Programacion lineal



Descargar 442,68 Kb.
Página1/6
Fecha de conversión14.05.2017
Tamaño442,68 Kb.
  1   2   3   4   5   6

PROGRAMACION LINEAL


PROGRAMACIÓN LINEAL.

DEFINICIÓN, DESARROLLO Y TIPOS DE MODELOS DE INVESTIGACIÓN DE OPERACIONES.

La Investigación de Operaciones aspira a determinar el mejor curso de acción, o curso óptimo, de un problema de decisión con la restricción de recursos limitados.

• Como técnica para la resolución de problemas, investigación de operaciones debe visualizarse como una ciencia y como un arte.

• Como Ciencia radica en ofrecer técnicas y algoritmos matemáticos para resolver problemas de decisión adecuada.

Como Arte debido al éxito que se alcanza en todas las fases anteriores y posteriores a la solución de un modelo matemático, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones.

En un equipo de Investigación de Operaciones es importante la habilidad adecuada en los aspectos científicos y artísticos de Investigación de Operaciones. Si se destaca un aspecto y no el otro probablemente se impedirá la utilización efectiva de la Investigación de Operaciones en la práctica.

La Investigación de Operaciones en la Ingeniería de Sistemas se emplea principalmente en los aspectos de coordinación de operaciones y actividades de la organización o sistema que se analice, mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y de éste con este con su medio ambiente.

En la Investigación de Operaciones la parte de Investigación se refiere a que aquí se usa un enfoque similar a la manera en la que se lleva a cabo la investigación en los campos científicos establecidos.

La parte de Operaciones es porque en ella se resuelven problemas que se refieren a la conducción de operaciones dentro de una organización

La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método científico a problemas relacionados con el control de las organizaciones o sistemas (hombre-máquina) a fin de que se produzca soluciones que mejor sirvan a los objetivos de toda organización. “Churchman, Ackoff y Arnoff.”

Definición de Modelos.

Un modelo de decisión debe considerarse como un vehículo para resumir un problema de decisión en forma tal que haga posible la identificación y evaluación sistemática de todas las alternativas de decisión del problema. Después se llega a una decisión seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles.

• Un modelo es una abstracción selectiva de la realidad.

El modelo se define como una función objetivo y restricciones que se expresan en términos de las variables (alternativas) de decisión del problema.

• Una solución a un modelo, no obstante, de ser exacta, no será útil a menos que el modelo mismo ofrezca una representación adecuada de la situación de decisión verdadera.

• El modelo de decisión debe contener tres elementos:

• Alternativas de decisión, de las cuales se hace una selección.

Restricciones, para excluir alternativas infactibles.

• Criterios para evaluar y clasificar alternativas factibles.

Tipos de Modelos de Investigación de Operaciones.



Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemática como funciones de las variables de decisión.

Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que las relaciones entre la entrada y la salida no se indican en forma explícita. En cambio, un modelo de simulación divide el sistema representado en módulos básicos o elementales que después se enlazan entre si vía relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a otro hasta que se obtenga un resultado de salida.

Los modelos de simulación cuando se comparan con modelos matemáticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no está libre de inconvenientes. La elaboración de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemáticos óptimos suelen poder manejarse en términos de cálculos.



Modelos de Investigación de Operaciones de la ciencia de la administración: Los científicos de la administración trabajan con modelos cuantitativos de decisiones.

Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo real. Algunos modelos en la ciencia de la administración son llamados modelos determinísticos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarán o evaluarán) se dan por conocidos. En los modelos probabilísticos (o estocásticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos

Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer y contestar preguntas de que si en un problema real. Hasta ese grado la hoja de cálculo electrónica tiene una representación selectiva del problema y desde este punto de vista la hoja de cálculo electrónica es un modelo.

FORMULACIÓN DE UN MODELO.

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su análisis. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. El modelo matemático puede expresarse entonces como el problema de elegir los valores de las variables de decisión de manera que se maximice la función objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre él, tipifican los modelos analizados en investigación de operaciones.

Un paso crucial en la formulación de un modelo de Investigación de Operaciones es la construcción de la función objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo del tomador de decisiones identificado cuando se estaba definiendo el problema. Si en el estudio se contemplan más de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta medida compuesta puede ser algo tangible (por ejemplo, ganancias) y corresponder a una meta más alta de la organización, o puede ser abstracta (como utilidad). En este último caso la tarea para desarrollar esta medida puede ser compleja y requerir una comparación cuidadosa de los objetivos y su importancia relativa.

MÉTODO DE SOLUCIÓN GRÁFICO

La PL es una técnica mediante la cual se toman decisiones, reduciendo el problema bajo estudio a un modelo matemático general, el cual debe ser resuelto por métodos cuantitativos.

En desarrollo de este capítulo se aplicarán la solución de dichos modelos aplicando diversas técnicas como: el método gráfico, método simplex, método matricial, técnica de la gran M.

Además se desarrollara la aplicación de variables artificiales y obtención de soluciones para identificar a qué tipo de clasificación pertenecen. Por medio de dichos modelos de solución se podrá obtener la solución adecuada para cada problema y facilitar la toma de decisiones.



MÉTODO GRÁFICO.

El método gráfico se utiliza para la solución de problemas de PL, representando geométricamente a las restricciones, condiciones técnicas y el objetivo.

El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con tres o más variables, el método gráfico es impráctico o imposible.

Cuando los ejes son relacionados con las variables del problema, el método es llamado método gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se denomina método gráfico en recursos.

Los pasos necesarios para realizar el método son nueve:

1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultánea.

2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.

3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer término <= por (=) para cada restricción, con lo cual se produce la ecuación de una línea recta.

4. trazar cada línea recta en el plano y la región en cual se encuentra cada restricción cuando se considera la desigualdad lo indica la dirección de la flecha situada sobre la línea recta asociada.

