INSTITUTO TECNOLOGICO DE CIUDAD MADERO.
Alumno: Velazquez Ramirez Dulce Carolina.
Carrera: Ingeniería Industrial.
Materia: Investigación de Operaciones II.
Unidad: 1.
Numero de Control: 20071453.
TRABAJO DE INVESTIGACION.
¨PROGRAMACION DE METAS¨
Definición: La programación por metas es un enfoque para tratar problemas de
decisión gerencial que comprenden metas múltiples o inconmensurables, de
acuerdo a la importancia que se les asigne a estas metas. El tomador de decisiones
debe ser capaz de establecer al menos una importancia ordinal, para clasificar estas
metas.
La Programación de Metas o Programación por objetivos es un enfoque que permite
abordar problemas de decisión general respecto a las metas que se deseen
alcanzar en algún ámbito de la vida cotidiana. Estas metas pueden ser
complementarias, pero frecuentemente conflictivas. Por ello, una forma de arreglar
esta inconmensurabilidad se basa en una estructura prioritaria por parte de la
administración.
La programación lineal es un método de optimización matemática que permite el
manejo masivo de múltiples variables, esto ha permitido que haya recibido especial
atención en áreas de la Ingeniería Indutrial, como lo son la programación de la
producción, logística y estudios de transporte, inclusive se ha llegado a utilizar en
otras disciplinas demostrando su efectividad como método de toma de decisiones.
Sin embargo, el método de Programación Lineal está limitado por efecto de la
rigidez de las restricciones utilizadas, lo que lleva a que algunas soluciones no sean
factibles o inclusive sean imposibles de resolver mediante métodos convencionales,
como lo son el Método Simplex(Nash, 2000).
En el caso particular de los planes ejecutivos de en el área industrial, muchas veces
es necesario evaluar el modelo de decisión desde una óptica diferente, menos
rígida, que permita a los decisores analizar posibles escenarios, mismos que
implican que alguna meta organizacional particular o bien no se cumple o bien sea
rebasada(Charnes, Cooper, & Ferguson, 1955).
Dentro de las organizaciones existen diferentes niveles jerárquicos, cada uno de
ellos está encargado de tomar las decisiones de acuerdo a su área de competencia,
normalmente, ponderando la importancia de los factores involucrados en la decisión
de acuerdo criterios preestablecidos por un nivel jerárquico superior, mismo que
define la importancia de los factores de acuerdo a entrevistas con expertos, la
experiencia de los trabajadores, gente afín a la actividad que sea realiza, etc. Estas
ponderaciones son completamente subjetivas y dependen directamente de la
persona encargada de tomar la decisión.
En el caso de los modelos matemáticos tradicionales, estos se basan en la
optimización de una sola función objetivo, sin embargo, en los ambientes
previamente comentados, en muchas ocasiones no se trata de tomar la mejor
decisión para el cumplimiento de una sola meta, si no de múltiples objetivos, en
donde en muchos de los casos, las metas pueden ser rebasadas o simplemente no
se puede llegar al cumplimiento de las mismas, situación que hace que no se logre
establacer una solución en términos estrictos “óptima”, si no en un solución
“eficiente”, que minimice el impacto de excederse o quedarse corto en una meta
específica(Taha, 2004).
Conceptos generales de Programación de Metas.
Programación de Metas: Planteamiento utilizado para resolver un problema de
optimización de objetivos múltiples como un programa lineal que equilibre los pros
y los contras de los objetivos en conflicto.
Meta: Valor objetivo numérico específico establecido para un fin en un programa de
metas.
Penalización: Valor relativo que se usa para representar insatisfacción con cada
unidad que un objetivo esté por debajo de su meta, si el objetivo es maximizar, y
por encima de la meta si lo que se busca es minimizar.
Objetos: Se denominan objetos a la unidades o ítems elementales (físicas,
conceptuales, . . .) involucradas en la situación problemática en estudio. Se pueden
denominar alternativas.
Atributos: Se denominan atributos a las características medidas sobre los objetos.
