Programación Lineal

PROGRAMACIÓN LINEAL
El modelo de Investigación de Operaciones se suele organizar con el siguiente formato general:
Maximizar o Minimizar la función objetivos

Sujeto a:
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.
La técnica más importante de Investigación de Operaciones es la Programación Lineal. Se diseña para

modelos con funciones objetivo y restricciones estrictamente lineales.
El modelo de Programación Lineal, como en cualquier modelo de investigación de operaciones, tiene tres
componentes básicos:
1. Las variables de decisión que se trata de determinar.

2. El objetivo (la meta) que se trata de optimizar.
3. Las restricciones que se deben satisfacer.
Considerando el siguiente Modelo de Programación Lineal:
Minimizar z = c1x1 + c2x2 + ……. + cnxn

sujeto a:
a11x1 + a12x2 + …….. + a1nxn ≥ b1
a21x1 + a22x2 + …….. + a2nxn ≥ b2
. . .
. . .
am1x1 + am2x2 + …….. + amnxn ≥ bi
x1,x2,..,xn ≥ 0
Donde:
Minimizar → Objetivo del problema a11x1 + a12x2 + …….. + a1nxn ≤ b1

a21x1 + a22x2 + …….. + a2nxn ≤ b2
z = c1x1 + c2x2 + ……. + cnxn→ Función Objetivo . . . Restricciones
. . .
c1 am1x1 + am2x2 + …….. + amnxn ≤ bi
c2 Costos unitarios
cn a11, a12 , …….. , amn→ Coeficientes Tecnológicos
x1 a11 a12 …….. a1n

x2 Variables de decisión a21 a22 …….. a2n
xn . . . Matriz de Coeficientes
. . . Tecnológicos
am1 am2 …….. amn
b1 x1,x2,..,xn ≥ 0 → Condición de No Negatividad
b2 Disponibilidad de Recursos
bi (Variables del problema)
El conjunto de variables que cumple las condiciones de todas las restricciones se llama solución factible,
y el conjunto de soluciones factibles se llama Región de Factibilidad Resultante (RFR).
Ejemplo :
Maximizar z = 2x1 + 5x2

sujeto a:
6x1 + x2 ≥ 7
x1 ≤3
x1,x2 ≥ 0
Donde:
Maximizar → Objetivo del problema 6x1 + x2 ≥ 7 Restricciones

x1 ≤3
z = 2x1 + 5x2 → Función Objetivo
6, 1, 1, 0 → Coeficientes Tecnológicos
c1 = 2
c2 = 5 Costos unitarios 6 1
Matriz de Coeficientes
1 0 Tecnológicos
x1
x2 Variables de decisión
b1 = 7
b2 = 3 Disponibilidad de Recursos
x1,x2≥0 → Condición de No Negatividad

(Variables del problema)
Manipulación de un modelo de Programación Lineal. -

Consiste en escribir el problema de PL en diferentes formas de representación a partir del análisis de las
desigualdades de las restricciones y condiciones de no negatividad.
➢ Variables de Holgura → Las variables de holgura sirven para convertir las desigualdades en
igualdad.
o Cuando la condición de la restricción es ≥ la variable de holgura es negativa.

o Cuando la condición de la restricción es ≤ la variable de holgura es positiva.
Las variables de holgura en la función objetivo van con costos ceros.
Las variables de holgura en la condición de no negatividad se las adiciona.

Ejemplo:
Problema Original o Primal: Problema con variables de holgura:
Maximizar z = 2x1 + 5x2 Entonces: Maximizar z = 2x1 + 5x2 + 0x3 + 0x4

sujeto a: sujeto a:
6x1 + x2 ≥ 7 6x1 + x2 – x3 =7 X3
x1 - x2 = 9 x1 - x 2 =9 Variables de
x1 ≤3 x1 + x4 = 3 X4 Holgura
x1,x2 ≥ 0 x1,x2,x3,x4 ≥ 0
➢ Una ecuación se puede escribir como dos desigualdades, es decir:
Ejemplo:
Maximizar z = 2x1 + 5x2 Por lo tanto, el MPL queda:

sujeto a:
6x1 + x2 ≥ 7 Maximizar z = 2x1 + 5x2
x1 - x2 = 9 sujeto a:
x1 ≤3 6x1 + x2 ≥ 7
x1,x2 ≥ 0 x1 - x 2 ≥ 9
x1 - x 2 ≤ 9
La manipulación es en restricción 2: x1 ≤3
x1,x2 ≥ 0
x 1 - x2 = 9
x1 - x2 ≥ 9 x1 - x2 ≤ 9
➢ Un problema de Minimización se puede convertir en Maximización o viceversa de la forma:
Ejemplo:
Minimizar z = 2x1 + 5x2 Por lo tanto, el MPL queda:

sujeto a:
6x1 + x2 ≥ 7 Maximizar H = -2x1 - 5x2
x1 - x2 = 9 sujeto a:
x1 ≤3 6x1 + x2 ≥ 7
x1,x2 ≥ 0 x1 - x 2 = 9
x1 ≤3
La manipulación es: x1,x2 ≥ 0
z = 2x1 + 5x2 (-1)
-z = -2x1 - 5x2
Cambio de variable: -z = H Entonces La función objetivo queda como H = -2x1 - 5x2

