Optimizacion Restringida Fukl

OPTIMIZACIÓN RESTRINGIDA
YANNETH DIMAS ARIAS
CURSO DE MÉTODOS NUMÉRICOS
Docente
Pervys Rengifo
FUNDACIÓN UNIVERSITARIA KONRAD LORENZ

FACULTAD DE INGENIERÍA
Bogotá, noviembre 21 de 2005
Métodos Numéricos-Yanneth Dimas Arias

Cuando las leyes de la matemática se refieren a la realidad, no son ciertas;
cuando son ciertas, no se refieren a la realidad.
Albert Einstein
Métodos Numéricos-Yanneth Dimas 2

INTRODUCCIÓN
Con el pasar de los tiempos el hombre ha querido simplificar procesos

manuales que lo han llevado a una vida operativa, y por ende sin un
aprovechamiento del tiempo, de los recursos, lo cual se traduce en
costo (desperdicio de los recursos), para pensar y desarrollar ideas
que propongan la mejora continua de los procesos.
Es así como el hombre comienza a indagar formas diferentes de

procesar información, y comienza a ver que a través de las máquinas
las operaciones pueden efectuarse rápido y automáticamente.
En numerosas ciencias, se hace necesario el estudio y análisis de

fenómenos del mundo real, y por ello se hace necesaria la aplicación
del método científico a este estudio. Como se sabe una de las fases
de la aplicación del método científico se basa en la construcción de
modelos o formulación de hipótesis.
Es importante resaltar que un modelo esta realmente definido por las
relaciones que incorpora. Estas relaciones son independientes de los
datos a introducir en el modelo, ya que un modelo puede ser usado
para diferentes ocasiones y en varios contextos diferentes.
Es así como se llega a la investigación de operaciones, en la cual se

aplica el método científico por un grupo de personas a un problema,
principalmente relacionado con la distribución eficaz de recursos
limitados a través de los métodos de optimización aplicables a los
problemas, como lo es la optimización restringida.

OPTIMIZACIÓN RESTRINGIDA
La optimización hace referencia a la minimización o maximización

de una determinada función, que busca como objetivo validar o no
la construcción de un modelo (representación ideal de un sistema y
la forma en que este opera).
Dentro del proceso de optimización se requiere de un modelo

matemático, producto de una abstracción de un sistema real; en el
cual se eliminan complejidades y se hacen las suposiciones
pertinentes, se aplica una técnica matemática y se obtiene una
representación simbólica del mismo.
Para la construcción del modelo matemático se debe tener en

cuenta los siguientes elementos:
 Las variables de decisión y parámetros; incógnitas que deben

ser determinadas a partir de la solución del modelo. Los
parámetros representan los valores conocidos del sistema o
bien que se pueden controlar.
 Las restricciones; relaciones entre las variables de decisión y

magnitudes que dan sentido a la solución del problema y las
acotan a valores factibles. El valor de estas variables deben
ser mayor a cero.
 La función objetivo; también llamada función criterio, la cual

establece una relación matemática entre las variables de
decisión, parámetros y una magnitud que representa el
objetivo o producto del sistema. Siempre que una función
alcance un mínimo o un máximo (interior), su pendiente será
cero

En el proceso de optimización restringida se tiene en cuenta las
restricciones del modelo, las cuales son representadas por
ecuaciones independientes.
Como la función objetivo y las restricciones son lineales dentro del

modelo, se utilizan métodos que aprovechan la linealidad de las
mismas. Para lo cual, se emplean métodos de programación lineal,
que resuelven problemas con una cantidad considerable de
variables y restricciones.
La programación lineal trata de un conjunto de técnicas que intentan

obtener el mayor provecho posible de un sistema cuyo
funcionamiento es descrito de un de un modo adecuado.
La programación Lineal esta relacionada con la teoría matemática

que se denominó Optimización en el siglo XX. Dentro de los más
destacados en el desarrollo de la programación lineal es George
Bernard Dantzig, que formuló en 1947 el enunciado general al que
se reduce cualquier problema de Programación Lineal y autor del
método del simplex para la resolución de problemas.
La programación lineal consiste en dos partes principales;

determinar la función objetivo y el conjunto de restricciones del
modelo. La función objetivo se representa como:
Z = c1 x1 + c 2 x 2 + ... + c n x n
c j = pago por cada unidad de la j − ésima actividad que se lleva a

cabo.
Los coeficientes c1 , c 2 , c 3 ,...c n son números reales y se les llama
coeficientes de beneficio o costo. Representan los datos de entrada
del problema.
x j = magnitud de la j − ésima actividad.
Las variables x1 , x 2 ,...x n , son variables de decisión o niveles de
actividad, las cuales deben determinarse dentro del proceso de
optimización.
Z = Pago total debido al número total de actividades, n.