Son, esencialmente, variables. En el caso de tener un conjunto finito de alternativas,
la consideración conjunta de objetos y atributos aporta la siguiente tabla
Espacio de decisiones: El espacio de decisiones viene definido por los vectores de
valores que alcanzan los diferentes atributos en cada objeto. Se suele
denominar por X o por S.
Objetivos: Los objetivos son funciones, de valor real, establecidas sobre los
niveles que alcanzan los atributos.
Metas: Las metas son cotas asociadas a atributos u objetivos cuya aproximación o
superación sea esencial para el problema.
Criterios: Los criterios son los que establecen las pautas que articulan el marco
global de las búsquedas de soluciones. Incluyen objetivos, metas y atributos
relevantes para los procesos de resolución.
Espacio objetivo: El espacio objetivo está determinado por el conjunto f(S) = {(f1(x),
..., fp(x))|x ∈ S}
Aplicación de la Programación de Metas.
La programación meta también es aplicable en las siguientes áreas, entre otras:
MERCADEO: Donde las metas conflictivas podrían ser: maximizar la participación
del mercado, minimizar los costos de publicidad, maximizar el margen de ganancia
por artículo vendido.
Es de vital importancia contar con una herramienta de gestión que permita
establecer una distribución óptima de servicios entre las empresas operadoras del
SITM, y para ello es necesario establecer unas metas claras que se quieren lograr
teniendo en cuenta las restricciones que demanda el sistema.
Historia de la Programación de Metas.
El origen de la programación matemática se remonta en la historia de las
matemáticas a las teorías de las ecuaciones lineales y no-lineales, y a las
desigualdades. Sin embargo, a George B. Dantzig se le conoce como el padre de
la programación lineal. El trabajo de Dantzig se enfocó primeramente en la
investigación de técnicas para resolver problemas de logística para la planeación
militar, cuando era empleado de la Fuerza Aérea de los Estado Unidos en
Washington D. C., al principio de los 40’s. Su investigación fue apoyada por otros
académicos quienes trabajaron sobre el mismo tema general: J. von Newmann,
L.Hurwicz y T. C. Koopmans. El nombre original que se dio a la técnica fue
“programación de actividades interdependientes en una estructura lineal”, y que
más tarde se denominó “programación lineal”. Durante 1948, varios académicos se
unieron a Dantzig para refinar la técnica y explorar las aplicaciones potenciales de
la programación lineal. Sin embargo, el equipo de A. Charnes yW. W. Cooper
jugaron un papel clave en la introducción y aplicación de la técnica a
problemas industriales. Ellos publicaron artículos excelentes en varios journals, así
como libros de texto de programación lineal. En su continua investigación de
la programación lineal, A. Charnes y W. W. Cooper desarrollaron el
concepto de programación por metas. Le asignaron este nombre
(programación por metas) en su conocido libro de programación lineal publicado en
1961.El concepto de programación por metas emergió primeramente como aspecto
irresoluble de problemas de programación lineal. Charnes y Cooper decían:
Estrechamente relacionado al análisis de contradicciones en problemas irresolubles
es loque se llama “ajuste a la meta”. La administración algunas veces establece
tales metas, siempre y cuando sean alcanzables dentro de los límites de los
recursos disponibles, por una variedad de razones.
Por ejemplo, las metas se pueden establecer para incentivar o para evaluar logros,
o se pueden usar como una protección para asegurar que las consideraciones a
largo plazo no son ignoradas por objetivos de alcance inmediato, etc.
Cualquier restricción incorporada en la función se denominará una “meta”. Ya sea
que las metas sean alcanzables o no, se establece un objetivo en el cual su
optimización, dará como resultado un logro “tan cerca como sea posible” a las metas
indicadas.
