
resultante se ajusta a uno de los modelos matemáticos estándar,
como la programación lineal, se suele obtener una solución utilizando
los algoritmos disponibles. Por otra parte, si las relaciones
matemáticas son demasiado complejas como para permitir la
determinación de una solución analítica, el equipo de IO puede optar
por simplificar el modelo y utilizar un método heurístico, o bien
considerar la simulación, si es lo apropiado. En algunos casos, una
simulación matemática puede combinarse con modelos heurísticos
para resolver el problema de decisión.
La solución del modelo es por mucho la más
sencilla de todas las fases de IO porque implica el
uso de algoritmos de optimización bien definidos. Un
aspecto importante de la fase de solución del modelo
es el análisis de sensibilidad. Tiene que ver con la
obtención de información adicional sobre el
comportamiento de la solución óptima cuando el
modelo experimenta algunos cambios de parámetros.
El análisis de sensibilidad es particularmente
necesario cuando no se pueden estimar con precisión
los parámetros del modelo. En estos casos es
importante estudiar el comportamiento de la solución
óptima en el entorno de los parámetros estimados.
La validez del modelo comprueba si el modelo propuesto hace en
realidad lo que dice que hace, es decir, ¿predice adecuadamente el
comportamiento del sistema que se estudia? Al principio, el equipo
de IO debe estar convencido de que el resultado del modelo no
contenga “sorpresas”. En otras palabras, ¿tiene sentido la solución?
¿Los resultados son intuitivamente aceptables? Del lado formal, un
método común de comprobar la validez de un modelo es comparar
su resultado con resultados históricos. El modelo es válido si, en
condiciones de datos de entrada iguales, reproduce de forma
razonable el desempeño pasado. Sin embargo, no suele haber
seguridad de que el desempeño futuro continuará copiando el
comportamiento pasado. Además, como el modelo se basa en el
examen cuidadoso de datos pasados, la comparación propuesta casi
siempre es favorable. Si el modelo propuesto representara un
sistema nuevo (inexistente), no habría datos históricos disponibles.
En esos casos podemos utilizar la simulación como una herramienta
independiente para comprobar el resultado del modelo matemático.
La implementación de la solución de un modelo
validado implica la transformación de los
resultados en instrucciones de operación
comprensibles que se emitirán a las personas que
administrarán el sistema recomendado. La
responsabilidad de esta tarea recae principalmente
en el equipo de IO.
PROGRAMACIÓN LINEAL
La programación lineal se aplica a modelos de
optimización en la que la función objetivo y
restricciones son estrictamente lineales. La técnica
se aplica en una amplia variedad de casos, en los
campos de agricultura, industria, transporte,
economía, salud, ciencias sociales y militar.
También produce algoritmos eficientes de computo
para problemas de miles de restricciones y
variables. En realidad, debido a su tremenda
eficiencia de cálculo, la programación lineal forma
la columna vertebral de los algoritmos de solución
para otros modelos de investigación de operaciones.
Sin embargo, podemos ofrecer lineamientos
generales para la implementación dela IO en la
práctica. Para implementar la IO en la práctica, las
fases principales son:
MODELO DE PROGRAMACIÓN
LINEAL CON DOS VARIABLES
La compañía Vencedor produce pinturas para
interiores y exteriores: Supermate y Latex Rocky.
Tonelada de Materia Prima
Supermate Latex Rocky Disponibilidad
diaria máxima (Tn)
Materia Prima (M1) 6 4 24
Materia Prima (M2) 1 2 6
Utilidad por Tn 5 4
(miles de soles S/.)
Según un estudio de mercado la demanda diaria de
pintura “Latex Rocky” no puede ser mayor que 1
tonelada mas que la de pintura “Supermate”.
También, que la demanda máxima diaria de
pintura “Latex Rocky” es de 2 toneladas.
Vencedor desea determinar la mescla optima que
maximice la utilidad diaria total.
