PROGRAMACION LINEAL

[Link]
Es una de las tcnicas de optimizacin ms ampliamente usadas y una de las ms efectivas.
El trmino Programacin Lineal fue inventado por Dantzig en 1947 para referirse al
procedimiento de optimizacin de problemas en los cuales tanto la funcin objetivo como las
condiciones son lineales y todas las variables no negativas.
Algunos casos donde puede usarse esta tcnica son:

Problemas de mezclado

Programas de fabricacin

Problemas de transporte

Problemas de almacenamiento

Formulacin de dietas

Restricciones de presupuesto

Cuando se enuncia matemticamente cada uno de esos problemas el modelo matemtico

involucra un gran nmero de variables y de ecuaciones o inecuaciones. Una solucin no slo
debe satisfacer todas las ecuaciones y restricciones, sino tambin alcanzar un extremo de la
funcin objetivo, por ejemplo mximo beneficio o mnimo costo.
Con la ayuda de la computadora se pueden resolver problemas lineales con cientos de
variables y condiciones. Una herramienta muy eficiente es el optimizador Solver del Excel.
Productos similares se disponen en otras planillas de clculo.
A fin de visualizar grficamente las caractersticas bsicas de los problemas a los que se
aplica la tcnica de Programacin Lineal propongamos uno, hipottico, en dos variables, X 1 y
X2 .
En los problemas de Programacin Lineal es normal establecer la no negatividad de las
variables involucradas:
X1 0 ; X2 0
Cada una de estas relaciones divide el espacio total en dos subespacios (uno con los puntos
que cumplen la restriccin y otro con los que no la cumplen). Las restriccines permiten
hablar as de soluciones permitidas (admisibles o posibles) y no permitidas. En este caso, el
problema queda restringido a valores de X1 y X2 que se ubican en el primer cuadrante.

Esta consideracin se admite en forma implcita, por lo cual, salvo expresa indicacin en
contrario se supondr que las variables deben ser no negativas.
Sea la funcin objetivo lineal de la forma:
X2

mx Z = X1 + X2

En la figura 1.1 estn representadas algunas de sus

rectas de nivel. Ellas son rectas paralelas y en el sentido
perpendicular a cualquiera de ellas se encuentra la
direccin de mxima variacin de Z, que corresponde a
la del vector gradiente.

Z=3
Z=2

1
Z=1

3 X1

Puede notarse que, como no existe otra restriccin

sobre las variables, excepto
Figura 1.1
la no negatividad, el
X2
mximo de Z se encuentra en el infinito.
3
Si se agrega otra restriccin, por ejemplo, X2 3, la
situacin es la que se presenta en la figura 1.2. En este caso, al
buscar el ptimo, el valor de X2 queda fijo en 3 y la funcin
objetivo se desplaza sobre la frontera de la restriccin y su
mximo se sigue encontrando en el infinito.

Z
1

1
Si la restriccin fuese, en
Figura 1.2
cambio, X1 2, se puede ver,
como lo muestra la figura 1.3, que el mximo se encuentra
para un valor infinito de X2, y es X1 la variable que tiene un
valor finito.

X2
Z
2

Figura 1.3

X1

Si se consideran a la vez ambas restricciones, la zona de

soluciones admisibles est limitada por una polgonal cerrada
y la funcin objetivo, en este caso, no puede crecer ms all
del punto A de la figura 1.4. En ese punto, al igual que en
cualquiera de los vrtices de la poligonal, se agotan los grados

de libertad.
En todo problema de Programacin Lineal, siempre que
se tenga una zona de soluciones posibles cerrada, habr un
mnimo y un mximo de la funcin objetivo para valores
finitos de las variables. Si la zona est abierta un extremo se
encuentra en el infinito, el mximo o el mnimo,
dependiendo del sentido de crecimiento de la funcin
objetivo. Si se observan las figuras 1.2 y 1.3 hay un mnimo

X2

Figura 1.4

X1

en el origen de coordenadas pero si se busca mximo se lo hallar en el infinito.

Si al problema se le agrega la restriccin 4X1 + 3X2 12, el mximo, como puede
observarse en la figura 1.5, se encuentra en B y nuevamente est en la interseccin de dos
fronteras.
Se puede inducir, entonces, que, para dos variables, de existir un ptimo finito en un
problema de programacin lineal, ste debe encontrarse en la interseccin de dos
restricciones. En general, para n variables, se encontrar
X2
en la interseccin de n restricciones. En cualquiera de
4
estas situaciones, el sistema carece de grados de libertad.
B

Si se admitiera que las soluciones capaces de ser

ptimas poseyeran algn grado de libertad, aplicando el
mtodo de sustitucin y dada la naturaleza lineal de la
funcin objetivo, se encontrara tal ptimo en el infinito.
La solucin ptima se obtiene, entonces, por la
resolucin de un sistema de ecuaciones lineales.

X1

El concepto expuesto es sumamente importante,

puesto que si bien el conjunto de soluciones posibles o
Figura 1.5
permitidas tiene infinitos puntos, slo se deberan
analizar las intersecciones de n restricciones. O sea que la bsqueda se efectuara sobre un
nmero finito de posibilidades. Este nmero puede, todava, ser demasiado grande. Para un
caso genrico de m restricciones y n variables, siendo m n, el nmero de vrtices estar
dado por:
1

Cm
n

m!
n! (m n )!

lo que arroja para 10 variables y 20 restricciones, 184756 vrtices. Obviamente, no todos

estos vrtices pertenecen a la zona de soluciones admisibles, por lo que se hace
imprescindible la utilizacin de una metodologa que minimice el nmero de casos a ser
[Link] los problemas de Programacin Lineal las zonas que delimitan las restricciones
son siempre convexas. En una zona de este tipo dos puntos que se encuentran dentro de la
misma, definen un segmento que est totalmente incluido en la zona.
Cuando ese segmento es un lado de la poligonal que define la zona de soluciones
admisibles, la totalidad de la misma ha de quedar dentro de uno de los subespacios que define
la recta a la que pertenece dicho segmento. Esto garantiza que, una vez encontrado un ptimo
local este ser el ptimo global en el problema.

2. Formulacin del problema de programacin lineal

La formulacin adoptada como cannica o estndar es:
Encontrar el mximo de una funcin objetivo lineal en n variables
de decisin no negativas.
n

mx Z C0 C jX j
j1

dentro de una zona de soluciones posibles definida por las

desigualdades lineales
n

a ijX j di

i 1, 2,..., m

j1

La no negatividad de las variables agrega, al conjunto anterior, las

restricciones

Xj 0

j 1, 2,..., n

Muchas variables qumicas y fsicas son por definicin cantidades positivas, por ejemplo,
presin absoluta, concentracin, temperatura absoluta. Si por alguna razn se deben permitir
valores negativos para ciertas variables, debern realizarse transformaciones lineales para
poder trabajar con variables no negativas, X = X Xmn, siendo Xmin el menor de los valores
negativos posibles o utilizar una escala donde no se registren valores negativos en esas
variables. Si, por ejemplo, se debe trabajar con temperaturas inferiores a 0C una opcin es
usar la escala Kelvin.
Aunque la formulacin presentada parezca algo restrictiva, de ninguna manera es as. Por
una parte, se puede ver que buscar mn Z es equivalente a buscar mx(-Z).
Por otra parte,

j1

j1

a ijX j di es lo mismo que a ijX j di esto, claro, desde un punto de

vista formal ya que el algoritmo que se ver ms adelante exige que los d i sean siempre no
negativos. Lo anterior obligar a trabajar con las desigualdades de mayor o igual sin ningn
tipo de adecuacin.
Adems,

a ijXij di puede reemplazarse por dos restricciones que obligan a cumplir la

j1

igualdad.

