Tema 1 MultiObjetivo 2016-II

Investigación de Operaciones - 2
Tema 1
Programación
Multiobjetivo
1
Tema 1
Programación
multiobjetivo
1. Introducción a la programación lineal

2. Resolución de un PPL por el método gráfico
3. Programación multiobjetivo
4. Programación de metas
5. Algunas alternativas en la programación de metas
6. Programación de metas con prioridades absolutas
2
Programa=secuencia de instrucciones para realizar una tarea o cumplir un objetivo
Programación Matemática
Conjunto de métodos matemáticos encaminados a encontrar el programa

óptimo para un conjunto de variables de interés. Por ejemplo, cuánto invertir en
cada proyecto de inversión.
Programa=valores que deben tomar las variables de interés (variables de

decisión).
Los valores óptimos serán aquellos que maximizan o minimizan cierta función
objetivo.
Programación matemática=Optimización de variables
Cuando todas las funciones que están implicadas en el problema de

programación son expresiones lineales se denomina programación lineal.
Investigación de Operaciones 1 3
Un problema de programación lineal (PPL) consta de:

- Función objetivo (lineal). Ambas son función de las
variables de decisión
- Restricciones (lineales).
Ejemplo:
Si buscamos los valores de 𝑥1 y 𝑥2 , no negativas. que maximizan Z = 3𝑥1 −
2𝑥2 , pero la suma de estas variables debe ser inferior o igual a 4, tenemos:
Función objetivo: Z = 3𝑥1 − 2𝑥2
Restricción (‘sujeto a’): 𝑥1 + 𝑥2 ≤ 4; 𝑥1 ≥ 0; 𝑥2 ≥ 0
Y el problema se puede expresar como
max Z = 3𝑥1 − 2𝑥2

s.a
𝑥1 + 𝑥2 ≤ 4
𝑥1 , 𝑥2 ≥ 0
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 𝑥12 + 𝑥2 /𝑥1

s.a:
1
+ 𝑥2 𝑥1 ≤ 4
𝑥1
𝑥1
<1 Esta restricción es lineal
𝑥2
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.
Resolver un PPL consiste en encontrar los valores de 𝑥1 , 𝑥2 , … , 𝑥𝑛 que verifiquen
puede ser max

o min. max 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
s.a 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≥ 𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑛 asumiremos, por
simplicidad, valores
reales no negativos,
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0, pero no es
imprescindible
• A cualquier conjunto de valores específicos de 𝑥1 , 𝑥2 , … , 𝑥𝑛 se le denomina SOLUCIÓN.

• Si una solución satisface las restricciones: SOLUCIÓN FACTIBLE.
• Si una solución no satisface al menos una restricción: SOLUCIÓN NO FACTIBLE.
• REGIÓN FACTIBLE: conjunto de todas las soluciones factibles.
• SOLUCIÓN ÓPTIMA: la solución factible que optimiza la función objetivo.
Ejemplo 1: LunaTech
La empresa LunaTech produce cerramientos (puertas,

ventanas, claraboyas, terrazas, etc) para viviendas. En la
actualidad posee tres centros de producción. Los marcos y
perfiles de aluminio se hacen en la planta 1, los de madera
en la planta 2; y en la 3 produce el vidrio y ensambla los
productos.
Se va a iniciar la fabricación de dos productos nuevos cuyas

ventas potenciales son muy prometedoras:
Puerta 1: puerta de aluminio y vidrio templado

Puerta 1 Puerta 2: puerta corredera de madera y vidrio
La puerta 1 requiere parte de la capacidad de producción en

las plantas 1 y 3 y nada en la planta 2. La puerta 2 sólo
necesita trabajo en las plantas 2 y 3.
El departamento comercial asegura que se podrán vender

todas las unidades que puedan fabricarse. Sin embargo,
como ambos productos competirían por la misma capacidad
de producción en la planta 3, no está claro cuántas unidades
deba producirse de cada producto.
Puerta 2
Ejemplo 1: LunaTech
Como unidad de producción se utiliza el lote (25 unidades), pero pueden

fabricarse fracciones de lote. Asumiremos que el número de lotes es una
variable (aprox.) real no negativa.
Para fabricar un lote de la puerta 1 es necesario invertir 1 hora en la planta 1 y

