Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ISSN:0716-7334 PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE INSTITUTO DE ECONOMIA Oficina de Publicaciones Casilla 274 - V, Correo 21, Santiago MODELOS DE OPTIMIZACION* Gonzalo Edwards** Trabajo Docente Nº 57 Marzo, 1994 *Este trabajo es una publicación conjunta del Instituto de Economía (Trabajo Docente Nº 57), y de la Escuela de Administración (Trabajo Docente 194-01). Pontificia Universidad Católica de Chile. **Profesor Facultad de Ciencias Económicas y Administrativas, Pontificia Universidad Católica de Chile. INDICE Página CAPITULO 1: INTRODUCCION AL PROCESO DE OPTIMIZACION 1 CAPITULO 2: PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS 15 CAPITULO 3: OPTIMIZACION SIN RESTRICCIONES 23 CAPITULO 4: OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD 30 CAPITULO 5: OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y DESIGUALDAD 35 CAPITULO 6: SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER 52 CAPITULO 7: PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL 65 CAPITULO 8: PROGRAMACION LINEAL: INTRODUCCION 79 CAPITULO 9: PROGRAMACION LINEAL Y EL COMPUTADOR 93 CAPITULO 10: PROBLEMAS ADICIONALES DE PROGRAMACION LINEAL 107 CAPITULO 11: VARIABLES BINARIAS 128 REFERENCIAS 157 NOTA INTRODUCTORIA El propósito de este trabajo es servir de material complementario para aquellos cursos que persiguen formar la capacidad de modelamiento matemático en las áreas de economía y administración. El texto presenta el instrumental matemático utilizado en el análisis de optimización de manera comprensible, tratando de desarrollar la intuición, sin mayor énfasis en el rigor formal. Por otra parte, el énfasis no está en la solución de problemas de optimización claramente definidos, sino que en el planteamiento de los mismos. Para desarrollar la capacidad de plantear problemas se presentan en el texto numerosos ejemplos, a la vez que se proponen, al final de cada capítulo, problemas adicionales para la ejercitación del alumno. El trabajo puede dividirse en tres partes: Programación No Lineal, donde lo principal es el planteamiento de problemas y la comprensión de las condiciones de Kuhn-Tucker. La segunda parte, de Programación Lineal, que es un caso particular de Programación No Lineal, presenta múltiples ejemplos de este tipo de modelos, destacando los análisis gráficos y los problemas de planteamiento. En esta parte, se hace uso de programas computacionales tales como el LINDO y el QSB+. Por último, en la tecera parte, se enfatizan los problemas que requieren en su planteamiento el uso de variables binarias. Se debe destacar que se han dejado fuera varios temas en las áreas descritas por razones de espacio y tiempo que en todo caso están bien tratados en otros libros. Entre estos temas excluidos se encuentran: a) El dual; b) El método Simplex de Programación Lineal y otros algoritmos de solución de distintos tipos de problemas de Programación Matemática. Asimismo, se ha decidido excluir los problemas de optimización en condiciones de incertidumbre, y los problemas de optimización dinámica. Por último, como este trabajo surge de mis apuntes de clase en el Departamento de Economía Agraria y en la Facultad de Ciencias Económicas y Administrativas de la Pontificia Universidad Católica de Chile durante los últimos diez años, quiero agradecer, aunque no recuerde sus nombres, a todos los alumnos que he tenido y en especial a todos los ayudantes. De manera particular, deseo agradecer a Guillermo Donoso, Frantz Kroeger, Oscar Melo, Guillermo Ortiz, Sol Reyna y María Isabel Vial. Modelos de Optimización 1 CAPITULO 1 INTRODUCCION AL PROCESO DE OPTIMIZACION El objetivo principal de este texto es aprender a plantear y resolver problemas de optimización. Para lograr este objetivo es conveniente expresar el problema de optimización típico en términos de las siguientes etapas: Entendimiento del Problema: Esta etapa consiste en entender las características esenciales del problema. Si bien esta etapa puede parecer obvia, muchas veces el problema radica justamente en el hecho que el problema no se entiende. En general, esta etapa no se expresa en lenguaje matemático. Definición de Variables: Las variables en juego deben ser definidas en forma clara. Por ejemplo, cuando se define una variable X como tomates, debe quedar claro si se refiere a kilos de tomates, hectáreas de tomates, etc. Definición de Función Objetivo: Esta etapa consiste en definir, en términos matemáticos, qué se quiere lograr. Por ejemplo, el objetivo puede ser maximizar ganancias, minimizar costos, minimizar el riesgo de quiebra, etc. Definición del Conjunto de Restricciones: Esta etapa consiste en definir, nuevamente en términos matemáticos, el espacio de lo posible. Por ejemplo, ¿cuántas hectáreas se pueden sembrar como máximo con los distintos cultivos? ¿de cuánto dinero se dispone para llevar a cabo la empresa? ¿qué capacidad se tiene para manejar inventarios? etc. Cabe advertir que muchas veces esta etapa se confunde, erradamente, con la etapa de búsqueda de la solución. El conjunto de restricciones se refiere al espacio de lo posible y no a un espacio restringido donde se espera que esté el óptimo. Si bien muchas veces puede parecer preferible trabajar con un espacio más restringido para encontrar la solución, en la práctica es común que dichas restricciones dejen de hecho fuera del espacio a la verdadera solución óptima, sobre todo en problemas complejos. Búsqueda de Solución: Esta etapa representa el problema matemático propiamente tal. Las etapas anteriores se refieren al problema de planteamiento del problema en términos matemáticos, mientras que esta etapa se refiere a la búsqueda del valor o de los valores de las variables que optimizan la función objetivo dentro del conjunto de valores posibles que éstas pueden tomar. Interpretación de Resultados: Esta etapa, que parece obvia, muchas veces es olvidada por los analistas. Un modelo no entrega resultados. Es el analista quien se debe hacer responsable de los mismos y entregarlos. Por ejemplo, si los 2 Trabajo Docente Nº 57 resultados "entregados" por el modelo o por el computador son contrarios a todo lo que el analista siempre ha creido, es posible que el analista deba revisar sus teorías. Sin embargo, lo más probable es que el modelo tenga algún problema en el planteamiento o en el sistema de búsqueda de solución que obligue a revisar lo realizado. El modelo es una herramienta que permite al analista entender un determinado problema. No es más, aunque tampoco menos que eso. A continuación se presentan varios ejemplos de planteamiento con el objeto de introducir algunos de los elementos anteriores a problemas prácticos. Se excluyen de esta introducción las etapas de búsqueda de soluciones y de interpretación de resultados. Ejemplo 1.1: Suponga que Ud. tiene un fundo con las siguientes características: 1. El fundo tiene 120 hectáreas. 2. Ud. está considerando la posibilidad de poner trigo, porotos, o una combinación de ambos cultivos. 3. Ud. no dispone de trabajadores permanentes y debe contratarlos a 700 pesos por jornada. 4. El trigo requiere de 5 jornadas hombre por hectárea, mientras que los porotos requieren de 10 jornadas hombre por hectárea. 5. Ud. dispone de un tractor y no puede tomar en arriendo ni dar en arriendo el tractor. Esto le impone un máximo de 300 jornadas-tractor para todo el año. El trigo requiere de 3 JT/há, y los porotos 5 JT/há. 6. Los costos variables por hectárea, sin contar la mano de obra, son de 50.000 pesos en el caso del trigo y 35.000 pesos en el caso de los porotos. 7. El precio por quintal de trigo es de 3.000 pesos y por quintal de porotos, 4.000. 8. El rendimiento esperado por hectáreade trigo es de 60 quintales y por hectárea de porotos es de 40 quintales. El problema es determinar cuántas hectáreas sembrar con cada cultivo. Modelos de Optimización 3 Lo primero que hay que hacer es plantear el problema en términos matemáticos. En este ejemplo, lo que se quiere es que las ganancias sean lo más grandes posible. Esto se expresa en términos matemáticos como: Maximizar Ganancias = Ingresos Totales - Costos Totales = IT - CT donde: IT = 3.000 x 60 x T + 4.000 x 40 x P T, P = Número de hectáreas a sembrar de trigo y porotos respectivamente. CT = 50.000 x T + 35.000 P + 700 (5 T + 10 P) Así, la función a maximizar es f(T, P) = 126.500 T + 118.000 P Función Objetivo El problema son las restricciones. Como sólo se cuenta con 120 hectáreas, debe cumplirse que: T + P ≤ 120 Restricción 1 Por otra parte, como se cuenta sólo con 300 jornadas tractor como máximo, se debe cumplir que: 3T + 5P ≤ 300 Restricción 2 4 Trabajo Docente Nº 57 Por último, están las restricciones de no negatividad. Estas se refieren al hecho que no se pueden sembrar cantidades negativas. Matemáticamente, T ≥ 0, P ≥ 0 Restricciones de no negatividad Esta última restricción se debe poner a pesar de ser obvia. En un planteamiento matemático, nada es obvio si no se explicita. En resumen, el problema anterior se expresa como: Maximizar f (T,P) = 126.500 T + 118.000 P sujeto a: T + P ≤ 120 3T + 5P ≤ 300 T ≥ 0; P ≥ 0 El modelo anterior es una simplificación de una situación típica. No incorpora, por ejemplo, el hecho de que los