You are on page 1of 38

UNIVERSIDAD AUTONOMA SAN FRANCISCO

CARRERA PROFESIONAL DE INGENIERIA INDUSTRIAL

ASIGNATURA : INVESTIGACION OPERATIVA I.

TEMA : PROGRAMACION LINEAL.

AUTOR : ANDREINA VARGAS SANTILLANA.

SEMESTRE : VI

CICLO ACADÉMICO : 2013-II

AREQUIPA – PERÚ

2014
[Escribir el título del documento]

RESUMEN
La mayoría de situaciones que afrontan las personas y organizaciones implican
explícitamente o implícitamente tomar decisiones. En algunos casos, los procesos
para la toma de dichas decisiones resultan simples, mientras que en otros casos
involucran gran cantidad de aspectos que deben considerarse aumentando así la
dificultad y complejidad en la toma de decisiones. La investigación de operaciones
es una disciplina que aplica métodos analíticos para contribuir en los procesos de
toma de decisiones, la cual ha encontrado cabida en diversos campos del
pensamiento humano generando un amplio campo de conocimiento. Este curso
constituye la primera aproximación a la investigación de operaciones, en la que se
espera introducir al estudiante en esta fascinante área del conocimiento y crear en
el las inquietudes para profundizar en su estudio de modo que adquiera
herramientas que pueda aplicar al verse enfrentado a procesos de toma de
decisiones.

PROGRAMACION LINEAL Página 2


[Escribir el título del documento]

INDICE

INTRODUCCION………………………………………………………………………3

HISTORIA DE LA PROGRAMACIÓN LINEAL……………………………………5

PROGRAMACION LINEAL………………………………………………………….7

CARACTERIZACIÓN DE LA PLE………………………………………………….9

METODOS DE SOLUCION DE PROBLEMAS

DE PROGRAMACION LINEAL…………………………………………………….10

TIPOS DE SOLUCIONES…………………………………………………………...14

APLICACIONES……………………………………………………………………...18

EJEMPLOS……………………………………………………………………………22

BIBLIOGRAFÍA……………………………………………………………………….38

PROGRAMACION LINEAL Página 3


[Escribir el título del documento]

INTRODUCCION

Mucha gente sitúa el desarrollo de la programación lineal entre los avances


científicos más importantes de la mitad del siglo XX, y debemos estar de acuerdo
con esta afirmación si tenemos en cuenta que su impacto desde 1950 ha sido
extraordinario. Se han escrito decenas de libros de texto sobre la materia y los
artículos publicados que describen aplicaciones importantes se cuentan ahora por
cientos. De hecho, una proporción importante de todo el cálculo científico que se
lleva a cabo en computadoras se dedica al uso de la programación lineal y
a técnicas íntimamente relacionadas. (Esta proporción se estimó en un 25%, en un
estudio de la IBM).

Un modelo de programación lineal proporciona un método eficiente para determinar


una decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran
número de decisiones posibles.

En todos los problemas de Programación Lineal, el objetivo es la maximación o


minimización de alguna cantidad.

PROGRAMACION LINEAL Página 4


[Escribir el título del documento]

Historia de la programación lineal

PROGRAMACION LINEAL Página 5


[Escribir el título del documento]

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al


menos, a Joseph Fourier, después de quien nace el método de eliminación de
Fourier-Motzkin. La programación lineal se plantea como un modelo matemático
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejército y aumentar las pérdidas del enemigo.
Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en
su planificación diaria.

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo


simplex, en 1947, John von Neumann, que desarrolló la teoría de la dualidad en el
mismo año, y Leonid Kantoróvich, un matemático ruso, que utiliza técnicas similares
en la economía antes de Dantzig y ganó el premio Nobel en economía en 1975. En
1979, otro matemático ruso, Leonid Khachiyan, diseñó el llamado Algoritmo del
elipsoide, a través del cual demostró que el problema de la programación lineal es
resoluble de manera eficiente, es decir, en tiempo polinomial.2 Más tarde, en 1984,
Narendra Karmarkar introduce un nuevo método del punto interior para
resolver problemas de programación lineal, lo que constituiría un enorme avance en
los principios teóricos y prácticos en el área.

El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70


personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programación
lineal. La potencia de computación necesaria para examinar todas las
permutaciones a fin de seleccionar la mejor asignación es inmensa (factorial de 70,
70!) ; el número de posibles configuraciones excede al número de partículas en el
universo. Sin embargo, toma sólo un momento encontrar la solución óptima
mediante el planteamiento del problema como una programación lineal y la
aplicación del algoritmo simplex. La teoría de la programación lineal reduce
drásticamente el número de posibles soluciones óptimas que deben ser revisadas.

PROGRAMACION LINEAL Página 6


[Escribir el título del documento]

PROGRAMACION LINEAL

En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli y,
sobre todo, Lagrange, que tanto habían contribuido al desarrollo del cálculo
infinitesimal, se ocuparon de obtener máximos y mínimos condicionados de
determinadas funciones.

Posteriormente el matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue


el primero en intuir, aunque de forma imprecisa, los métodos de lo que actualmente
llamamos programación lineal y la potencialidad que de ellos se deriva.

En 1941-1942 se formula por primera vez el problema de transporte, estudiado


independientemente por Koopmans y Kantarovitch, razón por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch. Tres años más
tarde, G. Stigler plantea otro problema particular conocido con el nombre de régimen
alimenticio optimal.

Mucha gente sitúa el desarrollo de la programación lineal entre los avances


científicos más importantes de la mitad del siglo XX, y debemos estar de acuerdo
con esta afirmación si tenemos en cuenta que su impacto desde 1950 ha sido
extraordinario. Se han escrito decenas de libros de texto sobre la materia y los
artículos publicados que describen aplicaciones importantes se cuentan ahora por
cientos. De hecho, una proporción importante de todo el cálculo científico que se
lleva a cabo en computadoras se dedica al uso de la programación lineal y a
técnicas íntimamente relacionadas. (Esta proporción se estimó en un 25%, en un
estudio de la IBM).

Un modelo de programación lineal proporciona un método eficiente para determinar


una decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran
número de decisiones posibles.

