El documento explica los conceptos básicos de optimización mediante programación lineal, incluyendo un ejemplo de una empresa de televisión que maximiza sus ganancias produciendo dos modelos de televisores sujetos a restricciones de capacidad. Se resuelve el problema usando el software Lingo y se analizan las soluciones óptimas, costos reducidos y precios duales. Se explican también conceptos como linealidad, soluciones factibles e infactibles, y soluciones degeneradas.
Este documento presenta el contenido de una sesión sobre herramientas para la toma de decisiones. Se explica cómo formular un problema de maximización o minimización usando la herramienta Solver de Excel y cómo obtener la solución óptima. También se describen los resultados esperados de aprender a formular problemas de programación lineal, resolverlos con Solver e interpretar los resultados y el análisis de sensibilidad.
Este documento presenta un problema de programación lineal para una compañía minera. Se define el objetivo de minimizar los costos de producción sujeto a restricciones de producción y un contrato de suministro. Se formula matemáticamente definiendo las variables, restricciones y objetivo para representar el problema como un modelo de programación lineal.
V4 interpretación del informe de sensibilidad de solver volumen 4Carlosjmolestina
Este documento explica el método simplex y cómo el programa Solver lo utiliza para resolver problemas de programación lineal. Solver convierte todas las restricciones en igualdades agregando variables de holgura o sustrayendo variables de excedente. Esto permite que el método simplex encuentre la solución óptima. El documento también analiza el informe de sensibilidad de Solver y explica qué información proporciona sobre la solución encontrada.
1) Los algoritmos especiales son diseñados para resolver problemas de programación lineal y optimizar una función objetivo sujeto a restricciones lineales. Algunos algoritmos especiales incluyen Gran M, flujo mínimo y algoritmo fraccional.
2) El método simplex es el método más conocido para resolver problemas de programación lineal de manera iterativa mejorando la solución en cada paso hasta alcanzar la solución óptima.
3) El algoritmo Húngaro resuelve problemas de asignación en tiempo óptimo asignando tareas a recursos de man
La unidad se enfoca en el análisis de sensibilidad de los modelos de programación lineal. Incluye temas sobre el análisis de sensibilidad de los términos independientes, el análisis de la solución por computadora, la programación lineal entera y el modelo primal-dual. El objetivo es que los estudiantes desarrollen y apliquen estas técnicas para fortalecer su formación profesional.
El documento presenta un modelo de programación lineal para resolver un problema de maximización de ganancias en una empresa que produce dos solventes (A y B) sujeto a restricciones en horas de trabajo disponibles. Se formula el modelo matemático con la función objetivo a maximizar y las restricciones, resolviéndolo gráficamente para encontrar la solución óptima de producir 70,000 galones de A y 90,000 galones de B, obteniendo un margen de ganancia de $660,000.
Este documento describe la programación no lineal y proporciona un ejemplo de programación cuadrática. La programación no lineal involucra relaciones no lineales entre variables y constantes, a diferencia de la programación lineal donde todas las relaciones son lineales. El ejemplo especifica un problema de maximización de ganancias sujeto a restricciones de recursos, donde la función objetivo es cuadrática en lugar de lineal. El documento explica cómo resolver este problema de programación cuadrática usando el método de Solver en Excel.
Este documento presenta el contenido de una sesión sobre herramientas para la toma de decisiones. Se explica cómo formular un problema de maximización o minimización usando la herramienta Solver de Excel y cómo obtener la solución óptima. También se describen los resultados esperados de aprender a formular problemas de programación lineal, resolverlos con Solver e interpretar los resultados y el análisis de sensibilidad.
Este documento presenta un problema de programación lineal para una compañía minera. Se define el objetivo de minimizar los costos de producción sujeto a restricciones de producción y un contrato de suministro. Se formula matemáticamente definiendo las variables, restricciones y objetivo para representar el problema como un modelo de programación lineal.
V4 interpretación del informe de sensibilidad de solver volumen 4Carlosjmolestina
Este documento explica el método simplex y cómo el programa Solver lo utiliza para resolver problemas de programación lineal. Solver convierte todas las restricciones en igualdades agregando variables de holgura o sustrayendo variables de excedente. Esto permite que el método simplex encuentre la solución óptima. El documento también analiza el informe de sensibilidad de Solver y explica qué información proporciona sobre la solución encontrada.
1) Los algoritmos especiales son diseñados para resolver problemas de programación lineal y optimizar una función objetivo sujeto a restricciones lineales. Algunos algoritmos especiales incluyen Gran M, flujo mínimo y algoritmo fraccional.
2) El método simplex es el método más conocido para resolver problemas de programación lineal de manera iterativa mejorando la solución en cada paso hasta alcanzar la solución óptima.
3) El algoritmo Húngaro resuelve problemas de asignación en tiempo óptimo asignando tareas a recursos de man
La unidad se enfoca en el análisis de sensibilidad de los modelos de programación lineal. Incluye temas sobre el análisis de sensibilidad de los términos independientes, el análisis de la solución por computadora, la programación lineal entera y el modelo primal-dual. El objetivo es que los estudiantes desarrollen y apliquen estas técnicas para fortalecer su formación profesional.