La programación de metas en esencia una variación de la programación lineal, los
primeros en identificarla fueron charnes y cooper a principios de la década de1960,
ljiri refinó y amplio la teoría a mediados de esa década. Igmizio y lee desarrollaron
numerosas aplicaciones. En principio fue dirigida a resolver problemas industriales,
sin embargo, posteriormente fue dirigida a muchos otros campos tales como:
La economía
Agricultura
Recursos ambientales
Recursos pesqueros
La Programación por metas (abreviada PM) apareció originalmente en un artículo
de Charnes, Cooper y Ferguson en 1955 (Romero, 2002). Como se explicó
anteriormente, se utiliza cuando existen varios objetivos o metas y se desea una
solución satisfactoria y suficiente (satisfaciente).
La estructura de cada meta seguiría este modelo:
fi(x) + ni – pi = ti
En la expresión anterior fi(x) representa la expresión matemática de la meta, a la
que se le añaden dos variables de desviación (ni y pi). La primera, ni, representa un
valor faltante para llegar a la meta. La segunda variable de desviación pi, representa
un valor excedente por sobre la meta.
Por ejemplo, suponga que una empresa tiene dos productos: el primero le deja 3
pesos de ganancia y el segundo le produce solo 1 peso. Se desea obtener 50 pesos
de ganancia. La meta estaría representada por
3x1 + x2 + n – p = 50
Tal vez alguien en la empresa sugiere que deberían producir 10 productos x1 y 15
productos x2.
Eso implicaría:
3(10) + 1(15) + n – p = 50
30+15 + n – p = 50
45 + n – p = 50
Se necesita que n valga 5 para alcanzar la meta. En otras palabras, el beneficio
quedó 5 pesos abajo de lo esperado porque se obtuvo un faltante.
Ahora piense que otra persona en la empresa sugiere que se fabriquen 15 productos
de cada tipo. La meta estaría representada por:
3(15) + 1(15) + n – p = 50
60 +n – p = 50
Ahora la meta quedó 10 unidades por encima de lo esperado.
Suponga que el plan de producción lo dejamos en 10 x1 y 20 x2. Ello implicaría:
50 + n – p = 50
Por lo que tanto n, como p valen 0. (No hay faltantes ni excedentes).
Diferencias entre Modelo de Programación Lineal y Modelo de Programación
de Metas.
MODELO LINEAL.
Usa solo un objetivo. Las variables y la función objetivo deben ser lineales.
Es necesario que cada variable aditiva respecto a la variable objetiva Las
soluciones no deben ser necesariamente números enteros La solución óptima
(máximo o mínimo) deben ocurrir en uno de los vértices del conjunto de soluciones
factibles Las funciones lineales en variables de decisión con restricciones lineales
optimizando una función objetivo también lineal. Se tiene una función objetivo
“Se busca una combinación de recursos”.
VENTAJAS.
Permite comparar un amplio rango de soluciones y alternativas y analizar sus
consecuencias. Indica al administrador como emplear más eficazmente sus
factores seleccionándolos y distribuyéndolos adecuadamente. Hace que el
administrador sea más objetivo en sus decisiones al obtener todos los datos que
puedan ser útiles para la formulación matemática de problema.
DESVENTAJAS.
Modelo matemático requiere de una gran simplificación puede que este no
represente con exactitud. A veces el personal administrativo no entiende los
modelos, y por lo tanto se resiste aceptarlos resultados derivados. La
programación lineal usa un objetivo la de metas más de un objetivo. Se incluyen
variables de desviación. No se encuentra el valor de z, si no los valores de las
variables de desviación. La f.o. de la programación de metas siempre será
minimizada. Estos modelos se asemejan más a la vida real porque generalmente
en una empresa se trabaja con más de un objetivo.
MODELO META.
Tiene más de un objetivo. Variación de la PL. Se llega a una solución eficiente.
Utiliza restricciones meta Tiene 3 tipos de modelos:
• Sin prioridad.
• Con prioridad.
• Con prioridad y ponderación.
Se usa para resolver problemas(programas) lineales con objetivos similares,
con cada objetivo visto como una “meta “Aquí las variables de desviación son las
cantidades que una meta es superada o no alcanzaba.
VENTAJAS.