rendimientos y los precios son aleatorios. Tampoco incorpora posibles restricciones de dinero o problemas de tasas de interés. Excluye, asimismo, toda consideración de disponibilidad de agua de riego. Adicionalmente, no incluye posibles restricciones impuestas por el tamaño de los potreros (suponga, por ejemplo, que no se desea sembrar más de un cultivo en un potrero determinado). Dicho de otra forma, en un modelo sólo se puede ver lo que éste incorpora. No se puede ver lo mucho que no incorpora. Ejemplo 1.2: Ud. está dedicado a la producción de dos productos cuyas funciones de producción son las siguientes: 8,0 2 2,0 12 7,0 11 XXY XY = = Modelos de Optimización 5 donde Xi e Yj se refieren a las cantidades de insumos y productos respectivamente. Ud. sabe además que PY1 = 10, PY2 = 15, PX1 = 2, PX2 = 3. El problema es plantear un modelo de optimización que, una vez resuelto, le permita decidir cuánto producir de cada producto a fin de maximizar las utilidades. Como dato adicional, Ud. sólo dispone de 150 pesos para la compra de insumos, y por razones técnicas de almacenaje, Y1 no puede ser mayor al 30% de Y2. Nuevamente el objetivo es la maximización de utilidades. Tal como se dijo anteriormente, el primer paso es la definición de las variables en forma clara. En este ejemplo, existen dos opciones: 1) trabajar directamente con las cantidades de insumos, 2) trabajar simultáneamente con las cantidades de producto y de insumos. Así, el problema se podría plantear, aunque erradamente por razones que se verán más adelante, de cualquiera de las dos formas siguientes: Planteamiento 1: Maximizar 218,02 2,0 1 7,0 1 X3X2XX15X10 −−+ sujeto a: 2 X1 + 3X2 ≤ 150 X 7,01 ≤ 0,3 X 2,0 1 0 2;1 X 8,0 2 X1, X2 ≥ 0 Planteamiento 2: Maximizar 10Y1 + 15 Y2 - 2 X1 - 3X2 sujeto a: 2X1 + 3X2 ≤ 150 Y1 ≤ 0,3 Y2 Y1 = X 7,01 Y2 = 8,02 2,0 1 XX Y1, Y2, X1, X2 ≥ 0 6 Trabajo Docente Nº 57 De los dos planteamientos anteriores, el primero tiene la ventaja de trabajar con dos variables en lugar de cuatro, lo que resulta más fácil en términos de la búsqueda de la solución. El segundo, por otra parte, tiene la ventaja que su solución entrega directamente las cantidades a producir y las cantidades de insumos por utilizar. En este sentido, en términos del planteamiento del problema, parece preferible el segundo, mientras que en términos del problema matemático de resolución es preferible el primero. ¿Cuál es el error en ambos planteamientos anteriores? El problema es que la cantidad del primer insumo, X1, se plantea como utilizable en ambos productos simultáneamente. En la realidad, una parte se puede utilizar para un producto y el resto en el otro. No se puede usar el total de insumo en la producción de un producto y el total también en la producción del otro. De lo anterior, surge la necesidad de distinguir entre las cantidades del insumo que van a uno y otro producto. Es así como los planteamientos anteriores se reescriben como: Planteamiento 1: Maximizar 10 X 7,011 + 15 X 2,0 12 X 8,0 2 - 2 (X11 + X12) - 3X2 sujeto a: 2(X11 + X12) + 3 X2 ≤ 150 X 7,011 ≤ 0,3 X 2,0 12 X 8,0 2 X11, X12, X2 ≥ 0 Planteamiento 2: Maximizar 10 Y1 + 15 Y2 - 2 (X11 + X12) - 3 X2 sujeto a: 2(X11 + X12) + 3 X2 ≤ 150 Y1 ≤ 0,3 Y2 Y1 = X 0,7 11 Y2 = X 2,012 X 8,0 2 X11, X12, X2, Y1, Y2 ≥ 0 Modelos de Optimización 7 Ejemplo 1.3: En un feedlot de engorda de novillos, se ha decidido alimentarlos con heno de alfalfa y maíz grano, que cuestan 8 y 12 pesos por kilo respectivamente. El heno tiene, por kilo, 1,8 mkcal, 160 gramos de proteína, 20 gramos de calcio y 160 gramos de fósforo. A su vez, el maíz tiene 3 mkcal, 90 gramos de proteína, 3 gramos de calcio y 2 gramos de fósforo por kilo. Los requerimientos de cada novillo por día son de 12 mkcal, 1,2 kilos de proteína, 100 gramos de calcio y 50 gramos de fósforo. El problema es plantear un modelo de optimización que, una vez resuelto, permita minimizar el costo de engorda diario por novillo suponiendo que por razones técnicas, la relación calcio:fóforo debe estar entre 1:1 y 2:1. Definiendo H y M como las cantidades, en kilos, de heno y maíz respectivamente, el problema se puede plantear como sigue: Minimizar f (H,M) = 8H + 12 M sujeto a: 1,8 H + 3 M ≥ 12 (calorías) 160 H + 90 M ≥ 1,2 (proteínas) 20 H + 3 M ≥ 100 (calcio) 160 H + 2 M ≥ 50 (fósforo) 1 ≤ cantidad de calcio cantidad de fósforo = 20 H + 3 M 160H+ 2 M ≤ 2 H, M ≥ 0 Ejemplo 1.4: Se dispone de 50 unidades de un bien para vender en 2 mercados independientes. En cada mercado, las demandas están dadas por las ecuaciones P1 = 40 - X1 y P2 = 50 - 2 X2, donde Pi representa el precio de venta unitario en el mercado i, y Xi la cantidad vendida en dicho mercado. El problema es plantear el problema de optimización correspondiente. Las variables de decisión en este caso son las cantidades que se deben enviar a los distintos mercados. El problema se puede plantear de cualquiera de las siguientes formas: 8 Trabajo Docente Nº 57 Planteamiento 1: Maximizar P1 X1 + P2 X2 sujeto a: X1 + X2 ≤ 50 P1 = 40 - X1 P2 = 50 - 2 X2 P1, P2, X1, X2 ≥ 0 Planteamiento 2: Maximizar (40 - X1 ) X1 + (50 - 2X2 ) X2 sujeto a: X1 + X2 ≤ 50 X1, X2 ≥ 0 El segundo planteamiento reemplaza las ecuaciones de demanda en la función objetivo. Cabe señalar que ambos planteamientos no son equivalentes desde el punto de vista matemático. La razón es que en el segundo planteamiento, si bien se sustituyen los precios en la función objetivo, no se sustituyeron en las restricciones de no negatividad originales (P1 ≥ 0, P2 ≥ 0). Dicho de otra forma, al segundo planteamiento faltó agregar: 40 - X1 ≥ 0 50 - 2X2 ≥ 0 Ejemplo 1.5: Ud. es dueño de una planta agroindustrial que produce tomates, peras y duraznos en conserva. Ud. debe planificar la producción del próximo mes de tal forma de maximizar los ingreso netos. Los costos de materia prima son 10, 15 y 20 pesos por kilo en los3 productos respectivamente si se abastece del abastecedor A y 15, 20 y 10 pesos por kilo si se abastece Modelos de Optimización 9 del abastecedor B. El abastecedor A no le presenta ningún problema para venderle las cantidades que Ud. quiera. Sin embargo, el abastecedor B lo obliga a comprar por lo menos 1 kilo de peras por cada dos kilos que le compre de duraznos y un máximo de 1 kilo de duraznos por cada kilo de tomates que le compre. La producción Ud. la puede vender a la cadena de supermercados X o a la cadena Y (o a ambos). Las demandas de X vienen dadas por las siguientes ecuaciones, donde los precios son por kilo de materia prima equivalente: Ptomates = 2.000 - 2 Q X tomates Pperas = 1.000 - 4 Q X peras Pduraznos = 850 - 3 Q X duraznos A Y, por otro lado, le gustaría que le vendiera sólo a él, por lo cual le ofrece menos precio a mayor cantidad que le envíe a X. Las demandas de Y vienen dadas por las siguientes ecuaciones: Ptomates = 2.500 - 2Q Y tomates - Q X tomates Pperas = 2.000 - 3Q Y peras - Q X peras Pduraznos = 3.000 - Q Y duraznos - Q X duraznos En este caso, se deberá decidir acerca de cuánto comprar de cada producto a cada abastecedor, y cuánto vender de cada producto en conserva a cada supermercado. De aquí surge la siguiente definición de variables: Pij , Q i j = precio y cantidad de producto j (j = tomates, peras, duraznos) comprada al abastecedor i (i = A, B). Plj , Q l j = precio y cantidad de producto j (j = tomates, peras, duraznos) vendido al supermercado l (l = X, Y). Se supondrá, en un primer análisis, que se debe cobrar el mismo precio a ambos supermercados. Así el problema se puede plantear como: 10 Trabajo Docente Nº 57 Maximizar PXtomates Q X tomates + P X peras Q X peras + P X duraznos Q X duraznos + PYtomates Q Y tomates + P Y peras Q Y peras + P Y duraznos Q Y duraznos - 10 QAtomates - 15 Q A peras - 20 Q A duraznos - 15 QBtomates - 20 Q B peras - 10 Q B duraznos sujeto a: QBperas ≥ 0,5 Q B duraznos QBduraznos ≤ Q B tomates PXtomates = 2.000 - 2 Q X tomates PYtomates = 2.500 - 2 Q Y tomates - Q X tomates PXperas = 1.000 - 4 Q X peras PYperas = 2.000 - 3 Q Y peras - Q X peras PXduraznos = 850 - 3 Q X duraznos PYduraznos = 3.000 - Q Y duraznos - Q X duraznos PXtomates = P Y tomates PXperas = P Y peras PXduraznos = P Y duraznos Todas las variables mayores o iguales a cero. Las tres últimas restricciones son las que aseguran que se cobre un mismo precio a ambos supermercados. Si se puede cobrar distintos precios a ambos supermercados, se deben omitir estas restricciones. Modelos de Optimización 11 1.1. Ud, que es administrador de un fundo de 150 hectáreas, debe programar su producción para el próximo año. Los productos a considerar son trigo, maíz y remolacha. Los coeficientes técnicos de producción y las disponibilidades de los distintos recursos son lo que a continuación se señalan: trigo maíz remolacha disponibilidad Mano de obra (JH/há) 15 25 85 3.000 Capital (JM/há) 12 14 4 2.000 Suponiendo que los beneficios netos unitarios (expresados en términos de pesos por hectárea) son 500, 800 y 950 pesos para el trigo, maíz y remolacha respectivamente, plantee el problema de optimización correspondiente. 