El documento presenta un modelo de programación lineal para resolver un problema de maximización de ganancias en una empresa que produce dos solventes (A y B) sujeto a restricciones en horas de trabajo disponibles. Se formula el modelo matemático con la función objetivo a maximizar y las restricciones, resolviéndolo gráficamente para encontrar la solución óptima de producir 70,000 galones de A y 90,000 galones de B, obteniendo un margen de ganancia de $660,000.
Este documento describe la programación no lineal y proporciona un ejemplo de programación cuadrática. La programación no lineal involucra relaciones no lineales entre variables y constantes, a diferencia de la programación lineal donde todas las relaciones son lineales. El ejemplo especifica un problema de maximización de ganancias sujeto a restricciones de recursos, donde la función objetivo es cuadrática en lugar de lineal. El documento explica cómo resolver este problema de programación cuadrática usando el método de Solver en Excel.
Este documento presenta una introducción a la programación matemática y la programación lineal. Explica conceptos clave como funciones objetivo, restricciones, variables de decisión y coeficientes. También describe métodos de resolución como el método gráfico, el método simplex y algoritmos para problemas enteros, binarios y multiobjetivo. Finalmente, introduce el análisis envolvente de datos para medir la eficiencia productiva mediante modelos de programación lineal.
Este documento presenta y compara la programación lineal y no lineal, y proporciona ejemplos de cada una. La programación lineal busca optimizar una función objetivo lineal sujeto a restricciones lineales, mientras que la programación no lineal permite funciones y restricciones no lineales. Se describen algoritmos comunes para abordar problemas de programación no lineal con y sin restricciones, como la optimización del gradiente.
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
Este documento presenta un problema de optimización para una empresa promotora inmobiliaria. El objetivo es maximizar los ingresos y minimizar el riesgo mediante la construcción de chalets u adosados, sujeto a restricciones en la capacidad y tipos de viviendas. Se resuelve el problema gráficamente y mediante métodos como ponderaciones, programación por metas, y análisis primal y dual. El software Expert Choice también se utiliza para tomar la mejor decisión sobre la contratación de una constructora.
Este documento explica diferentes modelos de programación entera, incluyendo modelos puros, binarios y mixtos. Describe ejemplos de problemas de corte de madera, programación de producción y programación de proyectos para ilustrar estos modelos. También resume problemas típicos de programación entera como el problema del transporte, flujo de costo mínimo en red, asignación, mochila, emparejamiento, recubrimiento, empaquetado, partición, costo fijo y el problema del viajante.
Este documento presenta los conceptos básicos de la programación lineal. Explica cómo formular un modelo de programación lineal con variables de decisión, restricciones y función objetivo. Describe un ejemplo de optimización de la producción de juguetes y cómo resolverlo gráficamente y con el método simplex. También cubre el análisis de sensibilidad y diferentes tipos de soluciones como óptimas, no factibles o no acotadas. Finalmente, menciona el uso de software para resolver grandes modelos lineales.
Este documento presenta un modelo de programación lineal para resolver un problema de planificación de producción en una empresa de juguetes. El modelo busca maximizar las ganancias sujeto a restricciones en los recursos disponibles. Se analizan conceptos como solución óptima, análisis de sensibilidad y métodos para resolver el modelo como el método gráfico y Simplex. Finalmente, se aplica el modelo al problema de la empresa Galaxia para determinar la producción óptima de dos juguetes.
Este documento trata sobre programación lineal. Explica que la programación lineal es una parte de la investigación operativa que se puede aplicar cuando un problema se puede expresar mediante expresiones matemáticas lineales. Describe los componentes básicos de un problema de programación lineal como la función objetivo y las restricciones, y métodos para resolver problemas como el método gráfico. También define conceptos clave como solución óptima, variables de holgura y variables de excedente. Finalmente, presenta ejemplos para ilustrar cómo aplicar el método gráfico.
El documento describe el problema de programación lineal de determinar la distribución óptima de una inversión de 210,000 euros en dos tipos de acciones para maximizar el interés anual, sujeto a restricciones en la inversión máxima y mínima de cada acción. La solución óptima es invertir 130,000 euros en acciones tipo A y 80,000 euros en acciones tipo B, lo que genera un interés anual máximo de 19,400 euros.
Este documento describe la programación lineal, incluidas sus aplicaciones, definición, pasos para la solución de problemas, y un ejemplo de modelo con dos variables. La programación lineal es una técnica matemática que permite optimizar una función objetivo sujeta a restricciones lineales, y se aplica a problemas de agricultura, industria, transporte y más.
El documento describe la programación lineal. Explica que es una técnica de optimización para gestionar recursos y encontrar la mejor solución. Los problemas de programación lineal constan de variables de decisión, restricciones lineales y una función objetivo lineal que se quiere optimizar. Se resuelven modelando matemáticamente el problema y encontrando la solución óptima.