Satisface los objetivos en una secuencia de prioridad. Los objetivos de segunda
prioridad se persiguen sin reducirlos objetivos de primera prioridad. Se conforma
con una cota inferior. El espacio de soluciones siempre tiene que cumplirse,
mientras que los objetivos no pueden cumplirse.
DESVENTAJAS.
Las soluciones no son óptimas solo suficientes, pueden cumplir ninguna,
una o algunas de los objetivos trasnformados en metas.
La única diferencia entre el modelo lineal y el modelo de metas es que mientras que
en un modelo lineal tradicional de la forma:
Max o Min z(xi)=f(xi)
s.a: A(xi)≤bj
xi≥0 ∀ xi=1,2,...,k
Donde z(xi) representa la función objetivo en términos de las variables de decisión,
misma que se minimiza ó se maximiza, según sea el caso; A(xi), término que
representa a la matriz A de coeficientes de las restricciones del modelo y el vector
bj, mismo que representa la región factible de la modelación matemática y por último
la restricción lógica de no negatividad, misma que asegura que los valores de las
variables de decisión sólo podrán asumir valores no mayores o iguales a cero, podrá
ser minimizado ó maximizado, mientras que en un modelo de programación de
metas de la forma:
Max o´ Min g1=f(xi)
Max o´ Min g2=g(xi)
⋮
Max o´ Min gp=h(xi)
s.a: A(xi)≤bj
xi≥0 ∀ xi=1,2,...,k
Deberá revisarse si la meta puede ser cumplida o quedarse corta, de acuerdo a los
recursos disponibles para tal fin, es decir, el objetivo de la optimización es acercarse
tanto como sea posible al cumplimiento de la meta (Render, Stair, Hanna, & otros,
2006).
Estructura Matemática de los Modelos de Programación de Metas.
variable no deseada (a minimizar), será la variable de desviación negativa
(cuantificación de la falta de logro). Finalmente, cuando se desea alcanzar
exactamente el nivel de aspiración tanto la variable de desviación negativa como
la positiva son variables no deseadas y por tanto variables a minimizar.
Existen cuatro formas de restricciones de objetivos, según se permita variación
hacia arriba o hacia abajo: CASO 1: Se permiten desviaciones en ambas
direcciones. CASO 2: Solo se permiten desviaciones hacia abajo. CASO 3: Solo se
permiten desviaciones hacia arriba CASO 4: No se permiten desviaciones. No existe
algo en la programación por objetivos que prohíba incluir restricciones que no sean
de objetivo o restricciones de recurso. Estructura de un modelo de programación
por metas El primer paso en la formulación de un modelo de programación por
metas es fijarlos objetivos/ atributos, f(x), que se consideran relevantes para el
problema que estemos analizando. El segundo paso es determinar el nivel de
aspiración, t, que corresponde a cada Atributo, siendo éste el nivel de logro
del atributo que el decisor considera aceptable. A continuación, definimos las
metas, es decir, los atributos combinados con niveles de aspiración.
Cada meta se convierte en una restricción blanda a incorporar en el modelo de
programación por metas. n: variable de desviación negativa, cuantifica la falta de
logro de una meta p: variable de desviación positiva, cuantifica el exceso de logro
de una meta
En general, la meta del atributo i-ésimo se escribe como:
Los valores de las variables de desviación son siempre positivos o cero, al menos
una de las dos variables de desviación que definen la meta tendrá que ser cero. Las
dos variables de desviación tomarán el valor cero cuando la meta alcance
exactamente su nivel de aspiración, ti. Una variable de desviación se dice que es
no deseada cuando al centro decisor le conviene que la variable en cuestión alcance
su valor más pequeño, es decir, cero. Cuando la meta deriva de un objetivo a
maximizar o de una restricción de tipo ≥, la variable de desviación no deseada es la
negativa ni. Cuando la meta deriva de un objetivo a minimizar o de una restricción
de tipo ≤, la variable de desviación no deseada es la positiva pi. Cuando se desea
alcanzar exactamente el nivel de aspiración, las variables de desviación no
deseadas son tanto la positiva, pi, como la negativa, ni. Las variables de desviación
no deseadas se incorporan siempre en la función objetivo del modelo de
programación por metas.