1.2. En un taller se elaboran tres productos A, B, C cuyas demandas son respectivamente 90, 110, 120 unidades semanales. En la tabla se indican las capacidades del taller para cada método y las ganancias asociadas con cada producto y método de fabricación. Método Capacidad Producto Ganancia/unidad 1 2 3 1 160 A 139 140 137 2 120 B 201 207 210 3 140 C 254 255 255 Plantee el problema de optimización correspondiente definiendo claramente las variables, función objetivo y restricciones. 1.3. Una fábrica de muñecas debe decidir cuántas muñecas de cada tipo producir para maximizar las ganancias. Cuenta con dos tipos de muñecas, tipo 1 y tipo 2. El tipo 1 llora y requiere 15 minutos de fabricación y 15 mquezada Problemas Propuestos 12 Trabajo Docente Nº 57 minutos de acabado a mano, el tipo 2 necesita 30 minutos para su fabricación y 3/9 horas para el acabado a mano. La ganancia por muñeca tipo 1 es de $ 8 y la de la otra es de $ 12. La producción está limitada a 10 horas en el departamento de fabricación diariamente y el acabado a mano 8 horas/día. Se pide: Plantee el problema de optimización correspondiente. 1.4. Ud. acaba de recibir por equivocación un animal exótico del Africa con la siguiente nota colgada a su cuello: Me llamo TIMBO, como nada más que carne de lagartija y maíz, necesito un mínimo de 80 grs. de proteína y 6.000 calorías diarias. Soy un animal simpático siempre que me den las proteínas y calorías que pido. Cúidenme. Depués de hacer las averiguaciones del caso, Ud. aprende que por cada kilo de carne de lagartija, obtiene 40 grs. de proteína y 4.000 calorías. Por cada kilo de maíz, obtiene un total de 30 grs. de proteínas y 3.500 calorías. El precio del maíz es de 100 pesos por kilo mientras que el precio unitario de la carne de lagartija depende de cuanto compre Ud. al día. Su carnicero amigo le dice que cada día está más difícil conseguirla por lo que le especifica la siguiente función para el precio: P = 50 + 200 X donde P = precio por kg. de la carne de lagartija X = cantidad de carne comprada (en kgs. por día) Se pide: a) Formule el modelo de optimización que le permita minimizar el costo de la ración diaria. 1.5. Para cada una de las siguientes afirmaciones escriba la o las restricciones correspondientes definiendo claramente todas las variables. a) La relación calcio:fósforo en una ración debe estar entre 3:1 y 4:1 Modelos de Optimización 13 b) Por cada tractor que compre, debe haber por lo menos 6 trabajadores permanentes en el fundo. c) Juanita me ha pedido que la llame por lo menos 6 veces por cada 5 que llame a Francisca. d) Para hacer una cazuela, por cada papa se debe poner al menos 2 pedazos de zapallo. e) Por cada hectárea de maíz, se necesitan 2 jornadas-hombre (JH) al año, y por cada hectárea de trigo se requieren 4. Se dispone de 25 JH en total para el año. f) Un agricultor desea sembrar el doble de hectáreas de arroz que de maíz y el triple que de porotos. g) Del total de trigo que se produzca, la mitad se debe mandar a Santiago, no más de un tercio a Valparaíso, y el resto a Concepción. h) En una fonda han dedicido regalar 2 dulces por cada litro de chicha que les compren. i) Un agricultor tiene 10 kg. de semilla de un cultivo super especial. Cada kg. produce al final de la estación 2,5 kg. de producto que puede ser consumido o usado como semilla para la temporada siguiente. El producto en sí no puede ser almacenado de un año para otro. Este agricultor desea tener por lo menos 16 kg. para consumir luego de la primera cosecha y por lo menos 12 para consumir luego de la segunda. De ahí para adelante la semilla ya no le interesa. 1.6. Ud es dueño de un restaurant y dispone para el día de hoy de 100 lechugas, 200 tomates, 35 aceitunas, 180 betarragas y 100 choclos. En su menú, Ud. ha decidido poner lo siguiente: ENSALADAS DE HOY LECHUGAS A LA NAPOLITANA 450 pesos (1 lechuga, 2 tomates, 1 choclo) BETARRAGAS A LA VIENESA 300 pesos (2 lechugas, 3 betarragas, 1 aceituna) CHOCLOS A LA CHILENA 650 pesos 14 Trabajo Docente Nº 57 (3 choclos, 1 aceituna, 4 tomates) Se pide: Plantee un modelo que le permita maximixar sus ingresos (suponga que lo quehaga lo vende, pero que debe preparar los platos antes que lleguen los clientes). Se recomienda definir: X1 = Nº de platos de Lechugas a la Napolitana. X2 = Nº de platos de Betarragas a la Vienesa. X3 = Nº de platos de Choclos a la Chilena. 1.7. Suponga que Ud. se quedó después del 18 de septiembre, día en que puso una fonda, con 1.000 litros de chicha y 600 litros de vino. Ud. tiene la posibilidad de guardarlos, total o parcialmente, hasta el próximo año y venderlos en las fondas a un precio de 100 pesos y 150 pesos por litro de chicha y de vino respectivamente, o venederlos hoy a un precio de 50 y 85 pesos respectivamente a una botillería. Ud. no tiene problemas con la tasa de interés directamente, pero necesita hoy 50.000 pesos para pagar una deuda pendiente. Por último, el señor de la botillería le exige que por cada litro de chicha que le venda debe venderle por lo menos 2 litros de vino. Se pide: Plantee el problema de optimización correspondiente definiendo claramente las variables. Modelos de Optimización 15 CAPITULO 2 PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS Los problemas vistos en el capítulo anterior son todos problemas de Programación Matemática (PM). Formalmente, en un problema de PM se trata de encontrar el vector x = (x1 , x2 , ..., xn ) que, perteneciendo a un conjunto X, llamado conjunto de oportunidades y subconjunto a su vez de Rn , o conjunto de los números reales en n dimensiones, maximice una función objetivo f(x1 , x2 , ..., xn ). Dicho de otra forma, el conjunto X no es más que el conjunto de todos los valores que pueden tomar las distintas variables, mientras que la función objetivo representa aquello que se desea maximizar. En términos del ejemplo 1.1, el set X es el conjunto de todos los valores de T y P que satisfacen las restricciones T + P ≤ 120 3T + 5P ≤ 300 T ≥ 0; P ≥ 0 y la función objetivo es f (T,P) = 126.500 T + 118.000 P Cabe señalar que el planteamiento de un problema de Programación Matemática como uno de maximización, en lugar de uno de minimización, es sólo por conveniencia. Es obvio que existen muchos problemas donde lo que se desea es minimizar y no maximizar una función objetivo. Afortunadamente, todo problema de minimización se puede escribir como uno de maximización ya que el vector que minimiza a f(x) es el mismo que maximiza - f(x). Dos importantes casos especiales de PM lo constituyen la Programación No Lineal y la Programación Lineal. En el primero, el conjunto de oportunidades X está caracterizado por X = {x | g(x) ≤ b, x ≥ 0} en que Modelos de Optimización 17 de cómo transformar ciertos problemas de PM que no son estrictamente de PNL o PL en problemas que caigan dentro de estas últimas categorías. Ejemplo 2.1: Considérese el problema Maximizar 3X1 + 2X2 sujeto a: X1 ≤ 100 2X1 + 3 X2 ≥ 10 X1 , X2 ≥ 0 En este caso, la segunda restricción no es de "menor o igual" con lo cual el problema no debe, según la definición anterior, considerarse como de PL. Sin embargo, esta restricción puede reescribirse como -2 X1 - 3 X2 ≤ - 10 sin cambiar para nada las implicancias de la restricción. Ejemplo 2.2: Considérese el problema Maximizar X1 + X2 sujeto a: X1 = 100 X1 + 2 X2 ≤ 200 X1 , X2 ≥ 0 El problema en este caso lo presenta la primera restricción, que es de igualdad. Esta restricción se puede descomponer en dos partes: X1 ≥ 100 X1 ≤ 100 18 Trabajo Docente Nº 57 Obviamente, estas restricciones implican que X1 = 100. Este sistema lleva, sin embargo, a tratar el problema de "mayor o igual" de la misma manera que en el ejemplo 2.1 Así, el problema de PM se puede reescribir como el siguiente problema de Programación Lineal: Maximizar X1 + X2 sujeto a: - X1 ≤ - 100 X1 ≤ 100 X1 + 2 X2 ≤ 200 X1 , X2 ≥ 0 Ejemplo 2.3 Considérese el problema: Maximizar X 3 1 + X2 sujeto a: 2 X1 + X2 ≤ 100 X1 ≥ 0 En este caso, la variable X2 no tiene restricción de nonegatividad. Como en Programación No Lineal todas las variables deben ser nonegativas, y reconociendo que todo número real, (positivo, negativo, o cero) puede expresarse como la diferencia entre dos números nonegativos, lo que se hace es reescribir la variable X2 como X2 = X21 - X22 donde X21 y X22 son mayores o iguales a cero. Así, el problema original se puede reescribir como el siguiente problema de Programación No Lineal: Modelos de Optimización 19 Maximizar X 3 1 + X21 - X22 sujeto a: 2X1 + X21 - X22 ≤ 100 X1 , X21 , X22 ≥ 0 Los tres ejemplos anteriores han permitido transformar problemas de PM, que no son problemas de PNL o de PL, en problemas que sí son de PNL o PL. La ventaja de esto es que en general, mientras más acotada está una clase de problemas, más específicos se puede ser en su caracterización y resolución. Dicho de otra forma, todo lo que se pueda decir de los problemas de PM es válido para problemas de PNL o PL, pero no viceversa. Esto quiere decir que al transformar, por ejemplo, un problema de PM, no PL, en uno de PL, todo lo que es válido para la clase de problemas de PM sigue siendo válido para el problema transformado, y, además, todo lo que es válido para problemas de PL pasa a ser válido luego de la transformación. En todo caso, se debe destacar que no siempre es posible hacer este tipo de transformaciones, como lo demuestra el ejemplo siguiente: Ejemplo 2.4: Considérese el problema Maximizar 3X1 + 2X2 sujeto a: X1 < 40 X2 ≤ 20 X1 , X2 ≥ 0 El problema en este caso es la desigualdad estricta en la primera restricción. Podría pensarse que el óptimo es X*1 = 39,9 y X * 2 = 20. Sin embargo, una solución mejor sería X*1 = 39,99 o mejor aún X * 1 = 39,999. En este caso no se puede encontrar el óptimo, con lo cual ya no se puede maximizar de acuerdo con la definición del proceso de maximización dada al comienzo de este capítulo. 