UNIVERSIDAD NACIONAL….
I. TITULO
Formulación de modelos de programación lineal
II. INTRODUCCION
Un modelo de programación lineal busca maximizar o minimizar una función lineal,
sujeta a un conjunto de restricciones lineales. La programación lineal es una
herramienta para resolver problemas de optimización que se caracterizan por tener
como función objetivo y restricciones combinaciones lineales de las variables de
decisión. La principal ventaja radica en que existe un algoritmo eficiente (SIMPLEX)
para resolver este tipo de modelos. La programación lineal es uno de los modelos
matemáticos que nos ayuda a asignar de manera óptima los recursos escasos. Por ello
para plantear un problema debemos de tener en cuenta tres conjuntos básicos de
elementos:
a) Variables de decisión y parámetros, siendo las variables de decisión las
cantidades desconocidas que deben determinarse en la solución de un problema
cuyo modelo plantea y los parámetros son valores que especifican la relación
entre las variables de decisión.
b) Conjunto de restricciones, son aquellas limitaciones que restringen las variables
de decisión.
c) Función objetiva, se encarga de definir la eficacia del modelo, en función de las
variables de decisión.
La programación lineal es un conjunto de técnicas racionales de análisis y de
resolución de problemas, que tienen por objeto ayudar a los responsables en las
decisiones sobre asuntos en los que interviene un gran número de variables.
III. DESARROLLO
3.1. Programación lineal
Según Beneke y Winterboer (1984: 5) los métodos matemáticos de optimización
(aquellos que permiten identificar los valores máximos o mínimos de determinadas
expresiones matemáticas) alcanzaron un desarrollo notable en la década de los años 40.
Afirman estos autores que ya en 1945 Stiegler define y soluciona el problema particular
de la obtención de la dieta de mínimo costo para la alimentación de ganado.
Moya (1998: 63) menciona que fue George B. Dantzig y otro grupo de personas
asociadas que en el año 1947, acatando la solicitud de autoridades militares del gobierno
de los Estados Unidos, se dedicaron a investigar cómo se podía aplicar las matemáticas
y la estadística para resolver problemas de planeación y programación con fines
puramente militares. En ese mismo año Dantzig y sus colaboradores plantean por
primera vez la estructura matemática básica del problema de programación lineal.
Según Anderson (2004: 224), en el año 1948 Tjalling Koopmans le comentó a
Dantzig que el nombre era demasiado largo y que era conveniente cambiarlo, ante lo
cual Dantzig accedió y el nombre fue sustituido por el “Programación Lineal”, que se
usa incluso en la actualidad.
En términos generales, se puede decir que cualquier fenómeno en que interviene un
número determinado de variables no negativas (es decir, variables cuyo valor es
positivo o cero), que se pueden ligar entre sí mediante relaciones de desigualdad o
igualdad y que reflejen las limitaciones o restricciones que el fenómeno presenta con
miras a optimizar un objetivo, puede ser formulado como un modelo de programación
matemática. Si tanto las restricciones como la función objetivo se pueden enunciar
mediante expresiones lineales, estamos frente a un campo particular de la programación
matemática denominada “programación lineal”.
Para Weber (1984: 718), el problema de programación lineal trata acerca de la
maximización o minimización de una función lineal de varias variables primarias,
llamada función objetivo, con sujeción a un conjunto de igualdades o desigualdades
lineales llamadas restricciones, con la condición adicional de que ninguna de las
variables puede ser negativa. Esta última condición puede ser obviada, cuando el
problema lo requiera, mediante el ingenioso artificio de expresar la variable de interés
como la diferencia de dos variables no negativas.
En forma resumida se afirma que la programación lineal es un método matemático de
resolución de problemas donde el objetivo es optimizar (maximizar o minimizar) un
resultado a partir de seleccionar los valores de un conjunto de variables de decisión,
respetando restricciones correspondientes a disponibilidad de recursos, especificaciones
técnicas, u otras condicionantes que limiten la libertad de elección. Como caso de
especial interés tenemos que mediante la programación lineal podemos representar un
sistema de producción mediante un modelo o matriz en el que se incluyen:
- Costos e ingresos generados por unidad de actividad (función objetivo).
- Aportes y requerimientos de insumos y productos por unidad de cada actividad
considerada (coeficientes insumo/producto).
- Disponibilidad de recursos, especificaciones técnicas y empresariales a respetar
(valores del lado derecho de las restricciones).