3 horas en la planta 3. Para fabricar un lote de la puerta 2 es necesario invertir
2 horas en la planta 2 y 2 en la planta 3. En la planta 1 hay una disponibilidad
semanal de 4 horas, en la 2 de 12 horas, y en la 3 de 18 horas.
Un lote de la puerta 1 generará un beneficio de 3 mil dólares, mientras que un

lote de la puerta 2 generará un beneficio de 5 mil dólares
Formule un PPL que resuelva la producción óptima de estos dos nuevos

productos.
Ejemplo 1: LunaTech
Variables de decisión
𝑥1 : nº de lotes semanales de la puerta 1

𝑥2 : nº de lotes semanales de la puerta 2
Función objetivo: ganancias 𝑍 = 3𝑥1 + 5𝑥2
max 𝑍 = 3𝑥1 + 5𝑥2
Restricciones:
Disponibilidad horas planta 1: 𝑥1 ≤ 4

Disponibilidad horas planta 2: 2𝑥2 ≤ 12
Disponibilidad horas planta 3: 3𝑥1 + 2𝑥2 ≤ 18
No negatividad: 𝑥1 , 𝑥2 ≥ 0
Tema 1
Programación
multiobjetivo

10
En PPL de dos dimensiones (dos variables de decisión), es factible (y

pedagógico!!) resolver el problema de optimización de forma gráfica. La
resolución es sencilla. Veámoslo con el ejemplo de LunaTech. El PPL es:
max 𝑍 = 3𝑥1 + 5𝑥2 𝑥1 , 𝑥2 ≥ 0

𝑥2
s.a.
𝒙𝟏 ≤ 𝟒
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
Las restricciones delimitan el área donde pueden (0,0) 𝑥1

estar las soluciones factibles
𝒙𝟏 ≤ 𝟒
𝑥2 𝑥1 , 𝑥2 ≥ 0
max 𝑍 = 3𝑥1 + 5𝑥2
s.a.
𝒙𝟏 ≤ 𝟒 𝒙𝟐 ≤ 𝟔
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
(0,0) 𝑥1
(𝑥1 ≤ 4) ∧ (2𝑥2 ≤ 12) ∧ (𝑥1 ≥ 0) ∧ (𝑥2 ≥ 0)
A medida que vamos dibujando las

restricciones, se va reduciendo la región de
soluciones factibles
𝒙𝟏 ≤ 𝟒
𝑥2 𝑥1 , 𝑥2 ≥ 0
max 𝑍 = 3𝑥1 + 5𝑥2
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
Con estos dos puntos

ya es inmediato
dibujar la restricción
𝑥1 ≤ 4
𝑥2 𝑥1 , 𝑥2 ≥ 0
max 𝑍 = 3𝑥1 + 5𝑥2
s.a.
Región factible
𝒙𝟐 ≤ 𝟔
𝒙𝟏 ≤ 𝟒
𝟐𝒙𝟐 ≤ 𝟏𝟐
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
(0,0) 𝑥1
3𝑥1 + 2𝑥2 ≤ 18
El conjunto solución de todas las restricciones se

denomina región factible, o también recinto de
posibles soluciones.
En un PPL, ese recinto es ‘convexo’
Región Convexa: Región en la que dos puntos cualesquiera de la misma pueden ser unidos por un
segmento de recta, de tal manera que todos los puntos del segmento al interior de la región
Regiones convexas
Regiones cóncavas
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
El conjunto solución de todas las restricciones se

denomina región factible, o también recinto de
posibles soluciones.
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
Una idea sencilla es representar la recta con 𝑍 = 𝑐1 × 𝑐2

𝑥1
Estas dos rectas nos muestran que el

𝑍 = 20 ⇒ 3𝑥1 + 5𝑥2 = 20 óptimo es el punto (2,6)
𝑥 = 0 ⇒ 𝑥2 = 4
⇒ቊ 1
𝑥2 = 0 ⇒ 𝑥1 = 6.67
max 𝑍 = 3𝑥1 + 5𝑥2
Otra forma encilla de localizar el

