Professional Documents
Culture Documents
Tema 1
Programación
Multiobjetivo
1
Investigación de Operaciones - 2
Tema 1
Programación
multiobjetivo
2
1. Introducción a la programación lineal
Programación Matemática
Los valores óptimos serán aquellos que maximizan o minimizan cierta función
objetivo.
Investigación de Operaciones 1 3
1. Introducción a la programación lineal
Investigación de Operaciones 1 4
1. Introducción a la programación lineal
Programación No Lineal
Cualquier problema de programación matemática con al menos una
expresión no lineal, bien en la función objetivo, bien en las restricciones o
en ambos es un problema de programación no lineal.
(no lineal=todo lo que no sea una combinación lineal de las variables)
Ejemplo
max 5𝑥1 𝑥2 𝑥3 + 3𝑥2
s.a:.
𝑥1 + 𝑥2 ≤ 4 si 𝑥1 < 2 Son no lineales porque dependen de 𝑥1 de
𝑥1 − 𝑥2 ≤ 4 si 𝑥1 ≥ 2 forma no lineal.
Investigación de Operaciones 1 5
1. Introducción a la programación lineal
Investigación de Operaciones 2 6
Ejemplo 1: LunaTech
Investigación de Operaciones 2 7
Ejemplo 1: LunaTech
Investigación de Operaciones 2 8
Ejemplo 1: LunaTech
Variables de decisión
Restricciones:
No negatividad: 𝑥1 , 𝑥2 ≥ 0
Investigación de Operaciones 2 9
Investigación de Operaciones - 2
Tema 1
Programación
multiobjetivo
10
2. Resolución de un PPL por el método gráfico
Investigación de Operaciones 2 11
2. Resolución de un PPL por el método gráfico
𝒙𝟏 ≤ 𝟒
𝑥2 𝑥1 , 𝑥2 ≥ 0
s.a.
𝒙𝟏 ≤ 𝟒 𝒙𝟐 ≤ 𝟔
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
(0,0) 𝑥1
𝒙𝟏 ≤ 𝟒
𝑥2 𝑥1 , 𝑥2 ≥ 0
s.a.
𝒙𝟏 ≤ 𝟒 𝒙𝟐 ≤ 𝟔
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
𝑥1 = 0 ⇒ 𝑥2 ≤ 9 (0,0) 𝑥1
𝑥2 = 0 ⇒ 𝑥1 ≤ 6 3𝑥1 + 2𝑥2 ≤ 18
Investigación de Operaciones 2 13
2. Resolución de un PPL por el método gráfico
𝑥1 ≤ 4
𝑥2 𝑥1 , 𝑥2 ≥ 0
s.a.
Región factible
𝒙𝟐 ≤ 𝟔
𝒙𝟏 ≤ 𝟒
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
(0,0) 𝑥1
3𝑥1 + 2𝑥2 ≤ 18
Regiones convexas
Regiones cóncavas
Investigación de Operaciones 2 15
2. Resolución de un PPL por el método gráfico
𝑥1 ≤ 4
𝑥2 𝑥1 , 𝑥2 ≥ 0
max 𝑍 = 3𝑥1 + 5𝑥2
s.a.
𝑥1 ≤ 4
Región factible
𝒙𝟐 ≤ 𝟔
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
(0,0) 𝑥1
3𝑥1 + 2𝑥2 ≤ 18
Investigación de Operaciones 2 16
Ahora localizamos la función objetivo max 𝑍 = 3𝑥1 + 5𝑥2
La expresión 𝑍 = 3𝑥1 + 5𝑥2 puede
interpretarse como un conjunto de
rectas paralelas. La que buscamos es
la que, estando dentro de la región 𝑥2
factible, alcance un mayor valor de 𝑍
(2,6)
Una forma de localizar el óptimo es Dirección de
dibujar dos de estas rectas, de forma
𝑍 = 20
aumento de 𝑍
Región factible
que podemos ver cómo llegar al
óptimo. 𝑍 = 15
𝑍 = 15 ⇒ 3𝑥1 + 5𝑥2 = 15
𝑥 = 0 ⇒ 𝑥2 = 3
⇒ቊ 1
𝑥2 = 0 ⇒ 𝑥1 = 5
Investigación de Operaciones 2 17
max 𝑍 = 3𝑥1 + 5𝑥2
Región factible
𝑐1 y 𝑐_2.
Investigación de Operaciones 2 18
Vamos a analizar ahora cómo cambiaría la solución con otras
funciones objetivo
Dirección de
Es fácil ver que en aumento de 𝑍
este caso el óptimo
Región factible
se encuentra en el
punto (0,0).