[Link] de decisiones con criterios múltiples
Los procesos de toma de decisiones se han analizado tradicionalmente en base a un
paradigma que considera un solo criterio de evaluación; éste funciona de la siguiente
forma: primero, se establece el conjunto de soluciones posibles o factibles del problema;
luego, fundándose en un cierto criterio (por ejemplo beneficio), se asocia con cada
solución o alternativa un valor que indica el grado de deseabilidad de cada solución para
el centro de tomadores de decisión, es decir, se establece una ordenación de las
soluciones factibles. Finalmente, utilizando técnicas matemáticas más o menos
sofisticadas, se procede a buscar entre las soluciones factibles aquella que posee un
mayor grado de deseabilidad. Dicha alternativa es la “solución óptima” (Romero,
1993).
Se ha desarrollado el paradigma del análisis multicriterio con el propósito de superar
las deficiencias planteadas, mejorando así los procesos reales de decisión. Básicamente,
el paradigma de la decisión multicriterio sustenta que los agentes económicos no
optimizan sus decisiones en base a un criterio único, sino que por el contrario pretenden
buscar un equilibrio o compromiso entre un conjunto de objetivos usualmente en
conflicto o bien pretenden satisfacer, en la medida de lo posible, una serie de metas
asociadas con dichos objetivos (Romero y Rehman, 1989).
[Link]ón Matemática para Evaluar Decisiones Óptimas
Las técnicas de optimización y la programación matemática son herramientas
importantes para la investigación de operaciones, una disciplina explícitamente
dedicada a buscar mayor eficacia y eficiencia en los procesos de toma de decisión
(Hendriks y Van Beek, 1991).
Una característica fundamental de la investigación de operaciones es que se intenta
cuantificar al máximo los diferentes aspectos del problema y así construir un modelo
cuantitativo, matemático. Los motivos más importantes para construir tales modelos son
(Hendriks y Van Beek, 1991:3).
3.4. Método grafico
Consiste en representar las restricciones sobre unos ejes de coordenadas, para
delimitar la región dónde se encuentran las soluciones factibles. Las soluciones
óptimas se encontrarán en el perímetro del polígono resultante. Si nuestra
función objetivo es una maximización y la línea que delimita nuestro dominio no
es convexa, entonces nuestro problema, bajo estas condiciones, no tiene solución
(García y Fdez. Martínez, 1990).
Ejemplo:
F.O.: Max 5X+6Y
S.a.: X+Y≤ 4 X+2Y≤ 6
La representación gráfica se ve en la figura. Dando valores a la función
objetivo vamos obteniendo sucesivas rectas paralelas, de forma que según
aumenta la función objetivo, la recta se separa del origen. Por tanto, puede
suceder que nuestra función objetivo de valor óptimo coincida con una arista o
con un vértice del polígono que delimite nuestro dominio. En nuestro caso, el
vértice A (2,2) será la solución óptima. Luego el valor óptimo de nuestra función
objetivo será:
5*2 + 6*2 = 22
Figura 1. Representación gráfica de las ecuaciones
si por el contrario nuestro problema hubiese sido:
F.O.: Max 5 X + 6 Y
S.a.: X + Y ≥ 4 X + 2 Y ≥ 6
Gráficamente:
Figura 2. Representación gráfica de las ecuaciones
3.5.Método Simplex
Resuelve los problemas del tipo maximizar con restricciones menor o igual. Vamos a
ilustrar con un ejemplo los pasos a dar para la resolución de un problema:
F.O.: Max 3 X1 + 5 X2
S.a. 2 X1 + 3 X2 ≤ 8
8 X1 + 3 X2 ≤ 20
a) Se tienen que transformar las inecuaciones en ecuaciones, para lo cual introducimos
unas variables llamadas variables de holgura. Para transformar una desigualdad menor o
igual en igual tendremos que sumarle la variable de holgura. En nuestro caso:
8 X1 + 3 X2 + X3 = 20 2 X1 + 3 X2 + X4 = 8
b) Para empezar a aplicar el método simplex necesitamos una base factible inicial
(luego iremos optimizando).
Entonces partimos de una solución inicial del sistema formado por las
restricciones y luego mediante una serie de iteraciones del método iremos
mejorando esta solución de acuerdo con nuestra función objetivo.