20 Trabajo Docente Nº 57 Máximos Locales y Máximos Globales Un punto x* es un máximo global si f(x*) ≥ f(x) para todo x, x* ∈ X. Por otro lado, x* es un máximo global estricto si f(x*) > f(x) para todo x, x* ∈ X. Asimismo, x* es un máximo local si x* ∈ X y f(x*) ≥ f(x) para todo x, que perteneciendo a X, se encuentre en una vecindad de x*. Si f(x*) > f(x), entonces x* es un máximo local estricto. El carácter geométrico intuitivo de estas definiciones es inmediato como lo ilustra la figura siguiente: x x xx x x x* * * * * *1 2 3 4 5 6 x f(x) X*1 es un máximo local estricto, X * 2 es un mínimo global estricto, X * 3 es un máximo local estricto y un máximo global (no estricto), X*4 es un mínimo local estricto, X*5 es un máximo global (no estricto), X * 6 es un mínimo local (en un borde del conjunto de oportunidades). Modelos de Optimización 21 Problemas Propuestos 2.1. Considere los siguientes problemas de optimización: Maximizar X1 + 3 X2 sujeto a: X1 + 2 X2 ≤ 8 2X1 + 3 X2 ≥ 15 X1 + X2 = 6 X1 , X2 ≥ 0 Mininizar 3X1 + 2 X2 sujeto a: X1 + 2 X2 ≤ 10 X1 ≥ 0 Minimizar 3 X2 + Y sujeto a: X + Y ≤ 10 2X + Y ≥ 15 X + 3Y = 10 X ≥ 0, Y ≥ 0 Se pide: Transforme estos problemas en problemas de Programación Lineal o No Lineal según corresponda. 2.2. Considere el siguiente problema de optimización. Minimizar P1 X1 + P2 X2 sujeto a: P1 = 100 - X1 P2 = 200 - X2 X1 + X2 ≤ 20 P1, P2, X1, X2 ≥ 0 22 Trabajo Docente Nº 57 Se pide: Transforme este problema en un problema de Programación No Lineal sin sustituir las variables P1 y P2 en la función objetivo. Modelos de Optimización 23 CAPITULO 3 OPTIMIZACION SIN RESTRICCIONES Este capítulo tiene por objeto caracterizar el óptimo cuando el problema no tienerestricciones. Es decir, cuando el conjunto de oportunidades es igual al conjunto de los números reales en n dimensiones, Rn. En primer lugar se verá el caso de una función objetivo de una variable para luego generalizar al caso de una función de varias variables. Función objetivo de una variable En este caso, se desea maximizar una función f(x). Si se supone que f(x) es diferenciable, entonces la condición de primer orden es que df dx = 0 y la condición de segundo orden es que d2f dx2 < 0 cuando se evalúa la segunda derivada en el punto donde la primera derivada es cero. Si un punto satisface estas condiciones, entonces dicho punto es un máximo local. Se debe destacar que la condición de segundo orden es suficiente pero no necesaria, ya que la segunda derivada podría ser cero en el máximo, como lo demuestra el caso de la función f(x) = - x2 En este ejemplo la primera derivada es cero en el punto x* = 0, y la segunda derivada evaluada en dicho punto también es cero. El punto x* = 0, sin embargo, es un máximo. Si se sustituye la condición de segundo orden por d2f dx2 ≤ 0 24 Trabajo Docente Nº 57 se obtiene una condición necesaria pero no suficiente, ya que una segunda derivada igual a cero puede corresponder a un máximo, mínimo, o punto de inflexión. Para ver este punto se sugiere estudiar las funciones a) f(x) = - x2 b) f(x) = x2 c) f(x) = x3 En los tres casos, la primera derivada es cero cuando x* = 0, y la segunda derivada es cero también cuando se evalúa en dicho punto El caso a) corresponde a un máximo, b) corresponde a un mínimo, y c) corresponde a un punto de inflexión. Para saber si un punto crítico (punto en el cual la primera derivada es cero) es un máximo, mínimo, o punto de inflexión, se debe en primer lugar evaluar la segunda derivada en dicho punto. Si dicha derivada es cero, se debe seguir derivando hasta encontrar la primera derivada no cero cuando se evalúa en el punto crítico. Supóngase que la enésima derivada es la primera derivada distinta de cero; entonces si n es impar, se trata de un punto de inflexión; si n es par y dfn dxn es mayor que cero, se trata de un mínimo; y si es par y dfn dxn es menor que cero, se trata de un máximo. Para finalizar el análisis de funciones de una variable, considérese la función f(x) = 3x En este caso, df dx = 3, con lo cual f(x) no tiene punto crítico. En este caso no se puede maximizar ya que el máximo es infinito, el cual no es un número real. Modelos de Optimización 27 Considérese la matriz -3 1 2 1 -4 -1 2 -1 -7 Esta matriz es negativa definida ya que det (H1) = f11 = -3 < 0 det (H2) = det f11 f12 f21 f22 = det -3 1 1 -4 = 11 > 0 det (H3) = det -3 1 2 1 -4 -1 2 -1 -7 = - 62 < 0. Matriz positiva definida: Una matriz es positiva definida si los determinantes de sus submatrices no alternan de signo, con el primer determinante mayor que cero. En otras palabras, si det (H1) > 0, det (H2) > 0, det (H3) > 0, y así sucesivamente. Matriz semidefinida: Para que una matriz sea negativa semidefinida o positiva semidefinida, los requisitos de menor o mayor que cero descritos pasan a ser de menor o igual o de mayor o igual. Otras Matrices: Si el Hessiano evaluado en el punto crítico, es decir el punto donde la primera derivada es cero, no corresponde a ninguna de las definiciones anteriores, entonces el punto crítico es un punto de inflexión. En relación con el Hessiano, se debe destacar que, tal como se pide mostrar en el problema propuesto 3.2., el requisito que este sea negativo definido en el caso de un máximo obliga a que todos los miembros de la diagonal sean negativos. Esto es equivalente a decir que el punto crítico debe ser un máximo en todas las direcciones definidas por los ejes de las ordenadas. La razón para exigir que además el Hessiano sea negativo definido, lo cual implica considerar las segundas derivadas cruzadas, es que puede darse el caso que siendo un máximo en el sentido de X1, X2, ... no lo sea en el sentido de una combinación de las variables. Este punto debería quedar claro al resolver el problema propuesto 3.3. En este punto, es conveniente destacar que si el Hessiano es semidefinido positivo o semidefinido negativo en el punto crítico, en teoría dicho punto puede mquezada Ejemplo 3.1: 28 Trabajo Docente Nº 57 ser un máximo, mínimo, o punto de inflexión. En el caso de una variable, para determinar a cuál caso correspondía, se debía seguir derivando hasta llegar a la primera derivada no cero cuando se evaluaba en el punto crítico. En el caso de varias variables, ello significa derivar el Hessiano con respecto a cada una de las variables; luego dicho conjunto de derivadas respecto nuevamente a cada una de las variables, y así sucesivamente. Hacer ésto, aparte de ver que significa ser positivo o negativo en dichos conjuntos, está claramente fuera del alcance de este texto. Finalmente, se debe señalar que la caracterización del óptimo basada en las primeras y segundas derivadas se refiere a óptimos locales, no necesariamente globales. Sin embargo, si la segunda derivada, o el Hessiano, tiene un signo único para cualquier valor de la o las variables, entonces el óptimo local es también global. Por otra parte, el hecho que una función tenga una segunda derivada negativa, por ejemplo, para cualquier valor de la variable, no significa que dicha función tenga necesariamente un máximo local y en consecuencia global. Tal sería el caso de una función que converge asintóticamente a un valor dado. Problemas Propuestos 3.1 Considere la función f(X,Y,Z) = -2X2 -XY - Y2 - Y Z - Z2 + 6X+7Y+8Z - 9 a) Encuentre un punto crítico. b) ¿Es éste un máximo, mínimo o ninguno de los dos? Use las condiciones de segundo orden. 3.2 Considere cualquier función f(X1, X2). Muestre que para que el Hessiano sea negativo definido, es necesario que fii = ∂2f(x1, x2) ∂xi2 sea menor que cero para i = 1, 2. 3.3 Considere la función f(X,Y) = - 2X2 - Y2 - a XY donde "a" es un parámetro que puede tomar cualquier valor. Se pide: Modelos de Optimización 29 a) Demuestre que el punto (X,Y) = (0, 0) es un punto crítico. b) Encuentre un valor cualquiera de "a" tal que dicho punto crítico sea un máximo. c) Para el valor de "a" encontrado, encuentre el valor de f(0, 0); f(0, 1); f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; -1). Trate de imaginar la forma de la función. d) Encuentre un valor cualquiera de "a" tal que el punto crítico sea un punto de inflexión. e) Para el valor de "a" encontrado en la parte anterior, encuentre el valor de f(0, 0); f(0, 1); f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; 1). Nuevamente, trate de imaginar la forma de la función. 