PROGRAMACION LINEAL Página 7


[Escribir el título del documento]

Un problema de Programación Lineal consiste en optimizar (maximizar o


minimizar) la función:

z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn

sujeto a:

a11x1 + a12x2 + . . . + a1nxn ≤ = ≥ b

a21x1 + a22x2 + . . . + a2nxn ≤ = ≥ b2

. . .

am1x1 + am2x2 + . . . + amnxn ≤ = ≥ bm

x1 , x2 , . . . , xn ≥ 0

A la función z = F ( x1, x2, ... ,xn ) = c1x1 + c2x2 + ... + cnxn se le


denomina función objetivo o función criterio.

Los coeficientes c1, c2, ... , cn son números reales y se llaman coeficientes de
beneficio o coeficientes de costo. Son datos de entrada del problema.

x1, x2, ... , xn son las variables de decisión (o niveles de actividad) que deben
determinarse.

Las desigualdades ai1x1 + ai2x2 + . . . + ainxn ≤ bi , con i = 1, ... , m se


llaman restricciones.

Los coeficientes aij , con i = 1, ... , m y j = 1, ... , n son también números reales
conocidos y se les denomina coeficientes tecnológicos.

El vector del lado derecho, es decir los términos bi , con i = 1, ... , m, se


llama vector de disponibilidades o requerimientos y son también datos conocidos del
problema.

Las restricciones xj ≥ 0 con j = 1, ... , n se llaman restricciones de no


negatividad.

Al conjunto de valores de (x1, x2, ... ,xn) que 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.

PROGRAMACION LINEAL Página 8


[Escribir el título del documento]

Caracterización de la PLE

La programación lineal también conocida como optimización lineal, es la


maximización o minimización de una función lineal sobre un poliedro convexo
definido por un conjunto de restricciones lineales no negativas. La teoría de la
programación lineal cae dentro de la teoría de la optimización convexa y es también
considerada como parte importante de la investigación de operaciones.

La programación lineal entera (PLE) es el conjunto de problemas de programación


lineal para los cuales todas o parte de sus variables pertenecen a los números
enteros.

Un problema de PLE puede describirse de la siguiente forma:

Optimizar una función objetivo z=c.x

Bajo las restricciones Ax = ó = b, x = 0

Donde:
x -Vector con variables enteras

c -Vector de coeficientes de la función objetivo

A -Matriz de coeficientes de las restricciones

b -Vector de términos independientes

Los modelos de programación lineal entera pudieran clasificarse en tres grupos:

Entero completamente. Todas las variables de decisión son enteras.

Mixto. Algunas de las variables son enteras, las otras no.

Binario. Las variables solo toman los valores 0 ó 1.

PROGRAMACION LINEAL Página 9


[Escribir el título del documento]

METODOS DE SOLUCION DE
PROBLEMAS DE PROGRAMACION
LINEAL

Existen tres métodos de solución de problemas de programación lineal:

Método gráfico o de las rectas de nivel. Las rectas de nivel dan los puntos del plano
en los que la función objetivo toma el mismo valor.

Método analítico o de los vértices. El siguiente resultado, denominado teorema


fundamental de la programación lineal, nos permite conocer otro método de
solucionar un programa con dos variables: “En un programa lineal con dos variables,
si existe una solución única que optimice la función objetivo, ésta se encuentra en
un punto extremo (vértice) de la región factible acotada, nunca en el interior de dicha
región. Si la función objetivo toma el mismo valor óptimo en dos vértices, también
toma idéntico valor en los puntos del segmento que determinan. En el caso de que
la región factible no es acotada, la función lineal objetivo no alcanza necesariamente
un valor óptimo concreto, pero, si lo hace, éste se encuentra en uno de los vértices
de la región”

Esquema práctico. Los problemas de programación lineal pueden presentarse en la


forma estándar, dando la función objetivo y las restricciones, o bien plantearlos
mediante un enunciado.

PROGRAMACION LINEAL Página 10


[Escribir el título del documento]

Métodos de solución

Pudiera pensarse que los métodos de obtención de soluciones a problemas de


programación lineal entera pudieran ser menos difíciles que los de programación
lineal generales, pero resulta lo contrario. Los algoritmos que permiten resolver los
problemas restringidos a enteros son más complejos y requieren mucho
más tiempo computacional.

Para la resolución de los problemas de programación lineal entera existen diferentes


métodos. Los métodos exactos son los que encuentran, si existe, el óptimo
absoluto. Muchos de estos métodos parten de la resolución del modelo dejando a
un lado las restricciones enteras y buscando el mejor valor para las variables reales.
A partir del supuesto de que la solución entera no debe estar muy lejos, se aplican
diferentes técnicas que permiten llegar al óptimo entero.

Una breve introducción a los métodos de la programación lineal: Simplex y Punto


interior, permitirá tener una idea de cómo operan los mismos.

El método del simplex se utiliza para hallar las soluciones óptimas de un problema
de programación lineal con tres o más variables. Este se basa en el hecho de que la
solución óptima se encuentra siempre en uno de los vértices del poliedro formado
por el conjunto de restricciones. Su forma de buscar la solución es recorrer sobre
estos vértices hasta encontrar el óptimo. Aun cuando no corre en tiempo polinomial
en el caso peor, su mayor valor radica en su capacidad de revolver nuevos
problemas y resulta muy útil cuando no se tiene un algoritmo eficiente de solución.

Los métodos de punto interior se denominan así precisamente porque los puntos
generados por estos algoritmos se hallan en el interior de la región factible. Esta es
una clara diferencia respecto al método del simplex. En la actualidad los métodos de
punto interior más eficientes tienen una complejidad de orden T(nL), donde n es el
número de variables y L una medida del tamaño del problema (el número de bits
necesarios para representar los datos).

En la modelación lineal no entera se demuestra que el óptimo es un vértice de la


región factible. En los modelos enteros, esto no tiene porque ser así, de manera
general los vértices no tienen que ser números enteros. Por ello la solución óptima
se encontrará en el interior de la región factible, por lo que los métodos exactos,
como el simplex o punto interior, empleado de forma directa no aportarán la solución
óptima en la generalidad de los casos.