Para el problema de Vencedor se necesita
determinar las cantidades a producir de ambos
tipos de pintura.
x1, Toneladas a producir diariamente de pintura
“Supermate”
x2, Toneladas a producir diariamente de pintura
“Latex Rocky”
Para formar la función objetivo, la empresa desea
aumentar sus utilidades todo lo posible. Si z
representa la utilidad diaria, el objetivo de la
empresa se expresa asi:
Maximizar z = 5 x1 + 4 x2
Ahora definiremos las restricciones que limitan el uso de las materias
primas y la demanda.
Según los datos del problema:
Uso de la materia prima M1 = 6x1 + 4x2
Uso de la materia prima M2 = 1x1 + 2x2
Ya que la disponibilidad de las materias primas M1 y M2 se limitan a 24 y
6 toneladas, respectivamente, las restricciones se expresan de la siguiente
manera:
6x1 + 4x2 <= 24
x1 + 2x2 <= 6
La primera restricción de la demanda indica que la diferencia entre la
producción diaria de pinturas “Latex Rocky” y “Supermate”, x2 x1, no debe
ser mayor que una tonelada y eso se traduce en x2 – x1 <= 1
La segunda indica que la demanda diaria máxima de pintura “Latex
Rocky” no puede superar las 2 toneladas. x2 <= 2
Una de las restricciones que se sobreentiende es la de no negatividad
x1, x2 >= 0
El modelo de Vencedor completo es:
Maximizar z = 5 x1 + 4 x2
Sujeto a
6x1 + 4x2 <= 24
x1 + 2x2 <= 6
x1 + x2 <= 1
x2 <= 2
x1 , x2 >= 0
SOLUCIÓN GRÁFICA
El procedimiento de solución gráfica comprende
dos pasos:
Determinación del espacio de soluciones que define
todas las soluciones factibles del modelo
Determinación de la solución óptima, entre todos los
puntos factibles del espacio de solución
PASO 1. DETERMINACIÓN DEL ESPACIO
DE SOLUCIONES FACTIBLES
X2
6 1
2 =
X
+
1
X
6X
5
1
+
4X
2
=
24
4
X2 = 2
2
X +
1
1 2X
2 =
6
1 2 3 4 5 6 X1
DETERMINACIÓN DE LA SOLUCIÓN
OPTIMA
PRACTICA CALIFICADA
Unos grandes almacenes encargan a un fabricante pantalones y chaquetas
deportivas. El fabricante dispone para la confección de 750 m de tejido de algodón y
1000 m de tejido de poliéster. Cada pantalón precisa 1 m de algodón y 2 m de
poliéster. Para cada chaqueta se necesitan 1.5 m de algodón y 1 m de poliéster. El
precio del pantalón se fija en S/. 50 y el de la chaqueta en S/. 40 ¿Qué número de
pantalones y chaquetas debe suministrar el fabricante a los almacenes para que
éstos consigan una venta máxima?
Una compañía fabrica y venden dos modelos de lámpara L1 y L2. Para su fabricación
se necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para
el L2; y un trabajo de máquina de 20 minutos para L1 y de 10 minutos para L2. Se
dispone para el trabajo manual de 100 horas al mes y para la máquina 80 horas al
mes. Sabiendo que el beneficio por unidad es de S/.15 y S/.10 para L1 y L2,
respectivamente, planificar la producción para obtener el máximo beneficio.
En un Almacén de frutas hay 800 Kg de naranjas, 800 Kg de manzanas y 500 Kg. de
Plátanos. Para su venta se hacen dos lotes (A y B). El lote A contiene 1 Kg de
naranjas, 2 Kg de manzanas y 1 kg de plátanos; el lote B se compone de 2 Kg de
naranjas, 1 kg de manzanas y 1 Kg de plátanos. La utilidad por kilogramo que se
obtiene del lote A es S/. 12.00 y con el lote B S/14.00. Determinar el número de
kilogramos de cada tipo para conseguir beneficios máximos.