Formas de representar un modelo de Programación Lineal: Existen tres formas y son:
1. Forma Canónica
2. Forma Estándar
3. Forma Mixta
➢ Forma Canónica
Maximizar z = c1x1 + c2x2 + ……. + cnxn Minimizar z = c1x1 + c2x2 + ……. + cnxn
sujeto a: sujeto a:
a11x1 + a12x2 + …….. + a1nxn ≤ b1 a11x1 + a12x2 + …….. + a1nxn ≥ b1
a21x1 + a22x2 + …….. + a2nxn ≤ b2 a21x1 + a22x2 + …….. + a2nxn ≥ b2
. . . . . .
. . . . . .
am1x1 + am2x2 + …….. + amnxn ≤ bi am1x1 + am2x2 + …….. + amnxn ≥ bi
x1,x2,..,xn ≥ 0 x1,x2,..,xn ≥ 0
➢ Forma Estándar
Maximizar z = c1x1 + c2x2 + ……. + cnxn Minimizar z = c1x1 + c2x2 + ……. + cnxn
sujeto a: sujeto a:
a11x1 + a12x2 + …….. + a1nxn = b1 a11x1 + a12x2 + …….. + a1nxn = b1
a21x1 + a22x2 + …….. + a2nxn = b2 a21x1 + a22x2 + …….. + a2nxn = b2
. . . . . .
. . . . . .
am1x1 + am2x2 + …….. + amnxn = bi am1x1 + am2x2 + …….. + amnxn = bi
x1,x2,..,xn ≥ 0 x1,x2,..,xn ≥ 0
➢ Forma Mixta
Maximizar z = c1x1 + c2x2 + ……. + cnxn

sujeto a:
a11x1 + a12x2 + …….. + a1nxn ≤ b1
a21x1 + a22x2 + …….. + a2nxn ≥ b2
. . .
. . .
am1x1 + am2x2 + …….. + amnxn = bi
x1,x2,..,xn ≥ 0
Ejemplo:
Dado el siguiente modelo de programación lineal:
Maximizar z = 2x1 + 5x2

sujeto a:
6x1 + x2 ≥ 7
x1 - x2 = 9
x1 ≤3
x1,x2 ≥ 0
Forma Canónica Forma Estándar
Maximizar z = 2x1 + 5x2 Maximizar z = 2x1 + 5x2 + 0x3 + 0x4

sujeto a: sujeto a:
-6x1 - x2 ≤ -7 6x1 + x2 – x3 =7
-x1 + x2 ≤ -9 x1 - x2 =9
x1 - x2 ≤ 9 x1 + x4 = 3
x1 ≤3 x1,x2,x3,x4 ≥ 0
x1,x2 ≥ 0

Programación Lineal

Cargado por

Copyright:

Formatos disponibles

Programación Lineal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programación Lineal

Cargado por

Copyright:

Formatos disponibles

PROGRAMACIÓN LINEAL

El modelo de Investigación de Operaciones se suele organizar con el siguiente formato general:

Maximizar o Minimizar la función objetivos

La técnica más importante de Investigación de Operaciones es la Programación Lineal. Se diseña para

1. Las variables de decisión que se trata de determinar.

Considerando el siguiente Modelo de Programación Lineal:

Minimizar z = c1x1 + c2x2 + ……. + cnxn

Minimizar → Objetivo del problema a11x1 + a12x2 + …….. + a1nxn ≤ b1

x1 a11 a12 …….. a1n

Maximizar z = 2x1 + 5x2

Maximizar → Objetivo del problema 6x1 + x2 ≥ 7 Restricciones

x1,x2≥0 → Condición de No Negatividad

Manipulación de un modelo de Programación Lineal. -

o Cuando la condición de la restricción es ≥ la variable de holgura es negativa.

Las variables de holgura en la función objetivo van con costos ceros.

Las variables de holgura en la condición de no negatividad se las adiciona.

Problema Original o Primal: Problema con variables de holgura:

Maximizar z = 2x1 + 5x2 Entonces: Maximizar z = 2x1 + 5x2 + 0x3 + 0x4

➢ Una ecuación se puede escribir como dos desigualdades, es decir:

Maximizar z = 2x1 + 5x2 Por lo tanto, el MPL queda:

➢ Un problema de Minimización se puede convertir en Maximización o viceversa de la forma:

Minimizar z = 2x1 + 5x2 Por lo tanto, el MPL queda:

Cambio de variable: -z = H Entonces La función objetivo queda como H = -2x1 - 5x2

Maximizar z = c1x1 + c2x2 + ……. + cnxn

Dado el siguiente modelo de programación lineal:

Maximizar z = 2x1 + 5x2

Forma Canónica Forma Estándar

Maximizar z = 2x1 + 5x2 Maximizar z = 2x1 + 5x2 + 0x3 + 0x4

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.