óptimo es dibujar una recta
cualquiera de la función objetivo
𝑥2
(por ejemplo para 𝑍 = 𝑐1 𝑐2 ).
A continuación identificamos (2,6) Dirección de

hacia dónde hay que desplazar la aumento de 𝑍
recta en función de los signos de
Región factible
𝑐1 y 𝑐_2.
En este caso, 𝑐1 y 𝑐2 son positivos,

por lo que cuando aumenten tanto 𝑥1
como 𝑥2 (yendo en el plano hacia el
noreste) aumentará Z.
𝑥1
Sabemos así la dirección en la que

aumenta Z, y podemos localizar el max 𝑍 = 3 2 + 5 6 = 36
óptimo.
Vamos a analizar ahora cómo cambiaría la solución con otras
funciones objetivo
Si en lugar de max 𝑍 = 3𝑥1 + 5𝑥2 fuese…

m𝑖𝑛 𝑍 = 3𝑥1 + 5𝑥2 𝑥2
Dirección de
Es fácil ver que en aumento de 𝑍
este caso el óptimo
Región factible
se encuentra en el
punto (0,0).
Nótese que tanto el

óptimo anterior (2,6)
como éste son (0,0) 𝑥1
vértices de la región
factible.
Dirección de
disminución de 𝑍
m𝑎𝑥 𝑍 = 5𝑥1 + 2𝑥2
𝑥2
Dibujamos la recta para 𝑍 = 10 Dirección de

aumento de 𝑍
Región factible
𝑍 = 10 ⇒ 5𝑥1 + 2𝑥2 = 10
𝑥 = 0 ⇒ 𝑥2 = 5 (4,3)
⇒ቊ 1
𝑥2 = 0 ⇒ 𝑥1 = 2
Al ser ambos coeficientes de la F.O

positivos, cuando desplazamos la
𝑥1
recta hacia el NE aumenta Z.
En este caso, la solución óptima es el vértice (4,3) (de nuevo un vértice)
m𝑎𝑥 𝑍 = −5𝑥1 + 2𝑥2

𝑥2
Dibujamos la recta para 𝑍 = 10
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
En este caso, la solución óptima es el vértice (0,6)
… y es fácil comprobar también que el óptimo de m𝑎𝑥 𝑍 = −5𝑥1 + 2𝑥2 es el

vértice (0,4)
De este ejercicio se extrae una conclusión importante que es

aplicables a cualquier PPL de más dimensiones.
La solución óptima de un PPL se

encuentra siempre en un vértice de la
región factible.
Veamos otro ejemplo: max 𝑍 = 2𝑥1 + 𝑥2

sujeta a
Resuelve el siguiente PPL: 𝑥2 ≤ 10 1
2𝑥1 + 5𝑥2 ≤ 60 2
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
7.
LoFormulación y solución
resolvemos ahora con
con la hoja de cálculo
aplicación on-line phpsimplex
PPL de LunaTeh: max 𝑍 = 3𝑥1 + 5𝑥2

www.phpsimplex.com
s.a:
𝑥1 ≤ 4
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
óptimo
Tema 1
Programación
multiobjetivo

26
En algunos problemas se quiere optimizar más de un objetivo
Objetivo 1 max 𝑍1 = 𝑐11 𝑥1 + 𝑐12 𝑥2 + ⋯ + 𝑐1𝑛 𝑥𝑛

Objetivo 2 max 𝑍2 = 𝑐21 𝑥1 + 𝑐22 𝑥2 + ⋯ + 𝑐2𝑛 𝑥𝑛
⋮
Objetivo K max 𝑍𝐾 = 𝑐𝐾1 𝑥1 + 𝑐𝐾2 𝑥2 + ⋯ + 𝑐𝐾𝑛 𝑥𝑛
s.a 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≥ 𝑏2
Restricciones ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑛
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0,
 Ejemplos de objetivos (pueden ser incompatibles):

- Maximizar las utilidades.
- Maximizar la cuota de mercado en el mercado al final del año.
- Maximizar el capital contable al final del año.
- Limitar las operaciones en tiempo extra del mes, a X horas.
- Limitar la contaminación ambiental a X unidades.
- Gastar un máximo de X soles en determinada materia prima.
- Que el porcentaje de proteína de un producto alimenticio supere el 55%.
• Los problemas de optimización sólo pueden tener una función objetivo

• Hay diferentes métodos para resolver problemas multiobjetivo, y aportan
soluciones diferentes. El analista ha de decidir el método.
• Uno de esos métodos es la programación por metas
Tema 1
Programación
multiobjetivo

29
o Fue introducido por A. Charnes y W. Cooper en 1961.