Unos grandes almacenes encargan a un fabricante pantalones
y chaquetas deportivas. El fabricante dispone para la
confección de 750 m de tejido de algodón y 1000 m de tejido de
poliéster. Cada pantalón precisa 1 m de algodón y 2 m de
poliéster. Para cada chaqueta se necesitan 1.5 m de algodón y
1 m de poliéster. El precio del pantalón se fija en S/. 50 y el de
la chaqueta en S/. 40 ¿Qué número de pantalones y chaquetas
debe suministrar el fabricante a los almacenes para que éstos
consigan una venta máxima?
x1 = Cantidad de pantalones
x2 = Cantidad de chaquetas
x1 + 1.5x2 + x3 = 750
2x1 + x2 + + x4 = 1000
x1, x2 >= 0
Una compañía fabrica y venden dos modelos de lámpara L1 y
L2. Para su fabricación se necesita un trabajo manual de 20
minutos para el modelo L1 y de 30 minutos para el L2; y un
trabajo de máquina de 20 minutos para L1 y de 10 minutos
para L2. Se dispone para el trabajo manual de 100 horas al
mes y para la máquina 80 horas al mes. Sabiendo que el
beneficio por unidad es de S/.15 y S/.10 para L1 y L2,
respectivamente, planificar la producción para obtener el
máximo beneficio.
x1 = Cantidad de Lámparas L1
x2 = Cantidad de Lámparas L2
x1, x2 >= 0
En un Almacén de frutas hay 800 Kg de naranjas, 800 Kg de
manzanas y 500 Kg. de Plátanos. Para su venta se hacen dos
lotes (A y B). El lote A contiene 1 Kg de naranjas, 2 Kg de
manzanas y 1 kg de plátanos; el lote B se compone de 2 Kg de
naranjas, 1 kg de manzanas y 1 Kg de plátanos. La utilidad
por kilogramo que se obtiene del lote A es S/. 12.00 y con el lote
B S/14.00. Determinar el número de kilogramos de cada tipo
para conseguir beneficios máximos.
x1 = Cantidad de Lote A
x2 = Cantidad de Lote B
x1 + 2x2 + x3 = 800
2x1 + x2 + x4 = 800
x1 + x2 + x5 = 500
x1, x2 >= 0
EL MÉTODO SIMPLEX
Es un algoritmo iterativo para resolver de una forma
eficiente los problemas de Programación Lineal de gran
tamaño. Fue desarrollado primeramente en 1947 por C.B.
Dantizg y sus colaboradores en el Departamento de las
Fuerza Aéreas de los Estados Unidos. Posteriormente, se han
realizado algunas modificaciones para incrementar su
eficiencia de cálculo pero el método es básicamente el mismo.
Una propiedad general del método simplex es que resuelve la
programación lineal en iteraciones. Cada iteración
desplaza la solución a un nuevo punto esquina que tiene
potencial de mejorar el valor de la función objetivo. El
proceso termina cuando ya no se pueden obtener mejoras.
El método Simplex implica cálculos tediosos y voluminosos,
lo que hace que la computadora sea una herramienta
esencial para resolver los problemas de programación lineal.
EXPLICACIÓN GRÁFICA DEL
PROCESO SIMPLEX
Ya se ha apuntado en el procedimiento de solución
gráfica que la búsqueda de una solución óptima debe
hacerse únicamente en los vértices del espacio factible de
solución. Esto es fácil de comprender en un problema con
sólo dos variables y tres restricciones, pero en problemas
mayores se necesita un procedimiento para identificas y
evaluar todos los vértices.
En el método Simplex, la búsqueda comienza,
normalmente, en el origen y se desplaza al vértice
adyacente que incremente el valor de la función objetivo.
Cuando se alcanza el nuevo vértice, la búsqueda se
desplaza hacia otro nuevo adyacente que sea mejor que
el último. El proceso continúa hasta que no se pueda
lograr ninguna mejora.
CONVERSIÓN DE DESIGUALDADES
A ECUACIONES
En las restricciones ( ≤ ), el lado derecho representa el límite de
disponibilidad de un recurso, y en ese caso el lado izquierdo
representaría el uso de ese recurso limitado por parte de las
actividades (variables) del modelo. La diferencia entre el lado
derecho y el lado izquierdo de la restricción representa, la
cantidad no usada u holgura del recurso.