a ijXij di

a ijXij di

j1

j1

Otra manera de abordar la cuestin de las relaciones de igualdad es por sustitucin, donde,
haciendo los reemplazos que correspondan, el problema se expresa en un nmero de variables
igual a los grados de libertad que existen.
En realidad, el tratamiento en los algoritmos convencionales de este tipo de relaciones
utiliza una tercera va, como se ver oportunamente.
3. Presentacin del problema
Se usar como ejemplo una versin muy simplificada de una refinera cuyo esquema se
muestra en la figura 3.1.
Precios de Venta
Costos

Nafta ($36/ bbl)

Crudo 1
($24/bbl)

Kerosene ($24/ bbl)

Refinera
Fuel oil ($21/ bbl)

Crudo 2

Residuo ($10/ bbl)

($15/bbl)

Figura 3.1

La tabla 3.1 muestra la informacin necesaria para procesar los dos crudos que ingresan a
la refinera, as como las limitaciones establecidas por el mercado para los productos
(demanda) y los costos de procesamiento.
Tabla 3.1: Datos de materias primas y productos de la refinera
Produccin % en Volumen
Demanda
Crudo 1
Crudo 2
(bbl/da)
Nafta
80
40
24000
Kerosene
5
10
2000
Fuel oil
10
40
6000
Residuo
5
10
Costo Procesamiento
0,5
1
($/bbl)

Como funcin objetivo se considerar:

mx B [$ / da] = Ventas Costos materias primas Costos Procesamiento
Se tendrn las siguientesvariables:
X1 = bbl procesados/da de crudo 1

X2 = bbl procesados/da de crudo 2

X3 = bbl producidos/da de nafta
X4 = bbl producidos /da de kerosene
X5 = bbl producidos /da de fuel oil
X6 = bbl producidos /da de residuo
por lo tanto, la funcin objetivo ser:
Mx B = 36 * X3 + 24 * X4 + 21 * X5 + 10 * X6 24 X1 15 X2 0,5 X1 1 X2
Usando los datos de produccin, se pueden plantear cuatro balances de materia para cada
uno de los productos:
e1

Nafta:

0,80 X1 + 0,40 X2 = X3

e2

Kerosene:

0,05 X1 + 0,10 X2 = X4

e3

Fuel oil:

0,10 X1 + 0,40 X2 = X5

e4

Residuo:

0,05 X1 + 0,10 X2 = X6

En el problema existen restricciones sobre las variables, dadas por las limitaciones de
produccin que pueden verse en la Tabla 3.1. Por lo tanto las desigualdades del problema son:
r1

Nafta:

X3 24000

r2

Kerosene:

X4 2000

r3

Fuel oil:

X5 6000

Existe otro conjunto de restricciones no explcitamente enunciado en la formulacin del

problema, que corresponde al hecho que todas las variables deben ser no negativas:
X1 0, X2 0,..., X6 0
El problema tiene dos grados de libertad. La dimensionalidad del mismo puede reducirse
eliminando, por ejemplo, las variables X3, X4, X5, X6, dejndolo en funcin de las variables
X1 y X2. Si se hacen los reemplazos correspondientes, la funcin objetivo se expresa:
Mx B = 36 * (0,80 X 1 + 0,40 X 2) + 24 * (0,05 X 1 + 0,10 X 2) + 21 * (0,10 X 1
+ 0,40 X 2) + 10 * (0,05 X 1 + 0,10 X 2) 24,5 X 1 16 X2
finalmente:

Mx B = 8,10 X 1 + 10,20 X 2

y las condiciones:
r1 Nafta:

0,80 X1 + 0,40 X2

24000

r2 Kerosene:

0,05 X1 + 0,10 X2

2000

r3 Fuel oil:

6000

0,10 X1 + 0,40 X2

X1 , X2
X2 (Mbbl)
60

(*)

F
E
Z
D
r1

20
15

Z
r2

(*)
r3

A
30

B
40

X1
(Mbbl)

Figura 3.2

En la figura 3.2 puede verse la zona de soluciones posibles OGFDA y la traza de la funcin
objetivo. Puede observarse que si se desplaza la funcin objetivo desde el origen hacia la
direccin de mximo crecimiento vamos encontrando distintas soluciones, desde la obvia de
no hacer nada (O), pasando por los vrtices G y F hasta llegar a la solucin ptima que
corresponde al vrtice D, en la interseccin de r1 y r2, con un valor de $284000
Se puede observar que las 3 restricciones producen 10 intersecciones, de las cuales slo 5
pertenecen a la zona de soluciones admisibles OGFDA.
4. Caracterizacin de las soluciones
Para caracterizar a un punto perteneciente a la zona de soluciones posibles, se introduce un
conjunto de variables auxiliares, que se conocen con el nombre de flojas (slacks). Estas
n

variables convierten la desigualdad lineal

a ijX j di en una igualdad:

j1

a ijX j Si
j1

di

Si se interpreta como la distancia de un punto a la frontera de la restriccin i, medida en

una escala que es funcin de los cosenos directores de esa frontera. La direccin positiva se
toma hacia la zona de soluciones posibles.

a ijX j

Ms adelante se ver como se caracterizan restricciones del tipo

j1

di o

a ijX j
j1

d i utilizando variables flojas

Para las restricciones Xj 0 no es necesario definir variables flojas ya que su valor sera
igual al de la variable. Debe tenerse en cuenta que, por ejemplo, la frontera X 1 = 0 es el eje
X2. Por lo tanto el valor que tome X1 en una determinada solucin, podr considerarse como
la distancia de ese punto al eje de las ordenadas. Otro tanto ocurre con X 2 = 0.
De acuerdo a estas definiciones, un punto estara caracterizado por las coordenadas
{ X j (j = 1, ...,n) ; S i (i = 1, ...,m) }
y pertenecer a la regin de soluciones admisibles solamente si se cumple que:
Xj 0

j = 1, ...,n

Si 0

i = 1, ...,m

En base a esto, las restricciones del problema se transforman en:

r1

0,80 X1 + 0,40 X2 + S1 = 24000

r2

0,05 X1 + 0,10 X2 + S2 =

2000

r3

0,10 X1 + 0,40 X2 + S3 =

6000

y las intersecciones de las restricciones del problema estarn caracterizadas por las
coordenadas (en miles bbl) que se muestran en la tabla 4.1, donde se puede observar que slo
cumplen las restricciones los puntos O, A, D, F, G.
El modelo del problema planteado tiene 3 ecuaciones (provenientes de las 3 restricciones
originales) y 5 variables (3 variables flojas, provenientes de las las 3 restricciones y las 2
variables originales).
Tabla 4.1: Intersecciones
O
A
B
C
0
30
40
60
X1
0
0
0
0
X2
0
-8
-24
S1 24
2
0,5
0
-1
S2
6
3
2
0
S3

D
26,67
6,67
0
0
0,67

E
25,71
8,57
0
-0,14
0

F
20
10
4
0
0

G
0
15
18
0,50
0

H
0
20
16
0
-2

I
0
60
0
-4
-18

En la tabla 4.1 se ve que siempre dos de las coordenadas son nulas, lo cual es lgico ya
que, en cada interseccin, las distancias a las dos fronteras que se intersectan deben ser nulas.