Lo anterior con el fin de optimizar (maximizar o minimizar) la función
objetivo.
Las restricciones se representan en forma general como:
a i1 x1 + a i 2 x 2 + ... + a in x n ≤ bi
a ij = cantidad e i − ésima fuente que se consume por cada unidad de

j − ésima actividad.
Los coeficientes a ij son números reales conocidos y se les

denomina coeficientes tecnológicos.
bi = cantidad de i − ésima fuente que está disponible. Esta es la

representación de las fuentes limitadas de recursos dentro del
modelo.
El vector bi se llama vector de disponibilidades o requerimientos y

son datos conocidos dentro del modelo.
Una de los requerimientos a los cuales están sujetas las

restricciones tomadas en cuenta dentro del modelo es que debe
tener un valor mayor o igual a cero.
x1 ≥ 0
Una vez obtenidas la función objetivo y las ecuaciones de las

restricciones, se tiene el problema de programación lineal.
El conjunto de valores de ( x1 , x,1 ,..., x n ) , los cuales satisfacen

simultáneamente todas las restricciones se le denomina región
factible. Cualquier punto dentro de la región factible representa un
posible programa de acción.

La solución óptima es el punto de la región factible que hace
máxima o mínima la función objetivo.
En un problema de Programación Lineal, según sean las

restricciones, se obtendrán poliedros diferentes, acotados o no, y
según sea la posición de la función objetivo respecto de dicho
poliedro se pueden originar diferentes situaciones. Según el tipo de
soluciones que presenten un problema de Programación Lineal
puede ser:
1. Factible:
Si existe la región factible. En este caso nos podemos encontrar:
Óptimo finito y único. La solución óptima está formada por un único

punto con coordenadas reales.
Múltiples óptimos. Un problema de Programación Lineal puede

tener más de un óptimo. Además, o bien el problema tiene un único
óptimo, o bien, tiene infinitos óptimos.
Óptimo infinito. Un problema de Programación Lineal puede tener

un óptimo no finito, es decir, la función objetivo puede tomar, un
valor tan grande o tan pequeño como se quiera sin abandonar la
región factible.
Región factible no acotada, óptimo finito. La no acotación de la

región factible no implica necesariamente óptimo infinito. Puede
ocurrir que la función objetivo alcance el óptimo en la zona acotada
de la región factible.

Región factible no acotada, óptimo finito e infinito. Puede darse el
caso que todos los puntos de una de las semirrectas que
determinan la región factible no acotada sean solución del
problema.
X2
X1
Soluciones alternas
2. No factible:
Región factible vacía. El conjunto de restricciones de un problema

de Programación Lineal puede ser incompatible, conduciendo a una
región factible vacía.
X2

X1
Problemas sin límites: Esto significa que esta bajorestringido, y por
tanto con finales abiertos. Esto puede representa que existieron
errores durante la especificación del problema.
La solución optima del modelo, se encuentra en uno de los puntos

esquina (punto extremo) donde se encuentran dos restricciones.
Así mismo dentro de esta evaluación se debe tener en cuenta que

no todo punto extremo es factible, es decir que no puede satisfacer
todas las restricciones del modelo.
Una vez identificados los puntos extremos factibles, se procederá a

identificar cual de todos estos ofrece el mejor valor de solución
óptima en la función objetivo.
Con el fin de hallar la solución óptima del modelo de una manera

eficiente, se emplea el método simplex. El cual fue desarrollado
por George Datzing en 1947, con el fin de resolver problemas de
programación lineal.