Para convertir una desigualdad ( ≤ ) en una ecuación, se agrega
una variable de holgura al lado izquierdo de la restricción. Por
ejemplo, en el ejemplo de Vencedor la restricción asociada con el
uso de la materia prima M1 esta dada como
6X1 + 4X2 ≤ 24
Si se define h1 como la holgura, o cantidad no usada, de M1, la restricción se puede
convertir en la siguiente ecuación
6X1 + 4X2 + S1 = 24, h1 ≥ 0
Una restricción (≥) establece, normalmente, un límite
inferior para las actividades del modelo de programación
lineal, como tal, la cantidad por la que el lado izquierdo es
mayor que límite mínimo (lado derecho) representa un
excedente.
La conversión de (≥) a (=) se logra restando una variable de
excedencia, del lado izquierdo de la desigualdad. Ejemplo
X1 + X2 ≥ 800
Si se define S1 como una variable de excedencia, se puede
convertir en la siguiente ecuación:
X1 + X2 S1 = 800, S1 ≥ 0
NATURALEZA ITERATIVA DEL
MÉTODO SIMPLEX
La figura muestra el espacio de soluciones de la
programación lineal del ejemplo “Vencedor”.
Normalmente, el método simplex comienza en el origen
(punto A), donde x1 = x2 = 0. En este punto de inicio, el
valor de la función objetivo z es cero.
ALGORITMO SIMPLEX
Para explicar los detalles de cálculo de una iteración
simplex, que incluyen las reglas para determinar las
variables de entrada y salida, así como para detener los
cálculos cuando se ha llegado a la solución óptima. Como
medio de explicación usaremos un ejemplo.
Maximizar z = 5 x1 + 4 x2
Sujeto a
6x1 + 4x2 <= 24
x1 + 2x2 <= 6
x1 + x2 <= 1
x2 <= 2
Maximizar z - 5x1 - 4x2 = 0
6x1 + 4x2 + h1 = 24
x1 + 2x2 + h2 = 6
-x1 + x2 + h3 = 1
x2 + h4 = 2
h1 0 6 4 1 0 0 0 24
h2 0 1 2 0 1 0 0 6
h3 0 1 1 0 0 1 0 1
h4 0 0 1 0 0 0 1 2
En el diseño de la tabla se especifica el conjunto
de variables básicas y no básicas, y también se
muestra la solución asociada con la iteración de
inicio. Como se explicó anteriormente las
iteraciones simplex comienzan en el origen
(x1,x2)=(0,0). Así, el conjunto asociado de
variables no básicas y básicas se define como
sigue:
Variables no básicas (cero): (x1,x2)
Variables básicas: (h1, h2, h3,h4)
Se debe seleccionar para Entrar en la solución
básica a la variable no básica con el mayor
coeficiente negativo, en nuestro caso x1 = 5
Si fuera el caso que todos los coeficientes de la
función objetivo mayores a cero, no sería posible
mejorar z y eso querría decir que se habría
llegado al óptimo.
Para determinar la variable de salida, en forma
directa con la tabla, se calculan las
intersecciones, o coordenadas (x1)
Básica z x1 x2 h1 h2 h3 h4 Solució
n
z 1 5 4 0 0 0 0 0
h1 0 6 4 1 0 0 0 24 X1=24/6=4
h2 0 1 2 0 1 0 0 6 X1=6/1=6
h3 0 1 1 0 0 1 0 1 X1=1/1=1
(ignorar)
h4 0 0 1 0 0 0 1 2 X1=2/0 = ∞
(ignorar)
Los cálculos necesarios para obtener la nueva solución básica son de dos
tipos:
Fila Pivote
Nueva fila pivote = Fila Pivote / Elemento Pivote
Las demás filas
Nueva fila = fila actual – (su coeficiente en la columna pivote) * nuevo fila pivote
Básica z x1 x2 h1 h2 h3 h4 Solució
n
z
h1 0 6 4 1 0 0 0 24
h2
h3
h4