c

Trabajo Final
³Programación por metas´

nvestigación de Operaciones 
Dr. Rosario Rosas

ntegrantes:
Abner Uriel Castañeda Apodaca 510074
Cesar Adrián Larios Rodríguez 508278
c

Gartes, 3 de abril 2011

 
 c
c  cc
   c cc
c
9 OG

ON 9O T


Fue inicialmente introducida por Charnes y Cooper en los años 50. Desarrollada
en los años 70 por Ljiri, Lee, Ignizio y Romero.Laprogramación por metas también
conocida como ³Goal Programming´ es la tercera fase decisional, esta es de mayor
complejidad que la multiobjetiva y multiatributiva. La programación por metas queda
fundamentada en la filosofía de optimización general, que sustenta la teoría del
multicriterio.

La programación por metas se basa en establecer cuantitativamente un nivel

aceptable de logro para cada uno de los objetivos y después buscar la solución que haga
mínima la suma ponderada de las desviaciones de cada objetivo frente al valor numérico
fijado.Esta en la línea de la filosofía que propone Herbert Simón, según él, el contexto
decisional actual esta definido por información incompleta, recursos limitados,
multiplicidad de objetivos, conflicto de intereses, etc. En este contexto complejo muchas
veces el que toma las decisiones intenta que una serie de metas relevantes se aproximen
lo más posible a unos niveles de aspiración fijados de antemano.

En los últimos años la programación por metas constituye no solo el enfoque

multicriterio mas profusamente aplicado, sino también uno de los métodos de
investigación operativa de mayor popularidad, fue dirigida a resolver problemas
industriales, sin embargo posteriormente se ha extendido a muchos otros campos como la
economía, agricultura, recursos ambientales, recursos pesqueros, etc.

Resulta de gran interés, sobre todo, en problemas complejos de gran tamaño.

La forma del modelo de programación lineal sigue siendo la misma en

programación por meta, es decir, también se tiene una función objetivo que optimizar
sujeta a una o más restricciones. Sin embargo, dentro de este marco de referencia se
agregarán dos conceptos nuevos. El primero es el de las restricciones de meta en lugar
de las restricciones de recurso que se han analizado. El segundo concepto es el de rango
de prioridad entre las funciones de objetivo. Una vez que se establece un problema en el
formato del modelo general de programación lineal, para obtener la solución puede
aplicarse el G
D SIGPLEX modificado solo para tomar en cuenta las prioridades.

Una ventaja importante de la programación meta es su flexibilidad en el sentido de

que permite al tomador de decisiones, experimentar con una multitud de variaciones de
las restricciones y de prioridades de las metas cuando se involucra con un problema de
decisión de objetivos múltiples.

El primer paso en la formulación de un modelo de programación por metas

consiste en fijar los atributos que se consideran relevantes para el problema que se esta
analizando. Una vez establecidos los atributos se determina el nivel de aspiración que
corresponde a cada uno. Es decir, el nivel de logro que se desea alcanzar.

c
 
 c
c  cc
   c cc
c
El segundo paso a seguir es establecer el nivel de aspiración, ³t´, que corresponde
a cada Atributo seleccionado, siendo éste el nivel de logro del atributo que el
correspondiente a tomar la decisión considera aceptable. Después, se definen las metas,
los atributos combinados con niveles de aspiración. Cada meta se transforma en una
restricción ³blanda´ a incorporar en el modelo de programación por metas.

Así el atributo i-esimo se escribe:

Õ -
r  


Donde Õ - £ es la expresiónmatemática del atributo i-esimo, Ú su nivel de aspiración,

y  son las variables de desviación negativa y positiva, respectivamente.

Los valores de las variables de desviación son siempre positivas o cero, al menos
una de las dos variables de desviación que definen la meta tendrá que ser cero.

Las dos variables de desviación tomarán el valor cero cuando la meta alcance
exactamente su nivel de aspiración, ti. Una variable de desviación se dice que es no
deseada cuando al centro decisor le conviene que la variable en cuestión alcance su valor
más pequeño, es decir, cero.