Clasificación de los tipos de modelos de Programación de Metas.
MODELO DE UNA SOLA META.
EJEMPLO: Una división de Schwim Manufacturing Company produce dos tipos de
bicicletas:(1) una bicicleta de 3 velocidades y (2) una de 10 velocidades. La división
obtiene una utilidad de $25 en la bicicleta de 10 velocidades y $15 en la bicicleta de
3 velocidades. Debido a la fuerte demanda de estos artículos, durante el período de
planeación de verano la división cree que puede vender, a los precios
que prevalezcan, todas las unidades de estas dos bicicletas que produzca.
Las instalaciones de producción se consideran recursos escasos. Estos recursos
escasos corresponden al departamento de ensamblado y terminado. Los
tiempos unitarios de procesamiento y las capacidades de cada uno de los
departamentos se muestran en la tabla siguiente: Hrs. requeridas para procesar
cada bicicleta
La división durante este período de planeación se enfrenta a cambios grandes de
organización y cree que el maximizar la utilidad no es un objetivo realista. Sin
embargo, desearía lograr un nivel satisfactorio de utilidad durante este período de
dificultad. La dirección cree que la utilidad diaria de $600 debería satisfacerse y
desea determinar, dadas las restricciones del tiempo de producción, la mezcla de
producto, que debería llevar a esta tasa de contribución a utilidades. Fórmula un
modelo de programación de meta que satisfaga estos requerimientos
Definición de variables:x1 = Número de bicicletas de 3 velocidades producidas por
díax2 = Número de bicicletas de 10 velocidades producidas por díad1- = Cantidad
por debajo de la utilidad perseguidad1+ = cantidad por encima de la utilidad
perseguida. Minimizar Z = d1- + d1+s.a.x1 +3×2” 60 (horas de ensamble).
Restricciones estructuralesx1 + x2” 40 ( (horas de terminación)15×1 +25×2 +d1- –
d1+ = 600 (Utilidad perseguida) Restricción metax1,x2,d1-,d1+ ” 0Nota: Puesto que
tanto d1-,d1+ aparecen en la función objetivo y a ambas se les asigna pesos iguales,
esto indica que la administración desea lograr la utilidad meta exactamente.
MODELOS DE METAS MÚLTIPLES
EJEMPLO METAS MÚLTIPLES.
Considera la información que se presenta en la siguiente tabla:
*El producto 2 no debe exceder 90 unidades al mes. *Cada hora extra aumenta los
costos en $20.00Metas: Alcanzar utilidades de por lo menos $350,000.00 al mes.
Maximizar la utilización de los 4 departamentos. No producir más del 50% de la
producción total en cualquiera de los 4 productos (en unidades). Limitar el número
de horas extras en el departamento2 a300 hrs. al mes.
Definición de variables: xi = cantidad a producir del producto i mensualmente. i =
1,2,3,4.
F.O. Min Z = d1- +d2- +d3- +d4- + d5- +d6+ +d7+ +d8+ +d9+ +d10+s.a.1) 415×1
+362×2 +216×3 + 68×4 -20d2+ – 20d3+ – 2 0d4+ – 20d5+ -d1 + + d1-
=350,0002).10×1+.08×2+.05×3+.04×4 -d2+ + d2- = 3202.1×1 +1.4×2 +1.1×3 +0.9×4
-d3+ + d3- = 2400 x1+.7×2+.6×3+.5×4 -d4+ +d4- = 800.3×1 +.2×2 +.15×3 +.1×4 -
d5+ +d5- = 4503) x1-d6+ +d6- = .5(x1+x2+x3+x4) ! .5×1-.5×2-.5×3-.5×4 -d6+ +d6-
= 0-.5×1 +.5×2 -.5×3-.5×4 -d7+ +d7- = 0-.5×1-.5×2+.5×3-.5×4 -d8+ +d8- = 0-.5×1-
.5×2-.5×3+.5×4 -d9+ +d9- = 04)d3+ -d10+ +d10- = 300Restricciones
estructurales:x2″ 90
xi” 0 para toda idi+,di- ” 0 para toda i.