PROGRAMACION LINEAL Página 11


[Escribir el título del documento]

Como el conjunto de soluciones enteras factibles es un número finito pudiera


pensarse en recorrerlas todas en busca de la solución pero esto puede resultar
ineficiente pues según el número de variables el conjunto de soluciones se
incrementa exponencialmente. Para enfrentar esto se han desarrollado un conjunto
de técnicas basadas en la lógica de que la solución entera no debe encontrarse muy
lejos de la óptima del modelo con variables reales, conocidas como Ramificar y
Podar (Branch and Bound).[1]

Este método se basa en que existe un número finito de soluciones posibles, no


todas factibles, para un problema con enteros, que pueden representarse mediante
un diagrama de árbol. Pero no es necesario enumerar todas las soluciones posibles
si se pueden eliminar algunas ramas. Para eliminar una rama basta demostrar que
no contiene una solución factible que sea mejor que una ya obtenida.

Existen otros métodos de resolución de la PLE, como el procedimiento de los cortes


de Gomory. En esta técnica, se resuelve el problema original relajado en el que se
incluyen restricciones adicionales, que reducen la región factible sin
excluir soluciones que cumplen las condiciones de optimalidad. En cada iteración se
añade una restricción que se denomina corte de Gomory. Este procedimiento
genera progresivamente una envoltura convexa de la región factible entera, lo que
origina soluciones que cumplen las condiciones de integralidad. Este método se
explica más en detalle por Castillo et al[2]

En los modelos de PLE es importante valorar el número de variables a manejar


pues si el modelo tiene algunos cientos de variables y no tiene
una estructura especial, puede resultar demasiado costoso de resolver. Los
modelos enteros son no polinomiales, o sea el tiempo de resolución es exponencial
con respecto al número de restricciones y especialmente con respecto al número de
variables de decisión enteras, como expone Castillo et al[3]En los casos en que los
métodos generales de PLE, por las dimensiones del problema, resultan ineficientes,
resulta válido introducir métodos heurísticos que obtienen soluciones aproximadas
satisfactorias.

PROGRAMACION LINEAL Página 12


[Escribir el título del documento]

Modelos especiales
Existen ciertos problemas de PLE que por las características del modelo han sido
enfrentados con métodos particulares de solución atendiendo a estas
peculiaridades. Entre estos se encuentran los modelos de asignación y
de transporte. Estos resultan significativos porque se ajustan a muchos problemas
de diversos sectores y especialidades.

El clásico problema de asignación (variables binarias 0 no se asigna, 1 se asigna)


se caracteriza por tener n personas y n objetos donde hay que hacer
correspondencia uno a uno entre los dos conjuntos. En el mismo existe un beneficio
o un costo para cada asignación persona-objeto, y se quiere obtener la asignación
donde ese beneficio sea máximo o el costo mínimo. La asignación puede ser
resuelta por métodos diversos, entre ellos destaca el método Húngaro de orden
T(n3) por ser el más antiguo de los conocidos para enfrentar los problemas de
asignación.

El problema del transporte consiste en satisfacer de forma óptima (costos mínimos


de transportación) n destinos desde m orígenes, donde están definidos los costos
de transportación de cada origen a cada destino, la demanda de los destinos y
la oferta de cada origen. Los métodos para hallar la solución se basan en una
metaheurística que consiste en buscar una solución factible inicial, e ir mejorándola
hasta llegar a la solución óptima. Existe gran diversidad de técnicas para obtener la
solución inicial y de formas para las mejoras iterativas.

Estos problemas son casos particulares de PLE en los que métodos especiales de
solución resultan más eficientes que los métodos tradicionales.

La PLE es una rama de la investigación de operaciones que está presente en


muchos problemas reales, entre ellos resultan muy interesantes los
de organización de tiempos de trabajo que existen en diferentes ramas de
la producción y los servicios. La selección de los métodos de solución más
eficientes depende en gran medida de las particularidades del escenario que se ha
modelado

PROGRAMACION LINEAL Página 13


[Escribir el título del documento]

TIPOS DE SOLUCIONES

Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de
solución que presentan. Éstos pueden ser:

FACTIBLES. Si existe el conjunto de soluciones o valores que satisfacen las


restricciones. Estas a su vez pueden ser: con solución única, con solución
múltiple (si existe más de una solución) y con solución no acotada (cuando no
existe límite para la función objetivo).

NO FACTIBLES. Cuando no existe el conjunto de soluciones que cumplen


las restricciones, es decir, cuando las restricciones son inconsistentes.

CONSTRUCCION DE LOS MODELOS DE PROGRAMACION


LINEAL
De forma obligatoria se deben cumplir los siguientes requerimientos para construir
un modelo de Programación Lineal:

Función objetivo. (FO): Debe haber un objetivo (o meta o blanco) que la


optimización desea alcanzar.

Restricciones y decisiones: Debe haber cursos o alternativas de acción o


decisiones, uno de los cuáles permite alcanzar el objetivo.

La FO y las restricciones son lineales. Deben utilizarse solamente ecuaciones


lineales o desigualdades lineales.

PROGRAMACION LINEAL Página 14


[Escribir el título del documento]

 Modelo standard de Programación Lineal

Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.

Sujeta a a11X1+ a11X2 +…..+ a1nXn) £ b1

a21X1+ a21X2 +…..+ a2nXn) £ b1

Restricciones

am1X1+ am1X2 +…..+ amnXn) £ bm

Debiendo ser

X1 ³ 0, X2 ³ 0, ….. Xn ³ 0

Donde :

Xj : variables de decisión, j = 1,2.., n.

n : número de variables.

m : número de restricciones.

aij , bi , cj constantes, i = 1,2.., m.

 Pasos para la construcción del modelo

1. Definir las variables de decisión.


2. Definir el objetivo o meta en términos de las variables de decisión.
3. Definir las restricciones.
4. Restringir todas las variables para que sean no negativas

PROGRAMACION LINEAL Página 15


[Escribir el título del documento]

Variables
Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número
entero, el procedimiento de resolución se denomina Programación entera.

Restricciones

Las restricciones pueden ser de la forma:

Donde:

A = valor conocido a ser respetado estrictamente;

B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado;

j = número de la ecuación, variable de 1 a M (número total de restricciones);

a; b; y, c = coeficientes técnicos conocidos;

X = Incógnitas, de 1 a N;

i = número de la incógnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N =


M; N > M; ó, N < M.

PROGRAMACION LINEAL Página 16


[Escribir el título del documento]

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimización.