En nuestro caso: X1=0, X2=0, X3=20, X4=8, es decir, hacemos cero las
variables reales e igualamos las variables de holgura a los recursos.
c) Se construye la siguiente tabla:
En L1 y L2 ponemos los coeficientes de las restricciones, y en L0 los coeficientes de
la función objetivo cambiado de signo. En bi colocamos los recursos.
El valor de la función objetivo es el correspondiente a la columna bi en nuestro caso
cero.
d) Se investiga si alguna variable no básica, si pasa a serlo, mejora nuestra función
objetivo.
Observando la función objetivo (en L0) vemos que los coeficientes negativos
representan el incremento unitario que tendrá la función objetivo por entrar la variable
correspondiente en la base.
Por tanto, deberá entrar en la base aquella variable que más optimice nuestra función
objetivo.
Criterio de entrada a la base: CRITERIO 1
De todas las variables no básicas, que son aquéllas con coeficiente distinto de cero
en L0 (línea cero), se elige aquélla que tenga el coeficiente más negativo, y éste me
indicará la columna correspondiente a la variable que entra.
En nuestro caso la variable X2, que tiene el coeficiente más negativo: -5.
En el caso de que no existiese en L0 algún coeficiente negativo, entonces se habrá
alcanzado la solución óptima y las variables que en ese momento formen la base
confeccionarán la solución óptima.
Luego lo que va a señalar el final de aplicar el método SIMPLEX es que en L0 no
haya elementos negativos.
Para que entre una variable en la base es necesario que salga otra de la base.
Criterio de salida de la base: CRITERIO 2
Se dividen los elementos de la columna bi por sus correspondientes aij en la
columna de la variable que entra, siempre que estos últimos sean mayores que cero.
Si hubiese algún elemento menor o igual que cero, no haríamos dicho cociente. En
el caso de que todos los elementos fuesen menores o iguales a cero, entonces
tendríamos una solución no acotada y no podríamos seguir.
Lo que nos interesa es incrementar la variable que entra en la base lo más posible,
hasta que hagamos nula una de las variables que están ahora en la base.
Entonces saldrá aquélla variable básica, Xi, tal que el cociente bi / aij sea menor.
Ennuestro caso:
Mínimo [20/1, 8/3] = 8/3.
Con esto pasamos al procedimiento matemático de entrada a la base de la variable
seleccionada. Para ello pivotamos en el coeficiente aij de la variable seleccionada.
Entonces dividimos la fila i por aij; en el resto de las filas haremos la eliminación de
Gauss.
Es decir, en nuestro caso buscaremos, mediante las realizaciones de las operaciones
oportunas, que en la columna correspondiente a X2 aparezca un 1 en la línea L2, y ceros
en el resto de las filas.
Obtenemos la siguiente tabla:
Hemos obtenido una base con un valor mejor de la función objetivo = 40/3.
Volveríamos a aplicar el criterio 1 de entrada en la base. Como en la línea cero todos
los coeficientes son positivos, hemos acabado con nuestro problema.
La interpretación de la tabla es la siguiente:
X1=X4= 0 pues no están en la base.
X2= 8/3
X3= 52/3
Al ser X4= 0 quiere decir que la restricción segunda: 2 X1 + 3 X2 + X4 = 8 está a
tope, es decir, que se cumple que 2 X1 + 3 X2 = 8.
Y por fin, el valor máximo de nuestra función objetivo es 40/3 que es nuestra
solución óptima.
Vamos a comprobarlo:
F.O.: 3 X1 + 5 X2 = 3*0 + 5*8/3= 40/3
Que como vemos coincide.
Luego vemos que el sistema permite pasar de una solución básica factible a otra
(criterio 2) mejorando en cada caso la optimalidad de la función objetivo (criterio 1).
Problema:
Don Francisco quiere mejorar el negocio familiar de explotación de la patata integral
aplicando las técnicas de programación lineal.
Su negocio es la venta de productos derivados de la patata, de los cuales hay cuatro
tipos: patatas troceadas para ensaladilla, puré de patatas, patatas fritas a la inglesa y
patatas congeladas para freir.
A su negocio, don Francisco y doña Remedios, su mujer, dedican como máximo
entre los dos 100 horas semanales.
Para fabricar un kilo de cada producto el tiempo a dedicar es el siguiente: patatas
troceadas 3 horas, puré de patatas 5 horas, patatas fritas a la inglesa 10 horas, patatas
congeladas 15 horas.
Como su almacén es pequeño no pueden tener almacenados más de 15 kilos de
producto terminado y más de 120 kilos en sacos de patata.