30 Trabajo Docente Nº 57 CAPITULO 4 OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD En este capítulo, el objetivo es caracterizar el óptimo cuando se impone la condición que las variables sean no negativas. En economía, esta es la situación normal. Los precios no pueden ser negativos, las cantidades a producir o almacenar no pueden ser negativas, las cantidades de insumos tampoco, etc. Por otra parte, como se vio en el capítulo 2, en Programación No Lineal, el problema se define con la restricción que todas las variables sean mayores o iguales a cero. Al igual que en el capítulo anterior, se verá en primer lugar el caso de funciones de una variable para luego ver el caso de funciones de diversas variables. Función objetivo de una variable El problema en este caso se puede escribir como Maximizar f(x) sujeto a: x ≥ 0 En relación con este problema, el óptimo puede ser mayor o igual a cero. Si es estrictamente mayor que cero, entonces las condiciones derivadas parael caso sin restricciones se mantienen. Si el óptimo se encuentra donde x* es igual a cero, entonces la derivada de la función evaluada en dicho punto debe ser menor o igual a cero (nunca mayor que cero por cuanto ello implicaría que existe un punto mejor dentro de los valores positivos de la variable). El gráfico siguiente muestra las distintas situaciones posibles. Modelos de Optimización 31 (a) x* (b) (c) x* xx f(x) f(x) f(x) xx* La situación (a) ocurre cuando x* > 0. En este caso el óptimo se encuentra en un punto interior del conjunto de oportunidades con lo que f'(x*) debe ser necesariamente igual a cero. Las condiciones de segundo orden serían las mismas que en el caso sin restricciones visto en el capítulo anterior. La situaciones (b) y (c) ocurren cuando el óptimo se encuentra en el borde del conjunto de oportunidades. Es decir, cuando x* = 0. En el caso (b), f'(x*) < 0; mientras que en (c), f'(x*) = 0. Lo anterior se puede resumir en las siguientes condiciones de primer orden: (1) Si x* > 0, entonces f'(x*) = 0 (2) Si x* = 0, entonces f'(x*) ≤ 0 (3) x* ≥ 0 Estas condiciones se pueden sustituir por 32 Trabajo Docente Nº 57 (1') f' (x*) ≤ 0 (2') x* f' (x*) = 0 (3') x* ≥ 0 La razón para ello es que (1), (2) y (3) implican que necesariamente se cumple (1'), (2') y (3'); y además (1'), (2'), y (3') implican que necesariamente se cumple (1), (2), y (3). Son por lo tanto expresiones igualmente válidas para representar las condiciones de primer orden en el caso de una variable con restricción de no negatividad. De aquí en adelante se trabajará con las condiciones (1'), (2') y (3'). Hasta aquí no se han discutido las condiciones de segundo orden para el caso en que x* = 0. Si f'(x* = 0) es igual a cero, el punto crítico x* puede ser un máximo o un mínimo en el borde tal como se observa en el gráfico siguiente. De aquí que las condiciones de segundo orden presentadas para el caso sin restricciones se deban mantener. f(x) x f(x) x Por otra parte, si f'(x*=0) es estrictamente menor que cero, entonces necesariamente se trata de un máximo local, independiente del valor de la segunda derivada, tal como lo muestran los gráficos siguientes mquezada mquezada mquezada Modelos de Optimización 33 f(x) x f(x) x f''(x*) < 0 f''(x*) > 0 Función objetivo de varias variables El problema en este caso se representa como Maximizar f(x1, ....., xn) sujeto a: xi ≥ 0 para todo i = 1, ..., n Las condiciones de primer orden son análogas a aquellas presentadas para el caso de una variable restringida a ser no negativa. Es así como debe cumplirse que 1) ∂f ∂xi ≤ 0; i = 1,...., n 2) ∂f ∂xi xi = 0; i = 1,...., n 3) xi ≥ 0; i = 1,...., n 34 Trabajo Docente Nº 57 Problemas Propuestos 4.1. Sea Q la cantidad producida de un cierto producto. El precio unitario de venta está dado por P = 20 - Q (función demanda) y el costo total de producción por C = Q2 + 8Q + 2 a) ¿Qué cantidad Q maximiza la utilidad neta y a qué precio? b) ¿Qué cantidad Q maximiza el ingreso total por ventas y a qué precio? Modelos de Optimización 35 CAPITULO 5 OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y DESIGUALDAD Este capítulo persigue caracterizar el máximo de un problema cuando existen distintos tipos de restricciones, para terminar con el caso general de Programación No Lineal. En primer lugar, se verá el caso de restricciones de igualdad, luego se verá el caso de restricciones de desigualdad, y finalmente se caracterizará el máximo en el caso general de Programación No Lineal. Restricciones de igualdad El problema en este caso se presenta como Maximizar f(x1, ....., xn) sujeto a: g1(x1, ... , xn) = b1 . . . . . . gm(x1, ... , xn) = bm Para caracterizar el óptimo se hace uso del Lagrangeano, que en este caso es igual a £ = f(x1, ... , xn) + ∑ = m 1i λi (bi - gi(x1, ... ,xn)) donde λi, (i = 1,.....,m), son variables auxiliares. La ventaja de usar el Lagrangeano es que éste transforma un problema con n variables y m restricciones de igualdad en un problema con n + m variables, pero sin restricciones. Las condiciones de primer orden, como en el caso sin restricciones, son 36 Trabajo Docente Nº 57 ∂£ ∂xi = 0 para i = 1, ... , n ∂£ ∂λj = 0 para j = 1, ... , m Ejemplo 5.1: Suponga el problema Maximizar - x 2 1 - x 2 2 sujeto a 2 x1 + x2 = 6 El Lagrangeano en este caso es £ = - x 2 1 - x 2 2 + λ (6 - 2 x1 - x2 ) Las condiciones de primer orden para este problema son ∂£ ∂x1 = - 2x1 - 2λ = 0 ∂£ ∂x2 = - 2x2 - λ = 0 ∂£ ∂λ = 6 - 2 x1 - x2 = 0 Al resolver este sistema de ecuaciones se obtiene x * 1 = 2,4 x * 2 = 1,2 λ* = -2,4 f(x * 1 ; x * 2 ) = f(2,4; 1,2) = -7,2. Significado de λ Modelos de Optimización 37 Para entender el significado de la variable λ, a continuación se desarrolla, por conveniencia como se verá más adelante, nuevamente el ejemplo anterior alterando sólo el lado derecho de la restricción. Ejemplo 5.2: Suponga el problema Maximizar - x 2 1 - x 2 2 sujeto a 2 x1 + x2 = b donde b es un parámetro. El Lagrangeano sería simplemente £ = - x 2 1 - x 2 2 + λ (6 - 2 x1 - x2 ) Las condiciones de primer orden son ∂£ ∂x1 = - 2x1 - 2λ = 0 ∂£ ∂x2 = - 2x2 - λ = 0 ∂£ ∂λ = b - 2 x1 - x2 = 0 Al resolver este sistema de ecuaciones se obtiene x * 1 = 5 b2 x * 2 = 5 b λ* = - 5 b2− f(x * 1 ; x * 2 ) = f( 2b 5 ; b 5 ) = - b2 5 38 Trabajo Docente Nº 57 Lo que se ha hecho con este ejemplo es obtener el valor de las variables en el óptimo y el valor de la función objetivo en el óptimo como función del lado derecho de la restricción. Si éste varía, es fácil obtener la nueva solución óptima. El punto importante, sin embargo, surge del hecho que en el óptimo, se cumple que ∂f* ∂b = ∂( -b2 5 ) ∂b = λ * Este resultado es válido cualquiera sea el número de variables en la función objetivo y cualquiera sea el número de restricciones1. El resultado general se expresa como λ * i = ∂f* ∂bi A modo de ejemplo, si f(x1,......, xn) representa el ingreso de una firma y bi la disponibilidad de insumo i, entonces λ * i representa cuanto cambian los ingresos en el óptimo por unidad adicional de recurso i que se utilice. Como las restricciones son de igualdad este valor puede ser positivo, negativo, o cero. Por ejemplo, una unidad adicional de agua puede ser beneficiosa, perjudicial, o no tener ningún efecto sobre la producción si se obliga a utilizarla (restricción de igualdad), dependiendo del nivel de agua que se utiliza inicialmente. Programación No Lineal El problema de Programación No Lineal, tal como se definiera en el capítulo 2, es Maximizar f(x1, ... , xn) sujeto a: 1 En rigor, es necesario señalar que para poder encontrar el óptimo usando el método del Lagrangeano, es necesario que las restricciones cumplan con ciertas condiciones de regularidad que permitan despejar el óptimo de las condiciones de primer orden. Estas condiciones, puede decirse, son de interés teórico más que práctico por lo que no se analizan en este texto. El lector interesado puede consultar las referencias al final de este texto. Modelos de Optimización 39 g1(x1, ... , xn) ≤ b1 . . . . . . gm(x1, ... , xn) ≤ bm x1, x2, ..., xn ≥ 0 Para derivar las condiciones de primer orden, se hace uso nuevamente del Lagrangeano donde £ = f(x1,...., xn) + ∑ = m 1i λi (bi - gi(x1, ... ,xn)) La única diferencia entre este Lagrangeanoy el anterior es que el término que acompaña a λi, (bi - gi(x1, ... , xn)), debe ahora ser mayor o igual que cero en lugar de igual a cero. Ello, debido a que las restricciones son ahora de desigualdad. Así, el problema es Maximizar £ = f(x1, ... , xn) +∑ = m 1i λi (bi - gi(x1, ... ,xn)) sujeto a x1, ... , xn ≥ 0 En otras palabras, el problema de Programación No Lineal se puede expresar como un problema con n + m variables con restricciones de no negatividad para algunas de ellas. A continuación se presentan las condiciones de primer orden para este problema, dejando para después de dicha presentación la explicación de las mismas. 40 Trabajo Docente Nº 57 1) ∂£ ∂xi ≤ 0; i = 1, ... , n 2) ∂£ ∂xi xi = 0; i = 1, ... , n 3) ∂£ ∂λj ≥ 0; j = 1, ... , m 4) ∂£ ∂λj λj = 0; j = 1, ... , m 5) xi, λj ≥ 0; i = 1, ... , n; j = 1, ... , m Estas condiciones se conocen como condiciones de Kuhn-Tucker. Las condiciones (1) y (2) son análogas a aquellas presentadas anteriormente para el caso con restricciones de no negatividad. La condición (3) es simplemente otra forma de escribir la restricción que gi(x1, ... , xn) ≤ bi La condición (4) es análoga a la condición (2) referida a λ*i . Esta dice que si no se usa todo el recurso, entonces λ*i = 0, y que si λ * i es mayor que cero es porque se usa todo el recurso. La condición de no negatividad para xi era parte de las restricciones originales. Por último, la condición que λi ≥ 0 se deriva del hecho que λi es en el óptimo, al igual que antes, igual a λ * i = ∂f* ∂bi Si aumenta la disponibilidad de recurso i, el valor de la función objetivo en el óptimo debe aumentar, o bien quedar igual. No puede empeorar la situación si se aumenta la disponibilidad de un recurso. Este resultado es distinto de aquel presentado para el caso con restricciones de igualdad, donde bi no representaba disponibilidad sino que uso efectivo. λi se conoce como precio sombra del recurso e indica cuánto es lo máximo que se está dispuesto a pagar en términos de las unidades en que esté expresada la función objetivo, por una unidad adicional de recurso2. 