METODO SIMPLEX:
Este método simplex está basado en álgebra lineal y el proceso de

eliminación de Gauss-Jordan para resolver sistemas de ecuaciones
lineales.
Este método se basa en la suposición de que la solución óptima

estará en un punto extremo. Así, el procedimiento debe ser capaz
de discernir si durante la solución a un problema ocurre en un
punto extremo. Por lo anterior, se infiere que es un proceso iterativo
que permite ir mejorando la solución por cada iteración. El proceso
concluye cuando no es posible seguir mejorando más dicha
solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el

método consiste en buscar sucesivamente otro vértice que mejore
al anterior. La búsqueda se hace siempre a través de los lados
del polígono (o de las aristas del poliedro, si el número de
variables es mayor). Cómo el número de vértices (y de aristas) es
finito, siempre se podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si la

función objetivo, f, no toma su valor máximo en el vértice A,
entonces hay una arista que parte de A, a lo largo de la cual f
aumenta.
Con el fin de desarrollar el método simplex en cada una de sus

fases, se tomará como referencia el siguiente problema:
PRODUCTO
RECURSO REGULAR PREMIUM DISPONIBILIDAD DEL RECURSO
3 3
MATERIA PRIMA PARA LA GASOLINA
7m / toneldas 11 m / toneldas 77 m3 / semana
Tiempo de producción 10 hrs / tonelda 8hrs / tonelda 80 hrs / semana

Almacenamiento 9tonelada 6tonelada
Aprovbechamiento 150 / tonelada 175 / tonelada

Desarrollar formulación de programación lineal para maximar las
utilidades de esta operación.
Función objetivo- (maximización de ganancia):
Z = 150 x1 + 175 x 2
Restricciones:
N. Descripcion Ecuación
7 x1 + 11 x 2 ≤ 77
1 Restricción de materiales
2 Restricción de tiempo 10 x1 + 8 x 2 ≤ 80
3 Restricción de almacenaje g. Regular x1 ≤ 9
4 Restricción de almacenaje g. Premium x2 ≤ 6
5y6 Restricción de positivas x1 , x 2 ≤ 0
X2
X1

F
E D
Z=1400
Z=600
A B
Z=0
La función objetivo se puede incrementar hasta que alcance el valor

mas alto que cumpla con todas las restricciones, gráficamente se
mueve hacia arriba y a la derecha hasta que toca el espacio factible
en un solo punto.
Los puntos x1 y x 2 obtienen valores de 4.9 y 3.9 respectivamente

cuando z=1.400, y cumple con solo tocar un solo punto del espacio
factible.
Si se reemplazan los valores de estos puntos en las ecuaciones,

cumplen con de restricciones dadas en el modelo
7(4.9) + 11(3.9) ≅ 77
10(4.9) + 8(3.9) ≅ 80
4 .9 ≤ 9
3 .9 ≤ 6

Las fases para desarrollar el método simplex, son las siguientes:
1. Convertir las desigualdades en igualdades:
Las ecuaciones restricciones se reformulan como igualdades, para

lo cual se incluyen dentro de la ecuación las variables de holgura.
Estas variables miden cuanto de una fuente restringida esta
disponible.
7 x1 + 11x2 + S1 = 77
10 x1 + 8 x2 + S 2 = 80
x1 + S 3 = 9
S4 = 6
x1 , x2 , S1 , S 2 , S 3 , S 4 ≥ 0
Para el problema se tienen 2 variables estructuradas, 4 variables de

holgura y 6 ecuaciones con incógnitas.
La diferencia entre el número de incógnitas y el número de

ecuaciones esta directamente relacionado con la forma como se
puede distinguir un punto extremo factible.
PUNTO EXTREMO VARIABLES A CERO
x1 , x 2
A
x2 , S 2
B
C S1 , S 2
S1 , S 4
D
x1 , S 4
E

Comenzamos con un punto extremo A, en donde x1 y x 2 son iguales
a cero. Lo cual hace que las ecuaciones originales sean:
S1 = 77
S 2 = 80
S3 = 9
S4 = 6
2. Escribir la tabla simplex:
Básica Z x1 x2 S1 S2 S3 S4 Solución Intercepción
Z 1 -150 -175 0 0 0 0 0
S1 0 7 11 1 0 0 0 77 11
S2
0 10 8 0 1 0 0 80 8
S3
0 1 0 0 0 1 0 9 9
S4 ∞
0 0 1 0 0 0 1 6
3. Luego igualamos la función objetivo a cero.
Z − 150 X 1 − 175 X 2 − 0 S 1 − 0 S 2 − 0S 3 − 0 S 4 = 0
4. Encontrar la variable de decisión que entra en la base y la

variable de holgura que sale de la base.
La variable de entrada puede ser un coeficiente que tenga valor

negativo, se escoge porque es la variable que usualmente lleva al
incremento de Z. Si embargo se escogerá como variable de
entrada la x1 , ya que es la que nos conlleva más rápido nos llevará
más rápido al máximo.