Investigación de Operaciones 2 19
Si en lugar de max 𝑍 = 3𝑥1 + 5𝑥2 fuese…
𝑥2
Región factible
𝑍 = 10 ⇒ 5𝑥1 + 2𝑥2 = 10
𝑥 = 0 ⇒ 𝑥2 = 5 (4,3)
⇒ቊ 1
𝑥2 = 0 ⇒ 𝑥1 = 2
Investigación de Operaciones 2 20
Si en lugar de max 𝑍 = 3𝑥1 + 5𝑥2 fuese…
𝑍 = 10 ⇒ −5𝑥1 + 2𝑥2 = 10
𝑥 = 0 ⇒ 𝑥2 = 5
⇒ቊ 1
𝑥2 = 0 ⇒ 𝑥1 = −2
Región factible
Según los signos de los Dirección
coeficientes de la FO, si nos de
aumento
movemos en el plano en la de 𝑍
dirección NO aumentará Z
𝑥1
Investigación de Operaciones 2 21
2. Resolución de un PPL por el método gráfico
Investigación de Operaciones 2 22
2. Resolución de un PPL por el método gráfico
4 𝑥1 + 𝑥2 ≤ 18 3
3𝑥1 + 𝑥2 ≤ 44 4
𝑥1 , 𝑥2 ≥ 0
Resolviendo gráficamente
como en el ejemplo
anterior, el óptimo es el
3 punto K:(13,6)
2
Investigación de Operaciones 2 23
7.
LoFormulación y solución
resolvemos ahora con
con la hoja de cálculo
aplicación on-line phpsimplex
Investigación de Operaciones 2 24
óptimo
Investigación de Operaciones 2 25
Investigación de Operaciones - 2
Tema 1
Programación
multiobjetivo
26
3. Programación multiobjetivo
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0,
Investigación de Operaciones 2 27
3. Programación multiobjetivo
Investigación de Operaciones 2 28
Investigación de Operaciones - 2
Tema 1
Programación
multiobjetivo
29
4. Programación de metas
Para transformar un objetivo en una meta hay diferentes métodos. Aquí, por
simplicidad, asumiremos que vienen ya definidos al formular el problema.
Investigación de Operaciones 2 30
Programación de metas
Investigación de Operaciones 2 31
Ejemplo
2
Recinto de
soluciones factibles
x1
2 4 6 8
Investigación de Operaciones 2 32
Se tiene, además, dos objetivos múltiples en forma de metas.
Meta 1
x2
Se fija una meta administrativa: producir
al menos 8 unidades de ambos
productos:
8 𝑥1 + 𝑥2 ≥ 8
6
Meta 2
4
Se fija una meta de producción: la
producción de P2 debe exceder a la de
2
P1 en al menos 4 unidades:
𝑥2 ≥ 𝑥1 + 4 ⇒ −𝑥1 + 𝑥2 ≥ 4
x1
2 4 6 8
Meta=restricción ‘light’
Investigación de Operaciones 2 33
2.Se pueden plantear
Ejemplo diferentes enfoques
de programación para tener
con objetivos en cuenta estas dos metas y
múltiples
construir con ellas una sola FO. Más adelante veremos varias alternativas.
A
𝑥1 = 0 ; 𝑥2 = 6
8 Meta 1: 𝑥1 + 𝑥2 ≥ 8 𝑑1 = 2
Meta 2:−𝑥1 + 𝑥2 ≥ 4 𝑑2 = 0
6A 𝑑𝐴 = 𝑑1 + 𝑑2 = 2
B
4
B
𝑥1 = 4/5 ; 𝑥2 = 24/4
2 Meta 1: 𝑥1 + 𝑥2 ≥ 8 𝑑1 = 2.4
Meta 2:−𝑥1 + 𝑥2 ≥ 4 𝑑2 = 0
x1 𝑑𝐵 = 𝑑1 + 𝑑2 = 2.4
2 4 6 8
Tema 1
Programación
multiobjetivo
35
Vamos a ver con un ejemplo, diferente alternativas para modelizar varios objetivos
Ejemplo
Una empresa minera tiene recursos limitados y quiere maximizar sus beneficios.
También está interesada en reducir la contaminación que provocan sus
procesos.
¡Estos dos objetivos son opuestos!
Se dispone de 300 TM. de mineral.
Cuenta con dos procesos de reducción de mineral:
- Proceso 1: reducción al 97% de metal puro.
- Proceso 2: reducción al 98% de metal puro.
Los beneficios son:
- $3000 / TM. de metal al 97% (proceso 1).
- $3750 / TM. de metal al 98% (proceso 2).
La contaminación es:
- 6 u.c. por TM de metal al 97% (proceso 1).
- 7 u.c. por TM de metal al 98% (proceso 2).
Hay que decidir qué cantidad de mineral destinar a cada uno de estos dos
procesos. La solución dependerá del objetivo que se propongan.
Investigación de Operaciones 2 36
Modelo 1 Sólo nos preocupa la contaminación
6𝑥1 + 7𝑥2 = 𝐾
Solución óptima: 𝑥1 = 0 ; 𝑥2 = 0.