Clase 2 del curso de Investigacion de Operaciones I del profesor Quiroz de la seccion K, perteneciente a la escuela profesional de Ingenieria Economica de FIECS - UNI
Este documento presenta una introducción a la investigación de operaciones y la simulación, incluyendo definiciones de programación lineal, características de modelos de programación lineal, y ejemplos de problemas modelados como problemas de programación lineal como la producción, el corte de madera, corridas de producción y paquetes de tuercas.
El Solver es una herramienta de Excel que resuelve problemas de programación lineal mediante el método Simplex. Para resolver un problema, se debe definir la función objetivo y las restricciones y luego ingresar los datos en una hoja de cálculo. Solver encuentra los valores óptimos de las variables cambiantes para maximizar u optimizar la función objetivo sujeta a las restricciones.
El Solver es una herramienta de Excel que resuelve problemas de programación lineal mediante el método Simplex. Para resolver un problema, se debe definir la función objetivo y las restricciones y luego ingresar los datos en una hoja de cálculo. Solver encuentra los valores óptimos de las variables cambiantes para maximizar u optimizar la función objetivo sujeta a las restricciones.
El documento habla sobre programación lineal entera (ILP), donde algunas o todas las variables de decisión deben ser valores enteros en lugar de reales. Esto hace que los problemas sean más difíciles de resolver que los problemas de programación lineal normales. Se describen tres tipos de ILP según si las variables son completamente enteras, mixtas o binarias. Luego, se presentan dos problemas de ejemplo que ilustran cómo formularlos como problemas de ILP y cómo resolverlos usando el método Branch and Bound.
Este documento describe la programación lineal, un método de la investigación operativa que se puede aplicar cuando un problema se puede expresar mediante ecuaciones y desigualdades lineales. Explica conceptos como función objetivo, variables de decisión, restricciones, solución óptima y métodos de resolución como el gráfico. También presenta ejemplos ilustrativos de problemas de programación lineal y su solución.
Este documento presenta una introducción a la programación lineal y varios modelos matemáticos comúnmente utilizados en este campo. Explica conceptos clave como funciones objetivo, variables, restricciones y soluciones factibles y óptimas. Luego describe métodos para simplificar modelos matemáticos y resolver problemas de programación lineal, incluidos el método gráfico, Simplex y dualidad. Finalmente, explica la modelización de varios problemas comunes como transporte, asignación, ordenación de tareas y flujo de red.
El documento trata sobre la teoría de la producción. Explica que la empresa transforma factores de producción (inputs) en productos (outputs). También describe diferentes tipos de funciones de producción como Cobb-Douglas y de proporciones fijas, y conceptos como productividad marginal, complementariedad y sustitución entre factores.
ESPERAMOS QUE ESTA INFOGRAFÍA SEA UNA HERRAMIENTA ÚTIL Y EDUCATIVA QUE INSPIRE A MÁS PERSONAS A ADENTRARSE EN EL APASIONANTE CAMPO DE LA INGENIERÍA CIVIŁ. ¡ACOMPAÑANOS EN ESTE VIAJE DE APRENDIZAJE Y DESCUBRIMIENTO
Este documento presenta una introducción a la programación matemática y la programación lineal. Explica conceptos clave como funciones objetivo, restricciones, variables de decisión y coeficientes. También describe métodos de resolución como el método gráfico, el método simplex y algoritmos para problemas enteros, binarios y multiobjetivo. Finalmente, introduce el análisis envolvente de datos para medir la eficiencia productiva mediante modelos de programación lineal.
Este documento presenta y compara la programación lineal y no lineal, y proporciona ejemplos de cada una. La programación lineal busca optimizar una función objetivo lineal sujeto a restricciones lineales, mientras que la programación no lineal permite funciones y restricciones no lineales. Se describen algoritmos comunes para abordar problemas de programación no lineal con y sin restricciones, como la optimización del gradiente.
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
Este documento presenta un problema de optimización para una empresa promotora inmobiliaria. El objetivo es maximizar los ingresos y minimizar el riesgo mediante la construcción de chalets u adosados, sujeto a restricciones en la capacidad y tipos de viviendas. Se resuelve el problema gráficamente y mediante métodos como ponderaciones, programación por metas, y análisis primal y dual. El software Expert Choice también se utiliza para tomar la mejor decisión sobre la contratación de una constructora.
Este documento explica diferentes modelos de programación entera, incluyendo modelos puros, binarios y mixtos. Describe ejemplos de problemas de corte de madera, programación de producción y programación de proyectos para ilustrar estos modelos. También resume problemas típicos de programación entera como el problema del transporte, flujo de costo mínimo en red, asignación, mochila, emparejamiento, recubrimiento, empaquetado, partición, costo fijo y el problema del viajante.
Este documento presenta los conceptos básicos de la programación lineal. Explica cómo formular un modelo de programación lineal con variables de decisión, restricciones y función objetivo. Describe un ejemplo de optimización de la producción de juguetes y cómo resolverlo gráficamente y con el método simplex. También cubre el análisis de sensibilidad y diferentes tipos de soluciones como óptimas, no factibles o no acotadas. Finalmente, menciona el uso de software para resolver grandes modelos lineales.