Para el cálculo de la variable de salida, se puede tomar como la
razón de la columna solución al coeficiente correspondiente de x1
Intercepción = 77/7=11
En este punto, se ha movido al punto B ( x 2 = S 2 = 0) , y la nueva

solución básica es ahora:
7 x1 + S1 = 77
10 x1 = 80
x1 + S 3 = 9
S4 = 6
Ahora el sistema de ecuaciones define en forma efectiva los

valores de las variables básicas en el punto B:
x1 = 8, S 1 = 21, S 3 = 1, S 4 = 6.
Se puede emplear el método de Gauss-Jordan, la cual implica

convertir el elemento pivote a 1, y después eliminar los coeficientes
en la misma columna arriba y abajo del elemento pivote.
Se toma como pivote S 2 (la variable de entrada) y el elemento

pivote es 10, (coeficiente de la variable salida x 1 ). Al dividir el
renglón entre 10 y reemplazar S 2 por x 1 se tiene:
Básica Z x1 x2 S1 S2 S3 S4 Solución
Z 1 -150 -175 0 0 0 0 0
S1 0 7 11 1 0 0 0 77
x1
0 1 0,8 0 0,1 0 0 8
S3
0 1 0 0 0 1 0 9
S4
0 0 1 0 0 0 1 6

Luego los coeficientes x 1 en los otros renglones se pueden eliminar.
Básica Z x1 x2 S1 S2 S3 S4 Solución Interpolación
Z 1 0 -55 0 0 0 0 1200
S1 0 0 5,4 1 -0,7 0 0 21 3889
x1
0 1 0,8 0 0,1 0 0 8 10
S3
0 0 -0,8 0 -0,1 1 0 1 -1,25
S4
0 0 1 0 0 0 1 6 6
5. Encontrar los coeficientes de la nueva tabla
Esta tabla será útil para poder trabajar con la variable x 2 , la cual
tiene todavía como valor un número negativo, y por tanto se escoge
como variable de salida.
De acuerdo con los valores arrojados por la interpolación (ahora se

calcula como la columna solución sobre los coeficientes de la
columna x 2 ), la primera restricción tiene el valor positivo más
pequeño y, por tanto, se selecciona a S 1 como la variable entrada.
Así el método simplex mueve los puntos de B a C
Básica Z x1 x2 S1 S2 S3 S4 Solución Interpolación
Z 1 0 0 10,1852 7,8704 0 0 1200 1413,889

S1 0 0 1 0,1852 -0,13 0 0 21 3,889
x1
0 1 0 -0,1481 0,2037 0 0 8 4,889
S3
0 0 0 0,1481 -0,204 1 0 1 4,111
S4
0 0 0 -0,1852 0,1296 0 1 6 2,111

Una vez visto este resultado en la tabla se sabe que este es el
resultado final ya que en las columnas x1 y x2 miembros de la
función objetivo no quedan valores negativos.
La solución final es x 1 =4.889 y x 2 =3.889. De estos resultados se

puede inferir que la función máxima de Z=1413.889, y que como S 3
Y S 4 no fueron movidas, que la solución esta limitada por la primera
y la segunda restricciones.
Observaciones:
Si en el problema de maximizar apareciesen como restricciones

inecuaciones de la forma: ax + by c; multiplicándolas por - 1 se
transforman en inecuaciones de la forma - ax - by - c y estamos
en el caso anterior.
Si en lugar de maximizar se trata de un problema de minimizar se

sigue el mismo proceso, pero cambiando el sentido del criterio, es
decir, para entrar en la base se elige la variable cuyo valor, en la fila
de la función objetivo, sea el mayor de los positivos y se finalizan
las iteraciones cuando todos los coeficientes de la fila de la función
objetivo son negativos.
OPTIMIZACIÓN RESTRINGIDA NO LINEAL
Para la solución de problemas de optimización con funciones no

lineales, se presentan diferentes procedimientos, los cuales se
pueden clasificar en: directos e indirectos.
Dentro de los métodos directos, se encuentra el método de

búsqueda del gradiente reducido generalizado (GRG), método
utilizado en el Solver de excel, el cual tiene la característica de que
en forma automática cambia al método del gradiente conjugado
dependiendo de la disponibilidad de almacenamiento.