Los tres tipos de restricciones pueden darse simultáneamente en el mismo


problema.

Función Objetivo

La función objetivo puede ser:

Programación entera
En algunos casos se requiere que la solución óptima se componga
de valores enteros para algunas de las variables. La resolución de este problema se
obtiene analizando las posibles alternativas de valores enteros de esas variables en
un entorno alrededor de la solución obtenida considerando las variables reales.
Muchas veces la solución del programa lineal truncado esta lejos de ser el óptimo
entero, por lo que se hace necesario usar algún algoritmo para hallar esta solución
de forma exacta. El más famoso es el método de 'Ramificar y Acotar' o Branch and
Bound por su nombre en inglés. El método de Ramificar y Acotar parte de la adición
de nuevas restricciones para cada variable de decisión (acotar) que al ser evaluado
independientemente (ramificar) lleva al óptimo entero.

PROGRAMACION LINEAL Página 17


[Escribir el título del documento]

Aplicaciones
Aunque surgió como aplicación a cuestiones de carácter logístico y militar, es la
industria y la economía donde, posteriormente ha encontrado sus aplicaciones más
importantes.

Así, por ejemplo, la Programación Lineal permite resolver problemas de


mezclas, nutrición de animales, distribución de factorías, afectación de personal a
distintos puestos de trabajo, almacenaje, planes de producción, escalonamiento de
la fabricación, problemas de circulación, planes de optimización de semáforos,
estudios de comunicaciones internas, etc.

Veamos algunas de las aplicaciones más importantes:

El problema del transporte.


Trata de organizar el reparto de cualquier tipo de mercancías con un coste
mínimo de tiempo, de dinero o de riesgo (por ejemplo, el transporte de mercancías
peligrosas).

Se dispone de m centros de producción u orígenes (Oi), con sus respectivas ofertas;


y n centros de consumo o destino (Dj), con sus demandas correspondientes. A su
vez, son conocidos los costes de envío (cij), desde cada origen a cada destino.

PROGRAMACION LINEAL Página 18


[Escribir el título del documento]

El objetivo del problema del transporte es determinar cuántas unidades de producto


deben enviarse desde cada origen hasta cada destino de forma que se minimicen
los costes totales de distribución, se satisfaga la demanda de cada destino y no se
exceda la capacidad de oferta de cada uno de los orígenes. (El total de unidades
que salen de los centros de origen debe ser igual al total de unidades que llegan a
los centros de destino). Podemos expresar el problema con la siguiente tabla:

Destinos
Orígenes
D1 D2 ... Dn Ofertas

O1 c11 c12 ... c1n a1

O2 c21 c22 c2n a2

... ... ... ... ... ...

Om cm1 cm2 ... cmn am

Demandas b1 b2 ... bn

En 1958 se aplicaron los métodos de la programación lineal a un problema concreto:


el cálculo del plan óptimo del transporte de arena de construcción a las obras de
edificación de la ciudad de Moscú. En este problema había 10 puntos de partida y
230 de llegada. El plan óptimo de transporte, calculado con el ordenador Strena en
10 días del mes de junio, rebajó un 11% los gastos respecto a los costes previstos.

Ejemplo: Dos almacenes A y B, tienen que distribuir fruta a tres mercados de la


ciudad. El almacén A dispones de 10 toneladas de fruta diarias y el B de 15
toneladas, que se reparten en su totalidad. Los dos primeros mercados necesitan
diariamente 8 toneladas de fruta, mientras que el tercero necesita 9 toneladas
diarias. El coste del transporte desde cada almacén viene dado por los datos del
cuadro. Planifica el transporte para que el coste sea mínimo.

PROGRAMACION LINEAL Página 19


[Escribir el título del documento]

Destinos
Orígenes
Mercado 1 Mercado 2 Mercado 3

Almacén A 10 15 20

Almacén B 15 10 10

El problema de la dieta.
Trata de determinar los alimentos que deben incluirse en una dieta para asegurar la
nutrición necesaria y a la vez minimizar el coste.

Componentes
Alimentos
C1 C2 ... Cn Costes

A1 b11 b12 ... b1n a1

A2 b21 b22 b2n a2

... ... ... ... ... ...

Am bm1 bm2 ... bmn am

Necesidades c1 c2 ... cn

Ejemplo: Un ave de rapiña necesita para subsistir al día 30 unidades de proteínas,


20 de grasas y 8 de vitaminas. Sus presas son dos tipos de animales: ratones que le
proporcionan 3 unidades de proteínas, 4 de grasa y 1 de vitaminas; y palomas, que
le proporcionan 6 unidades de proteínas, 2 de grasas y 1 de vitaminas. Si cazar y
comer un ratón le cuesta 7 unidades de energía y una paloma 12 unidades de
energía, ¿cuántas presas de cada clase debe cazar para satisfacer sus
necesidades, con el menor gasto de energía?

PROGRAMACION LINEAL Página 20


[Escribir el título del documento]

El problema de la planificación de la producción.

Pretende planificar la producción de una empresa de acuerdo con las materias


primas disponibles para obtener máximos beneficios.

Productos
Factores
P1 P2 ... Pn Recursos

F1 a11 a12 ... a1n r1

F2 a21 a22 a2n r2

... ... ... ... ... ...

Fm am1 am2 ... amn rm

Beneficios
c1 c2 ... cn
o costes

Ejemplo: Una fabrica de muebles produce dos tipos de sillones S1 y S2. La fabrica
cuenta con dos secciones: carpintería y tapicería. Hacer un sillón de tipo S1 requiere
1 hora de trabajo en la sección de carpintería y 2 horas en la de tapicería. Un sillón
del tipo S2 necesita 3 horas de carpintería y 1 de tapicería. El personal de
carpintería suministra un máximo de 90 horas de trabajo; en tapicería se dispone de
80. Si las ganancias por la venta de los sillones S1 y S2 son respectivamente de
6000 y 3000 pesetas, ¿cuántos sillones de cada tipo hay que fabricar para
maximizar las ganancias?

PROGRAMACION LINEAL Página 21


[Escribir el título del documento]

EJEMPLOS

Éste es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fácilmente más de 1.000 variables) en el cual se aprecia la
utilidad de este procedimiento de cálculo.

