Una revisión de las aplicaciones de lineal

Programación para optimizar las soluciones agrícolas

1. Introducción

El sector agrícola está en el corazón de las sociedades y civilizaciones contemporáneas. El sector en

general engloba la ganadería y el cultivo de plantas. El sector agrícola tiene un papel imperativo en
el cumplimiento de la creciente demanda de consumo de alimentos en todo el mundo en medio de
una población en constante aumento. Sin embargo, el aumento de Las actividades agrícolas exigen
productividad agrícola y una mayor eficiencia general. Hoy el sector agrícola pasa de la agricultura
1.0 a 4.0 [1], como se muestra en la Figura 1. La figura explica cómo se modificó el sector agrícola.
En una época diferente. En la primera época, tradicionalmente, el agricultor utilizaba herramientas
sencillas como hoces, hachas, picos, palas, etc. Las producciones agrícolas dependen de la mano de
obra y los animales para realizar actividades agrícolas. En este período, la producción fue muy bajo
porque la gente se cansa y no soporta el trabajo duro. Hoy, la agricultura se está transformando en
Agricultura 4.0, que se denomina "Granjas inteligentes". La aparición de muchas tecnologías como
Big Data, Artificial La inteligencia, la teledetección y la computación en la nube continúan mejorando
la eficiencia agrícola. La eficiencia se manifiesta a través de una reducción en la cantidad de agua
utilizada en el riego, la utilización de recursos y el medio ambiente en general. Efectos.

La agricultura 4.0 se considera la próxima revolución agrícola debido a un mayor enfoque en la

agricultura de precisión y la Internet de las cosas (IoT) [2,3]. También es un área donde el agricultor
necesita orientación sobre operaciones agrícolas tales como programación de equipos para uso
agrícola, asignación óptima de recursos económicos, sociales y de desarrollo, Optimización del
patrón de plantación, tierras agrícolas, etc. para maximizar los ingresos. Para una agricultura óptima
producción, es necesario el uso adecuado de la tierra, los cultivos, el suelo y los recursos hídricos.
Desafortunadamente, debido a la complejidad del sector agrícola, los agricultores se han enfrentado
a desafíos para tomar la decisión correcta con respecto a qué cultivar, en qué temporada, dentro
de los recursos disponibles. El desafío crítico es seleccionar lo mejor entre varias actividades.
Posteriormente, decidiendo para una selección óptima de actividades es un tema clave. Los
métodos cuantitativos como el LP tienen un impacto profundo al abordar la mayoría de los
problemas que enfrentan los agricultores en esta era. De agricultura 4.0. En este sentido, la
Programación Lineal fue diseñada para ayudar a los agricultores en la planificación y toma de
decisiones. Acerca de lograr y maximizar la eficiencia en la planificación de la producción y la
asignación de recursos. El agricultor necesita gestionar los recursos disponibles en la finca, como
mano de obra, fertilizantes, semillas, energía, etc. para maximizar la ganancia. Los anteriores
investigadores que utilizan LP en diferentes objetivos, por ejemplo [4] ayudaron a los agricultores a
maximizar las ganancias basándose en la elección adecuada del mejor cultivo en el momento
adecuado y optimizar la distribución de la tierra y el agua para cada uno de estos cultivos. Además,
[5] intentó analizar las posibilidades de aumentar la rentabilidad de la explotación mediante la
determinación de la combinación de cultivos óptima para el cultivo de cultivos bajo las siguientes
limitaciones: área total, área intercalada y monto de inversión. Por lo tanto, la maximización de la
producción no
No garantiza la maximización de beneficios. Por lo tanto, es evidente que los métodos de
programación lineal tienen un papel significativo en optimizar la planificación de la producción de
cultivos bajo una serie de limitaciones impuestas por los agricultores. Sin embargo, debido a la falta
de un documento de encuesta sobre las aplicaciones de LP en los temas de agricultura, esta revisión
investigará las aplicaciones del modelo LP en el sector agrícola en diferentes áreas. A continuación,
resumimos nuestros principales objetivos:

 Describimos las diversas herramientas disponibles que son fundamentales para analizar los
resultados del modelo LP y resultan útiles conocimiento que ayuda a tomar las decisiones
correctas.
 Demostramos las seis de las aplicaciones más comunes que han utilizado LP para mejorar la
producción, optimizar asignaciones de recursos y aumenten las ganancias.
 No solo investigamos el conjunto de trabajos anteriores, sino que también presentamos un
resumen de las ideas detrás de cada LP. aplicación y el modelo que se utilizó para resolver
un determinado problema.
 Nos enfocamos particularmente en esta revisión en optimizar los patrones de siembra, las
tierras agrícolas y la asignación de recursos. entre otros.