Este método reduce el problema a uno de optimización no
restringida, en donde; resuelve un conjunto de ecuaciones no
lineales para las variables básicas en términos de variables no
básicas. Una vez efectuado la transformación de la ecuación se
escoge el procedimiento cuasi-Newton (BFGS), el cual requiere el
almacenamiento de una aproximación de la matriz Hessian.
PROGRAMACIÓN LINEAL EN EXCEL
La estrategia básica es llegar a una celda que esté optimizada

como una función de las variaciones de las otras celdas sobre la
hoja de cálculo.
PRODUCTO
RECURSO REGULAR PREMIUM DISPONIBILIDAD DEL RECURSO
MATERIA PRIMA PARA LA GASOLINA

7m / toneldas 11 m / toneldas 77 m3 / semana
3 3
Tiempo de producción 10 hrs / tonelda 8hrs / tonelda 80 hrs / semana

Almacenamiento 9tonelada 6tonelada
Aprovbechamiento 150 / tonelada 175 / tonelada
Desarrollar formulación de programación lineal para maximar las

utilidades de esta operación.
Como primer paso se debe acondicionar la hoja de excel con los

datos del producto dados en el problema para usar el Solver para la
programación lineal.

Obtención de la maximación de utilidades de la produccion de gasolina
Regular Premium Total Disponibilidad

Producido 0 0
Materia Prima 7 11 0 77
Tiempo 10 8 0 80
Almacen. Regular 0 9
Almacen. Premium 0 0 6
Aprov. Por Unidad 150 175

Aprovechamiento 0 0 0
Una vez diligenciados los campos requeridos de la tabla, se busca

la opción Solver en la barra de Menú- Herramientas

Luego en el cuadro de dialogo de Solver:

Celda donde
se localiza la
función
Objetivo
Celdas en
donde se
encuentran
las variables
de decisión.
Se registran el grupo de
restricciones que acompañan
el problema
Obtención de la maximación de utilidades de la produccion de gasolina
Regular Premium Total Disponibilidad

Producido 4,888889 3,888889
Materia Prima 7 11 77 77
Tiempo 10 8 80 80
Almacen. Regular 4,888889 9
Almacen. Premium 0 3,888889 6
Aprov. Por Unidad 150 175

Aprovechamiento 733,33335 680,555575 1413,889

PROGRAMACIÓN NO LINEAL EN EXCEL
Se debe determinar las dimensiones de un tanque cilíndrico para el

transporte de desechos que se van a trasladar en un camión, se
debe asegurar que mantenga la cantidad requerida de líquido y que
no exceda las dimensiones de la caja del camión. Debido a que el
tanque transporta desechos tóxicos, se requiere de un espesor
especificado por ciertos reglamentos.
t L t
Dmax
mmmaxmac
Lmax
mmmaxmac
Al analizar el problema nos damos cuenta que:
El tanque consiste en dos placas soldadas en cada extremo del

cilindro.
El costo del tanque involucra dos componentes:
a) gasto del material, el cual está basado en el peso

b) gastos de soldadura que se basan en la longitud necesaria
para soldar.
El objetivo es conseguir construir un tanque con el menor costo

posible.
El costo esta relacionado con las variables de diseño (longitud y

diámetro), ya que tienen efecto sobre la masa del tanque y las
longitudes a soldar.
Restricciones:
a) Ajustar a la caja de camión
b) Contener el volumen requerido de material.
Parámetro Símbolo Valor Unidades

Volumen requerido Vo 0,8 m3
Espesor t 3 m
Densidad p 8000 kg/m3
Long. de la caja Lmax 2 m3
Ancho de la caja Dmáx 1 m3
Costo del material Cm 4,5 $/kg
Costo por soldadura Cw 20 $/m
La función objetivo es:
C = cm m + c wl w
Donde C= costo, m= masa, l w = longitud a soldar (m) c m yc w = factor

de costo para la masa y para la longitud de la soldadura.
 D 
2
 D 
2
Vcilindro = Lπ  + t  −   
 2   2  
2
D 
V placa = π  + t  t
2 