Este documento presenta un modelo de programación lineal para resolver un problema de planificación de producción en una empresa de juguetes. El modelo busca maximizar las ganancias sujeto a restricciones en los recursos disponibles. Se analizan conceptos como solución óptima, análisis de sensibilidad y métodos para resolver el modelo como el método gráfico y Simplex. Finalmente, se aplica el modelo al problema de la empresa Galaxia para determinar la producción óptima de dos juguetes.
Este documento trata sobre programación lineal. Explica que la programación lineal es una parte de la investigación operativa que se puede aplicar cuando un problema se puede expresar mediante expresiones matemáticas lineales. Describe los componentes básicos de un problema de programación lineal como la función objetivo y las restricciones, y métodos para resolver problemas como el método gráfico. También define conceptos clave como solución óptima, variables de holgura y variables de excedente. Finalmente, presenta ejemplos para ilustrar cómo aplicar el método gráfico.
El documento describe el problema de programación lineal de determinar la distribución óptima de una inversión de 210,000 euros en dos tipos de acciones para maximizar el interés anual, sujeto a restricciones en la inversión máxima y mínima de cada acción. La solución óptima es invertir 130,000 euros en acciones tipo A y 80,000 euros en acciones tipo B, lo que genera un interés anual máximo de 19,400 euros.
Este documento describe la programación lineal, incluidas sus aplicaciones, definición, pasos para la solución de problemas, y un ejemplo de modelo con dos variables. La programación lineal es una técnica matemática que permite optimizar una función objetivo sujeta a restricciones lineales, y se aplica a problemas de agricultura, industria, transporte y más.
El documento describe la programación lineal. Explica que es una técnica de optimización para gestionar recursos y encontrar la mejor solución. Los problemas de programación lineal constan de variables de decisión, restricciones lineales y una función objetivo lineal que se quiere optimizar. Se resuelven modelando matemáticamente el problema y encontrando la solución óptima.
Clase 2 del curso de Investigacion de Operaciones I del profesor Quiroz de la seccion K, perteneciente a la escuela profesional de Ingenieria Economica de FIECS - UNI
Este documento presenta una introducción a la investigación de operaciones y la simulación, incluyendo definiciones de programación lineal, características de modelos de programación lineal, y ejemplos de problemas modelados como problemas de programación lineal como la producción, el corte de madera, corridas de producción y paquetes de tuercas.
El Solver es una herramienta de Excel que resuelve problemas de programación lineal mediante el método Simplex. Para resolver un problema, se debe definir la función objetivo y las restricciones y luego ingresar los datos en una hoja de cálculo. Solver encuentra los valores óptimos de las variables cambiantes para maximizar u optimizar la función objetivo sujeta a las restricciones.
El Solver es una herramienta de Excel que resuelve problemas de programación lineal mediante el método Simplex. Para resolver un problema, se debe definir la función objetivo y las restricciones y luego ingresar los datos en una hoja de cálculo. Solver encuentra los valores óptimos de las variables cambiantes para maximizar u optimizar la función objetivo sujeta a las restricciones.
El documento habla sobre programación lineal entera (ILP), donde algunas o todas las variables de decisión deben ser valores enteros en lugar de reales. Esto hace que los problemas sean más difíciles de resolver que los problemas de programación lineal normales. Se describen tres tipos de ILP según si las variables son completamente enteras, mixtas o binarias. Luego, se presentan dos problemas de ejemplo que ilustran cómo formularlos como problemas de ILP y cómo resolverlos usando el método Branch and Bound.
Este documento describe la programación lineal, un método de la investigación operativa que se puede aplicar cuando un problema se puede expresar mediante ecuaciones y desigualdades lineales. Explica conceptos como función objetivo, variables de decisión, restricciones, solución óptima y métodos de resolución como el gráfico. También presenta ejemplos ilustrativos de problemas de programación lineal y su solución.
Este documento presenta una introducción a la programación lineal y varios modelos matemáticos comúnmente utilizados en este campo. Explica conceptos clave como funciones objetivo, variables, restricciones y soluciones factibles y óptimas. Luego describe métodos para simplificar modelos matemáticos y resolver problemas de programación lineal, incluidos el método gráfico, Simplex y dualidad. Finalmente, explica la modelización de varios problemas comunes como transporte, asignación, ordenación de tareas y flujo de red.
El documento trata sobre la teoría de la producción. Explica que la empresa transforma factores de producción (inputs) en productos (outputs). También describe diferentes tipos de funciones de producción como Cobb-Douglas y de proporciones fijas, y conceptos como productividad marginal, complementariedad y sustitución entre factores.