2 Al igual que en el caso de restricciones de igualdad, es necesario que las restricciones cumplan Modelos de Optimización 41 A continuación se presentan algunos ejemplos de caracterización del óptimo en el caso general de Programación No Lineal. Ejemplo 5.2: Considérese el problema Maximizar 3X 2 1 + 2X2 sujeto a 2 X1 + X2 ≤ 6 X1, X2 ≥ 0 En este caso, el Lagrangeano se puede escribir como £ = 3X 2 1 + 2X2 + λ (6 - 2X1 - X2) Las condiciones de Kuhn-Tucker en este caso son 1) ∂£ ∂X1 = 6X1 - 2 λ ≤ 0 2) ∂£ ∂X1 X1 = 0 3) ∂£ ∂X2 = 2 - λ ≤ 0 4) ∂£ ∂X2 X2 = 0 5) ∂£ ∂λ = 6 - 2X1 - X2 ≥ 0 6) ∂£ ∂λ λ = 0 7) X1, X2, λ ≥ 0 Con esto, se ha caracterizado el óptimo. Sin embargo, lo dificil es encontrar el óptimo a partir de dicha caracterización. Las ecuaciones (2), (4) y (6) definen un sistema de 3 ecuaciones con 3 incógnitas. Una solución inmediata es X1 = X2 = λ = 0. Sin embargo, esta solución no satisface la condición (3), con lo que debe buscarse otra solución al sistema de ecuaciones. con ciertas condiciones de regularidad, que es lo mismo que decir que estén bien comportadas, para que el óptimo se pueda caracterizar por las condiciones de Kuhn Tucker sañaladas. El lector interesado puede consultar las referencias al final de este texto. 42 Trabajo Docente Nº 57 Si se supiera cuáles variables son iguales a cero y cuáles son estrictamente mayores que cero en el óptimo, entonces el sistema se podría resolver más fácilmente, ya que o la variable sería igual a cero o bien el término entre paréntesis sería igual a cero. De aquí se desprende la necesidad de evaluar los siguientes 8 casos: Caso X1 X2 λ 1 0 0 0 2 + 0 0 3 0 + 0 4 0 0 + 5 + + 0 6 + 0 + 7 0 + + 8 + + + Por la condición (3), λ debe ser mayor o igual a 2 con lo que se descartan los casos 1, 2, 3, y 5 de la tabla anterior. A continuación se analizarán los casos restantes. Caso 4: ( X1 = X2 = 0; λ > 0) En este caso se debe cumplir que (1') -2 λ ≤ 0 (2') (-2 λ) • 0 = 0 (3') 2 - λ ≤ 0 (4') (2 - λ) = 0 (5') 6 ≥ 0 (6') 6 λ = 0 (7') X1, X2, λ ≥ 0 La condición (6') implica que λ = 0 lo cual contradice la condición (3'). Caso 6 (X1 > 0; X2 = 0; λ > 0) En este caso se debe cumplir que Modelos de Optimización 43 6 X1 - 2λ = 0 (2 - λ) ≤ 0 6 - 2 X1 = 0 De aquí se desprende que X1 = 3; λ = 9; X2 = 0 Esta solución satisface todas las condiciones de Kuhn-Tucker. Caso 7: (X1 = 0; X2 > 0; λ > 0) En este caso se debe cumplir que 2 - λ = 0 6 - X2 = 0 De aquí se desprende que λ = 2; X2 = 6; X1 = 0. Esta solución cumple además con todas las otras condiciones de Kuhn-Tucker. Caso 8: (X1 > 0 ; X2 > 0 ; λ > 0) En este caso se debe cumplir que 6 X1 - 2λ = 0 2 - λ = 0 6 - 2 X1 - X2 = 0 De aquí se desprende que λ = 2; X1 = 2 3 ; X2 = 14 3 . Esta solución satisface todas las condiciones de Kuhn-Tucker. El problema es ahora determinar cuál de los tres puntos que satisfacen las condiciones de Kuhn-Tucker es el óptimo del problema. Para determinarlo, basta reemplazar en la función objetivo: f(3, 0) = 27 44 Trabajo Docente Nº 57 f(0, 6) = 12 f( 2 3 , 14 3 ) = 10 2 3 En consecuencia, el óptimo es x * 1 = 3; x * 2 = 0; λ* = 9 f(x * 1 ; x * 2 ) = 27 Para terminar, es importante destacar que el número de casos por analizar es igual a 2n+m, donde n es igual al número de variables y m es el número de restricciones (cada restricción implica considerar una variable λi). Asimismo, se debe señalar que las derivadas pueden ser expresiones no lineales en las variables, con lo que la resolución de los sistemas de ecuaciones se dificulta aún más. Ejemplo 5.3: Supóngase que las líneas aéreas tienen una dimensión máxima para las maletas, expresada en términos de la suma del largo, ancho y alto. Suponga que un fabricante de maletas ha decidido producir la Super Maleta, que maximiza el volumen cumpliendo la restricción de las líneas que de la suma anterior no debe exceder 120 cm. En términos matemáticos, el problema se puede plantear como Maximizar xyz sujeto a: x + y + z ≤ 120 x, y, z ≥ 0 donde x, y, z representan el largo, ancho y alto respectivamente. El Lagrangeano de este problema es £ = x y z + λ (120 - x - y - z) Modelos de Optimización 45 Las condiciones de Kuhn-Tucker son: 1) ∂£ ∂x = y z - λ ≤ 0 2) ∂£ ∂x • x = (y z - λ) x = 0 3) ∂£ ∂y = x z - λ ≤ 0 4) ∂£ ∂y • y = (x z - λ) y = 0 5) ∂£ ∂x = x y - λ ≤ 0 6) ∂£ ∂z • z = (x y - λ) z = 0 7) ∂£ ∂λ = 120 - x - y - z ≥ 0 8) ∂£ ∂λ • λ = (120 - x - y - z) λ = 0 9) x, y, z, λ ≥ 0 En este problema, en teoría se debe evaluar 24 = 16 casos, ya que n = 3 y m = 1. Sin embargo, es claro que en el óptimo la maleta no puede tener ninguna dimensión igual a cero. Por otra parte, dado que en el óptimo se debe cumplir que λ * i = ∂f* ∂bi y que obviamente si se permitiera una mayor suma de los lados, se podría aumentar el volumen, λ debe ser estrictamente mayor que cero en el óptimo. De lo anterior se desprende que se debe evaluar sólo un caso donde todas las variables son estrictamente positivas. Así, las condiciones de Kuhn- Tucker se pueden expresar como y z - λ = 0 x z - λ = 0 x y - λ = 0 120 − x - y - z = 0 De aquí se desprendede que x* = y* = z* = 40; λ∗ = 1600. Problemas Propuestos 46 Trabajo Docente Nº 57 5.1. El problema es determinar las dimensiones de un tarro de conserva cilíndrico de base circular y de volumen dado, tal que se emplee el mínimo de hojalata. 5.2.3 Se desea determinar las dimensiones para un estanque cilíndrico refrigerado de capacidad 1.000 m3, de modo que su costo sea mínimo. Los componentes del costo son Metales de los extremos $ 1,00 por m2 Metal de la pared cilíndrica $ 0,50 por m2 Costo de la refrigeración $ 5,00 por m2 de superficie (sobre la vida útil de estanque) Por razones de diseño, el diámetro no puede excederse de 10 mts. a) Formule el problema de PM correspondiente empleando el largo L y el diámetro D como variables de decisión. b) Escriba las condiciones de Kuhn-Tucker y derive una solución a partir de éstas. 5.3. Suponga que Ud, es el único abastecedor en Concepción de peras deshidratadas. Ud. tiene dos plantas deshidratadoras, en Temuco y Rancagua, cuyos costos en materia prima, procesamiento y transporte están dados a continuación. Planta Costo Materia Costo Transporte Prima Procesamiento Concepción (pesos/kg.) (pesos/kg.) (pesos/kg.) Temuco 30 20 + X 30 Rancagua 20 2X 10 + X Nota: Los costos está expresados por kg. de producto final equivalente. Ud. debe ofrecer por lo menos 100 unidades a un precio unitario de 200 pesos por kg. Ud. puede vender cuanto quiera por encima de dichas 100 unidades. Se pide: 3 Bruno Philippi: "Introducción a la Optimización de Sistemas". Ediciones Universidad Católica de Chile, 1982. Modelos de Optimización 47 a) Plantee el problema de programación no lineal que le permita decidir cuánto debe producir en cada planta. b) Resuelva las condiciones de Kuhn-Tucker justificando claramente su procedimiento. 5.4. En relación con el ejemplo 5.3, suponga que la Super Maleta no se vende por problemas de precio. Los clientes no están dispuestos a pagar más de 3.500 pesos por la maleta. Si los únicos costos pertinentes son: i) 1 peso por cm2 de cuero. ii) 4 pesos por cm2 de fondo (hay que poner un refuerzo para que no se desfonde) iii) 2.000 pesos por maleta por concepto de ganancias, pago al trabajo, etc. Se pide: Plantee y resuelva el nuevo problema de optimización. 5.5. Con el fin de permitir el intercambio entre dos poblados aislados se ha decidido construir la infraestructura de transporte necesaria para comunicarlos. En un primer análisis del problema, se ha definido la situación como sigue: El poblado A está ubicado en una isla a 200 km. del continente y a 500 km. del poblado B que se encuentra tierra adentro, a 100 km. de la costa. El proyecto contempla la construcción de 2 puertos, en la isla y en el litoral, además de una carretera entre el poblado B y el puerto del litoral. Suponga que el costo variable por tonelada-kilometro en el transporte terrestre es de 30 pesos, mientras que dicho costo es de 12 pesos en el caso del transporte marítimo. Se estima que habría 5000 viajes de ida y vuelta al año con un promedio de carga de 1,5 toneladas, y que el costo del camino terrestre es de 500.000 pesos por km. Adicionalmente, suponga una tasa de interés de 10% anual y que el camino durará 10 años. 48 Trabajo Docente Nº 57 El problema es plantear el problema de optimización correspondiente. Gráficamente la situación se puede representar como sigue 200 km 400 km 100 km L I T O R A L B A El problema es dónde ubicar el puerto del litoral. En términos del gráfico siguiente se trata de determinar X, de modo tal de minimizar el costo de transporte entre A y B. Modelos de Optimización 49 200 km 100 km L I T O R A L B A X Se pide Plantee el problema de optimización correspondiente y resuelva. 