  D 
2
D 
2
D  
2
m = ρ  Lπ  + t  −    + 2π  + t  t 
  2   2   2  
πD 2
V= L
4
Este volumen esta restringido por el volumen deseado Vo
πD 2
L = V0
4
La longitud y el diámetro del cilindro deben acomodarse a la

longitud de la caja del camión.
L≤L MAX
D ≤ Dmax
Entonces, se obtiene la siguiente función objetivo:
MaxC = 4.5m + 20l w

Con restricciones:
πD 2
L = 0.8
4
L≤2
D ≤1
Luego m se convierte en:
  D 
2
D 
2
D 
2

m = 8000 Lπ  + 0.03  −    + 2π  + 0.03  0.03
  2   2   2  

Diseño del tanque óptimo
Parametros Variables de diseño
Vo 0,8 D 1
t 0,03 L 2
p 8000
Lmax 2 Restricciones
Dmáx 1 <= 1
Cm 4,5 D 1 <= 2
Cw 20 L 2= 8
Vol 1,570796
Valores calculados
Función Objetivo
m 1976,791
w 12,94336 C 9154,425
Vcoraza 0,19415
Vtapas 0,052948

Celda donde
se localiza la
función
Objetivo
Celdas en
donde se
encuentran
las variables
de decisión.
Se registran el grupo de
restricciones que acompañan
el problema

Una vez efectuada la operación por el Solver, es detecta que el
costo tendrá un decrecimiento respecto al calculado, ya que el
volumen más pequeño tiene D=0.98 m y t=1.05 m.
Diseño del tanque óptimo
Parametros Variables de diseño
Vo 0,8 D 0,982949
t 0,03 L 1,054235
p 8000
Lmax 2 Restricciones
Dmáx 1 <= 1
Cm 4,5 D 0,982949 <= 2
Cw 20 L 1,064235 = 8
Vol 0,799998
Valores calculados
Función Objetivo
m 1215,236
lw 12,72909 C 5723,1438
Vcoraza 0,100646
Vtapas 0,061259
METODOS INDIRECTOS:
En cuanto a los métodos indirectos se tienen las funciones de

penalización, las cuales involucran expresiones adicionales para
hacer la función objetivo menos óptima en tanto la restricción se
aproxime a la restricción. Este método no es muy eficiente cuando
se trata de un problema que contiene muchas restricciones.
De acuerdo a lo expuesto en este trabajo, se infiere que como una

buena aplicación de la optimización se da en la investigación de
operaciones, la cual es aplicada a la ingeniería de sistemas en el
desarrollo de sistemas que cumplan con un diseño que utilice los
recursos limitados del modelo.

CONCLUSIONES
 La programación lineal es una herramienta poderosa para

seleccionar alternativas en un problema de decisión
 Dentro del planteamiento de modelo, se debe identificar la

función objetivo, las variables de decisión, parámetros y las
restricciones del problema, con el fin de llegar a una respuesta
congruente de lo que se requiere.
 La solución óptima es el punto de la región factible que hace

máxima o mínima la función objetivo.
 La programación lineal trata de un conjunto de técnicas que

intentan obtener el mayor provecho posible de un sistema
cuyo funcionamiento es descrito de un de un modo adecuado.
 Dentro de las soluciones que se pueda obtener de un modelo

matemático planteado están; las soluciones factibles, las
soluciones no factibles, y problemas sin límite.
 El método simplex está basado en álgebra lineal y el proceso

de eliminación de Gauss-Jordan para resolver sistemas de
ecuaciones lineales, este se basa en la suposición de que la
solución óptima estará en un punto extremo de la región
factible.
 Una de las aplicaciones de la optimización esta dada en la
investigación de operaciones aplicada en la ingeniería de
sistemas, con el fin de lograr desarrollar “sistemas” que
utilicen y aprovechen los recursos limitados de un modelo.