En el caso general, con m restricciones en n variables, en la interseccin de n fronteras el

valor de n variables del conjunto {X j (j = 1,...,n) U S i (i = 1,...,m) debern ser nulas.
A este tipo de solucin de los problemas de Programacin Lineal se lo designa como
solucin bsica. y corresponde, como queda dicho, a la interseccin de n restricciones,
siendo n el nmero de grados de libertad.
Una solucin bsica es posible si todas sus coordenadas cumplen la condicin de no
negatividad.
De lo dicho, el ptimo de un problema de Programacin Lineal slo puede encontrarse en
una solucin bsica posible del mismo, con lo que su bsqueda debe restringirse al anlisis de
ese conjunto.
Para obtener una solucin bsica es necesario expresar m variables del conjunto {X U S}
en funcin de las n restantes, y hacer stas iguales a cero.
Adviertase que con la introduccin de las variables flojas se ha generado un sistema de
esas caractersticas
n

a ijX j Si di

i 1,..., m

j1

o, lo que es lo mismo
n

Si di a ijX j

i 1,..., m

j1

donde las variables independientes son las Xj. La solucin bsica surge de hacer X j 0 j
(el origen de coordenadas ser siempre solucin bsica)y las Si resultan iguales al
correspondiente trmino independiente di, en el ejemplo S 1 = 24000, S 2 = 2000 y S 3 = 6000.
En la terminologa de Programacin Lineal a las variables dependientes se las denomina
variables bsicas o en base y no bsicas o fuera de base a las independientes. Una solucin
bsica, en consecuencia, se obtiene para valores nulos de todas las variables no bsicas y
ser posible si las bsicas son no negativas.
Esa solucin bsica puede o no ser posible (si todas las restricciones son del tipo
n

a ijX j
j1

d i siempre ser posible) y raramente ser ptima. Resultar necesario, entonces,

generar una nueva solucin bsica tratando que:

a) si la actual no es posible, la nueva lo sea o, al menos, est ms prxima a la zona de

soluciones admisibles o
b) si la actual es posible, la nueva tambin lo sea y se mejore el valor de la funcin
objetivo.
Para encontrar esa nueva solucin puede hacerse uso de las transformaciones
caractersticas del mtodo de Gauss-Jordan de resolucin de sistemas de ecuaciones lineales.
Estos conceptos se usan en la metodologa sistemtica que se ver a continuacin.
5. Mtodo Simplex de Dantzig
Este mtodo, es un algoritmo que parte de una solucin bsica posible y encuentra otra que
mejora el valor de la funcin objetivo. Este procedimiento se repite hasta que se alcanza el
ptimo, si ste existe, o se arriba a una condicin de final anormal 1.
El mtodo realiza una bsqueda eficiente pero no necesariamente recorriendo la ruta ms
corta.
El mtodo hace uso de una tabla de coeficientes de m + 1 filas, correspondiendo a las m
restricciones y a la funcin objetivo y n + m + 2 columnas donde n primeras corresponden a
las variables originales, las m siguientes a las flojas, la penltima a la variable asociada a la
funcin objetivo y la restante contiene los trminos independientes de las restricciones. 2.
La funcin objetivo Z = C0 + Cj Xj se incorpora a la tabla bajo la forma Z - Cj Xj = C0
y es posible considerar a Z como una variable ms.
En la tabla 5.1 se muestra el cuadro inicial para el problema planteado.
Tabla 5.1: Tabla Inicial
S1
S2
S3

X1

X2

r1

0,80

0,40

24000

r2

0,05

0,10

2000

r3

0,10

0,40

6000

FO

-8,10

-10,20

El origen de coordenadas es una solucin bsica posible que se usa para iniciar el clculo.
Corresponde a la solucin obvia de no hacer nada, por lo cual el beneficio es nulo.

Dichas condiciones pueden ser inexistencia de una zona de soluciones posibles u ptimo en el infinito.

Esto es vlido para problemas donde todas las restricciones son del tipo aij Xj di con di 0. Ms
adelante se ver como se modifica esta matriz para otros casos.
2

Corresponde ahora ver si es posible mejorar el valor de la funcin objetivo. Para ello se
debe analizar las consecuencias de un posible incremento sobre alguna de aquellas variables
que son cero, X1 o X2, por ser las variables independientes o de decisin. Obviamente, para
que la nueva solucin no abandone la zona admisible, no pueden considerarse valores
negativos para tales variables.
Como las variaciones permitidas son positivas, la funcin objetivo aumentar ms
rpidamente con aquella variable que tenga el mayor coeficiente c j positivo, esto es, en la
tabla, el ms negativo de la fila de la FO.
Esta variable dejar de ser nula y, en consecuencia, entrar en base. La columna que
corresponde a esta variable se denominar columna pivote, ya que ella determinar las
transformaciones que sufra la tabla.
Para el ejemplo que se est analizando se elige X 2.
Ahora resta determinar cunto puede aumentarse [Link] violar la no negatividad de las
dems variables. Dejando [Link], de la tabla 5.1 se ve que deber cumplirse:
para la restriccin 1:

0,40 X2.+ S1.= 24000

X2 = 60000

para la restriccin 2:

0,10 X2.+ S2.= 2000

X2 = 20000

para la restriccin 3:

0,40 X2.+ S3.= 6000

X2 = 15000

De acuerdo a estos valores, en un caso el movimiento sera hasta el punto I (X 2 = 60000), o

hasta el punto H (X2 = 20000) o finalmente hasta el punto G (X2 = 15000). Como puede
observarse, la condicin 3 es la ms restrictiva. Esta fila se denominar fila pivote por la
misma razn que la apuntada, en su momento, para la columna. La interseccin de fila y
columna determina el elemento pivote.
Si la variable X2 entrar en base otra variable que est en base debe salir para mantener
constante el nmero de variables no bsicas. Para asegurar que la nueva solucin bsica sea
posible, esa variable debe ser S3., que pasar a valer cero la distancia a la restriccin 3 ser
nula - y la solucin se ubicar sobre la frontera de dicha restriccin.
Para elegir la fila pivote se realiza, en cada fila, el cociente entre el trmino independiente
y el coeficiente de la columna pivote, por ejemplo, en la fila 1, 24000/0,40 = 60000.
Si hubiese aparecido, en la columna pivote, algn coeficiente negativo, es fcil comprobar
que, para esa restriccin, la variable seleccionada podra aumentar indefinidamente sin violar
la nonegatividad de la respectiva variable en base, esto es, aquella cuya relacin con las
variables independientes est expresada por la fila en cuestin.
De lo anterior surge que, si en la columna pivote no existe, al menos, un coeficiente
positivo, la solucin del problema se encuentra en el infinito.

Tabla 5.2: Primera Transformacin

X1

X2

S1

S2

S3

r1

0.70

-1

18000

r2

0.025

-0.25

500

r3

0.25

2.50

15000

FO

-5.55

25.50

153000

Una vez establecidas la columna (l), la fila (k) y el elemento pivote (a kl) se est en
condiciones de realizar las modificaciones para llegar a otra solucin bsica posible.
Las transformaciones concluyen con el elemento pivote igual a 1 y los dems coeficientes
de la columna pivote igual a cero
Las tranformaciones se realizan de la siguiente manera:
Fila Pivote ( i= k ): para lograr que el nuevo coeficiente en la ubicacin del pivote sea igual a
uno, se divide toda la fila por el elemento pivote.
a kj
a nkj
;
d nk dk
j 1,2,..., n m 1
a kl
a kl
Filas restantes ( i = 1,... , m , i k ): para lograr que, en la columna del pivote todos los
elementos sean nulos, se resta, a cada fila, la obtenida en el paso anterior, multiplicada por el
elemento que se desea hacer cero.
a
a ijn a ij a kj il a ij a nkj a il ;
j 1,2,..., n m 1
; j l
a kl
a
d in d i d k il d i d nk a il
a kl
Funcin Objetivo: se procede igual que en el paso anterior para lograr que el coeficiente de la
variable que est entrando en base sea nulo:
a kj
C nj C j Cl
;
j 1,2,..., n m 1
; j l
a kl
d
C0n C0 Cl k
a kl
Los cambios realizados sobre la Tabla 5.1 conducen a la Tabla 5.2, en la cual se puede ver
que si las variables no bsicas (X1 y S3) son nulas, X2 es igual a 15000, S1 es 180000 y S2 es
500 bbl/da, dando un beneficio de 153000 $/da.
Esta solucin bsica posible se halla sobre la frontera de la restriccin 3, en el punto G de
la figura 3.2.