5.6 Ud. tiene un fundo de 100 hectáreas y desea saber cuántas hectáreas poner con trigo y maíz. Ud. sabe que la función de producción de trigo es: Q = 20 H L0,2 donde: Q = producción ( en qq) L = Nº de trabajadores ( en jornadas hombre) H = Nº de Hectáreas En el caso del maíz, la función de producción es: Q = 10 H0,8L0,4 50 Trabajo Docente Nº 57 El precio por quintal de trigo es de 3.000 y por quintal de maíz es 3.200, el precio por jornada hombre es de 1.000 pesos en horario normal y 1.500 en horario extra. Ud. puede contratar un máximo de 20 jornadas a horario normal y un máximo de 1.000 en horario extra. Finalmente, suponga que por cada hectárea de maíz que siembre Ud. quiere sembrar un mínimo de 3 hectáreas de trigo. Se pide: a) Plantee el problema de optimización correspondiente, definiendo claramente la función objetivo y restricciones. b) Plantee sin resolver las condiciones de Kuhn-Tucker del problema. 5.7 Considere el problema: Maximizar (X1 + X2) sujeto a: 2X1 + X2 ≤ 2 X1 + X2 ≤ 3 X1, X2 ≥ 0 a) Dibuje el set de oportunidades. b) ¿Cuál es el óptimo? ( justifique mediante figuras) 5.8 Considere el problema Maximizar X1+X2 sujeto a: X1 - 2X2 = 2 X1 ≤ 3 X2 ≤ 4 a) Escriba las condiciones de Kuhn-Tucker para este problema. b) Resuelva el problema. Modelos de Optimización 51 5.9 Considere el problema: Minimizar X12 - X1X2 + 0,5X22 - X1 - X2 sujeto a: X1 +X2 ≤ 3 3X1 + 2X2 ≥ 6 X1 ≥ 0, X2 ≥ 0 a) Escriba las condiciones de Kuhn-Tucker para este problema. b) Encuentre un punto óptimo en el caso en que no se consideran las restricciones del problema (ninguna de ellas). c) Encuentre una solución óptima para el problema original (con restricciones). Indicación: verifique si el punto encontrado en a) satisface las restricciones del problema, estudie la convexidad o concavidad de la función f(X1, X2), y utilice esta información al buscar una solución para las condiciones de Kuhn-Tucker. 52 Trabajo Docente Nº 57 CAPITULO 6 SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER En el capítulo anterior se vieron las condiciones de Kuhn-Tucker con el objeto de caracterizar el óptimo. Para encontrarlo a partir de dichas condiciones fue necesario probar todas las posibilidades. Como cada variable podría ser mayor o igual a cero, se probaron 2n+m casos, donde n era el número de variables y m el número de restricciones ( sin contar las de no negatividad). Como demostró el ejemplo 5.2., el hecho que un punto satisfaga las condiciones de Kuhn-Tucker, no implica que dicho punto sea un máximo ni siquiera local. En otras palabras, las condiciones de Kuhn-Tucker son condiciones necesarias pero no suficientes. El propósito ahora es ver condiciones suficientes para garantizar que si un punto satisface todas las condiciones de Kuhn-Tucker, entonces es también un máximo global (no sólo local). Para hacerlo, es necesario hablar de funciones cóncavas y convexas y de conjuntos convexos, ya que el principal resultado es que si la función objetivo es cóncava y las restriciones representan un conjunto convexo, entonces todo punto que satisfaga las condiciones de Kuhn-Tucker es un máximo global (i.e. no es necesario seguir buscando puntos críticos para maximizar). Funciones cóncavas Una función es cóncava si para cada par de puntos X1 y X2 y 0 ≤ α ≤ 1 se cumple que f(αX1+ (1-α) X2 ) ≥ αf(X1) + (1-α) f(X2) El término αX1+ (1-α) X2 es solamente un promedio ponderado de X1 y X2. Por otra parte f(αX1 + (1-α)X2) Modelos de Optimización 53 es la función valorada en dicho punto. Suponiendo que la función es de una variable, lo anterior se puede graficar como X XXX1 2 21 f(x) xα +(1−α) XX 21α +(1−α)f( ) En relación con el lado derecho αf(X1) + (1-α)f(X2) es un promedio ponderado de f(X1)y f(X2). Graficamente X +(1- )X α α1 2 X +(1- )X α α1 2f( ) f(x) x f(X )1 f(X )2 X X1 2 f(X )+(1- )f(X )α α1 2 Lo que se requiere para que una función sea cóncava es por lo tanto que la función no pase nunca por debajo de la recta que une cualesquiera dos puntos. Los siguientes gráficos muestran casos de funciones cóncavas. 54 Trabajo Docente Nº 57 x f(x) x f(x) f(x) x f(x) x Si la función es diferenciable, la definición de concavidad se puede hacer en términos de la primera derivada de la función. En el caso de funciones de una variable, la función f(x) es cóncava si para cualquier par de puntos X1 y X2 se cumple que f(X2) ≤ f(X1) + f'(X1) (X2 - X1) Gráficamente, f(x) f(X )+f'(X )(X -X ) f(X ) f(X ) 1 1 1 11 2 2 2 X X x Modelos de Optimización 55 En otras palabras, para que una función diferenciable sea cóncava, se requiere que la recta tangente en cualquiera de sus puntos no esté nunca por debajo de la función. Si la función diferenciable es de varias variables, para que ésta sea cóncava se requiere que para cualquier par de puntos X1 y X2, se cumpla que f(X2) ≤ f(X1) + ∑ i=1 n fi(X1) (X 2 i - X 1 i ) donde fj(X1) es la derivada parcial de la función respecto a xj evaluada en el punto X1. Esto quiere decir que el plano tangente a la función en cualquiera de sus puntos no puede estar nunca por debajo de la función. Por último, si la función es doblemente diferenciable, entonces se requiere que el Hessiano sea negativo semidefinido para que ésta sea cóncava o negativo definido para que sea estrictamente cóncava. Ejemplo 6.1: Supóngase la función f(x1,x2) = - 3 x 2 1 - 2 x 2 2 + x1 x2 El Hessiano de esta función es H = -6 1 1 -4 el cual es negativo definido. Esto implica que la función es estrictamente cóncava. En relación con este ejemplo, a continuación se comprobará que también se cumple la condición de concavidad basada en la primera derivada. Supóngase, a modo de ejemplo, los puntos X1 = (2,3) y X2 = (5,1). En este caso, f(X1) = -3.22 - 2.32 + 2.3 = -24 f(X2) = -3.52 - 2.12 + 5.1 = -72 56 Trabajo Docente Nº 57 Las primeras derivadas de la función respecto de x1 y x2 son f1(x1,x2) = -6x1 + x2 f2(x1,x2) = -4x2 + x1 las cuales evaluadas en el punto X1 son iguales a f1(X1) = -6.2 + 3 = -9 f2(X1) = -4.3 + 2 = -10 Por último, X 2 1 - X 1 1 = 5 - 2 = 3 X22 - X 1 2 = 1 - 3 = -2 Reemplazando en la condición de concavidad basada en la primera derivada, se debe cumplir que f(X2) ≤ f(X1) + f1(X1) (X 2 1 - X 1 1 ) + f2(X1) (X 2 2 - X 1 2 ) -72 ≤ -24 + (-9) ( 5 - 2 ) + ( -10) ( 1 - 3 ) -72 ≤ -31 Como esta desigualdad se cumple, se ha comprobado que la función f(x1,x2) = - 3 x 2 1 - 2 x 2 2 + x1 x2 es estrictamente cóncava. Funciones convexas Una función es convexa si para cada par de puntos X1 y X2 y 0 ≤ α ≤ 1 se cumple que f(αX1+ (1-α ) X2) ≤ α f(X1) + (1-α) f(X2) Si la función es diferenciable, para que ésta sea convexa se requiere que para cualquier par de puntos X1 y X2, se cumpla que Modelos de Optimización 57 f(X2) ≥ f(X1) + ∑ i=1 n fi(X1) (X 2 i - X 1 i ) donde fj(X1) es la derivada parcial de la función respecto a xj evaluada en el punto X1. Esto quiere decir que el plano tangente a la función en cualquiera de sus puntos no puede estar nunca por encima de la función. Por último, si la función es doblemente diferenciable, entonces se requiere que el Hessiano sea positivo semidefinido para que ésta sea convexa o positivo definido para que sea estrictamente convexa. Los gráficos siguientes muestran distintas funciones convexas. f(x) x f(x) x x f(x) x f(x) Claramente, la línea recta es cóncava y convexa a la vez. Por otra parte, la función normal usada en estadística, por ejemplo, no es ni cóncava ni convexa. 58 Trabajo Docente Nº 57 Conjuntos convexos: Definición: El conjunto C perteneciente a los números reales se dice convexo si para cada par de puntos x1, x2 que pertenezcan al conjunto y cada número real α con 0 < α < 1, el punto X= αX1 + (1-α) X2 también pertenece al conjunto. Geométricamente el conjunto C es convexo si para cada par arbitrario de puntos del set, la línea que los une también pertenece al set. Gráficamente, a continuación se ilustra un conjunto convexo y uno no convexo 1X X2 X1 X2 CONJUNTO CONVEXO CONJUNTO NO CONVEXO Ejemplo 6.1: Considérese el hiperplano X = {x / ax = b} donde ax = a1x1 + a2x2 + ... + anxn. A continuación se demostrará que este es un conjunto convexo. Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < α < 1. Luego, se debe cumplir que ax1 = b Modelos de Optimización 59 ax2 = b Sea el punto x = αx1 + (1-α) x2 Esto implica que ax = a(αx1+(1-α)x2) = αax1+ (1-α)ax2 = ab+(1-a)b = b. con lo cual el punto x = αx1 + (1-α) x2 también satisface la condición que ax = b De aquí se desprende que X = {x/ax = b} es efectivamente un conjunto convexo. Ejemplo 6.2: Considérese el semiespacio X = {x / ax ≤ b} Este conjunto también es convexo, como se demuestra a continuación. Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < α < 1. Luego, se debe cumplir que ax1 ≤ b ax2 ≤ b Sea el punto x = αx1 + (1-α) x2 Esto implica que 60 Trabajo Docente Nº 57 aX = a (αx1 + (1-α) x2) = αaX1 + (1-α) aX2 Como el promedio ponderado de dos números menores o iguales a b es también menor o igual a b, quiere decir que el conjunto X = {x/ ax ≤ b} es también un conjunto convexo. Ejemplo 6.3: Considérese el conjunto X = {x / g(x) ≤ b} donde se impone el requisito que g(x) sea una función convexa. Este conjunto también es convexo como se demostrará a continuación. Si g(x) es una función convexa entonces para cualquier par de puntos X1, X2 y 0 ≤ α ≤ 1, se debe cumplir que g(αX1+(1-α)X2) ≤ α g( X1) + (1-α) g( X2) (1) Por otra parte, para que X sea un conjunto convexo, se requiere que para cada par de puntos X1 y X2 que satisfagan g(X1) ≤ b g(X2) ≤ b se cumpla que g(x) = g(α X1 + (1 - α) X2) ≤ b Ello efectivamente se cumple ya que el lado derecho de (1) es menor o igual a b con lo que el lado izquierdo también debe serlo. La importancia de este último resultado es que si las gi(x) en las restricciones de un problema de Programación No Lineal son todas funciones convexas, el conjunto de oportunidades X sería la interseción de varios conjuntos convexos y por lo mismo sería convexo también. 