ESPERAMOS QUE ESTA INFOGRAFÍA SEA UNA HERRAMIENTA ÚTIL Y EDUCATIVA QUE INSPIRE A MÁS PERSONAS A ADENTRARSE EN EL APASIONANTE CAMPO DE LA INGENIERÍA CIVIŁ. ¡ACOMPAÑANOS EN ESTE VIAJE DE APRENDIZAJE Y DESCUBRIMIENTO
Metodología - Proyecto de ingeniería "Dispensador automático"cristiaansabi19
Esta presentación contiene la metodología del proyecto de la materia "Introducción a la ingeniería". Dicho proyecto es sobre un dispensador de medicamentos automáticos.
1. Introduccion a las excavaciones subterraneas (1).pdfraulnilton2018
Cuando las excavaciones subterráneas son desarrolladas de manera artesanal, se conceptúa a la excavación como el “ que es una labor efectuada con la mínima sección posible de excavación, para permitir el tránsito del hombre o de
cémilas para realizar la extracción del material desde el
frontón hasta la superficie
Cuando las excavaciones se ejecutan controlando la sección de excavación, de manera que se disturbe lo menos posible la
roca circundante considerando la vida útil que se debe dar a la roca, es cuando aparece el
concepto de “ que abarca,
globalmente, al proceso de excavación, control de la periferia, sostenimiento, revestimiento y consolidación de la excavación
ascensor o elevador es un sistema de transporte vertical u oblicuo, diseñado...LuisLobatoingaruca
Un ascensor o elevador es un sistema de transporte vertical u oblicuo, diseñado para mover principalmente personas entre diferentes niveles de un edificio o estructura. Cuando está destinado a trasladar objetos grandes o pesados, se le llama también montacargas.
2. 1.1. ¿Qué es optimización?
• Es un procedimiento matemático para
determinar asignación óptima de los
recursos escasos.
• La forma especial más popular de optimización
es la Programación Lineal PL
• PL tiene aplicaciones en casi todas las
actividades empresariales, desde publicidad
hasta planeamiento de la producción,
transporte, planeamiento de la producción
agregada, mezclas de petróleo, etc
3. • Nota: PL de programación en
Programación Matemática es distinto de la
Programación de Computadoras. Esta
última se refiere a escribir instrucciones
para realizar cálculos. La PL se refiere a
organizar y planificar para cumplir con el
programa.
• La mayoría de problemas de optimización
son de 2 clases de objetivos.
1) Recursos limitados: tierra, capacidad de
planta y nº de trabajadores.
4. 2) Actividades: ej. producción de acero de
bajo carbono, de acero inoxidable, de
alto carbono. Cada actividad consume
cantidades distintas de recursos. Se
busca determinar la mejor combinación
de niveles de actividades que no use
más recursos que los disponibles.
Veamos un ejemplo:
5. 1.2. Aplicación inicial (Fuente:
Schrage)
• La empresa de TV Enginola produce sus programas en
dos tipos de Sets de TV, el “Astro” y el “Cosmo”. Hay
dos líneas de producción, una para cada set. La línea de
producción Astro tiene una capacidad de 60 sets por
día, y la capacidad de la línea de producción Cosmo es
de sólo 50 sets por dìa. La mano de obra requerida para
el set Astro es de 1 persona-hora, y lo requerido por el
set Cosmo es de 2 personas-hora de trabajo. Hay un
máximo de 120 horas-hombre por día que pueden ser
asignados para producción de los 2 tipos de sets. Si las
ganancias son de $20 y $30 por cada set de Astro y
Cosmo, respectivamente, ¿cuál debe ser la producción
diaria?
6. Solución
• Verbalmente lo que queremos hacer es:
• Maximizar: Contribución a las utilidades.
• Sujeto a:
• La producción de Astro debe ser menor o
igual a la capacidad de Astro.
• La producción de Cosmo debe ser menor
o igual a la capacidad de Cosmo.
• El Trabajo utilizado debe ser menor o
igual que el trabajo disponible.
7. Definimos:
A= unids de Astro a ser producidas por día
C= unids de Cosmo a ser producidas por
día
Se decide medir;
Contribución a las utilidades en $.
Uso de Astro en unids de producción de
Astro
Uso de Cosmo en unids de producción de
Cosmo
Horas de trabajo por hora.
8. • Una representación precisa de nuestro
problema:
• Maximizar: 20 A + 30 C $
• Sujeto a:
A <= 60 Capacidad de Astro
C<=50 Capacidad de Cosmo
A+2C<=120 Trabajo en horas hombre
Linea 1: Función objetivo.
Lineas 2: 4: Restricciones.
Se asume que todas las variables son ≥ 0
9. • Hay 3 recursos: Capacidad de Astro,
Capacidad de Cosmo, y Capacidad de
Trabajo.
• Actividades: producción de Astro y
Cosmo.
• Por lo general: 1 restricción para cada
recurso.
• Para cada variable de decisión: una
actividad física.
10. Solución con LINGO
• Tipear en LINGO:
MAX = 20 * A + 30 * C;
A < 60;
C < 50;
A + 2 * C < 120;
11. • Click en boton Solve/“bulls eye”, ó use menu Lingo/Solve, o presione Ctrl+U
o iluminar – boton cer y solve; para resolver el modelo. Resultado:
• Global optimal solution found.