o Es una extensión de la programación lineal.
o Se tratan las metas (objetivos) como restricciones.
o Se establecen prioridades para poder tener una sola función objetivo.
METAS= funciones objetivo que toman un valor específico

max 𝑍1 = 𝑐11 𝑥1 + 𝑐12 𝑥2 + ⋯ + 𝑐1𝑛 𝑥𝑛 𝑐11 𝑥1 + 𝑐12 𝑥2 + ⋯ + 𝑐1𝑛 𝑥𝑛 ≥ 𝑏
Función objetivo Meta
Ejemplos: Objetivo: maximizar beneficios

Meta: Beneficio superior al 10 millones
Objetivo: minimizar emisiones contaminantes

Meta: Emisión de contaminante inferior a P unidades
Para transformar un objetivo en una meta hay diferentes métodos. Aquí, por
simplicidad, asumiremos que vienen ya definidos al formular el problema.
Programación de metas
 Se desea resolver problemas de optimización con objetivos

múltiples.
 Cada objetivo debe tener forma de meta.
 El logro de cada meta se mide usando el concepto de
desviación, por defecto o por exceso.
 La función objetivo consiste en minimizar las desviaciones de
las metas establecidas.
 Si una meta es imposible de alcanzar, se debe tratar de
satisfacerla lo más que se pueda. Es decir, minimizar la
desviación.
Ejemplo
Una empresa manufacturera elabora dos productos: P1 y P2.

Sean:
𝑥1 : unidades de P1 que conviene producir.
𝑥2 : unidades de P2 que conviene producir.
x2
5𝑥1  10
Se plantea el siguiente PL:
Opt. Z = c1x1 + c2x2 8
s.a: 3x1 + 2x2 ≤ 12

6
5x1 ≤ 10
x1, x2 ≥ 0 4
2
Recinto de
soluciones factibles
x1
2 4 6 8
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
Las metas podrían incumplirse; pero deben satisfacerse lo más posible.
Meta=restricción ‘light’
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.
Una opción podría ser: FO=minimizar las desviaciones de las metas.

El óptimo estará en A o en B
x2 5𝑥1  10
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
Con esta función objetivo la solución óptima es: 𝑥1 = 0 ; 𝑥2 = 6

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.
Modelo 1 Sólo nos preocupa la contaminación
Objetivo: minimizar la contaminación.

𝑀𝑖𝑛 𝑍 = 6𝑥1 + 7𝑥2
Restricciones:
𝑥1 + 𝑥2 ≤ 300
𝑥1 , 𝑥2 ≥ 0
6𝑥1 + 7𝑥2 = 𝐾
Solución óptima: 𝑥1 = 0 ; 𝑥2 = 0.
No contaminarán nada; pero tampoco

ganarán nada.
Si decidiesen tener al menos un beneficio de $1 000 000 …
Modelo 2 Nos preocupa la contaminación (FO) y el beneficio (restricción):
queremos al menos un beneficio de $1.000.000
Modelo 2 de P.L.: Nos preocupa la contaminación (F.O) 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
- Solución óptima: x1 = 0 ; x2 = 266,67 TM.

6𝑥1 + 7𝑥2 = 𝐾
Contaminación: 1866,67 u.c.
Beneficio: $ 1.000.000
Modelo 3 Sólo nos preocupa el beneficio
- Objetivo: maximizar el beneficio.

Max Z = 3000x1 + 3750x2
- Restricciones:
x1 + x2 ≤ 300
x1 , x2 ≥ 0
- Solución óptima: x1 = 0 ; x2 = 300 TM.

Contaminación: 2100 u.c. (¡Mucha contaminación!)
Beneficio: $ 1125000 𝑍 = 3000𝑥1 + 3750𝑥2
Si deciden limitar la contaminación a un máximo de 1500 u.c. …

Modelo 4 Nos interesa el beneficio (FO) y limitar la contaminación (restricción):
Se decide limitar la contaminación a un máximo de 1500
El P.L. sería:
Max Z = 3000x1 + 3750x2
x1 + x2 ≤ 300
6x1 + 7x2 ≤ 1500
x1 , x2 ≥ 0
- Solución óptima: x1 = 0 ; x2 = 214,29 TM.

