Herramientas informáticas - Practica Solver



Taller Solver


Variables

X= Cantidad de *** a cultivar {x1, x2, x3, x4, x5, x6, x7, x8, x9}


Función Objetiva

Max Z= 1000(x1+x2+x3)+

750(x4+x5+x6)+

250(x7+x8+x9)


Restricciones

x1+x4+x7<= 400

x2+x5+x8<=600

x3+x6+x9<=300

3x1+3x4+3x7<= 600

3x2+3x5+3x8<=800

3x3+3x6+3x9<=375

x1+x2+x3<= 600

x4+x5+x6<= 500

x7+x8+x9<= 325


x1+x4+x7/400=x2+x5+x8/600

x2+x5+x8/600=x3+x6+x9/300

x1+x2+x3/400=x3+x6+x9/300






Comentarios

Publicar un comentario

Entradas populares de este blog

Unidad 2 - Análisis de Sensibilidad y Precios Sombra en la Programación Lineal

Análisis de Sensibilidad y Precios Sombra en la Programación Lineal En la programación lineal, el análisis de sensibilidad y los precios sombra son herramientas valiosas para evaluar el impacto de cambios en los parámetros del modelo sobre la solución óptima. a. Análisis de Sensibilidad: El análisis de sensibilidad permite determinar la sensibilidad de la solución óptima a variaciones en los coeficientes de la función objetivo, los valores RHS de las restricciones y los coeficientes tecnológicos. b. Precios Sombra: Los precios sombra representan el valor marginal de una unidad adicional de un recurso restringido. En otras palabras, indican cuánto aumentaría la función objetivo si se pudiera aumentar la disponibilidad de ese recurso en una unidad. Ejemplo: Consideremos el siguiente problema de programación lineal: Maximizar: Z = 3x + 4y Sujeto a: 5x + 6y ≤ 100 2x + 3y ≤ 80 x ≥ 0 y ≥ 0 Solución: La solución óptima es x = 10, y = 20, y Z = 120. Análisis de Sensibilidad: Utilizando Solver,...
Leer más

Unidad 2 - Método simplex

El Método Simplex: Un Resumen Paso a Paso con Ejemplos El método simplex es un algoritmo fundamental en la programación lineal, permitiendo encontrar la solución óptima (máxima o mínima) de un problema sujeto a restricciones. Su aplicación abarca diversos campos, desde la economía hasta la ingeniería. En este blog, exploraremos los pasos esenciales del método simplex, ilustrados con ejemplos prácticos. a. Definición de Variables: Antes de sumergirnos en el algoritmo, es crucial identificar los tipos de variables: Variables de decisión: Representan las cantidades a determinar para optimizar la función objetivo. Variables de exceso: Se introducen en problemas con restricciones de mayor que o igual, indicando la cantidad excedente del recurso. Variables artificiales: Se emplean en problemas de minimización con restricciones de igualdad, convirtiéndolas en desigualdades de mayor que o igual. Variables de holgura: Se incluyen en problemas con restricciones de menor que o igual, indicando la...
Leer más