• Objective value: 2100.000
• Infeasibilities: 0.000000
• Total solver iterations: 1
• Model Class: LP
• Total variables: 2
• Nonlinear variables: 0
• Integer variables: 0
• Total constraints: 4
• Nonlinear constraints: 0
• Total nonzeros: 6
• Nonlinear nonzeros: 0
• Variable Value Reduced Cost
• A 60.00000 0.000000
• C 30.00000 0.000000
• Row Slack or Surplus Dual Price
• 1 2100.000 1.000000
• 2 0.000000 5.000000
• 3 20.00000 0.000000
• 4 0.000000 15.00000
12. Solución Gráfica
• El problema de Enginola es representado
gráficamente en la fig.1.1.
• Las combinaciones de producciones
factibles son los puntos menores a la
izquierda que están encerrados por las 5
líneas sólidas.
• Queremos encontrar el punto en la región
factible que da la mayor utilidad /ganancia.
13.
14. Calculando las utilidades
• El punto A=C=0 es factible pero no da
utilidades.
• Si producimos todo lo que podemos de
Cosmo, porque da más utilidades:
$30 x 50 uu = $1500 de utilidad.
• La recta 20 A+30 C = 1500 se puede
representar gráficamente, ver fig 1.2, donde
cualquier punto de la línea punteada da una
utilidad de 1500.
16. • Cualquier recta de utilidades constantes
se llama recta de iso- utilidades. (ó iso-
costos en le caso de minimización.)
• Por otro lado si producimos todo lo que
podemos de Cosmos, el gerente de Astros
le dirá que todavía hay20 horas hombres
que se pueden usar para Astros. Luego,
se obtendrá una utilidad de:
$30x50+$20x20=$1900 ¿es el máximo?
• Hay muchas formas de conseguir los
1900: todos los puntos de la recta
punteada: 20 A + 30 C = 1900. Ver fig.1.3.
17.
18. • Vemos que las utilidades de una combinación
están dadas por paralelas a las rectas
anteriores. Siempre y cuando estemos dentro
de la región factible.
• Si vamos a la derecha aumenta la utilidad.
• Llegamos al punto más extremo con la recta
que costa el punto: A=60 y C=30.
• Lo que permite una utilidad de $20x60 + $30x30
= $2100. Ver fig. 1.4.
• Notar que ha pesar que C da más utilidad por
unidad, sólo tenemos 30 uu en la solución
Óptima y no las 50 que se pudo hacer.
19.
20. 1.3. Linealidad
• El ejemplo anterior se refiere a
programación matemática lineal.
• La solución de programas lineales suele
ser más fácil que los programas
matemáticos generales. Veamos el tema
de la linealidad.
• Aplicamos PL directamente sólo a
situaciones en la cuales los efectos de las
diferentes actividades podemos usar son
lineales.
21. • Para efectos prácticos, podemos pensar como
requerimientos de linealidad cumplir con 3
características:
• Proporcionalidad: Los efectos de un variable o
actividad son por si mismos proporcionales.(ej,.
Doble cantidad de acero: doble costo)
• Aditividad: las interacciones entre variables
deben ser aditivas. (ej.$ de las ventas= $ ventas
Al; $ ventas acero)
• Continuidad: Las variables deben ser continuas.
( ej. 4.35 es permitido).
• En fig. 1.5. ejemplos de no linealidad.
22.
23. 1.4. Análisis de soluciones
• Cuando se usa la computadora los
resultados se presentan como se muestra
en la fig.1.6.
• Primero busca la región factible; puede
ocurrir que sea no factible y así se muestra.
(ej, x≤2 y x≥3): “No feasible solution”.
• Si es factible sale la solución óptima: de los
contrario: “Unbounded solution” (∞)
24.
25. • Click en boton Solve/“bulls eye”, ó use menu Lingo/Solve, o presione Ctrl+U
o iluminar – boton cer y solve; para resolver el modelo. Resultado:
• Global optimal solution found.
• Objective value: 2100.000
• Infeasibilities: 0.000000
• Total solver iterations: 1
• Model Class: LP
• Total variables: 2
• Nonlinear variables: 0
• Integer variables: 0
• Total constraints: 4
• Nonlinear constraints: 0
• Total nonzeros: 6
• Nonlinear nonzeros: 0
• Variable Value Reduced Cost
• A 60.00000 0.000000
• C 30.00000 0.000000
• Row Slack or Surplus Dual Price
• 1 2100.000 1.000000
• 2 0.000000 5.000000
• 3 20.00000 0.000000
• 4 0.000000 15.00000
26. La salida de Lingo tiene 3 secciones:
1) Sección informativa.
2) Sección de variables.
3) Sección de filas.
La máxima utilidad es producida por 60
Astros y 30 Cosmos.
La solución deja 0 de slack en la fila 2
(holgura de A)
deja 20 de slack en la fila 3 (holgura de C)
deja 0 de slack en la fila 4 (holgura de
trabajo)
27. • La col. 3 tiene un nº de costo de
oportunidad o marginal.