Contaminación: 1500 u.c.
Beneficio: $ 803571,42.
Modelo 5 Nos interesa el beneficio (FO) y limitar la contaminación (FO) metas
 En estos modelos propuestos sólo se ha usado una de

los metas como FO. No son realmente propuestas
‘multiobjetivo
 En estos modelos la solución óptima depende más de
las restricciones (pues se deben cumplir
obligatoriamente) que de la FO.
 ¿Cómo habría que resolver el problema si a ambos
objetivos (contaminación y utilidad) se les quisiera dar
la misma prioridad?
Modelo Multiobjetivo: programación de metas (simultáneas)

- La F.O. se establece en función de las desviaciones de TODAS
las metas.
- Se consideran las siguientes metas:
- Meta 1: que el beneficio sea lo más cercano a $ 1 000 000.
- Meta 2: que la contaminación sea lo más cercana a 1500 u.c.
- Se podría plantear el siguiente problema:
Min Z = │3000x1 + 3750x2 – 1000000│+ │6x1 + 7x2 – 1500│
s.a: x1 + x2 ≤ 300
x1, x2 ≥ 0
Pero un P.L. no admite la función valor absoluto.
Este modelo es no lineal
 Para introducir ambos objetivos en la FO de forma lineal, se

utilizan variables de desviación de la meta.
- 𝑒𝑖 : cantidad que excede la meta i. (Exceso)
- 𝑑𝑖 : cantidad que falta para conseguir la meta i. (Defecto).
 𝑒𝑖 , 𝑑𝑖 ≥ 0
 Lógicamente, se debe cumplir que:
- Si 𝑒𝑖 > 0 ⇒ 𝑑𝑖 = 0, y viceversa. O bien 𝑒𝑖 × 𝑑𝑖 = 0
 Afortunadamente el método simplex garantiza que se cumpla
esta condición.
Es necesario definir las variables de desviación para las dos metas.

 META 1: que el beneficio sea al menos $1.000.000.
- Es decir: 3000𝑥1 + 3750𝑥2 ≥ 1.000.000.
- Si no se consiguiera esta meta, se tendría un defecto.
- 3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1.000.000
- La variable de desviación para la primera meta sería entonces: 𝑑1
- Se tratará de minimizar este defecto.
- Si sólo se tuviese esta meta:
𝑀𝑖𝑛 𝑑1
𝑠. 𝑎
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1.000.000
𝑥1 + 𝑥2 ≤ 300
𝑥1 , 𝑥2 , 𝑑1 ≥ 0
Tiene 3 variables (no podemos resolverlo gráficamente, pero sí con el símplex)

 META 2: que la contaminación no supere 1500 u.c.

- Es decir: 6𝑥1 + 7𝑥2 ≤ 1500.
- Si no se consiguiera esta meta, se tendría un exceso.
- 6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500
- La variable de desviación para la segunda meta sería
entonces: 𝑒2 ≥ 0
- Se tratará de minimizar este exceso.
Min 𝑒2
s.a.
6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500
Si nos interesan ambas metas, el P.L. sería entonces…
Si nos interesan ambas metas, el P.L. sería entonces…
Min 𝒁 = 𝒅𝟏 + 𝒆𝟐
𝒔. 𝒂:
Restricciones del sistema
𝒙𝟏 + 𝒙𝟐 ≤ 𝟑𝟎𝟎 (fuertes)
𝟑𝟎𝟎𝟎𝒙𝟏 + 𝟑𝟕𝟓𝟎𝒙𝟐 + 𝒅𝟏 ≥ 𝟏 𝟎𝟎𝟎 𝟎𝟎𝟎 Restricciones

𝟔𝒙𝟏 + 𝟕𝒙𝟐 – 𝒆𝟐 ≤ 𝟏𝟓𝟎𝟎 meta
(flexibles)
𝒙 𝟏 , 𝒙 𝟐 , 𝒅𝟏 , 𝒆 𝟐 ≥ 𝟎
¿Cómo se plantearía la meta 2 si se quisiera que la

contaminación ambiental sea exactamente 1500 u.c?
¡La desviación podría ser por defecto o por exceso!
En el P.L. habría que considerar ambas desviaciones:
Min 𝑍 = 𝑑1 + 𝑑2 + 𝑒2
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1,000,000
6𝑥1 + 7𝑥2 + 𝑑2 – 𝑒2 = 1500
Se resuelve con el método símplex (O1)

Ponderación de las metas
 Para representar las preferencias entre las metas

establecidas, se pueden asignar coeficientes a las
variables de desviación en la F.O.
 Por ejemplo: 𝑀𝑖𝑛 𝑍 = 5 𝑑1 + 𝑒2
 Esta FO expresa que es preferible que el exceso en
unidades de contaminación sea hasta de 5 unidades,
antes que falte $1 para alcanzar el objetivo económico.
 Como se ve, la ponderación es bastante subjetiva.
Tema 1
Programación
multiobjetivo