Si se mira la fila de la funcin objetivo se puede ver que an es posible aumentar su valor
ya que el coeficiente de la variable X1 es negativo. Como hay un nico coeficiente con esa
caracterstica, sta es la columna pivote. La restriccin 2 es la elegida como fila pivote por lo
cual la variable S2 saldr de base. Las modificaciones llevan a la Tabla 5.3, que corresponde
al punto F de la figura 3.2.

Tabla 5.3: Segunda Transformacin

X1

X2

S1

S2

S3

r1

-28

4000

r2

40

-10

20000

r3

-10

10000

FO

222

-30

264000

Continuando con el procedimiento se obtiene la Tabla 5.4 que corresponde a la solucin

ptima (punto D de la figura 3.2). La optimalidad de esta solucin se deduce del hecho que,
en la fila de la funcin objetivo, no existe ningn coeficiente negativo y, en consecuencia,
cualquier apartamiento de esta solucin redundar en una disminucin del beneficio obtenido.
Tabla 5.4: Solucin ptima
X1

X2

S1

S2

S3

r1

0,17

-4,67

666.67

r2

1,67

-6,67

26666.67

r3

-0,83

13.33

6666.67

FO

82

284000,00

En el plan de produccin ptimo se produce el mximo permitido de nafta y kerosene y

faltan 666,67 bbl/da (= S3) para llegar al mximo de fuel oil.
En este problema, los coeficientes de las variables no bsicas en la fila de la funcin
objetivo son positivos. Puede ocurrir que en el cuadro correspondiente a la solucin ptima,
alguno de esos coeficientes sean nulos. Esto significa que la correspondiente variable puede
entrar en base sin que cambie el valor de la funcin objetivo. Hay, por lo tanto, ms de un
vrtice igualmente ptimo en la zona de soluciones posibles y debido a su convexidad puede
decirse que todos los puntos que son combinacin lineal de dichos vrtices son tambin
ptimos. En consecuencia, puede decirse que el problema tiene infinitas soluciones.
6. El origen de coordenadas no es solucin posible
En muchos problemas de Programacin Lineal la eleccin de una primera solucin bsica
posible no es tan simple como en el caso visto previamente. El origen de coordenadas, la

solucin bsica inicial siempre disponible, puede no ser una solucin posible y es necesario
recurrir a un artificio para solucionar el impedimento.
Esto surge cuando hay ecuaciones o alguna de las restricciones del problema es de la
forma:
n

a ijX j di

, di 0

j1

Se continuar trabajando con el problema de la refinera considerando, en este caso, que la

produccin mnima de nafta debe ser de 24000 bbl/dia. Este problema ser referenciado como
Problema 2.
Con la nueva restriccin, el modelo es:
mx B = 36 X 3 + 24 X 4 + 21 X 5 + 10 X 6 24,5 X 1 16 X2
sujeto a las siguientes condiciones:
Nafta:

0,80 X 1 + 0,40 X 2 = X 3

X 3 24000

Kerosene: 0,05 X 1 + 0,10 X 2 = X 4

X 4 2000

Fuel oil: 0,10 X 1 + 0,40 X 2 = X 5

X 5 6000

Residuo: 0,05 X 1 + 0,10 X 2 = X 6

X1 , X2 , X3 , X4 , X5 , X6 0
Si se realizan las sustituciones, el modelo es
mx B = 8,10 X 1 + 10,20 X 2
sujeto a:
0,80 X 1 + 0,40 X 2

24000

Kerosene: 0,05 X 1 + 0,10 X 2

2000

Fuel oil:

6000

Nafta:

0,10 X 1 + 0,40 X 2

X1 , X2 0
La representacin grfica se muestra en la figura 6.1.

X2 (Mbbl)

D
O

X
(Mbbl) 1

Figura 6.1

El agregado de las variables flojas en las restricciones de mayor o igual, para que su no
negatividad siga indicando la pertenencia a la regin de soluciones posibles, debe hacerse
como sigue:
n

a ijX j Si di
j1

Las restricciones del ejemplo se transforman en:

r1:

0,80 X 1 + 0,40 X 2 S 1

r2:

0,05 X 1 + 0,10 X 2 + S 2 = 2000

r3:

0,10 X 1 + 0,40 X 2 + S 3 = 6000

= 24000

Es evidente que en este caso el origen de coordenadas no es una solucin bsica posible.
Para obviar esto se hace uso, para cada restriccin, de un tipo especial de variables auxiliar, v i,
llamadas artificiales que, en la misma escala que la correspondiente variable floja, mide la
distancia de un punto a la frontera de la restriccin, pero en direccin hacia el exterior de la
zona de soluciones permitidas. De lo anterior surge que, en una determinada solucin,
mientras alguna de estas variables tenga valor positivo, el punto en cuestin estar fuera de la
zona de soluciones admisibles.
n

La transformacin de la restriccin

a ijX j di
j1

en una igualdad toma la forma:

a ijX j Si vi di

(6.1)

j1

Dadas las coordenadas Xj de un punto, la ecuacin (6.1) queda con un grado de libertad: se
puede, para un punto dado, aumentar Si incrementando en igual medida a vi.
Este grado de libertad se consume introduciendo la relacin Si * vi = 0, esto es, la distancia
de un punto a la frontera slo se evala mediante una de las variables auxiliares; la floja para
el interior y la artificial en el otro caso. En la frontera ambas son nulas.
El Mtodo Simplex de Dantzig, respetar, en forma implcita, esta relacin, ya que Si y vi
no podrn estar, simultneamente, en base. Esto es as, ya que la columna asociadas a v i es,
exactamente, la de Si, pero cambiada de signo.
Haciendo uso de las variables artificiales exclusivamente en las restricciones que lo
requieren, el problema se plantea bajo la forma:
mx B = 8,10 X 1 + 10,20 X 2
sujeto a:
r1:

0,80 X 1 + 0,40 X 2 S1+ v1 = 24000

r2:

0,05 X 1 + 0,10 X 2 + S2

= 2000

r3:

0,10 X 1 + 0,40 X 2 + S3

= 6000

X1 , X2 0
La solucin bsica disponible es X1 = X2 = S1 = 0, con lo cual v1 = 24000, S2 = 2000 y
S3 = 6000, claramente un vrtice fuera de la zona admisible.
Toda solucin posible debe cumplir la condicin que v1= 0. Para encontrar una de esas
soluciones se puede plantear un problema, que se denomina artificial.
En el mismo se busca minimizar la funcin objetivo artificial (FOA), igual a la suma de
las variables artificiales utilizadas: U = vi. Para el problema que se est analizando es:
mn U = mn v1 = 24000 0,8 X 1 0,4 X 2 + S1

(6.2)

Si el mnimo de U es cero, la solucin es un punto donde todas las variables artificiales son
nulas y, por consiguiente, pertenece a la zona de soluciones admisibles. En caso contrario, las
restricciones del problema son mutuamente incompatibles y no existe zona de soluciones
admisibles.
Esta estrategia se integra en el procedimiento denominado Fase I Fase II.