No todos los productos tienen igual rendimiento. Por cada kilo de producto
terminado necesita una cantidad mayor de producto bruto. Esta relación es la siguiente:
- Para hacer un kilo de patatas para ensalada necesita 7 kilos de patatas.
- Para hacer un kilo de puré de patatas necesita 5 kilos de patatas.
- Para hacer un kilo de patatas a la inglesa necesita 3 kilos de patatas.
- Para hacer un kilo de patatas congeladas necesita 2 kilos de patatas.
La ganancia también es diferente:
- 4 ptas. /kg patatas ensalada.
- 5 ptas. /kg puré patatas.
- 9 ptas. /kg patatas inglesa.
- 11 ptas. /kg patatas congeladas.
¿Cuánto debe fabricar de cada una de las especialidades para que su beneficio sea
máximo?
Solución:
F.O.: Max 4 X1 + 5 X2 + 9 X3 + 11 X4
S.a.: X1 + X2 + X3 + X4 ≤ 15
3 X1 + 5 X2 + 10 X3 + 15 X4 ≤ 100
7 X1 + 5 X2 + 3 X3 + 2 X4 ≤ 120
X1,X2,X3,X4≥ 0
Introducimos las variables de holgura en las restricciones:
X1 + X2 + X3 + X4 + X5 = 15
7 X1 + 5 X2 + 3 X3 + 2 X4 + X6 = 120
3 X1 + 5 X2 + 10 X3 + 15 X4 + X7 = 100
la base factible inicial será:
X1,X2,X3,X4 = 0
X5 = 15
X6 = 120
X7 = 100
F.O. = 0
Formamos la siguiente tabla:
Aplicando el criterio1 vemos que entra en la base la variable X4.
Vamos a aplicar el criterio2 para ver cuál sale:
Min [15/1, 120/2, 100/15] = 100/15
Luego sale la variable X7.
Nos queda lo siguiente:
Aplicando iterativamente el método tenemos que entra X1 y sale X5:
Entra X3 y sale X4
Ya no podemos aplicar el criterio1, luego ya hemos llegado a una solución óptima.
La función objetivo vale 695/7, que será el beneficio máximo.
La base óptima será:
X1 = 50/7
X3 = 55/7
X6 = 325/7
Luego deberá fabricar cada semana 50/7 kg de patatas para ensaladilla y 55/7 kg de
patatas fritas a la inglesa.
El que X6 = 325/7 indica que tiene un exceso de 325/7 kg sobre los 120 teóricos
máximos de patatas, es decir, si en su almacén tuviera 120 – (325/7) kg de patatas, la
solución seguiría siendo óptima.
Al ser las otras variables de holgura cero implica que no hay holgura en esa
restricción. Por lo tanto, que hay que cumplirla exactamente, es decir, don Francisco y
doña Reme, tendrán siempre ocupado su almacén de productos terminados y tendrán
que trabajar las 100 horas que tenían asignadas.
3.5.1 SITUACIONES A TENER EN CUENTA:
1) Al aplicar el criterio 1 puede suceder que existan dos o más coeficientes que
cumplan simultáneamente la condición de negatividad siendo iguales. En este caso, se
elige uno cualquiera o podemos aplicar uno de los criterios siguientes:
a) Tomar aquella variable de subíndice menor.
b) Elegir la variable que supongamos que debe estar en la base final.
2) Es posible encontrarnos en una situación en la que la L0 exista un coeficiente con
valor 0 que corresponda a una variable no básica.
Obviamente, si introdujésemos la variable correspondiente a este coeficiente dentro
de la base, no se produciría un incremento en el valor de nuestra función objetivo, por lo
que nos proporcionaría otra base optimal.
Por tanto, si tenemos dos bases optimales, podremos construir infinitas soluciones
sin más que realizar un promedio de ponderación positiva con ambas soluciones, es
decir, si tenemos dos bases optimales Xi´ y Xi´´, podremos crear una nueva solución
optimal, Xi, aplicando la siguiente relación:
Xi = w * Xi´ + (1 – w) * Xi´´; 0<w<1
3) Puede suceder que al aplicar el criterio 2, todos los ‘aij’ de la columna
correspondiente sean menores o iguales que cero. Esto nos indica que estamos en el
caso de una solución no acotada.
4) Pudiera ser que al aplicar el criterio 2, al calcular los cocientes ‘bi/aij’, dos o más
de estos cocientes salgan iguales, lo que nos indica que cualquiera de las variables
correspondientes pueden salir de la base.