Métodos de solución.
Supongamos que el modelo de programación de metas tiene n metas, y que la
i−ésima meta se expresa como sigue:
Min Gi,i=1,2,...,n
La función objetivo combinada que se usa en este método se define como sigue:
Minimizar Z=w1G1+w2G2+⋯ +wiGi
El parámetro wi, i=1,2,...,n, representa factores de ponderación positivos que
reflejan las preferencias de quien toma las decisiones, respecto a la importancia
relativa de cada meta. Por ejemplo, wi=1, pata toda i significa que todas las metas
tienen el mismo factor de ponderación, es decir, la misma importancia desde el
punto de vista de quien toma la decisión. La determinación de los valores
específicos de esos factores es subjetiva, es decir, tienen que ver más con las
experiencias y sentimientos del decisor, pudiendo cambiar de una a otra
persona(Taha, 2004).
MÉTODO DE JERARQUÍAS
En el método de jerarquías, quien toma las decisiones debe clasificar las metas del
problema por orden de importancia. Dado un caso de n metas, los objetivos del
problema se escriben como sigue:
Minimizar G1=ρ1 (Máxima Prioridad)
⋮
Minimizar Gn=ρn (Mínima Prioridad)
Este método ordena las metas por orden de prioridad y una vez obtenida la solución
para la meta prioritaria, se reescribe como una restricción de un nuevo programa
lineal que tiene como función objetivo la minimización de la siguiente meta en orden
de importancia, y así sucesivamente hasta terminar con la meta menos prioritaria.
Este método tiene la característica de requerir un número elevado de cálculos, lo
que hace que pierde eficiencia.
MODELO DE METAS MÚLTIPLES
Para explicar el modelo de programación de metas múltiples, se tomará el problema
de la programación de un paquete publicitario, extraído de libro de Investigación de
Operaciones de Hamdy A. Taha (Taha, 2004) en la página 352, mismo que
textualmente dice:
TopAd es una nueva agencia de publicidad, con 10 empleados; ha recibido un
contrato para promover un producto nuevo. La agencia puede anunciarlo por radio
y por televisión. La tabla siguiente contiene datos sobre la cantidad de personas a
las que llega cada tipo de anuncio, y sus requisitos de costo y mano de obra:
Concepto Radio Televisión
Exposición (millones de personas) 4 8
Costo (miles de dólares) 8 24
Empleados Asignados 1 2
El contrato prohíbe a TopAd que use más de 6 minutos en anuncios por radio.
Además, los anuncios por radio y televisión deben llegar cuando menos a 45
millones de personas. TopAd ha establecido para el proyecto una meta de
presupuesto de $100,000 dólares. ¿Cuántos minutos en radio y televisión debe
programar TopAd?
Estructura para la modelación escenarios de metas múltiples
Definición de variables
En este planteamiento, la gerencia desea cumplir dos metas, la primera es llegar a
por lo menos 45 millones de personas y la segunda es no exceder el presupuesto
de $100,000 dólares, para esto lo que se debe programar es la cantidad de minutos
tanto de radio como de televisión, por lo que éstos serán las variables de decisión,
mismas que se definen de la siguiente manera:
xi= Tiempo programado en el medio i, por la naturaleza de la variable se considera
que ésta es continua.