Existen tres minas de carbón cuya producción diaria es:

La mina "a" produce 40 toneladas de carbón por día;

La mina "b" otras 40 t/día; y,

La Mina "c" produce 20 t/día.

En la zona hay dos centrales termoeléctricas que consumen:

La central "d" consume 40 t/día de carbón; y,

La central "e" consume 60 t/día

Los costos de mercado, de transporte por tonelada son:

De "a" a "d" = 2 monedas

De "a" a "e" = 11 monedas

De "b" a "d" = 12 monedas

De "b" a "e" = 24 monedas

De "c" a "d" = 13 monedas

De "c" a "e" = 18 monedas

PROGRAMACION LINEAL Página 22


[Escribir el título del documento]

Si se preguntase a los pobladores de la zona cómo organizar el transporte, tal vez la


mayoría opinaría que debe aprovecharse el precio ofrecido por el transportista que
va de "a" a "d", porque es más conveniente que los otros, debido a que es el de más
bajo precio.

En este caso, el costo total del transporte es:

Transporte de 40 t de "a" a "d" = 80 monedas

Transporte de 20 t de "c" a "e" = 360 monedas

Transporte de 40 t de "b" a "e" = 960 monedas

Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programación lineal
se tienen las siguientes ecuaciones:

PROGRAMACION LINEAL Página 23


[Escribir el título del documento]

Un ejemplo de producción en una planta de generación de energía

La gerencia de una planta termoeléctrica de generación de energía, que emplea


carbón como combustible, está estudiando la configuración operativa de la planta a
fin de cumplir las nuevas leyes de control de la contaminación medio ambiental.
Para la planta en cuestión, las tasas máximas de emisión son:

Máxima emisión de óxido de azufre: 3000 partes por millón (PPM)

Máxima emisión de partículas (humo): 12 kilogramos/hora (kg/h)

El carbón se traslada a la planta por ferrocarril y se descarga en depósitos cercanos


a la misma. De aquí se lleva con una cinta transportadora a la unidad pulverizadora,
en donde se pulveriza y alimenta directamente a la cámara de combustión, a
la velocidad conveniente. El calor producido en la cámara de combustión se emplea
para crear vapor que impulse las turbinas.

Se emplean dos tipos de carbón: tipo A, que es un carbón duro y de quema limpia
con un-bajo contenido en azufre (bastante caro); y tipo 8, que es un carbón barato,
relativamente suave, que produce humo y tiene un alto contenido en azufre, tal y
como se puede observar en fa tabla 2. 1. El valor térmico en términos de vapor
producido es mayor para el carbón A que para el carbón 3, siendo de 24000 y
20000 Ib por ton respectivamente.

Como el carbón A es duro, la unidad pulverizadora puede manejar a lo sumo 16 ton


de carbón A por hora; sin embargo puede pulverizar hasta 24 Ion de carbón B por
hora. El sistema de carga de La cinta transportadora tiene una capacidad de 20 ton
por hora y es independiente del tipo de carbón.

Uno de los muchos interrogantes que la gerencia puede plantearse es el siguiente:


dados los límites de emisión de los agentes contaminantes y los tipos disponibles de
carbón, ¿Cuál es la máxima producción posible de electricidad de la planta? La
respuesta permitirá a la gerencia determinar el margen de seguridad disponible para
cubrir las demandas punta de energía.

Tabla . Emisión de agentes contaminantes

Oxido de azufre en gases


Carbón Partículas (emsión/ton)
combustible

A 1800PPM 0.5 Kg/ton

B 38OOPPM 1 .0 Kg/ton

PROGRAMACION LINEAL Página 24


[Escribir el título del documento]

Elementos básicos

El modelo de Programación Lineal está formado por tes elementos básicos: a)


Variables de decisión que tratamos de determinar, b) Objetivo (meta) que tratamos
de optimizar y c) Restricciones que necesitamos satisfacer.

a) Variables

A corto plazo, las instalaciones de la planta son fijas. El único aspecto del problema
que es controlable y que puede utilizarse para modificar la producción de la planta
es la cantidad de cada tipo de carbón que se queme. Entonces, las variables de
decisión del problema son:

X1 = La cantidad de carbón A utilizada por hora (ton/h)

X2 = La cantidad de carbón B utilizada por hora (ton/h)

En programación lineal a menudo se hace referencia a los aspectos controlables de


un problema de decisión como actividades. Por lo tanto, las variables X1 y X2
representan los niveles de actividad de la quema de carbón A y carbón B,
respectivamente.

HIPTESIS 1 DE PROGRAMACIÓN LINEAL:

DIVISISILIDAD: Todas las variables pueden asumir cualquier valor real.

Si las variables solo tienen sentido en el caso de tomar valores discretos pero tomar
un valor real elevado (superior a 10) en la solución óptima, es aceptable
considerarlas como continuas y redondear su valor

Muchas actividades en el mundo real pueden variar de forma continua, es decir son
divisibles infinitamente. Por ejemplo, la cantidad de carbón quemado por hora puede
ajustarse a cualquier valor dentro de unos límites razonables. Sin embargo, hay
actividades reales que sólo pueden tomar valores enteros, por ejemplo el número
de viajes de carbón necesarios para trasladar cierta carga de un lugar a otro o el
número de equipos informáticos que debe adquirir una empresa.

Si la actividad real no es divisible de forma infinita; pero el nivel normal de actividad


es un número grande, las condiciones de divisibilidad pueden servir como una
aproximación conveniente. En general, esto significa que el valor de la solución es
de decenas o mayor. Los valores fraccionarios tan sólo se redondean al entero más
cercano. Por el contrario, si el nivel normal de actividad es relativamente pequeño,
digamos menor que 10, se necesita recurrir a la programación entera.