49
Prioridades absolutas
 Es mucho más aceptable establecer las preferencias

entre las metas en términos de prioridades absolutas.
 Por ejemplo, si se le quisiera dar prioridad absoluta a la
meta 2, se plantearía la siguiente F.O:
 Min Z = P1e2 + P2d1
 Esto indica que primero se debe minimizar e2, y
luego, una vez establecido el mínimo valor de éste,
se debe encontrar el mínimo valor posible de d1.
 El problema se resuelve entonces en 2 etapas.
Ejemplo
𝑀𝑖𝑛 𝑍 = 𝑃1𝑒2 + 𝑃2𝑑1
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000 (M1)
6𝑥1 + 7𝑥2 − 𝑒2 ≤ 1500 (M2)
𝑥1 , 𝑥2 , 𝑑 1 , 𝑒2 ≥ 0
Primera etapa: Sólo existe M2
𝑀𝑖𝑛 𝑍 = 𝑒2
𝑥1 + 𝑥2 ≤ 300
6𝑥1 + 7𝑥2 – 𝑒2 ≤ 1500 (¿ 𝑦 𝑐𝑜𝑛 2000, 2200? )
𝑥1 , 𝑥2 , 𝑒2 ≥ 0
Tiene tres dimensiones: 𝑥1 , 𝑥2 , 𝑒2 pero lo podemos resolver gráficamente.

Para ello, lo resolvemos asumiendo 𝑒2 = 0 (caso más favorable) y luego
buscamos gráficamente el valor de 𝑒2 óptimo
Ejemplo
Consideramos inicialmente que 𝑒2 = 0 y

x2 vemos cuánto hay que añadir para caer en
la región factible
300
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
Ejemplo
Segunda etapa: M2 pasa a restricción con su valor óptimo, e

incorporamos M1 como restricción
𝑀𝑖𝑛 𝑍 = 𝑑1
𝑥1 + 𝑥2 ≤ 300
6𝑥1 + 7𝑥2 ≤ 1500
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000
𝑥1 , 𝑥2 , 𝑑1 ≥ 0
Tiene tres dimensiones: 𝑥1 , 𝑥2 , 𝑑1 pero lo podemos resolver gráficamente. Para

ello, lo resolvemos asumiendo 𝑑1 = 0 (caso más favorable) y luego buscamos
gráficamente el valor de 𝑑1 óptimo.
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
Ejemplo
Calculamos 𝑑1 sustituyendo en ese punto

x2 3000 × 0 + 3750 × 214.29 + 𝑑1 = 1000000
⇒ 𝑑1 = 196428.57
300
266.7
Solución óptima:
x1 = 0 , x2 = 214,29 , d1 = 196428,57
214,29
De las soluciones posibles, es la
que más se acerca a la meta 1.
x1
250 300
Ejemplo Solución óptima:

x1 = 0 , x2 = 214,29 , d1 = 196428,57
Hay que producir 214.29 TM con el proceso 2,

lo que lleva a una emisión de contaminación
x2 de 1500 u.c. y un beneficio de $ 830571. No
se utilizará, por tanto, el proceso 1.
300
214,29 ¿Cómo sería la solución si

damos prioridad a la Meta 1?
x1
250 300
Ejemplo Damos prioridad a la meta 1
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
Primera etapa: Sólo existe M1

𝑀𝑖𝑛 𝑍 = 𝑑1
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 + 𝑑1 ≥ 1000000
𝑥1 , 𝑥2 , 𝑑1 ≥ 0
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
Ejemplo
Segunda etapa: M1 pasa a restricción con su valor óptimo, e

incorporamos M2 como restricción
𝑀𝑖𝑛 𝑍 = 𝑒2
𝑥1 + 𝑥2 ≤ 300
3000𝑥1 + 3750𝑥2 ≥ 1000000
6𝑥1 + 7𝑥2 – 𝑒2 ≤ 1500
𝑥1 , 𝑥 2 , 𝑒2 ≥ 0
Ejemplo
Calculamos 𝑒2 sustituyendo en ese punto

x2 6 × 0 + 7 × 266.7 − 𝑒2 = 1500
⇒ 𝑒2 = 367
300
266.7
Solución óptima:
x1 = 0 , x2 = 266.7 , e2 = 367
214,29
De las soluciones factibles, es la
que más se acerca a la meta 2.
x1
250 300