i=1,2
1= Minutos de radio
2= Minutos de televisión
1.4.1.2 Definición de la meta
Para el problema planteado, se requiere la modelación de dos metas, una que
represente la exposición que puede tener cada medio, en el caso del radio, la tabla
de información reporta que se puede llegar a 4 millones de personasminuto,
mientras que para el caso de la televisión, la tabla de datos reporta que se puede
llegar a 8 millones de personasminuto, la meta de la gerencia es llegar por lo menos
a 45 millones de personas, por lo que, la meta de exposición, de acuerdo con los
objetivos planteados, se escribe de la siguiente manera:
4x1+8x2 ≥ 45
La otra meta a modelar es la de presupuesto, dado que la gerencia tiene planteado
que no se exceda de la cantidad planteada, para el caso, la tabla de datos reporta,
en miles de datos, que se requieren $ 8 miles de dólaresminuto de radio y $ 24 miles
de dólaresminuto de televisión y sólo se cuenta con $100 miles de dólares, por lo
que, la meta de presupuesto de acuerdo a los objetivos de la gerencia se modela
de la siguiente forma:
8x1+24x2 ≤ 100
Dado lo anterior, se agregan las variables de desviación de para ambas metas,
quedando escritas como sigue:
4x1+8x2+s1+−s1− = 45
8x1+24x2+s2+−s2− = 100
DAdo que la meta de exposición es de ≥, la variable de desviación a minimizar es
s1+, en el caso de la meta de presupuesto, dado que es de ≤, la variable de
desviación a minimizar es s2−, por lo que la función objetivo queda definida de la
siguiente manera:
Min G = s1++s2−
Esta meta permite que se minimicen las variables de desviación que se oponen al
cumplimiento de las metas, ya sea que se queden cortas, es decir, que no se
alcance la exposición deseada o que no se consuma todo el presupuesto, o en caso
contrario, que se exceda la exposición prevista por la gerencia y se exceda el
presupuesto disponible.
Planteamiento del modelo matemático
El modelo matemático para el problema de TopAd queda definido de la siguiente
manera:
G−s1+−s2−=0(1)
4x1+8x2+s1+−s1− = 45(2)
8x1+24x2+s2+−s2− = 100(3)
x1+2x2 ≤ 10(4)
x1 ≤ 6(5)
xi,si+,si− ≥ 0(6)
Donde la ecuación (1) representa la función objetivo, la ecuación (2) representa la
meta de exposición, la ecuación (3) representa la meta de presupuesto, la función
(4) asegura que no se exceda de 10 empleados en el cumplimiento de las metas, la
función (5) asegura que se cumpla la restricción del contrato y la función (6) es la
condición lógica de no negatividad.
De la misma manera en que se modeló el problema de una meta, el modelo
matmático se reescribe para puderlo utilizar en el algoritmo del método simplex.
Reescribiendo el modelo
Ahora se procederá a asignar las variables adicionales al sistema para estar en
condiciones de resolverlo mediante el método simplex, dichas variables adiciones
son las de holgura y artificiales necesarias según sea el caso, quedando el sistema
de la siguiente manera:
G−s1+−s2−=0
4x1+8x2+s1+−s1−+r1 = 45
8x1+24x2+s2+−s2−+r2 = 100
x1+2x2+h1 = 10
x1+h2 = 6
xi,si+,si− ≥ 0
Para este caso particular, se recomienda implementar el procedimiento simplex y
comprobarlo mediante los algoritmos que se abordarán en el apartado 1.6 de este
contenido temático.
Modelo de submetas dentro de una meta
En este modelo, si se tienen j metas, se tienen que cumplir en orden todas las metas
para el cumplimiento de la meta general, como por ejemplo, un proceso de
maquinado, una línea de producción, procesos de manufactura lineal, etc.
Para ejemplificar este modelo, se modela el siguiente plantamiento.
Se fabrican dos productos en máquinas consecutivas. La siguiente tabla muestra
los tiempos de maquinado, en minutos por unidad, para cada producto(Taha, 2004).
Tiempo de maquinado, min
Máquina Producto 1 Producto 2
1 5 3
2 6 2
Las cuotas diarias de producción para los dos artículos son 80 y 60 unidades,
respectivamente. Cada máquina trabaja 8 horas por día. Se puede recurrir al tiempo
extra, aunque no es deseable, si es necesario para llenar la cuota de producción.
Formule formule el problema como modelo de programación de metas.