5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible.

6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones, la solución óptima puede determinarse al observar la dirección en la cual aumenta la función objetivo.

7. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en la cual crece o decrece el valor de la función objetivo



MÉTODO SIMPLEX.

En la solución gráfica observamos que la solución óptima está asociada siempre con un punto extremo del espacio de soluciones. El método simplex está basado fundamentalmente en este concepto.

Careciendo de la ventaja visual asociada con la representación gráfica del espacio de soluciones, el método simplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente el origen, y se desplaza sistemáticamente de un punto extremo factible a otro, hasta que se llega por último al punto óptimo.

Existen reglas que rigen la selección del siguiente punto extremo del método simplex:

1. El siguiente punto extremo debe ser adyacente al actual.

2. La solución no puede regresar nunca a un punto extremo considerado con la anterioridad.

El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después se desplaza a un punto extremo adyacente. La elección específica de uno a otro punto depende de los coeficientes de la función objetivo hasta encontrar el punto óptimo.

Al aplicar la condición de optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable que sale debe ser una de las variables artificiales.

Los pasos del algoritmo simplex son :

1. Determinar una solución básica factible inicial.

2. Prueba de optimidad: determinar si la solución básica factible inicial es óptima y sólo si todos los coeficientes de la ecuación son no negativos (>= 0). Si es así, el proceso termina; de otra manera se lleva a cabo otra interacción para obtener la nueva solución básica factible inicial.

3. Condición de factibilidad.- Para todos los problemas de maximización y minimización, variable que sale es la variable básica que tiene la razón más pequeña (positiva). Una coincidencia se anula arbitrariamente.

4. Seleccionar las variables de holgura como las variables básicas de inicio.

5. Selecciona una variable que entra de entre las variables no básicas actuales que, cuando se incrementan arriba de cero, pueden mejorar el valor de la función objetivo. Si no existe la solución básica es la óptima, si existe pasar al paso siguiente.

6. Realizar el paso iterativo.

a) Se determina la variable básica entrante mediante la elección de la variable con el coeficiente negativo que tiene el valor mayor valor absoluto en la ecuación. Se enmarca la columna correspondiente a este coeficiente y se le da el nombre de columna pivote.

b) Se determina la variable básica que sale; para esta, se toma cada coeficiente positivo (>0) de la columna enmarcada, se divide el lado derecho de cada renglón entre estos coeficientes, se identifica la ecuación con el menor cociente y se selecciona la variable básica para esta ecuación.

c) Se determina la nueva solución básica factible construyendo una nueva tabla en la forma apropiada de eliminación de Gauss, abajo de la que se tiene. Para cambiar el coeficiente de la nueva variable básica en el renglón pivote a 1, se divide todo el renglón entre el número pivote, entonces renglón pivote nuevo = renglón pivote antiguo número pivote para completar la primera iteración es necesario seguir usando la eliminación de Gauss para obtener coeficientes de 0 para la nueva variable básica Xj en los otros renglones, para realizar este cambio se utiliza la siguiente fórmula: renglón nuevo = renglón antiguo - ( coeficiente de la columna pivote X renglón pivote nuevo) cuando el coeficiente es negativo se utiliza la fórmula: renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón pivote nuevo)



FORMA CANONICA Y FORMA ESTANDAR

Un problema de programación lineal puede ser establecido en diferentes formas equivalentes a través de manipulaciones apropiadas. Dos formas en particular serán de bastante utilidad. Estas son las formas Estándar y Canónica. Un problema lineal se dice que está en la forma estándar sí ;

a) Todas las restricciones son igualdades

b) Todas las variables son no-negativas

c) Las limitaciones (lado derecho de la restricción) son positivas.

El Método Simplex, está diseñado para ser aplicado únicamente hasta que el problema se encuentre en la forma Estándar. La forma Canónica es también de bastante utilidad, especialmente en explorar la relación de Dualidad. Un problema de P.L. está en la forma canónica si para un problema de:

Maximización, las variables son no-negativas y las restricciones son del tipo ≤

Minimización, las variables son no-negativas y las restricciones son del tipo ≥



MÉTODO DE LAS VARIABLES ARTIFICIALES.

Método de la gran M o método penal.

El método de la gran M es empleado para resolver modelos de programación lineal; cuando en sus r estricciones al menos una de ellas el signo de la desigualdad es diferente ≤; es decir, las restricciones son del tipo ≥ o =; el algoritmo matemático para resolver este tipo de modelos obedece a los siguientes pasos:

1.- Se expresa en problema en la forma estándar.

2.- Se añaden las Variables no negativas en cada una de las ecuaciones, cuyas restricciones originales tengan (≥) o (=). Esas variables artificiales y su presencia es una violación a las leyes del álgebra. Esta dificultad se supera asegurando que esas variables artificiales sean ceros (0) en la solución final.

3.- Utilizar las variables artificiales para la solución básica inicial, para ello la función objetivo deberá ser ajustada adecuadamente.

Proceda con los pasos regulares del Método Simplex.

Nota: Las variables artificiales proporcionan un artificio matemático para obtener la solución inicial. Son variables ficticias y no tienen ningún significado físico directo en términos del problema original.



Las variables artificiales se reconocerán por la variable “Wn”.

Ejemplo 1:

PASO1: Pasar a formato estándar y añadir variables artificiales en las restricciones y que estas sean ≥ Formato estándar.



PASO 2: Se añade en la función objetivo el coeficiente M contrario a su espíritu de dicha función por cada variable artificial contenida en las restricciones y se iguala a cero la función objetivo.

  1   2   3   4   5   6


La base de datos está protegida por derechos de autor ©absta.info 2016
enviar mensaje

    Página principal