Planteamiento del Problema


1. Identificación del Problema: Lo primero es identificar claramente cuál es el problema que queremos resolver. Por ejemplo, si estamos en una empresa de logística, el problema podría ser cómo minimizar los costos de envío.


2. Definición del Objetivo: Una vez identificado el problema, necesitamos definir claramente nuestro objetivo. Siguiendo con el ejemplo anterior, el objetivo podría ser minimizar los costos totales de envío.


3. Identificación de Variables: Las variables son las cosas que podemos cambiar para tratar de resolver el problema. En nuestro ejemplo, algunas variables podrían ser el número de camiones a usar, las rutas de envío o los puntos de distribución.


4. Establecimiento de Restricciones: Las restricciones son las limitaciones o condiciones que debemos cumplir. Siguiendo con el ejemplo de la empresa de logística, algunas restricciones podrían ser el tiempo de entrega máximo, la capacidad de carga de los camiones o las leyes de tránsito.
 

5. Organización de la Información en una Tabla: Una vez que tengamos claros el objetivo, las variables y las restricciones, podemos organizar toda esta información en una tabla. Esto nos ayuda a visualizar mejor el problema y facilita la búsqueda de soluciones.

Por ejemplo, una tabla podría verse así:

| Variable | Descripción | Restricción |

|-------------------|-----------------------------|----------------------------|

| Número de camiones| Cantidad de camiones a usar | Menor o igual a 10 |

| Rutas de envío | Rutas posibles para los envíos | - |

| Puntos de distribución | Puntos donde se entregan los paquetes | - |

| Costo de envío | Costo asociado a cada ruta | Menor o igual a $10,000 |

| Tiempo de entrega | Tiempo máximo de entrega | Menor o igual a 48 horas |

Con esta tabla, tenemos una visión clara de lo que queremos lograr, las variables que podemos ajustar y las restricciones que debemos cumplir. Con esta información organizada, podemos aplicar las técnicas matemáticas y algoritmos de la IO para encontrar la mejor solución posible al problema planteado.



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

Proyecto final

Proyecto Final  https://colab.research.google.com/drive/1SfW9eEQoalViJEZ6S-baAhs_xH4uUAYW?usp=sharing   Permite a los usuarios resolver problemas de modelos de transporte y asignación de manera interactiva. Utilizando bibliotecas como PuLP para la programación lineal y ipywidgets para crear una interfaz de usuario interactiva, este software facilita la entrada de datos, la ejecución de cálculos y la visualización de resultados. Descripción General El software tiene dos principales funcionalidades:Modelo de Transporte Modelo de Asignación A continuación, se detalla cómo funciona cada módulo del software. Modelo de Transporte Funcionamiento Entrada de Datos:Número de Orígenes y Destinos: Los usuarios ingresan el número de orígenes (e.g., fábricas) y destinos (e.g., almacenes). Costos de Transporte: Los usuarios ingresan los costos de transporte desde cada origen hasta cada destino en forma de matriz. Oferta y Demanda: Los usuarios ingresan la oferta disponible en cada origen y l...
Leer más