• Salen “reduced cost” y “dual prices” que
se discuten a continuación.
28. 1.5. Análisis de sensibilidad, Costos
reducidos y Precios duales.
• La programación lineal real requiere gran
cantidad de datos.
• Es importante conocer como se altera el modelo
con cambios en los datos de entrada; a ello
responde el ANÁLISIS DE SENSIBILIDAD.
• El reporte de solución de LP provee información
suplementaria que es útil para el análisis de
sensibilidad. Esta información comprende:
costos reducidos y precios duales.
29. 1.5.1. Costos reducidos
• Están asociados con cada variable en cualquier
solución.
• Si las uu de la función objetivo son $ y las uu de
la variable son galones; luego las uu de costo
reducido son $/gal.
• El costo reducido de una var. es la cantidad
mediante la cual la contribución a las utilidades
de la var. debe ser mejorada (reduciendo su
costo), antes que la variable en cuestión tenga
un valor positivo en una solución óptima.
30. • Una var. que ya aparece en la solución óptima
tendrá un costo reducido de 0.
• El costo reducido también es la tasa a la cual el
valor de la función objetivo se deteriorará si una
var., actualmente en 0, es arbitrariamente
forzada a incrementar una pequeña cantidad.
• Suponga que se reduce el costo de x en
$2/galón. Significa que si la rentabilidad de x
fuera incrementada en $2/galón, entonces 1 uu
de x podría incluirse en la solución sin afectar la
utilidad total.
• La utilidad total se reduce en $2 si x fuera
incrementada en 1 sin alterar su contribución a
las utilidades originales.
31. 1.5.2. Precios duales
• Están asociados con cada restricción. Si
las uu de la función objetivos son soles y
las uu de la restricción son kg las uu del
precio dual son soles por kg.
• El precio dual de una restricción es la tasa
a la cual el valor de la función objetivo
mejorará cuando el lado derecho de la
restricción es incrementada en una
pequeña cantidad.
32. • Para LINGO el incremento del precio dual
+ significa incremento en el lado der. De la
restricción mejorando el valor de la
función objetivo.
• Un precio dual – significa que un
incremento del lado der. De la restricción
originará una disminución de la función
objetivo.
• Si el precio dual es 0 significa que
cambios en el lado der. en pequeñas
cantidades no tendrá efecto sobre el valor
solución.
33. • En el caso Enginola:
• El precio dual de la restricción A<= 60 es $5.
Uno podría sospechar que es $20, porque si
produzco una uu más de Astro la contribución a
la utilidad es $20. Pero ello requiere sacrificar
algo en algún lado.
• El trabajo adicional de Astro requiere sacrificar
trabajo de Cosmo. (En trabajo 1 uu de A = ½ de
Cosmo).
• Osea producir una uu más de Astro implica
reducir la producción de Cosmos en ½ uu.
Luego el incremento neto en las utilidades es
$20- (1/2)*30=$5
34. • El precio dual de $15/hr sobre restricción
de trabajo. Si tenemos 1 hr màs de trabajo
se usará en producir Cosmos, porque
tiene una utilidad de $30 por uu.
• Una uu de Cosmo da una utilidad de 30 y
como solo 1 hr de trabajo es suficiente
para ½ Cosmo; luego el valor adicional de
1 hr de trabajo es $15.
35. 1.6. Formulaciones sin límites
• Si no incluimos la restricción de trabajo y
la restricción de la producción de Cosmos;
entonces la cantidad ilimitada de utilidad
es posible mediante la producción de un
gran número de Cosmos.Ej.:
MAX = 20*A + 30*C;
A<=60;
Se generará una ventana de error:
Unbounded Solution. Ver fig 1.7.
36.
37. 1.7. Formulaciones no factibles
• Ejemplo, si el lado der de la restricción sobre el
trabajo es190 y el simbolo de desigualdad
cambia; la solución se vuelve indefinida.
• Maximizar: 20 A + 30 C
Sujeto a:
A <= 60
C <= 50
A+2C >= 190
Si todos trabajan al máx se tendrá 60x1 + 50x2 <
190. Ver fig 1.8.
38.
39. 1.8. Soluciones óptimas
múltiples y degenerativas
• Para una formulación dada que tiene una
solución óptima definida; habrá un valor
de función objetivo óptimo único. Sin
embargo, pueden ser varias diferentes
combinaciones de valores de variables de
decisión que producen este valor óptimo
único. Tales soluciones se dice que con
degenerativas en algún sentido.
40. • En el problema Enginola, suponga que la
contribución a la utilidad de A sea de $15
en lugar de $20. El problema y una
solución son:
• MAX = 15 * A + 30 * C;
• A <=60;
• C <= 50;
• A + 2 * C <= 120;
41. Se encuentra la solución:
• Valor objetivo : 1800
Variable Valor Costo Reducido
A 20 0.0
C 50 0.0
Fila Holgura Precio Dual
1 1800.0 1.0
2 40.0 0.0
3 0.0 0.0
4 0.0 15.0
42. • La región factible, para utilidad de 1500 se
muestra en la fig 1.9 .