La función objetivo para un problema de programación por meta siempre es

minimizar alguna combinación de variables de desviación. Desde un punto de vista de
toma de decisiones administrativa, esto significa que se esta buscando la combinación de
variables reales por ejemplo (mesas y sillas) que cumplan mejor con todos los objetivos.
Esto podría llamarse optimizar un conjunto de objetivos "satisfactorios" o satisfacer.

La mejor forma de la función objetivo varia según la respuesta a estas dos

preguntas:

¿Son conmensurables o proporcionales los objetivos? ¿Cuál es la importancia relativa de

cada objetivo?

w d
 

      
 este es el caso más sencillo,
aunque muy pocas veces se encuentra en la practica. Aquí los objetivos se miden
en una escala común.

w 9
  
  

estas pueden aplicarse a cualquier grupo
de objetivos conmensurables. Las ponderaciones deben reflejar la utilidad o el
valor de los objetivos.

w ©
       
 ¿que sucede cuando los objetivos no son
conmensurables, o cuando no hay una escala común para comparar las
desviaciones de los diferentes objetivos?. Este es un caso importante, al que se
enfrentan con frecuencia los administradores. Si el administrador puede ordenar o
dar un rango para sus metas entonces la solución es posible.

c
 
 c
c  cc
   c cc
c
üuizás no sea una tarea fácil dar un rango a los objetivos de acuerdo con su importancia
pero es algo que la mayoría de las personas entienden y pueden lograr. En la
programación por objetivos se le asigna la prioridad P1al objetivo más importante,
siguiendo P2 a una prioridad más baja. No existe limite en el numero de niveles de
prioridad pero debe asignarse una prioridad para cada variable de desviación. Se
permiten empates o prioridades iguales.

Los problemas de programación por meta se resuelven en orden de prioridad. Es decir, se

prueba la optimización en el nivel de prioridad más alto ignorando las prioridades más
bajas hasta optimizar este nivel.

EJEGPL:

A continuación se muestra un ejemplo realizado en üSB, debido a que resulta menos

complicado resolverlo con el uso de dicho programas que realizar todos los pasos
realizados a mano, que se nos complicó entenderles y no sabíamos exactamente lo que
estábamos resolviendo.

El problema trata sobre la planificar la producción de una fabrica de papel, supongamos

que cuenta con dos procesos, uno mecánico y otro químico, por los cuales se puede
obtener la pulpa de celulosa para la producción de papel.

Godelo de programación multiobjetivos:

bjetivos Gax f1(x)= 1000 X1 + 3000 X2 (Gaximizar el margen bruto)

Gin f2(x)= X1 +2 X2 (Ginimizar la demanda biología de 2)

Restricciones RígidasIníciales:

1000X1 + 3000X2>= 300000 (Gargen Bruto)

X1 + X2 <=400 (Empleo)

X1<= 300 (Capacidades de Producción)

X2<= 200

X1, X2>= 0

Variables de decisión y atributos/objetivos relevantes del problema:

G1: Para la demanda biológica de oxígeno: Un nivel de aspiración de 300 unidades, pues
desea que sea lo mas pequeña posible.

c
 
 c
c  cc
   c cc
c
G2: Para el margen bruto: Alcanzar un valor lo más grande posible, ojal1 mayor de
400000 unidades por millón.

G3: Para el empleo: No desea ni quedarse corto ni contratar mano de obra adicional

G4: El decisor no desea superar sus capacidad de producción, lo que implicaría recurrir a
turnos extras.

Definiendo las restricciones tipo metas:

G1= X1 + 2X2 + n1-p1= 300 (Demanda Biologíca de 2)

G2= 1000X1+ 3000X2 + n2-p2=400000 (Gargen bruto)

G3= X1 +X2 + n3 ±p3= 400 (Empleo)

G4= X1 + n4- p4 = 300 (Capacidades de Producción)

G5= X2 + n5 ± p5= 200

X1, X2>=0

Introducción del Problema en üSB

Seleccionamos , y nos abre la siguiente ventana donde deberemos de introducir los
valores de las variables.

c
 
 c
c  cc
   c cc
c

Ahora si procedemos a dar de alta nuestras variables tal cual las pusimos en la parte de
arriba, ya que si no lo hacemos üSB nos las cambiara, esto lo hacemos en la sección de
Edit, Variable Names.