PROGRAMACION LINEAL Página 25


[Escribir el título del documento]

HIPÓTESIS 2 DE PROGRAMACIÓN LINEAL:

CONDICIONES DE NO NEGATIVIDAD: Todas las variables son no negativas

Esta hipótesis refleja la naturaleza de la mayoría de ¡as actividades del mundo real;
donde rara vez tiene sentido, dentro de un contexto económico o de ingeniería,
hablar de niveles negativos de actividad. Sin embargo, esta consideración no
significa una pérdida de generalidad. Cualquier número (positivo, cero o negativo)
puede expresarse como la diferencia algebraica de dos números no negativos. Si
una actividad puede ocurrir tanto en niveles negativos como positivos (por ejemplo,
comprar o vender bonos), se introducen dos variables para esta actividad, X+ para
niveles no negativos, y X- para niveles no positivos. Su diferencia X = X + – X-
representa el nivel real de la actividad. Mediante este artificio tanto X+ como X-
están restringidas a ser no negativas y son las llamadas variables irrestrictas o
libres. De hecho, el software de optimización suele permitir al usuario definir
directamente este tipo de variables como libres e interpretando que su rango de
variación está entre menos y más infinito.

b) Función objetivo

El objetivo de la gerencia consiste en maximizar la producción de electricidad de la


planta. Ya que la electricidad se produce mediante vapor y existe una relación
directa entre la producción de vapor y la de electricidad, el maximizar ¡a producción
de vapor es equivalente a maximizar la producción de electricidad. Por lo tanto,
puede replantearse el objetivo de la gerencia como "encontrar la combinación de
combustibles que maximice ¡a producción de vapor".

¿Cuánto vapor se produce para cualquier cantidad arbitraria de carbón utilizada?


Una forma simple y sistemática de determinarlo se muestra en la tabla 2.2.

PROGRAMACION LINEAL Página 26


[Escribir el título del documento]

Tabla Construcción de la Función objetivo

Vamos a expresar la cantidad de vapor producido en miles de libras. Por lo tanto, el


carbón A produce 24 unidades y el carbón B, 20 unidades de vapor por toneladas
de combustible. Entonces, la cantidad de vapor producida por hora es:

(1) 24 X1 + 20 X2 - Z

El primer miembro de (1) se denomina función objetivo y Z es el valor de la función


objetivo. Los coeficientes de las variables se denominan coeficientes de la función
objetivo. El problema exige determinar los valores de X1 y X2 que maximicen el
valor de Z. En la figura 2.1 se observa que (1) es una familia de rectas paralelas y
que para cada valor que demos a Z tendremos una recta, cuyos puntos representan
las posibles combinaciones de X1 y X2 que proporcionan la misma cantidad de
vapor y en definitiva de energía. Por este motivo, se conocen como líneas de
isoproduccion (isobeneficio o isocoste, en el caso de que la función objetivo fuera
beneficio o costo respectivamente). También podemos observar que la función
objetiva es lineal.

HITPOTESIS 3 DE PROGRAMACION LINEAL:

LINEALIDAD: Todas las relaciones entre variables son lineales

En programación lineal esto implica:

Proporcionalidad de las contribuciones. La contribución individual de cada variable


es estrictamente proporcional a su valor; y el factor de proporcionalidad es
constante para toda la gama de valores que la variable puede asumir.

Actividad de las contribuciones. La contribución total de las variables es igual a la


suma de las contribuciones individuales, sea cual sea el valor de las variables.

PROGRAMACION LINEAL Página 27


[Escribir el título del documento]

Figura 2.1. Función objetivo

Una relación tal corno Z= 5X1 + 3 X1 + 2 X2 o Z = 24 X1 + 20 X2 para X1 < = 5 y 10


+ 22 X1 + 20 X2 para X1 > 5 violaría la condición de proporcionalidad; mientras que
Z = 24 X1 para X2 = 0, 20 X2 para X1 =0 y 22 X1 ÷ 18 X2 para X1 > O y X2> O
violarla la actividad.

La hipótesis 3 implica beneficios constantes a escala e impide economías y


deseconomías de escala. En la práctica esta condición posiblemente no se cumpla
con exactitud; en particular para valores muy pequeños o muy grandes de actividad.
Sin embargo, si se cumple en forma aproximada dentro del intervalo normal de los
valores de solución, es posible emplear el modelo de programación lineal como una
buena aproximación. Esta consideración también excluye el problema de los costes
fijos cuando se presentan para valores positivos de la actividad, pero no para
niveles cero.

Además de las condiciones de no negatividad, los niveles de actividad deben de


cumplir ciertas restricciones que pueden ser de naturaleza física, económica o legal.

c) Restricciones

C1. Restricción de la emisión de partículas

PROGRAMACION LINEAL Página 28


[Escribir el título del documento]

La cantidad máxima de emisión de humo por hora en una planta está limitada a 12
kg. De acuerdo con la tabla 2.I, cada tonelada de carbón A produce 0.5 kg de humo
y cada tonelada de carbón B produce 1 kg de humo. Si la planta quema X1 ton de
carbón A y X2 de B2 la cantidad de humo total emitida a partir de ambos tipos de
carbón es igual a su suma, que no puede exceder de 12 kg/h.

(2) 0.5X1 + X2 <=12

Los coeficientes de las variables en las restricciones se denominan coeficientes


técnicos y al segundo miembro de la desigualdad o término independiente se
conoce como coeficiente del segundo miembro o parámetro del lado derecho de la
restricción (en el software RHS -Right-Hand Side).

C2 Restricción de las instalaciones de carga.

El sistema de cinta transportadora que traslada el carbón de los depósitos al


pulverizador tiene una capacidad de 20 ton/h. Por lo tanto, la restricción de carga
seria:

(3) X1+X2<=2º

C3 Restricción de la capacidad del pulverizador

La capacidad del pulverizador es de 16 ton/h para el carbón A o de 24 ton/h para el


carbón B. En otras palabras, tarda 1116 h en pulverizar una tonelada de carbón A y
1124 h en pulverizar una tonelada de carbón B. Si la solución exige una
combinación de ambos tipos de carbón, el tiempo que se tardará en pulverizar una
mezcla de X1 ton de A y X2 de B es (1/16) X1 + (1/24)X2. Son admisibles sólo
aquellas combinaciones de X1 y X2 que requieran cuando más 1h. Por lo tanto la
restricción del pulverizador es:

Obsérvese la forma en que se ha superado la dificultad presentada por las


diferentes tasas máximas. Estas tasas se han traducido a tiempos necesarios por
tonelada y expresan la restricción en términos de tiempo en vez de capacidad.