• Note que A+2C =120; y 15 A+30C=1500 son
paralelas. Se piensa que cualquier punto factible
sobre la línea A+2C =120 es óptimo.
• Asimismo, en la solución la holgura y el precio
dual de la restricción 3: C<=50 es 0. Ello sugiere
que si que la producción de Cosmos podría
decrecer una pequeña cantidad sin efectos
sobre las ganancias totales.(siempre y cuando
se compense con Astros).
• Luego debe haber una solución alternativa que
produce más Astros y menos Cosmo. Así se
obtiene:
43.
44. MAX = 15.0001 * A + 30 * C;
A <= 60;
C <= 50;
A + 2 * C <= 120;
Global optimal solution found.
Objective value: 1800.006
Variable Value Reduced Cost
A 60.00000 0.000000
C 30.00000 0.000000
Row Slack or Surplus Dual Price
1 1800.006 1.000000
2 0.000000 0.1000000E-03
3 20.00000 0.000000
4 0.000000 15.00000
Como se predijo, la utilidad sigue siendo 1800. Cosmos ha decrecido
de 30 a 50, y Astros pasó de 60 a 20.
45. 1.8.1. La condición “ojo de
serpiente”
- Una alternativa óptima puede existir solo si alguna fila en
el informe de la solución tiene ceros en la segunda y
tercera columna del reporte, una configuración que
algunos estadísticos aplicados llaman “ojos de
serpiente”.
- Es decir, una alternativa óptima sólo puede existir si
alguna variable tiene un valor (value) cero y costo
reducido cero, o alguna restricción tiene cero holgura y
cero precio dual.
- Los matemáticos se refieren a tales soluciones como
“degeneradas”.
46. • Si hay una alternativa óptima, puede encontrar que su
computadora da una solución diferente a la del texto. Sin
embargo, siempre debe obtener el mismo valor de
función objetivo.
• Hay, de hecho, dos maneras en que múltiples
soluciones óptimas puedan ocurrir. Para el ejemplo en la
figura 1.9, los dos informes de solución óptima difieren
sólo en los valores de las llamadas variables primitivas
(es decir, nuestras variables de decisión originales A, C)
y las variables de holgura en la restricción. También
pueden presentarse soluciones en las que existen
múltiples soluciones óptimas en las que sólo difieren las
variables duales. Considerar esta variación del problema
Enginola en la que la capacidad de la línea de Cosmo
se ha reducido a 30. La formulación es:
47. MAX = 20*A + 30*C;
A<60;
C<30;
A+2*C<120;
Global optimal solution found.
Objective value: 2100.000
Variable Value Reduced Cost
A 60.00000 0.000000
C 30.00000 0.000000
Row Slack or Surplus Dual Price
1 2100.000 1.000000
2 0.000000 20.00000
3 0.000000 30.00000
4 0.000000 0.000000
48. • De nuevo, observe los “ojos de serpiente” en la solución
( es decir, el par de seros en una fila de la solución)
• Esto sugiere que la capacidad de la línea de Cosmo (
RHS de la fila 3) podría cambiarse sin cambiar el valor
objetivo. La figura 1.10. ilustra la situación.
• Tres restricciones pasan por el punto A=60, C=30.
• Cualquieras dos de las restricciones determinan el
punto. De hecho, la restricción A+2C<=120 es
matemáticamente redundante ( es decir, podría quitarse
sin cambiar la región factible).
49.
50. • Si disminuye el RHS (lado derecho) de la
fila 3 ligeramente, obtendrá esencialmente
la siguiente solución:
Optimal solution found at step: 0
Objective value: 2100.000
Variable Value Reduced Cost
A 60.00000 0.0000000
C 30.00000 0.0000000
Row Slack or Surplus Dual Price
1 2100.000 1.000000
2 0.0000000 5.000000
3 0.0000000 0.0000000
4 0.0000000 15.00000
51. • Note que esta solución difiere de la previa solo en los
valores duales.
• Podemos establecer al siguiente regla: Si un informe de
solución tiene la característica de “ojos de serpiente” (
es decir, una par de ceros en cualquier fila del informe)
entonces puede haber una solución óptima alternativa
que difiera tanto en las variables primitivas, las variables
duales, o en ambas.
• Si todas las restricciones son restricciones de
desigualdad, entonces “ojo de serpiente” de hecho
implica que hay una solución óptima aternativa.
• Si una o más restricciones son igualdad, el siguiente
ejemplo ilustra que “ojos de serpiente” no implica tiene
que haber una solución alternativa óptima.
52. MAX = 20*A;
A<=60;
C=30;
La solución única es:
Global optimal solution found.
Objective value: 1200.000
Variable Value Reduced Cost
A 60.00000 0.000000
C 30.00000 0.000000
Row Slack or Surplus Dual Price
1 1200.000 1.000000
2 0.000000 20.00000
3 0.000000 0.000000