En la Fase I se resuelve el problema artificial y, a continuacin, si el mnimo de U es cero,

en la Fase II se hace lo propio con el problema original, a partir de la solucin encontrada en
la fase anterior.
De acuerdo a esto, en la tabla 6.1 se muestra el cuadro inicial
Tabla 6.1: Cuadro Inicial del Problema 2
X1
X2
S1
S2
S3

v1

(-U)

r1

0,8

0,4

-1

24000

r2

0,05

0,1

2000

r3

0,1

0,4

6000

FO

-8,1

-10,2

FOA

-0,8

-0,4

-24000

Se puede observar que en la funcin objetivo artificial (FOA) los coeficientes aparecen
cambiados de signo respecto de su definicin en (6.2). Ello se debe al hecho que se debe
buscar un mnimo y como la forma cannica del problema es mximo, debe efectuarse la
transformacin indicada previamente.
En esta fase, desde un punto de vista formal, es posible no incorporar en la tabla la fila de
la funcin objetivo real (FO). Se lo hace , sin embargo, para simplificar el manejo posterior
pero debe tenerse en cuenta que los coeficientes de esa fila no intervienen en el clculo para
determinar el pivote. La primera transformacin se muestra en la Tabla 6.2, cuyo resultado
corresponde al punto A de la figura 6.1.
Tabla 6.2: Primera Transformacin
X1
X2
S1
S2

S3

v1

(-U)

r1

0,5

-1,25

1,25

30000

r2

0,075

0,0625

-0.0625

500

r3

0,35

0,125

-0,125

3000

FO

-6,15

-10,125

10,125

243000

FOA

Puede verse que en la fila de la FOA de la tabla 6.2 no aparecen coeficientes negativos, por
lo que el problema artificial ha concluido. Como adems el valor de la FOA es cero, la
solucin encontrada es una solucin bsica posible del problema original.
Por otro lado, cuando al finalizar el problema artificial se ha encontrado una solucin
bsica posible, todas las variables artificiales estarn fuera de base. Por la forma en que se ha
construido la FOA, todos los coeficientes en su fila sern cero, salvo los de las variables
artificiales y el de (-U) que son iguales a uno.

Esta es la manera correcta de evaluar el fin del problema artificial ya que puede suceder
que una determinada variable artificial est en base, pero toma un valor nulo en la solucin
bsica disponible. Si fuese la nica la FOA valdra cero pero el problema artificial no habra
terminado.
En consecuencia, el final del problema artificial donde se alcanza una solucin posible
bsica del problema original es cuando la totalidad de las variables artificiales se encuentran
fuera de base. Si no se dan estas condiciones, el problema original no tiene solucin ya que no
existe zona de soluciones posibles.
Al finalizar la Fase I en forma satisfactoria, se pueden eliminar las columnas
correspondientes a las variables y funcin objetivo artificiales y la fila de esta ltima
(recuadradas en la tabla 6.2).
Con el resto del cuadro se sigue trabajando en la Fase II. La prxima solucin bsica
posible encontrada es la solucin ptima del problema original, como se puede apreciar en la
Tabla 6.3 (punto B de la figura 6.1).
Tabla 6.3: Solucin ptima
X1
X2
S1

S2

S3

r1

20

40000

r2

1,2

16

8000

r3

0,2

-2

2000

FO

162

324000

En el plan de produccin ptimo se consumen 40000 bbl/da del crudo 1 y nada del crudo
2 . La cantidad de nafta producida es 8000 bbl/da (valor de S1) por encima del nivel mnimo
de 24000. La produccin de kerosene es exactamente la cota mxima de 2000 (S2 es nulo) y
se producen 2000 bbl/da menos del mximo de 6000 establecido para el fuel oil.
7. Tratamiento de las ecuaciones de diseo
El hecho de reducir manualmente la dimensin del problema, dejndolo slo en funcin de
sus grados de libertad, es viable, en trminos prcticos, siempre y cuando se est trabajando
con un problema de pocas [Link] aumenta ese nmero, las sustituciones se vuelven
laboriosas y se incrementa la posibilidad de cometer errores.
En cuanto a la automatizacin de este procedimiento, aparte de la necesidad de contar con
un software capaz de realizar las sustituciones, la complejidad de las expresiones resultantes
no justifica la reduccin de dimensionalidad alcanzada, frente a la eficiencia, en el manejo de
grandes sistemas, que presentan los algoritmos de Programacin Lineal.
El problema original de la refinera se planteaba

mx B = 36 X 3 + 24 X 4 + 21 X 5 + 10 X 6 24,5 X 1 16 X2
sujeto a las siguientes condiciones:
Produccin de Nafta:

X 3 24000

0,80 X 1 + 0,40 X 2 = X 3

Produccin de Kerosene: 0,05 X 1 + 0,10 X 2 = X 4

X 4 2000

Produccin de Fuel oil:

0,10 X 1 + 0,40 X 2 = X 5

X 5 6000

Produccin de Residuo:

0,05 X 1 + 0,10 X 2 = X 6

X1 , X2 , X3 , X4 , X5 , X6 0
Anteriormente, se utilizaron las ecuaciones de produccin para realizar una sustitucin en
las variables, dejando expresado el modelo en los dos grados de libertad que tiene. Existe otra
manera de trabajar con las ecuaciones de diseo que consiste en agregar una variable
artificial a cada ecuacin. Por ejemplo, para la produccin de nafta, la ecuacin se
transforma en
0,80 X1 0,40 X2 X3 0,80 X1 0,40 X2 X3 v1 0

En la Tabla 7.1 se han introducido las ecuaciones haciendo uso de las variables artificiales.
El incremento de complejidad que se aprecia al comparar esta tabla con la Tabla 5.1, tras
haber realizado la sustitucin de variables, no es tan dramtico como aparece, ya que en los
distintos algoritmos de Programacin Lineal slo se requiere introducir las relaciones entre las
variables originales, adems del tipo de relacin que se trata.
Tabla 7.1: Cuadro Inicial del Problema 1 sin sustitucin
X1
X2 X3 X4 X5 X6 S1 S2 S3 v1

v2

v3

v4

(-U)

e1
e2

0,8

0,4

-1

0,05

0,1

-1

e3

0,1

0,4

-1

e4

0,05

0,1

-1

r1

24000

r2

2000

r3

6000

FO

24,5

16

FOA

-1

-1

-36 -24 -21 -10

1

Mucho ms importante que esto es el hecho de que el tratamiento de ecuaciones con el

agregado de variables artificiales permite automatizar la formulacin del problema de acuerdo
a los requerimiento de la tcnica de Programacin Lineal.

La introduccin de variables artificiales obliga a utilizar el procedimiento Fase I Fase II.

En la tabla puede observarse que, si bien la funcin objetivo artificial vale 0, no se ha
alcanzado el final de la Fase I ya que las variables artificiales se encuentran en base, con un
valor nulo.
Cuando en una solucin bsica, una o ms de
X2
las variables bsicas toma un valor nulo se dice
que dicha solucin es degenerada. Si se
r3
recuerda que cada variable de un problema de
Programacin Lineal tiene las caractersticas de
r2
A
una distancia a la frontera de una restriccin, el
hecho de que ms de n de esas distancias sean
nulas implica que, en ese vrtice particular, se
r1
cortan ms de n fronteras. Por consiguiente, si
X1
ese nmero fuese n+p, han de existir p fronteras
que son combinacin lineal de las n restantes y
Figura 7.1: Solucin degenerada
de las n+p restricciones slo n de ellas
intervienen en la definicin de la zona de soluciones [Link] la figura 7.1 se muestra la
solucin degenerada que se produce en el punto A, donde r3 es superflua.
8. Sensibilidad Paramtrica
Un problema de optimizacin real raramente est definido de una manera nica, ya sea
porque alguno de los parmetros que lo determinan pueden variar o bien porque ciertas
polticas pueden modificar las condiciones impuestas.
Por esto es muy importante efectuar un estudio posterior a la obtencin del ptimo, en el
cual se deber admitir que los valores adoptados para los parmetros pueden variar y el
objetivo es analizar cuan sensible esla solucin encontrada a esas variaciones y proponer,
eventualmente, modificaciones para conservar la naturaleza ptima.
A este estudio se lo llama anlisis post-optimal por el momento en que se lleva a cabo; y
por el tipo de conclusiones a las que arriba se lo llama estudio de sensibilidad paramtrica.
En el caso de problemas que pueden resolverse por Programacin Lineal, es clsico
analizar variaciones en los trminos independientes di de las restricciones o en los coeficientes
Cj de la funcin objetivo.
En el presente acpite se comenzar por considerar problemas en dos variables, sobre los
que se efectur el estudio de sensibilidad en forma grfica. El ejemplo de la refinera visto
previamente, servir para ilustrar dicho anlisis.