C4 Restricción de la emisión de óxido de azufre

PROGRAMACION LINEAL Página 29


[Escribir el título del documento]

La emisión máxima de óxido de azufre no debe exceder de 3000 PPM en ningún


momento. Dado que los dos tipos de carbón se queman en forma simultánea, se
considera que la combinación de X1 tan de carbón A, y X2 ton de carbón B por
hora, alimenta a la cámara de combustión corno una mezcla homogénea.

El X1/(X1 + X2) de la mezcla es carbón A con una tasa de emisión de óxido de


azufre de 1800 PPM y X2(X1 + X2) de dicha mezcla es carbón B, con una tasa de
emisión de 3800 PPM. La tasa de emisión de la mezcla es igual al promedio
ponderado de las tasas individuales de emisión; en el que sirven como
ponderaciones las fracciones utilizadas de cada carbón. Este promedio ponderado
no puede exceder de 3000 PPM:

Multiplicando a ambos lados de la desigualdad por (X1 + X2) y reordenando


términos, se obtiene la restricción:

(5) 1200X1 -300 X2 >=0

En la figura 2.2 se han representado las cuatro restricciones.

Formación general de un programa lineal

En resumen, el modelo matemático que hemos formulado para representar el


problema anterior es el siguiente:

Determinar los valores de las variables: X1 >= O y X2 >= O

Que optimicen, maximicen en este caso (en otros puede ser minimizar) la función
objetiva:

Max 24X1 + 20X2

Y verifiquen las restricciones

0.5 X1 + X2 <= 12 (humo)

X1 +X2 <=20 (carga)

1.5 X1 + X2 <= 24 (pulverizador)

1200 X1 - 800 X2 >= O (azufre)

PROGRAMACION LINEAL Página 30


[Escribir el título del documento]

El planteamiento general de un programa lineal es el siguiente:

Determinar los valares de as variables decisión .XJ >= O; para, j = 1,2,..n que
optimicen (maximicen o minimicen a función objetivo:

Donde: n es el número de variables,

m es el número de restricciones y éstas pueden ser igualdades o desigualdades del


tipo <= o >=.

Los Cj, aj y bj son los parámetros del modelo.

HIPÓTESIS 4 DE PROGRAMACIÓN LÍNEAL: CERTIDUMBRE

Se asume que todos los parámetros del modelo cj aj y bj son constantes conocidas.

Región factible, solución gráfica y variables holgura

PROGRAMACION LINEAL Página 31


[Escribir el título del documento]

Para que una solución sea admisible la combinación de niveles de actividad debe
satisfacer en forma simultánea todas las restricciones, incluyendo las condiciones
de no negatividad. A tal solución se le denomina solución factible para el problema.
El conjunto de todas las soluciones factibles forma la región factible o conjunto de
soluciones posibles. Obsérvese en la figura 2.2 que el conjunto de soluciones
posibles no depende de la función objetivo. Ésta es una interesante propiedad de la
mayoría de los modelos de Investigación Operativa y tiene importantes
consecuencias sobre el método de resolución y las propiedades de la solución
óptima.

Si la frontera de una restricción no tiene puntos en común con la región factible,


entonces esta restricción es redundante y puede eliminarse en consideraciones
posteriores, ya que nunca limitará los valores de las variables. ¿Existe alguna
restricción redundante en nuestro problema?.

En la práctica, cuando un problema tiene cientos de restricciones y cientos de


variables rara vez es posible identificar si una restricción es redundante o no. Por
fortuna, el algoritmo de resolución conocido como método simplex funciona
eficientemente, aunque el planteamiento contenga restricciones redundantes.

Como el objetivo es maximizar fa producción de vapor de la planta, tendremos que


determinar la recta más alta que contenga al menos una solución posible. Dicha
recta es la que corresponde a Z = 408 y los niveles de actividad de las variables en
la solución óptima son de X1 = 12 y X2 = 6 como puede observarse en la figura 2.3.
Una combinación de 12 toneladas de carbón A y 6 toneladas de carbón B por hora
maximiza la producción de vapor de la planta dentro de las restricciones físicas y
legales impuestas a las variables.

Desde el punto de vista intuitivo, parece obvio que la solución óptima siempre
ocurrirá en fa frontera de la región factible, ya sea en un punto extremo o en un lado
del polígono. Como se verá en el análisis de sensibilidad, es la pendiente de la
función objetivo la que determina en qué parte de la frontera estará situada la
solución óptima.

Si el problema exigiera la minimización de la función objetivo ¿en que forma


cambiaría el procedimiento gráfico para encontrar la solución óptima? Por ejemplo,
se desea determinar la solución de coste mínimo para obtener una producción de
vapor de, al menos, 216 unidades por hora y que el coste por tonelada es de 24 $
para el carbón A y de 15 para el B. Plantea y resuelve este, problema de forma
gráfica.

En síntesis, podemos afirmar que una solución óptima es una solución factible con
el mejor valor de la función objetivo. El mejor valor o el valor más favorable de la

PROGRAMACION LINEAL Página 32


[Escribir el título del documento]

función objetivo será el más grande en los problemas de maximización o el más


pequeño en los problemas de minimización.

No todos los problemas de programación lineal tienen finales felices. Por una parte,
puede ocurrir que las restricciones sean inconsistentes en el sentido de que no
exista ninguna solución factible. Y por otra, la región factible puede estar abierta en
alguna dirección de manera que la función objetivo pueda incrementarse de forma
indefinida y no exista solución finita (la solución es no acotada). Estos casos son
poco frecuentes en la práctica. A menudo, tales soluciones son el resultado de
errores o de representaciones incorrectas en la formulación matemática. Por tanto,
al resolver un programa lineal podemos encontrarnos con cuatro casos:

Solución única.

soluciones alternativas (infinitas soluciones). En un modelo con dos variables ocurre


siempre que la función objetivo corta al conjunto factible en un lado del polígono,
para el mejor valor de la misma. En la práctica veremos temas posteriores cómo es
un caso mucho más frecuente de lo que a priori pudiéramos pensar.

No hay solución, porque ninguna combinación de variables cumple todas las


restricciones.

Solución no acotada.