Estructura para la modelación escenarios de submetas dentro de una meta
Definición de variables
Para este planteamiento, la generencia desea establecer un esquema de
producción para cumplir con las cuotas planteadas sin exceder el tiempo de
funcionamiento de las máquinas; sin embargo, de ser necesario se puede recurrir a
tiempo extra.
Las variables se definen de la siguiente manera:
xi= Tiempo, en minutos, de funcionamiento de la máquina i para lograr la cuota de
producción diaria, por la naturaleza de la variable, se considerará continua.
i= 1,2
1= Minutos de funcionamiento de la máquina 1.
2= Minutos de funcionamiento de la máquina 2.
Definición de la meta
Para lograr el cumplimiento de las cuotas, se debe plantear un modelo matemático
en donde se minimicen las desviaciones del tiempo de funcionamiento de las
máquinas, cuidando que no se exceda, dado que si esta situación se hace presente,
se tendrá que recurrir a teimpo extra. En la tabla de datos se muestran los tiempos
de funcionamiento en cada máquina por producto, sin embargo lo que se desea
programar son los tiempos, por lo que, si las unidades presentadas en dicha tabla
son minutosunidad producida, se deberán programar el número de unidades
necesarias para las cuotas de producción.
Por lo tanto, para cada producto, se plantearán las siguientes funciones:
5x1+6x2=480
3x1+2x2=480
Para establecer estas fucniones como metas, se le agrega las variables de
desviación, por lo que se reescriben de la siguiente manera:
5x1+6x2+s+1−s−1=480
3x1+2x2+s+2−s−2=480
Dentro de este esquema, el sistema está restringido por las propias cuotas de
producción, es decir, del producto 1 se debe cumplir la meta de 80 unidades y de la
del producto 2 la de 60 unidades, esto se planteará en forma de restricción de la
siguiente manera:
x1=80
x2=60
Dado lo anterior, como el objetivo de la gerencia es no recurrir a tiempo extra, a
menos que sea estrictamente necesario, las variables de desviación a minimizar
son aquellas que coadyuvan a que el objetivo sea rebasado, en este caso las dichas
variabes son s+1 ys+2. Por lo que la función objetivo se escribe de la siguiente
manera:
Min G=s+1+s+2
Una vez definido lo anterior, podemos establecer el modelo matemático que nos
ayudará a planificar la producción de tal forma que se minimice las desviaciones en
torno al tiempo de funcionamiento de las máquinas.
1.5.1.3 Planteamiento del modelo matemático
El modelado para el planteamiento en comento queda defindo de la siguiente
manera:
Min G=s+1+s+2(1)
5x1+6x2+s+1−s−1=480(2)
3x1+2x2+s+2−s−2=480(3)
x1=80(4)
x2=60(5)
x1, x2, s+1, s−1, s+2, s−2 ≥ 0(6)
En donde la función (1) asegura que las desviaciones en torno al tiempo de
utilización de las máquinas será el mínimo, la ecuación (2) asegura que el tiempo
de la máquina uno no se desviará del objetivo de 480 minutos diarios, la ecuación
(3) asegura que el tiempo de la máquina dos no se desviará del objetivo de 480
minutos diarios, la ecuación (4) asegura el cumplimiento de la cuota de producción
para el Producto 1, la ecuación (5) asegura el cumplimiento de la cuota de
producción para el Producto 2 y por último la ecuación (6) es a condición lógica de
no negatividad de las variables.
1.5.1.4 Reescribiendo el modelo matemático
Ahora se procederá a asignar las variables adicionales al sistema para estar en
condiciones de resolverlo mediante el método simplex, dichas variables adiciones
son las de holgura y artificiales necesarias según sea el caso, quedando el sistema
de la siguiente manera:
G−s+1−s+2=0
5x1+6x2+s+1−s−1+r1=480
3x1+2x2+s+2−s−2+r2=480
x1+r3=80
x2+r4=60
Para este caso particular, se recomienda implementar el procedimiento simplex y
comprobarlo mediante los algoritmos que se abordarán en el apartado 1.6 de este
contenido temático.