BIBLIOGRAFIA
Chapra, Steven & Canale R. Métodos Numéricos para Ingenieros. Tercera Edición.
McGraw-Hill. México, 2001.
http://www.investigacion-operaciones.com/operaciones.htm
http://www.investigacion-operaciones.com/Introduccion_modelizacion.htm
http://descartes.cnice.mecd.es/Algebra/prog_lineal_lbc/historia_pl.htm
http://home.ubalt.edu/ntsbarsh/Business-stat/opre/SpanishD.htm#rotherapplications
http://descartes.cnice.mecd.es/Algebra/prog_lineal_lbc/index_pl.htm

Optimizacion Restringida Fukl

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

Optimizacion Restringida Fukl

Uploaded by

Copyright:

Available Formats

OPTIMIZACIÓN RESTRINGIDA

YANNETH DIMAS ARIAS

CURSO DE MÉTODOS NUMÉRICOS

FUNDACIÓN UNIVERSITARIA KONRAD LORENZ

Métodos Numéricos-Yanneth Dimas Arias

Métodos Numéricos-Yanneth Dimas 2

Con el pasar de los tiempos el hombre ha querido simplificar procesos

Es así como el hombre comienza a indagar formas diferentes de

En numerosas ciencias, se hace necesario el estudio y análisis de

Es así como se llega a la investigación de operaciones, en la cual se

Métodos Numéricos-Yanneth Dimas 3

La optimización hace referencia a la minimización o maximización

Dentro del proceso de optimización se requiere de un modelo

Para la construcción del modelo matemático se debe tener en

 Las variables de decisión y parámetros; incógnitas que deben

 Las restricciones; relaciones entre las variables de decisión y

 La función objetivo; también llamada función criterio, la cual

Métodos Numéricos-Yanneth Dimas 4

Como la función objetivo y las restricciones son lineales dentro del

La programación lineal trata de un conjunto de técnicas que intentan

La programación Lineal esta relacionada con la teoría matemática

La programación lineal consiste en dos partes principales;

c j = pago por cada unidad de la j − ésima actividad que se lleva a

Z = Pago total debido al número total de actividades, n.

Métodos Numéricos-Yanneth Dimas 5

Las restricciones se representan en forma general como:

a ij = cantidad e i − ésima fuente que se consume por cada unidad de

Los coeficientes a ij son números reales conocidos y se les

bi = cantidad de i − ésima fuente que está disponible. Esta es la

El vector bi se llama vector de disponibilidades o requerimientos y

Una de los requerimientos a los cuales están sujetas las

Una vez obtenidas la función objetivo y las ecuaciones de las

El conjunto de valores de ( x1 , x,1 ,..., x n ) , los cuales satisfacen

Métodos Numéricos-Yanneth Dimas 6

En un problema de Programación Lineal, según sean las

Si existe la región factible. En este caso nos podemos encontrar:

Óptimo finito y único. La solución óptima está formada por un único

Múltiples óptimos. Un problema de Programación Lineal puede

Óptimo infinito. Un problema de Programación Lineal puede tener

Región factible no acotada, óptimo finito. La no acotación de la

Métodos Numéricos-Yanneth Dimas 7

Región factible vacía. El conjunto de restricciones de un problema

Métodos Numéricos-Yanneth Dimas 8

La solución optima del modelo, se encuentra en uno de los puntos

Así mismo dentro de esta evaluación se debe tener en cuenta que

Una vez identificados los puntos extremos factibles, se procederá a

Con el fin de hallar la solución óptima del modelo de una manera

Métodos Numéricos-Yanneth Dimas 9

Este método simplex está basado en álgebra lineal y el proceso de

Este método se basa en la suposición de que la solución óptima

Partiendo del valor de la función objetivo en un vértice cualquiera, el

El método del simplex se basa en la siguiente propiedad: si la

Con el fin de desarrollar el método simplex en cada una de sus

Tiempo de producción 10 hrs / tonelda 8hrs / tonelda 80 hrs / semana

Métodos Numéricos-Yanneth Dimas 10

Función objetivo- (maximización de ganancia):

Métodos Numéricos-Yanneth Dimas 11

La función objetivo se puede incrementar hasta que alcance el valor

Los puntos x1 y x 2 obtienen valores de 4.9 y 3.9 respectivamente

Si se reemplazan los valores de estos puntos en las ecuaciones,

Métodos Numéricos-Yanneth Dimas 12

1. Convertir las desigualdades en igualdades:

Las ecuaciones restricciones se reformulan como igualdades, para