Para cualquier solución factible, la diferencia entre el valor que toma la restricción y
el coeficiente del segundo miembro se denomina holgura (para desigualdades<=) o
exceso (para desigualdades >=). A menudo, resulta conveniente mostrar de manera
explícita esta diferencia, introduciendo una variable adicional en cada restricción. A
estas variables se les denomina variables de holgura o de exceso. Por
conveniencia, se suele utilizar el término de variables de holgura para ambas. Tales
variables están sujetas a las mismas consideraciones de divisibilidad y no
negatividad que las variables decisión. Entonces cada restricción se convierte en
una igualdad. Introduciendo las variables de holgura en nuestro ejemplo:

PROGRAMACION LINEAL Página 33


[Escribir el título del documento]

Las variables de holgura pueden interpretaba a menudo como recursos no utilizados


o capacidad no utilizada para una solución dada. Por ejemplo, x3 es la cantidad de
capacidad no utilizada de emisión de humo, y x4 la cantidad no utilizada de
capacidad de carga. ¿Cuál es la interpretación correspondiente a x5? Debido a la
forma en que se obtuvo la restricción del azufre no existe una interpretación simple
para x6. Comprueba que x3 y x5 son cero en nuestro ejemplo, mientras que x4 = 2 y
x6 = 9600.

PROGRAMACION LINEAL Página 34


[Escribir el título del documento]

nálisis de sensibilidad de los segundos miembros de las restricciones

Ahora vemos qué ocurre con la solución óptima cuando varia al segundo miembro
de una restricción. Vamos a suponer que la gerencia está considerando la
instalación de un equipo que puede reducir el humo en un 20%. Esto permitiría
cumplir con las normas legales con una emisión no controlada de humo a partir de
la cámara de combustión de hasta 15 Kg/h.

Figura . Función objetivo alternativa

Consideraremos en primer lugar que la emisión máxima permitida de humo se


incrementó de 12 a 13 kg/h, permaneciendo iguales todos los otros coeficientes.
Esto provoca un cambio paralelo hacia arriba en la restricción de humo. En la figura
2-5, puede verse como se agranda la región factible. En la nueva región factible Z =
408 ya no es el valor óptimo de la función objetivo, sino que su mejor valor se
encuentra en el punto D. Por tanto, la solución óptima cambia de A a D. Esté cambio
ocurre debido a que la restricción de humo se cumple estrictamente en la solución
óptima del problema original. Ahora los nuevos niveles de actividad de las variables
son X1 = 11 y X2 = 7.5. Esta disminución en X1 provoca una reducción en menos
de 24 unidades en la producción de vapor, mientras que el incremento de X2
aumenta la producción en 30 unidades. El incremento es de 6. Entonces el nuevo
valor máximo de la función objetivo será de z = 408 + 6 = 414.

PROGRAMACION LINEAL Página 35


[Escribir el título del documento]

La mejora en el valor óptimo de la función objetivo debido a un incremento unitario


en el segundo miembro de una restricción se denomina coste de oportunidad o
precio sombra de la restricción. En este caso, el coste de oportunidad de la
restricción de humo es 6.

¿Qué sucedería si la emisión máxima de humo fuera de 14,15, 16 y 17 kg/h? En la


figura 2.5 se puede observar cómo el área de la región factible se agranda por cada
cambio hasta un máximo de 16. Comprueba que por cada cambio la función objetivo
aumenta en 6.

Para un incremento superior a 16 la restricción de humo se vuelve redundante.


Ahora la solución óptima estará restringida por las restricciones del pulverizador y
del azufre, así como por la de carga. Por lo tanto, el coste de oportunidad de esta
restricción es cero para valores mayores de 16.

La pregunta original requería determinar el incremento en la producción de vapor


para un cambio en el nivel permitido de humo de 12 a 15 kg/h. Este será de 3 x 6 =
18 unidades de vapor/h.

¿Cuál es el costo de oportunidad de una restricción que no se verifique


estrictamente en la solución óptima? Resulta claro que si una parte del recurso no
se utiliza, esto es si la variable de holgura es positiva, las cantidades adicionales de
ese recurso no tienen valor. Sólo aumentarían la cantidad de holgura. Por lo tanto,
el precio sombra de tal restricción es cero.

Determina los precios sombra de las restricciones restantes. Observar la interesante


relación entre el coste de oportunidad de una restricción y la variable de holgura
asociada a la misma. Cuando un recurso se utiliza completamente su coste .de
oportunidad es, por lo general, positivo (no negativo para ser más exactos) y su
variable de holgura cero, mientras que cuando la variable de holgura es positiva el
precio sombra es cero.

Los precios sombra proporcionan a la gerencia una valiosa información acerca de


los beneficios que se pueden obtener al suavizar las restricciones. Si estos
beneficios superan al coste que provoca suavizar una restricción dada, entonces
tales cambios son atractivos.

PROGRAMACION LINEAL Página 36


[Escribir el título del documento]

Figura. Análisis de sensibilidad de los segundos miembros de las restricciones

PROGRAMACION LINEAL Página 37


[Escribir el título del documento]

Bibliografía

Castillo, E; AJ Conejo; P Pedregal; R García y N Alguacil. Formulación y Resolución de


Modelos de Programación Matemática en Ingeniería y Ciencia; Ciudad Real, España, 2002.
Disponible en: .
Castillo, E, AJ Conejo, P Pedregal, R García, y N Alguacil. Formulación y Resolución de
Modelos de Programación Matemática en Ingeniería y Ciencia. Capítulo 2. Modelización;
Ciudad Real, España, 2002. Disponible en: http://www.investigacion-
operaciones.com/Libro/modelizacion.pdf.
Hillier, FS y GJ Lieberman. Introduction to Operations Research; Singapore: McGraw-Hill
Internacional, 2005.
Vanderbei, RJ. Linear Programming: Foundations and Extensions; New Jersey, USA:
Princenton University, 2001.
http://thales.cica.es/rd/Recursos/rd98/Matematicas/29/matematicas-29.html
Hiller F. Y G. Lieberman “Introducción a la investigación de operaciones”. McGraw Hill (5ª
edición).
www.monografias.com/trabajos6/proli/proli.shtml
Título: "Programación lineal y métodos de optimización".
Autor: Eduardo Ramos Méndez.
Universidad Nacional de Educación a Distancia. Madrid. 1997.
Libros de texto de Matemáticas de C.O.U. Opciones C y D.
Autores: varios
Editoriales: Anaya, Ecir, Edelvives, SM.

PROGRAMACION LINEAL Página 38

You might also like