A este caso se le conoce como base degenerada.
Tras esta situación podría suceder que no escogiéramos la variable óptima
produciendo que el algoritmo no pueda converger (puede dar lugar a un bucle).
Para solucionar este problema aplicaremos el siguiente criterio:
Sean ‘r’ y ‘s’ las filas en las que se produzca el empate, y sea ‘k’ la columna donde
se encuentra la variable de entrada. Se calcularán los cocientes siguientes:
Para todo i ≠k: ari/ ark y asi / ask
Si (ari / ark) < (asi / ask) la variable que sale de la base es la correspondiente a la fila
‘r’.
Si (ari / ark) > (asi / ask) la variable que sale de la base es la correspondiente a la fila
‘s’.
Estos cocientes los iremos en orden lexicográfico, es decir, iremos incrementando
‘i’ hasta que aparezca en una columna ‘i’ una de las circunstancias anteriormente
expuestas. En caso de no poder elegir uno de los dos criterios anteriores, tomar una
variable al azar.
5) Si en lugar de maximizar, se trata de un problema de minimizar, existen dos
posibilidades para el tratamiento del problema:
a) Pasarlo a un problema de maximización de la forma:
Min [F(x)] = Max [-F(x)]
El tratamiento se haría como hemos visto hasta ahora.
Como estamos maximizando -F(x), tenemos que tener en cuenta que al resultado
obtenido le tenemos que cambiar el signo para obtener el resultado de F(x).
b) Si en lugar de un problema de maximizar se trata de uno de minimizar, lo que
tendríamos que cambiar es el criterio 1 del Simplex, ya que es el que gobierna la
optimalidad. Por tanto bastará con cambiar el sentido del criterio:
Criterio 1’:
- Para entrar en la base elegiremos a aquella variable cuyo valor, en la L0, sea más
positivo.
- Finalizaremos las iteraciones cuando todos los coeficientes de la L0 sean
negativos.
6) En el caso en que al aplicar simplex, encontremos algún coeficiente de la columna
bi con signo negativo, estamos en el caso de una solución no factible, por lo que no
podremos continuar con este método.
Posteriormente, veremos que cuando aparezca este tipo de problema, lo que
aplicaremos será el simplex dual.
3.6. MÉTODO DE LAS DOS FASES.
Este método se aplica cuando existen restricciones del tipo mayor o igual.
El tratamiento de las restricciones para convertir las desigualdades en igualdades en
este caso es el siguiente. Sea
Σ aij * Xj ≥ bi
Lo podremos transformar en
Σ aij * Xj – Yk = bi
Donde Yk será una nueva variable denominada variable de holgura.
Si introdujésemos esto en la tabla de simplex, nos daría lugar a una base inicial no
factible, por lo que para poder resolver el problema, tendremos que aplicar una técnica
diferente. Esta técnica es la del método de las dos fases.
El método de las dos fases va a realizar un tratamiento de nuestro problema, para
que sea posible aplicar el método simplex.
Para poder crear una base factible inicial que nos permita aplicar el método simplex,
al transformar las desigualdades de tipo mayor o igual en igualdades, introducimos una
variable ficticia, que nos dará lugar a una base canónica.
Para explicar el método, nos basaremos en el siguiente ejemplo:
F.O.: Min 3 X1 + 2 X2
S.a.: X1 + X2 = 10
X1 ≥ 4
Transformamos el problema en:
F.O.: Min –3 X1 –2 X2
S.a.: X1 + X2 = 10
X1 ≥ 4
Transformamos las desigualdades en igualdades.
X1 ≥ 4 → X1 – h1 = 4
X1 + X2 = 10 → X1 + X2 = 10
Añadimos las variables ficticias para encontrar una base canónica.
X1 + X2 + Y1 = 10
X1 + h1 + Y2 = 4
Primera fase:
Se minimizan las variables ficticias sujetas a las restricciones del problema.
Pueden presentarse dos casos:
a) Que la minimización no pueda realizarse. Entonces el problema no tiene solución.
b) Que la minimización si pueda realizarse.
b-1) Si el valor óptimo es cero, entonces pasamos a la segunda fase.
b-2) Si no es cero, entonces no existe solución.