Posteriormente, se analizar la informacin de post optimalidad suministrada por una

planilla de clculo, disponible a travs del respectivo complemento de resolucin de
problemas de Programacin Lineal.
Caso I: Anlisis grfico de la modificacin del trmino independiente de una restriccin.
Al modificar el trmino independiente de
una restriccin se irn obteniendo, como
fronteras, rectas paralelas a la original,
cambiando la forma de la zona de soluciones
posibles del problema.

X2

r2

Z
r1

Se analizar la modificacin del trmino

independiente de la restriccin 1, que
significa modificar la mxima produccin
diaria de nafta.

r3

F
D
O

D
A

X1

Figura 8.1

En la figura 8.1 puede verse que si la

produccin mxima de nafta es superior a 24000, la solucin ptima se ir desplazando sobre
el segmento DB, por ejemplo, para un valor cualquiera menor a 32000 bbl/da dicho ptimo
se encontrar en D. La solucin ptima seguir encntrndose en la interseccin de las
fronteras de las restricciones r1 y r2 (Las variables S1 y S2 estarn fuera de base).
Para el valor 32000, o lo que es lo mismo, con el incremento de 8000 bbl/da sobre el d1
original, el ptimo se ubicar en el punto B [Link] se tendr una solucin degenerada: las
variables S1 y S2 seguirn estando fuera de base pero la distancia X2 (en base) ser nula.
El punto B es el extremo superior de d1 en el cual la solucin ptima puede estar expresada
con S1 y S2 como variables no bsicas. Para valores mayores la zona de soluciones posibles
no se modifica, ya que la condicin 2 es ms restrictiva y por lo tanto la solucin ptima
permanece en B, es decir, queda expresada con S2 y X2 fuera de base.
Si en cambio se disminuye la produccin mxima de nafta a un valor intermedio entre
24000 y 20000 bbl/da la solucin ptima se desplaza sobre el segmento DF sin que se
modifique la naturaleza de la misma, es decir, S1 y S2 seguirn estando fuera de base.
Si se continua la disminucin
hasta un valor de 6000 bbl/da, la
solucin ptima se expresa con S1 y
S3 como variables independientes,

350

60

300

50

250

40

X1
30 X2

200
150

20

100

Z
10

50
3

X1

La interseccin de r1 modificada con r2 coincide con

(X1 =
0 la interseccin de r 2 con el eje de
0 abscisas X2
40000) para un valor de d1 igual a 0.8 (40000) + 0.4 0(0) = 32000.
10
20
30
40
d1

Figura 8.2

desplazndose sobre el segmento FG.

Por debajo de 6000 bb/da la solucin ptima se ubicar en la interseccin de r 1 (S1 =0) y el
eje de ordenadas (X1 = 0).Esto ser as hasta el valor d1 = 0 donde la zona de soluciones
admisibles se reduce a un punto, el origen de coordenadas.
La figura 8.2 muestra la variacin de la funcin objetivo y de las variables X 1 y X2 en
funcin de las modificaciones analizadas.
Caso II: Anlisis grfico de la modificacin de un coeficiente de la funcin objetivo
Si los costos de los crudos o los precios de
venta de los productos de la refinera
cambian, se modifican los coeficientes de la
funcin objetivo. Una modificacin en un
coeficiente, corresponde a un cambio en la
pendiente de la funcin objetivo, como puede
verse en la figura 8.3.
Obviamente, ya que X1 y X2 son variables
bsicas en la solucin ptima, estos cambios
modificarn el valor de la funcin objetivo.

X2
r2

Z
r1

r3

F
D

X1

Figura 8.3

Se analizar la modificacin del coeficiente C 1 de la funcin objetivo.

Si a partir de la solucin ptima, punto D de la figura 8.3, se aumenta el coeficiente hasta
el valor 20.4, la pendiente de la funcin objetivo (-20.4/10.2=-2) coincide con la de la
restriccin r1. En ese momento se tienen infinitas soluciones y resultan ptimos todos los
puntos entre los vrtices D y A.
Un incremento adicional en C1 deja al punto A como nica solucin ptima. Dicha
solucin se caracteriza por S1 y X2 como variables no bsicas (se cambia S2 por X2)y el punto
seguir siendo ptimo para todo valor de C1 superior a 20.4.
Si en cambio, a partir del punto D, en lugar de aumentar el coeficiente C 1, se lo disminuye,
la pendiente de la funcin objetivo, aumentar y el movimiento ser en el sentido antihorario.
Mientras la pendiente de la funcin est entre -2 y -0.5, valor que corresponde a la
pendiente de la restriccin r2, el ptimo seguir estando en el punto D.
En el momento que la pendiente es igual 0.5, nuevamente se tienen infinitas soluciones:
todos los puntos entre los vrtices D y F son soluciones ptimas.
Un aumento adicional deja a F como solucin ptima, caracterizada por las variables S 2 y
S3 fuera de base (distancias nulas a las respectivas restricciones). Esto quedar as hasta que

la pendiente de la funcin objetivo coincida con la de la restriccin r3, es decir que sea igual a
-0.25, lo que corresponde a un valor de C1 igual a 2.55. Nuevamente se tendrn infinitas
soluciones entre los vrtices F y G.
Para valores de la pendiente superiores a 0,25 el ptimo se encontrar siempre en el punto
G.
En resumen:
El ptimo se
encuentra en

800

35

700

30

600

5.1<C1<20.4

2.55<C1<5.1

C1<2.55

En la figura 8.4, puede verse la evolucin de

la funcin objetivo as como los cambios -en
escaln- sufridos por las variables X1 y X2.

25

500
$/da

C1>20.4

20

400
15

300

Mbb/da

Si

10

200
100

Z
0

10

15

20

25

X1
X2

C1

Figura 8.4

9. Informacin de post optimalidad suministrada por una planilla de clculo

Se analizar la informacin suministrada por la planilla Excel, para el ejemplo de la
refinera en su primera versin, es decir, considerando 2 variables independientes y slo
restricciones del tipo menor o igual a un valor no negativo.
La figura 9.1 muestra una forma
posible de introducir el problema en
la planilla. En la barra de frmulas
puede verse la ecuacin introducida
en la celda E10, correspondiente al
benefico de la operacin, donde se
hace uso de la funcin
SUMAPRODUCTO.
Figura 9.1

Esta misma funcin se ha

utilizado para formular cada una de las restricciones, como lo muestra el comentario de la
celda E7.
Una vez que se ha introducido el modelo, puede realizarse la optimizacin usando el
complemento Solver desde el men Herramientas. Al acceder al Solver, en la ventana que se
abre deben ingresarse las celdas donde se ubican la funcin objetivo y las variables
independientes, as como el tpo de ptimo buscado y las restricciones del problema. En la
figura 9.2 se muestra dicha ventana, con la informacin necesaria.

Figura 9.2

El ingreso de las restricciones se

hace a travs del botn Agregar 4.
Este ingreso se realiza en una nueva
ventana como la de la figura 9.3. En
el campo Referencia de la celda se
especifica el rango donde se hallan las
restricciones y en el campo
Figura 9.3
Restriccin donde se encuentran los
trminos independientes. El tipo de restriccin se selecciona desplegando la lista
correspondiente.
Para indicarle al Solver que el problema es
lineal, se oprime el botn Opciones. Al
hacerlo se accede a otra ventana como la que
se muestra en la figura 9.4.
All debe seleccionarse obligatoriamente
las casillas de verificacin Adoptar modelo
lineal y Asumir no negativos. Para el resto
de parmetros y opciones pueden dejarse los
valores que el Solver tiene asignados por
defecto.
La bsqueda del ptimo se realiza
oprimiendo el botn Resolver de la ventana de la figura 9.2.