Investigación de Operaciones 2 37
Modelo 2 Nos preocupa la contaminación (FO) y el beneficio (restricción):
queremos al menos un beneficio de $1.000.000
El P.L. sería:
Min Z = 6x1 + 7x2
x1 + x2 ≤ 300
3000x1 + 3750x2 ≥ 1.000.000
x1 , x2 ≥ 0
Investigación de Operaciones 2 38
Modelo 3 Sólo nos preocupa el beneficio
El P.L. sería:
Max Z = 3000x1 + 3750x2
x1 + x2 ≤ 300
6x1 + 7x2 ≤ 1500
x1 , x2 ≥ 0
Investigación de Operaciones 2 40
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
Investigación de Operaciones 2 41
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
Investigación de Operaciones 2 42
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
Investigación de Operaciones 2 43
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
𝑀𝑖𝑛 𝑑1
𝑠. 𝑎
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1.000.000
𝑥1 + 𝑥2 ≤ 300
𝑥1 , 𝑥2 , 𝑑1 ≥ 0
Min 𝑒2
s.a.
6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500
Investigación de Operaciones 2 45
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
Min 𝒁 = 𝒅𝟏 + 𝒆𝟐
𝒔. 𝒂:
Restricciones del sistema
𝒙𝟏 + 𝒙𝟐 ≤ 𝟑𝟎𝟎 (fuertes)
Investigación de Operaciones 2 46
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
Min 𝑍 = 𝑑1 + 𝑑2 + 𝑒2
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1,000,000
6𝑥1 + 7𝑥2 + 𝑑2 – 𝑒2 = 1500
Investigación de Operaciones 2 48
Investigación de Operaciones - 2
Tema 1
Programación
multiobjetivo
49
6. Programación de metas con prioridades absolutas
Prioridades absolutas
Investigación de Operaciones 2 50
6. Programación de metas con prioridades absolutas
Ejemplo
𝑀𝑖𝑛 𝑍 = 𝑃1𝑒2 + 𝑃2𝑑1
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000 (M1)
6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500 (M2)
𝑥1 , 𝑥2 , 𝑑 1 , 𝑒2 ≥ 0
𝑀𝑖𝑛 𝑍 = 𝑒2
𝑥1 + 𝑥2 ≤ 300
6𝑥1 + 7𝑥2 – 𝑒2 ≤ 1500 (¿ 𝑦 𝑐𝑜𝑛 2000, 2200? )
𝑥1 , 𝑥2 , 𝑒2 ≥ 0
Investigación de Operaciones 2 51
6. Programación de metas con prioridades absolutas
Ejemplo
e2 = 0
214,29
Solución
óptima de
la primera etapa
x1
250 300
Estos valores de 𝑥1 y 𝑥2 junto con 𝑒2 = 0
es la solución de esta etapa
Investigación de Operaciones 2 52
6. Programación de metas con prioridades absolutas
Ejemplo
𝑀𝑖𝑛 𝑍 = 𝑑1
𝑥1 + 𝑥2 ≤ 300
6𝑥1 + 7𝑥2 ≤ 1500
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000
𝑥1 , 𝑥2 , 𝑑1 ≥ 0
Investigación de Operaciones 2 53
6. Programación de metas con prioridades absolutas
Ejemplo
x2
300
Región de puntos que cumplen
con la meta 1
266.7
214,29 La solución es el
punto que cumple con
Este
la meta 2 (que es
punto es prioritaria) que esté
el óptimo más próximo a la
meta 1
x1
250 300 333.3
Investigación de Operaciones 2 54
6. Programación de metas con prioridades absolutas
Ejemplo
x1
250 300
Investigación de Operaciones 2 55
6. Programación de metas con prioridades absolutas
x1
250 300
Investigación de Operaciones 2 56
6. Programación de metas con prioridades absolutas
𝑀𝑖𝑛 𝑍 = 𝑃1 𝑑1 + 𝑃2 𝑒2
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000 (M1)
6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500 (M2)
𝑥 1 , 𝑥 2 , 𝑑1 , 𝑒 2 ≥ 0
Investigación de Operaciones 2 57
6. Programación de metas con prioridades absolutas
Ejemplo
Con 𝑑1 = 0 , que es el mínimo posible,
encontramos que hay soluciones factibles. Por
tanto, el resultado de esta etapa es 𝑑1 = 0
x2
300
Región de puntos factibles que
cumplen con la meta 1
266.7
x1
300 333.3
Investigación de Operaciones 2 58
6. Programación de metas con prioridades absolutas
Ejemplo
𝑀𝑖𝑛 𝑍 = 𝑒2
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 ≥ 1000000
6𝑥1 + 7𝑥2 – 𝑒2 ≤ 1500
𝑥1 , 𝑥 2 , 𝑒2 ≥ 0
Investigación de Operaciones 2 59
6. Programación de metas con prioridades absolutas
Ejemplo
x1
250 300
Investigación de Operaciones 2 60