62 Trabajo Docente Nº 57 uno de los puntos (en este caso, como se trata de curvas de nivel, el promedio es simplemente el valor de la función en dicha curva (i.e.A)). Ahora bien, como el set X es convexo se tiene que x x2 f(x1,x2) = A f(x1,x2) = B f(x1,x2) = C A > B > C x1 x2 f(x1,x2) = A f(x1,x2) = B f(x1,x2) = C A > B > C 1 (x1*,x2*) (x1*,x2*) En ambos casos, todo óptimo local será global. Un caso especial de lo anterior se muestra en el gráfico siguiente. Modelos de Optimización 63 f(x1,x2) = A f(x1,x2) = B f(x1,x2) = C x1 x2 A > B > C Aquí, X es un conjunto convexo, y la función objetivo es cóncava (la función lineal es la única función cóncava y convexa a la vez). En este caso todo óptimo local es global aunque no estricto. Sin embargo, para maximizar, basta encontrar un máximo global para quedar satisfecho. Ahora, la pregunta es ¿por qué se necesita que el conjunto X sea convexo? El gráfico siguiente ilustra la respuesta. A B x1 x2 64 Trabajo Docente Nº 57 El punto A es máximo local al igual que B. A es el máximo global. Lo que pasa es que X no es un conjunto convexo. En este caso, habría que probar los 2n+m casos y comparar todos aquellos puntos quesatisfagan las condiciones de Kuhn- Tucker. Por último es necesario destacar que el resultado es que si la función objetivo es una función cóncava y X es un conjunto convexo, todo punto que satisfaga las condiciones de Kuhn-Tucker es un máximo global. Sin embargo, podría darse el caso, desafortunado por cierto, que ningún punto satisfaga las condiciones de Kuhn-Tucker. En este caso no se puede encontrar el máximo. A modo de ejemplo, suponga el siguiente problema Maximizar x sujeto a: x ≥ 0 En este caso, ningún punto satisface las condiciones de Kuhn-Tucker. Este problema no tiene punto crítico; el máximo se logra cuando x es igual a infinito, que no es un número real. Modelos de Optimización 65 CAPITULO 7 PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL Este capítulo presenta algunos ejemplos adicionales de planteamiento de problemas de Programación No Lineal en el convencimiento de que sólo la práctica permite avanzar en este campo. Por esta razón, se han dejado varios problemas como Problemas Propuestos. Ejemplo 7.1:4 Suponga que una empresa distribuidora cuenta con 250 unidades de un cierto producto en Concepción, 100 unidades en Los Angeles y 325 unidades en Valparaíso. Por otra parte debe abastecer con 140 unidades a Santiago, 220 unidades a Rancagua y 185 unidades a Teno. Los costos de flete entre las distintas ciudades, en miles de pesos por unidad se presentan a continuación: Hacia: Desde: Santiago Rancagua Teno Concepción 14 6 5 Los Angeles 30 12 11 Valparaíso 5 7 8 Por convenios sindicales en Concepción, la empresa ha decidido que lo que se envía desde dicha ciudad a Santiago debe ser al menos el doble que lo que se envía desde dicha ciudad a Rancagua. Asimismo, en Santiago, se exige que como máximo el 30% de lo que llegue provenga de Concepción. Para plantear el Problema de Programación No Lineal correspondiente, se procederá en etapas: Definición de Variables: 4 La forma de plantear y resolver problemas de optimización no siempre es única. En este capítulo sólo se presenta una forma adecuada de hacerlo. Por otra parte, en este capítulo nos olvidaremos de los requisitos de que en un problema de Programación No Lineal se debe maximizar y que las restricciones deben ser de menor o igual, salvo cuando sea necesario usar las condiciones de Kuhn-Tucker para resolver. 66 Trabajo Docente Nº 57 Hacia: Desde: Santiago Rancagua Teno Concepción XCS XCR XCT Los Angeles XLS XLR XLT Valparaíso XVS XVR XVT Función Objetivo: El objetivo es minimizar los costos totales de transporte, con lo cual la función objetivo es Minimizar 14XCS + 6XCR + 5XCT + 30XLS + 12XLR + 7XLT + 5XVS + 7XVR + 8XVT Restricciones de Oferta: XCS + XCR + XCT ≤ 250 XLS + XLR + XLT ≤ 100 XVS + XVR + XVT ≤ 325 Restricciones de Demanda: XCS + XLS + XVS ≥ 140 XCR + XLR + XVR ≥ 220 XCT + XLT + XVT ≥ 185 Otras Restricciones: XCS ≥ 2XCR XCS ≤ 0,3 (XCS + XLS + XVS) Todas las variables mayores o iguales a cero Ejemplo 7.2: Modelos de Optimización 67 Hoy es 1 de abril de 1994. Ud. está solo en una isla desierta bien grande donde puede sembrar trigo. Asimismo, tiene 80 quintales de trigo que se pueden usar como semilla o consumir. Su consumo anual normal de trigo es de 20 quintales. Gracias a un diario de vida dejado por un náufrago anterior, Ud. aprende que en esta isla, el trigo se siembra a principios de abril y se cosecha a fines de marzo del año siguiente. Por cada quintal de trigo que se siembra, se requieren 5 días de trabajo durante el año, y se cosechan tres quintales. Por otra parte, Ud. sabe que en dos años más (1 de abril de 1996) pasará un barco que le cobrará 220 quintales de trigo por el pasaje a tierra firme, lugar donde Ud. ha decidido volver. En dicho barco Ud. no puede transportar trigo para su consumo en tierra firme, ya que la capacidad del barco es limitada. Ud. puede trabajar normalmente 180 días cada año como máximo. Para aumentar la disponibilidad de trabajo, es decir para disponer de más de 180 días, Ud. deberá consumir 0,2 quintales de trigo por cada día de exceso (para recuperar la energía adicional requerida). El trigo disponible a comienzos de cada año puede ser usado para: a) sembrar a comienzos del año; b) consumir durante el año; c) ser almacenado hasta el final del año. Por último, suponga que su único objetivo es minimizar el número de días trabajados en exceso de los 180 días de trabajo normal anuales. Para plantear el Problema de Programación No Lineal correspondiente, se procederá nuevamente en etapas. Definición de Variables: TCi = Trigo consumido en año i, en quintales. TSi = Trigo sembrado en año i, en quintales. TAi = Trigo que se almacena en año i, en quintales. THi = Trigo cosechado a fines del año i, en quintales. TFi = Trigo disponible a fines del año i, en quintales. Ei = Días trabajados en exceso de los 180 días normales en el año i. Función Objetivo: 68 Trabajo Docente Nº 57 El objetivo es minimizar los días trabajados en exceso de los 180 días normales. Matemáticamente, esto significa que la función objetivo es Minimizar E1 + E2 Restricciones: TC1 = 20 + 0,2 E1 Consumo año 1. TC2 = 20 + 0,2 E2 Consumo año 2. TC1+TS1+TA1 = 80 Disponibilidad inicial. TA1+TH1 = TF1 Disponibilidad a fines año 1. TH1 = 3 TS1 Cosecha año 1. TC2+TS2+TA2 = TF1 Uso de trigo en año 2. TA2+TH2 = TF2 Disponibilidad a fines año 2. TH2 = 3 TS2 Cosecha año 2. TF2 ≥ 150 Pasaje barco. 5 TS1 ≤ 180 + E1 Requerimiento mano de obra en año 1. 5 TS2 ≤ 180 + E2 Requerimiento mano de obra en año 2. Todas las variables mayores o iguales a cero. Ejemplo 7.3: Una empresa productora de Tarros en Conserva tiene una función de producción del tipo Cobb-Douglas X= 30 K0,5 L0,4 donde Modelos de Optimización 69 X = número de tarros producidos. K = número de unidades de capital en horas máquina. L = número de trabajadores (en hrs.hombre) El productor enfrenta una curva de demanda por su producto igual a: Px = 1.000 - 2X y una curva de oferta de trabajo igual PL = 10 + 0,5 L Por último, el productor puede disponer de a lo más 100 unidades de capital a 5 pesos por unidad. En este caso, la función objetivo es Maximizar PX X - PL L - PK K = = (1.000-2(30 K0,5 L0,4)) (30 K0,5 L0,4) - (10+ 0,5 L)L - 5K sujeto a: K ≤ 100 K,L ≥ 0 Problemas Propuestos 7.1. Hoy es 1º de septiembre y Juan Pérez no sabe cuántas hectáreas de maíz sembrar en su fundo de 20 hectáreas. El maíz es el único cultivo posible aunque podría dejar parte de la tierra sin cultivar. Asímismo, el maíz requiere de 5 jornadas hombre por hectáreas al año y Ud. cuenta con sólo 70 jornadas hombre al año. El problema se complica por el siguiente aspecto: Hoy Juan Pérez tiene 20 bolsas de una semilla especial de maíz que puede usar ahora o el próximo año. No va a poder conseguir más el próximo año. Esta semilla tiene un rendimiento de 95 qq/ha. y se requiere de una bolsa por ha. Si decide guardar parte de esta semilla, tiene una pérdida del 10% de las bolsas que guarde. 70 Trabajo Docente Nº 57 Por otra parte, Juan Pérez puede comprar una semilla corriente tanto este año como el próximo a 8.000 pesos por bolsa a un rendimiento de 60 qq/ha. El maíz que produzca este año no puede ser utilizado como semilla el próximo y debe venderse este año (no se puede almacenar). Suponga además que el precio del maíz este año es de $ 2.000 y el próximo año será de $ 3.000 por quintal. Finalmente, suponga que en todo lo demás los costos son iguales para ambos tipos de semilla (15.000 pesos por hectárea de maíz, ambos años). Se pide: Plantee, sin resolver,
Compartir