Ahora podemos definir las metas y restricciones

Después nos vamos alas herramientas del menú y seleccionamos Solve and Analyze.
Seleccionamos SolvetheProblem y el problema se resuelve mediante el método simplex y
nos da el siguiente resultado.

c
 
 c
c  cc
   c cc
c

Hoja de resumen de la información

Interpretación:

De la tabla podemos concluir que:

Las toneladas de celulosa a producir por medio mecánicos son 300

Dado que n1 y p1 son ambas cero, la demanda biológica de oxigeno mínimo es de 300
unidades, igual al nivel de aspiración.

La meta 2, asociada con el margen bruto, se queda por debajo del nivel de aspira con en
cuenta de 100000 unidades por millón, el valor que asume la variable de desviación n2

c
 
 c
c  cc
   c cc
c
La meta de empleo se fija de 100 unidades de mano de obra menos que el nivel de
aspiración que era de 400

Las metas 4 y 5 , relacionadas con los niveles máximos de producción por cada método,
se fijan en 0 tonelada de capacidad no aprovechada, para la , y 200 para la 5

En general, una solución simplex a problemas de programación meta es similar a

problemas de programación lineal. Sin embargo, en el caso de programación meta,
debemos trabajar en la función objetivo con factores de prioridad en lugar de pesos. El
resultado de estos es que los términos de la fila de evaluación (Zj ± Cj), en general, son
términos que contienen uno o más factores de prioridad. Así, en la programación meta,
para escoger las variables que entran a la base, buscamos el término (Zj ± Cj) que
contenga el valor positivo más alto en el factor de prioridad más alto que permanezca.
Solamente después de que los términos más altos de prioridad Zj -Cj tomen valores no
positivos, consideramos los términos de baja prioridad. En la programación meta, los
términos Zj ± Cj son vectores, mientras que en la programación lineal son escalares.

La programación meta es aplicable en las siguientes áreas:

w GERCADE. Donde las metas conflictivas podrían ser: maximizar la participación

del mercado, minimizar los costos de publicidad, maximizar el margen de
gananci8a por artículo vendido.

w CN
RL DE INVEN
ARIS. Donde es necesario minimizar el número de

faltantes y minimizar el costo de almacenaje.

w PRDUCCIN. Donde es necesario minimizar el costo de fabricación, maximizar

el control de calidad, y maximizar la utilización de recursos.

Un método para obtener la clasificación de importancia es la comparación por pares.

Al tomador de decisiones se le presentan todos los pares posibles y se le pregunta, qué
meta de cada par es más importante. A cada meta se le da una clasificación basada en el
número de veces que la meta tiene la clasificación más alta en las comparaciones por
pares. Si el tomador de decisiones es consistente, la meta más importante debería tener
el rango más elevado en las n-1 comparaciones apareadas(donde n es el número de
metas), la siguiente mejor deberá tener la clasificación más lata en n-23 metas y así
sucesivamente.

c
 
 c
c  cc
   c cc
c

El método por metas, no es un método Nuevo para nosotros, es un tema muy amplio e
importante en la vida real, ya que siempre en la vida existen prioridades, metas por
cumplir, y recursos limitados, de los cuales debemos darles el mejor o mayor uso, así
como clientes o restricciones con mayor peso que otras, este método puede darte la
mejor opción para atacar todas las restricciones que le sean plantados, sin embargo la
ecuación principal tanto las restricciones deben estar perfectamente establecidas,
pensadas y sobretodo expresadas matemáticamente para que el método no te arroje
datos basura.

omando las decisiones correctas respecto a las prioridades y a la necesidad de

maximizar o minimizar algún producto, espacio, material prima, etc. La respuesta obtenida
por este método será la optima matemáticamente, y sabrás que se estará tomando la
mejor decisión posible para cumplir a todas.

Fuentes:

Jorques, Daniel (1997) Interpelación y Espacios Comunicativos. Valencia: impreso en

España

Garrero, Fernando. Programación por Getas. Recuperado el 2 de Gayo de 2011 de

http://fmarrerodelgado.elgratissitio.com/metas.html.

Garoto, C., Alcaraz, J. y Ruiz, R.,(2002). Investigación perativa, Godelos y
écnicas de

ptimización. Valencia: Editorial Universidad Politécnica de Valencia.

c