Tema 1 MultiObjetivo 2016-II

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema 1 MultiObjetivo 2016-II

Uploaded by

Copyright:

Available Formats

Investigación de Operaciones - 2

1. Introducción a la programación lineal

Programa=secuencia de instrucciones para realizar una tarea o cumplir un objetivo

Conjunto de métodos matemáticos encaminados a encontrar el programa

Programa=valores que deben tomar las variables de interés (variables de

Programación matemática=Optimización de variables

Cuando todas las funciones que están implicadas en el problema de

Un problema de programación lineal (PPL) consta de:

Y el problema se puede expresar como

max Z = 3𝑥1 − 2𝑥2

Ejemplo max 𝑥12 + 𝑥2 /𝑥1

Resolver un PPL consiste en encontrar los valores de 𝑥1 , 𝑥2 , … , 𝑥𝑛 que verifiquen

puede ser max

s.a 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1

• A cualquier conjunto de valores específicos de 𝑥1 , 𝑥2 , … , 𝑥𝑛 se le denomina SOLUCIÓN.

La empresa LunaTech produce cerramientos (puertas,

Se va a iniciar la fabricación de dos productos nuevos cuyas

Puerta 1: puerta de aluminio y vidrio templado

La puerta 1 requiere parte de la capacidad de producción en

El departamento comercial asegura que se podrán vender

Como unidad de producción se utiliza el lote (25 unidades), pero pueden

Para fabricar un lote de la puerta 1 es necesario invertir 1 hora en la planta 1 y

Un lote de la puerta 1 generará un beneficio de 3 mil dólares, mientras que un

Formule un PPL que resuelva la producción óptima de estos dos nuevos

𝑥1 : nº de lotes semanales de la puerta 1

Función objetivo: ganancias 𝑍 = 3𝑥1 + 5𝑥2

max 𝑍 = 3𝑥1 + 5𝑥2

Disponibilidad horas planta 1: 𝑥1 ≤ 4

1. Introducción a la programación lineal

En PPL de dos dimensiones (dos variables de decisión), es factible (y

max 𝑍 = 3𝑥1 + 5𝑥2 𝑥1 , 𝑥2 ≥ 0

Las restricciones delimitan el área donde pueden (0,0) 𝑥1

max 𝑍 = 3𝑥1 + 5𝑥2

(𝑥1 ≤ 4) ∧ (2𝑥2 ≤ 12) ∧ (𝑥1 ≥ 0) ∧ (𝑥2 ≥ 0)

A medida que vamos dibujando las

max 𝑍 = 3𝑥1 + 5𝑥2

Con estos dos puntos

max 𝑍 = 3𝑥1 + 5𝑥2

El conjunto solución de todas las restricciones se

El conjunto solución de todas las restricciones se

Una idea sencilla es representar la recta con 𝑍 = 𝑐1 × 𝑐2

Estas dos rectas nos muestran que el

Otra forma encilla de localizar el

A continuación identificamos (2,6) Dirección de

En este caso, 𝑐1 y 𝑐2 son positivos,

Sabemos así la dirección en la que

Si en lugar de max 𝑍 = 3𝑥1 + 5𝑥2 fuese…

Nótese que tanto el

m𝑎𝑥 𝑍 = 5𝑥1 + 2𝑥2

Dibujamos la recta para 𝑍 = 10 Dirección de

Al ser ambos coeficientes de la F.O

En este caso, la solución óptima es el vértice (4,3) (de nuevo un vértice)

m𝑎𝑥 𝑍 = −5𝑥1 + 2𝑥2

En este caso, la solución óptima es el vértice (0,6)

… y es fácil comprobar también que el óptimo de m𝑎𝑥 𝑍 = −5𝑥1 + 2𝑥2 es el

De este ejercicio se extrae una conclusión importante que es

La solución óptima de un PPL se

Veamos otro ejemplo: max 𝑍 = 2𝑥1 + 𝑥2

PPL de LunaTeh: max 𝑍 = 3𝑥1 + 5𝑥2

1. Introducción a la programación lineal

En algunos problemas se quiere optimizar más de un objetivo

Objetivo 1 max 𝑍1 = 𝑐11 𝑥1 + 𝑐12 𝑥2 + ⋯ + 𝑐1𝑛 𝑥𝑛

s.a 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1