Figura 9.4

Al encontrar la solucin aparece una ventana como la de la figura 9.5, que contiene un
mensaje, que resume el resultado de la optimizacin 5.
En esta ventana existe la
posibilidad de utilizar la
solucin encontrada (valor por
defecto) o no. Si se la acepta,
esa solucin se mostrar en las
celdas que contienen las
variables independientes.
Tambien se puede elegir
Figura 9.5
generar distintos tipos de
informes. En la figura 9.5 se han seleccionado Respuestas y Sensibilidad. Estos reportes son
4

Los restantes botones, Cambiar y Eliminar, permiten modificar la informacin de las restricciones
ingresada previamente.
5
En la figura 9.5 se muestra un resultado exitoso de la bsqueda. Otras posibilidades podran indicar
la inexistencia de zona de soluciones admisibles o un ptimo en el infinito.

generados en las hojas Informe de respuestas e Informe de sensibilidad, creadas

automticamente por la planilla.
Estos informes permiten caracterizar completamente la solucin encontrada as como
determinar las variaciones en la formulacin del problema para las que dicha solucin
contina siendo ptima.
10. Informe de Respuesta
En este informe aparecen los valores originales y finales de la funcin objetivo y de cada
una de las variables independientes en las que se encuentra planteado el problema. Adems,
se indican las restricciones que son activas en la solucin ptima y las que no, con los
correspondientes valores de las variables flojas, identificadas como Divergencia.
Tabla 10.1: Informe de respuesta para el problema en consideracin
Celda objetivo (Mximo)
Celda Nombre
Valor original
Valor final
$E$10 Beneficio
0
284000
Celdas cambiantes
Celda Nombre
Valor original
Valor final
$A$2 X1
0
26667
$B$2 X2
0
6667
Restricciones
Celda Nombre
Valor de la celda
Frmula
Estado
Divergencia
$E$5 Condiciones
24000 $E$5<=$C$5 Obligatorio
0
$E$6 Condiciones
2000 $E$6<=$C$6 Obligatorio
0
$E$7 Condiciones
5333 $E$7<=$C$7 Opcional
667

En la tabla 10.1 puede verse que el beneficio mximo obtenible es de 284000 $/da, que se
obtiene procesando 26667 bbl/da de crudo 1 y 6667 de crudo 2.
Las producciones de nafta y kerosene alcanzan los valores mximos permitidos - las
restricciones estn activas, que se indica como Estado = Obligatorio -, con lo cual las
variables flojas S1 y S2 asociadas a ellas tienen un valor [Link] produccin de fuel oil est
667 bbl/da por debajo del mximo (S3 = 667), es decir que el punto ptimo se encuentra en
el interior de la restriccin 3 (Estado = Opcional).
11. Informe de sensibilidad
En este informe se muestran las modificaciones que pueden realizarse en los coeficientes
de la funcin objetivo y en los trminos independientes de las restricciones para que la
solucin ptima obtenida siga teniendo activas las mismas restricciones. Las variaciones en
los coeficientes de la funcin objetivo mantendrn no slo la naturaleza de la solucin sino
tambin los valores ptimos de las variables, modificndose solamente el valor de la funcin.

Las modificaciones en los trminos independientes producirn alteraciones en los valores

ptimos de las variables originales del problema y, por consiguiente, tambin el de la funcin
objetivo. Como queda dicho, slo se mantendrn activas las mismas restricciones.
En la Tabla 11.1 se muestra el informe de sensibilidad para el problema de la refinera
actualmente bajo anlisis.
Tabla 11.1: Informe de sensibilidad para el problema en consideracin
Celdas cambiantes
Valor
Gradiente Coeficiente
Aumento Disminucin
Celda Nombre
Igual
Reducido
Objetivo
Permisible
Permisible
$A$2 X1
26667
0
8.1
12.3
3
$B$2 X2
6667
0
10.2
6
6.15
Restricciones
Valor
Sombra
Restriccin
Aumento Disminucin
Celda Nombre
Igual
Precio
Lado derecho Permisible
Permisible
$E$5 Condiciones
24000
5
24000
8000
4000
$E$6 Condiciones
2000
82
2000
143
500
$E$7 Condiciones
5333
0
6000
1E+30
666

Para interpretar el informe se pueden hacer las siguientes consideraciones:

Celdas cambiantes
Valor igual: indica los valores ptimos de las variables independientes, X1 = 26667 y
X2 = 6667 en este caso.
Gradiente reducido: indica cunto deber cambiar el coeficiente de la funcin objetivo de la
variable independiente original, en el caso en que se encuentre fuera de base, para que la
misma deje de tener valor nulo. En este caso, dado que, tanto X1 como X2 son variables
bsicas, el cambio es igual a cero.
Coeficiente objetivo: son los valores originales de los coeficientes de la funcin objetivo.
Aumento / Disminucin permisible: incremento o disminucin permitida en los coeficientes
de la funcin objetivo para que no se produzcan cambios en la solucin ptima encontrada.
Si se recuerda lo visto previamente, la solucin seguir estando en el vrtice D siempre y
cuando el coeficiente C1 est entre 8.1 3 = 5.1 y 8.1 + 12.3 = 20.4. De acuerdo a la tabla
11.1, el valor de C2 puede variar de 10.2 6.15 = 4.05 a 10.2 + 6 = 16.2 sin que se modifique
el ptimo encontrado.
Restricciones
Valor igual: indica el valor que toma, en la solucin ptima, el lado izquierdo de cada
restriccin. Por ejemplo, la restriccin sobre la produccin de nafta (r 1) se encuentra activa en
la solucin ptima y el valor alcanza el mximo permitido, coincidiendo con el trmino
independiente original. La restriccin sobre produccin de fuel oil, en tanto, no est activa en

el ptimo y existe una diferencia entre el valor alcanzado (5333) y el mximo permitido
(6000).
Precio sombra: son los valores, en el ptimo, de los coeficientes en la fila de la funcin
objetivo de las variables flojas asociadas a las restricciones. Indican la modificacin en la
funcin objetivo si se relaja la restriccin, permitiendo una variacin positiva o negativa de
la respectiva variable floja. Obviamente, solo se producirn variaciones (precio sombra no
nulo) para aquellas variables que se encuentren fuera de base. As, por ejemplo, si se pudiera
producir ms nafta, se incrementara la utilidad en 5$ por cada barril diario adicional que se
produzca. Por supuesto que se reducira en la misma cantidad si el mximo permitido fuese
menor que 24000 bbl/da.
Restriccin lado derecho: indica los trminos independientes originales de las restricciones.
Aumento/Disminucin permisible: representa cunto puede aumentarse o disminuirse el
trmino independiente sin que se altere la naturaleza de la solucin ptima..Por ejemplo, se
puede aumentar la produccin de nafta hasta 8000 bbl/da, esto es, una produccin mxima de
24000 + 8000 = 32000 bbl/da y, en el ptimo, seguirn estando activas las restricciones 1 y 2.
El informe de sensibilidad no indica como se modifican los valores de las variables originales
X1 y X2. En este caso es posible un anlisis grfico pero, en general, debe resolverse, aparte,
el sistema resultante tras la modificacin. En este caso sera:
0.80 X1 + 0.40 X2 = 32000
0.05 X1 + 0.10 X2 = 2000
que conduce a la solucin X1 = 40000; X2 = 0, el punto B de la figura 10.
Del mismo modo,se puede decir que mientra la produccin mxima de nafta no caiga ms all
de 24000 4000 = 20000 bbl/da el punto ptimo seguir siendo determinado por S1 = S2 = 0.
12. Problema de Transporte
El problema de transporte o de asignacin es un caso especial de programacin lineal.
Aparece toda vez que un determinado artculo es requerido desde diversos destinos y sus
pedidos deben ser satisfechos desde distintos orgenes. Existe un costo por unidad
transportada desde un origen cualquiera hacia cualquier destino y el objetivo es cumplir con
los requerimientos al menor costo total de transporte.
En general, se habla de n orgenes A1, A2,..., An cada uno con una disponibilidad d1, d2,...,
dn y de m destinos B1, B2,..., Bm que efectan pedidos de p1, p2,..., pm unidades
respectivamente. Enviar una unidad desde el origen Ai al destino Bj costar Cij y tal envo ser
de xij unidades.
El problema de transporte normalizado que se considerar exige que la disponibilidad
total DT sea igual al requerimiento total RT:

DT d i p j R T
i 1

(12.1)

j1

Obviamente, todo destino debe ser satisfecho en sus requerimientos

n

x
i 1

ij

pj

j 1,..., m

(12.2)

y en cada origen, las entregas deben ser iguales a las disponibilidad existente
m

x i j di

i 1,..,.n

(12.3)

j1

Es fcil ver que el sistema de n+m ecuaciones en nxm incgnitas formado por (12.2) y
(12.3) tiene solamente n+m-1 ecuaciones linealmente independientes, al tenerse que cumplir
la ecuacin (12.1).
El problema es, entonces, encontrar
n m

mn C T Cij x ij
i 1 j1

asociado a
n

xi j p j

j 1,..., m

x i j di

i 1,..., n

i 1
n

j1

de las cuales slo n + m - 1 ecuaciones son linealmente independientes.

Puede verse que este problema, anlogo al presentado en apartados anteriores, tiene un
conjunto de variables formado por las xij originales y las variables artificiales vi que se han de
incorporar en cada ecuacin. Aqu tambin el ptimo deber encontrarse en una solucin
bsica posible, es decir, en el conjunto de las asignaciones xij6:
a) Todas las variables deben ser no negativas
b) (n 1) (m 1) = (nx m) (n+m-1) variables debern anularse.
c) Existirn n + m - 1 variables bsicas , en principio, con valores positivos, salvo la
existencia de una solucin degenerada.

Las variables artificiales deben desaparecer al finalizar la Fase I

Si bien la formulacin adoptada para el problema normalizado, demanda total igual a

disponibilidad total, parece altamentamente restrictiva, al igal que en el caso general de
Programacin Lineal, con ella se pueden tratar todos los casos posibles. Si los requerimientos
totales fuesen menores a las unidades disponibles en todos los orgenes, deber considerarse
un destino adicional donde se almacenen los excedentes. Si en cambio, los requerimientos
totales superan lo disponible en los orgenes aparecer uno adicional que suministra el
faltante. En este ltimo caso, el agregado puede visualizarse como compras que se realizan a
terceros para cumplir con los pedidos, con lo cual, a los costos de transporte propiamente
dichos debern adicionarse las diferencias entre los valores de compra externa y los costos de
produccin propios.
En la bibliografa tradicional pueden encontrarse formas especficas de resolucin del
problema de transporte, Rincn Noroeste, ndices de Vogel, [Link] metodologas han
quedado desactualizadas ante la posibilidad de usar los algoritmos eficientes de programacin
lineal en las computadoras personales.
En la figura 12.1 se muestra como se introduce en la planilla de clculo un modelo de
transporte de 3 orgenes con disponibilidades de 13, 6 y 10 unidades respectivamente y 4
destinos que solicitan 7, 4, 5 y 7 unidades respectivamente. Se ha introducido un almacn en
el que se guardarn 6 unidades de producto (29 23 = 6) y para generalizar la formulacin se
ha incorporado un origen ficticio Orig_F con una disponibilidad nula. En el caso general, el
almacenamiento se definir como el mximo entre 0 y la diferencia entre la disponibilidad
total y los requerimientos totales. Una frmula similar definir al origen ficticio, donde la
disponibilidad se considerar como el mximo entre 0 y R T - DT. En la figura, adems, se han
incorporado comentarios para mostrar las distintas frmulas introducidas en las celdas.
En este caso, para
determinar nicamente el costo
de transporte, se ha
considerado que el costo de
almacenamiento es nulo en
todos los orgenes. Se podran
tomar valores diferenciados,
no nulos, que incluyesen tanto
los costos financieros de la
produccin inmovilizada como
los asociados a la ocupacin de
los espacios fsicos.

Figura 12.1

En cualquiera de las variantes las unidades destinadas al almacenamiento no deberan ser

producidas, y las asignaciones que se obtengan por una u otra va, estarn respondiendo a los
criterios subyacentes en la definicin de los costos de transporte introducidos. En el primer

caso, resulta indiferente de que origen se trate en tanto que en el otro, resultarn privilegiados,
ceteribus paribus, aquellos de menor costo.
13. Modelo de Transbordo
Un problema relacionado con el de transporte visto en el apartado anterior es el modelo de
transbordo. En l se tiene un conjunto de orgenes o proveedores y destinos o clientes
adicionales, adems de los originales. Las localizaciones adicionales cumplen un rol similar a
las ficticias introducidas en el problema de transporte.
El problema de transbordo recibe su nombre por la introduccin, en el modelo, de un grupo
de almacenamientos intermedios, donde depositan sus disponibilidades los proveedores y
retiran sus pedidos los clientes. Ms precisamente, cada proveedor aporta a determinados
almacenes y desde un conjunto especificado de ellos cada cliente retira sus pedidos.
Asimismo, el modelo admite la posibilidad de llevar a cabo transferencias entre almacenes,
teniendo habilitadas, cada uno de ellos, determinadas rutas internas e impedidas otras.
En general, todos los proveedores y clientes, salvo los adicionales, tienen especificadas las
transferencias que se realizan con cada uno de los almacenes a los que tienen acceso, con lo
cual su aporte al costo total resulta una constante y no se lo considera en la bsqueda del
ptimo. Tampoco se consideran las transferencias entre almacenes porque suele asignrseles
un costo nulo.
Con esto, en la funcin objetivo han de intervenir slo las cantidades transferidas por los
proveedores y clientes adicionales.
A continuacin se realizar el planteo genrico para uno de los N A almacenes que
considera el modelo
Siendo
{O}k: conjunto de proveedores que estn habilitados a suministrar sus productos al
almacenamiento k.
{OA}k: idem para el conjunto de proveedores adicionales.
{D}k: conjunto de clientes a los que se les permite retirar productos del almacenamiento k.
{DA}k: idem para el conjunto de clientes adicionales.
{AF}k: conjunto de almacenes que pueden transferir productos al almacn k
{AS}k: conjunto de almacenes a los que puede transferir productos el almacn k

En la figura 13.1 se muestra un

almacenamiento k al que le llegan los
aportes de los proveedores originales y
adicionales y del conjunto de almacenes
{AF}k. habilitados para aportar al
almacenamiento k. Por otra parte, de este
almacn k, retiran productos todos los
clientes habilitados y el excedente pasa al
conjunto de almacenes {AS}k.

Ri i {AF}k
xi,k i {O}k

xj,k j {D}k

k
xj,k j {DA}k

xi,k i {OA}k
Rj j {AS}k
Figura 13.1

Con estas consideraciones, se plantea

un balance para cada almacn k:

i{O}k

x ik

i{OA}k

x ik

i{A F }k

Ri

j{D}k

x jk

j{DA}k

x jk

j{A S }k

Rj

donde se encuentran especificados los aportes de los proveedores y los pedidos de los
clientes, en ambos casos originales, es decir que son valores conocidos xik, con i {O}k y xjk
con j {D}k.
La funcin objetivo, considerando coeficientes de costo unitarios C i , Cj, puede plantearse
como:

FO

k i{OA}k

Ci x ik

k j{DA}k

C jx jk

Puede verse que el sistema de ecuaciones resultante para el modelo es de naturaleza lineal.
Bibliografa
- [Link], [Link], [Link], Engineering Optimization: Methods and
Applications, 1983, Wiley-Interscience.
- [Link], [Link], Optimization of Chemical Processes, 1988, Mc-Graw Hill
- Frontline Systems, Inc., Solver Tutorial for Optimization Users,
[Link]