Entonces tendremos que hacer:
Min Y1 + Y2
Donde:
Y1 + Y2 = - 2 X1 – 2 X2 + h1 + 14
Vamos a minimizar:
- 2 X1 – X2 + h1 + 14
Que es lo mismo que maximizar:
2 X1 + X2 - h1 – 14
Si yo maximizo 2 X1 + X2 – h1 de forma que su valor máximo sea 14, habré
obtenido lo que busco, que Y1 + Y2 = 0.
Esto es lo mismo que asignarle el valor inicial – 14 a la función Y1 + Y2 e ir
incrementando la función Y1 + Y2 parando cuando su valor valga cero.
El problema de la maximización de la función Y1 + Y2 lo vamos a resolver
mediante el método simplex. Para ello vamos a crear una tabla de la siguiente forma:
En las columnas aparecerán todas las variables de nuestro problema:
- Variables propias.
- Variables de holgura.
- Variables ficticias.
- Columna de valores bi.
En las filas aparecerán:
LF: línea ficticia. Línea de función de las variables ficticias.
LO: línea de función objetivo de nuestro problema inicial.
Li: línea correspondiente a la restricción i.
Notas: cómo vamos a aplicar el método simplex, la asignación de valores a la tabla
se ha de realizar con las reglas anteriormente explicadas. Podemos observar que en la
resolución de esta primera fase, nuestra F.O. inicial funciona como una restricción más.
De esta forma, la tabla de nuestro ejemplo es:
Aplicamos el simplex. Entra X1 y sale Y2.
Hay un empate para aplicar el criterio I.
Elegimos X2 para entrar en la base. Sale Y1.
Ya hemos conseguido que Y1 +Y2 sea cero.
En este punto, resulta que hemos encontrado ya una base factible para nuestro
problema inicial, por lo cual hemos terminado con la primera fase.
Nota: si en nuestra solución hubiésemos obtenido una base en la que apareciese
alguna variable ficticia, esto indicaría que por este método no podemos resolver nuestro
problema.
Segunda fase:
Eliminamos la línea ficticia y las columnas correspondientes a las variables ficticias.
A esta tabla así obtenida, le aplicamos el método simplex, ya que ahora tenemos una
base factible
Al aplicar el criterio 1, como en este caso no hay ningún coeficiente negativo en la
línea LO, la solución de esta tabla coincide con la solución óptima.
La base es X1 = 4, X2 = 6. El valor de la función objetivo es 24.
Nota: el valor de la función objetivo en nuestra tabla es negativo (-24), pero si
asignamos los valores X1 = 4 y X2 = 6 a nuestra función objetivo obtendremos como
solución el valor 24. Esto es debido a que para resolver nuestro problema hemos
realizado un cambio de signo a nuestra función objetivo, para pasar de un problema de
minimizar a uno de maximizar. Por tanto, el resultado de nuestro problema nos saldrá
con el signo cambiado.
Nota: para sacar una base factible inicial se puede emplear cualquier tipo de
operación matemática matricial, siempre y cuando los valores de las variables básicas
obtenidas sean mayores o iguales a cero.
3.6.1. SITUACIONES A TENER EN CUENTA.
Además de lo anteriormente citado en el empleo del método simplex, podemos
encontrarnos en los siguientes casos:
1) Al intentar resolver la fase 1 no podemos alcanzar el valor cero de bi en la línea
ficticia. Esto nos indicará que el problema es infactible.
2) Al terminar la fase 1, obtenemos que en la base resultante se encuentra una variable
ficticia, lo que nos indicará que el sistema es infactible.
IV. BIBLIOGRAFIA
Anderson, D., Sweeney, D. y T. Williams. (2004). Métodos cuantitativos para los
negocios. México: Editorial THOMSON. 822 p.
Beneke, R. y R. Winterboer. (1984). Programación lineal aplicación a la
agricultura. España: Editorial AEDOS. 222 p.
Moya, M. (1998). La programación lineal. Costa Rica: EUNED. 264 p.
Weber, J. (1984). Matemática para administración y economía. México: Editorial Hala.
823 p
CORONEL, R. M. & ARAUJO, P. A. (2004) La Programación
Ambiente y Sostenibilidad 2016 (6): 97-104 Revista del Doctorado Interinstitucional
en Ciencias Ambientales
García Cabañes, J., Fdez. Martínez, L. y Tejera del Pozo, P.: “Técnicas de
Investigación operativa”. Tomo II. Ed. Paraninfo. Madrid 1990. Supervisado
por:Jose María Úbeda Delgado.