2. Métodos de investigación

Los investigadores han estado utilizando LP para resolver los principales problemas relacionados
con la producción y la asignación de recursos en las diferentes aplicaciones como se muestra en la
figura 3. Este trabajo tiene como objetivo mostrar los principales objetivos que se discuten antes a
través de la siguiendo varias secciones. La primera sección arrojará más luz sobre el concepto de
programación lineal y la

En la sección siguiente se expondrán las diferentes herramientas que componen el modelo LP. La
siguiente sección cubrirá las aplicaciones del modelo de programación lineal y esto será seguido por
una discusión sobre los principales hallazgos. El último La sección será una conclusión que resume
los puntos principales.

3. Modelo de programación lineal

El modelo de Programación Lineal es una técnica que estudia la función objetivo lineal máxima o
mínima bajo varias restricciones para obtener soluciones óptimas. Inicialmente, LP se aplicó para
resolver problemas relacionados con el ejército. Y sectores industriales. En la actualidad, el modelo
se aplica ampliamente a una amplia variedad de operaciones financieras, de marketing, problemas
agrícolas. En Finanzas, LP se utilizó para identificar el presupuesto de capital, la asignación de activos,
la planificación financiera, etc. El sector de marketing utilizó LP para resolver el problema
relacionado con la investigación de mercados y la selección de medios. Además, LP se utilizó para
resolver un problema relacionado con el sector manufacturero por problemas de mezcla de
productos, producción y programación. Del mismo modo, El modelo se aplicó en el sector agrícola
para optimizar los patrones de cultivo, así como la asignación de recursos (agua, tierra, fertilizantes,
etc.). LP no es un concepto nuevo porque prevalecía hace décadas. Fue desarrollado antes de la
Segunda Guerra Mundial por un soviético matemático A. N. Kolmogorov [6]. En 1945, Stigler
desarrolló la primera aplicación de LP en el campo conocido hoy como "problemas de dieta" [6].
Con el avance significativo en este campo, Waugh [7] introdujo LP para determinar el más barato
combinaciones de alimentación y raciones de ganado. En 1947, George D. Dantzig fue el creador de
LP, lanzó su primera investigación funciona después de la Segunda Guerra Mundial, sólo cuatro años
antes de la publicación de Waugh [8]. Trabajó en la planificación de estrategias después de la Guerra
Mundial para la Fuerza Aérea de los EE. UU. Y formuló una programación lineal con desigualdades
para resolver la fabricación y problemas económicos [6]. El problema que encontró fue una gran
cantidad de soluciones factibles que se presentaron porque Dantzig formuló LP sin agregar una
función objetivo [6]. Luego lo agrega a la estructura de LP y luego desarrolló el método simplex para
resolver los problemas.

Antes del modelo de programación lineal, los agricultores tenían que depender de métodos
tradicionales que implicaban prueba y error y experimentos pasados para resolver cualquier
problema que enfrentaran, como comprometer recursos en tierras disponibles. Hoy, la informática
cambia los métodos tradicionales modelando la mayoría de los problemas del mundo real como
problemas de programación lineal y encontrando soluciones óptimas. Por lo tanto, los agricultores
pueden utilizar el modelo LP de manera rápida y sencilla para tomar las decisiones correctas en lugar
de métodos tradicionales. Por ejemplo, [9] utilizó un modelo LP para asignar recursos agrícolas.
Hicieron una comparación entre las soluciones LP y las soluciones tradicionales. Obtuvieron una
solución mejor cuando utilizaron el modelo LP. Sobre el Por otro lado, la programación lineal no
siempre garantiza soluciones óptimas, pero existen soluciones factibles. Para Por ejemplo, [10]
desarrolló un plan óptimo de asignación de tierras para mejorar la productividad agrícola con
diferentes cultivos de invierno utilizando el método simplex de programación lineal. Observó que la
solución existente era la menos rentable. Finalmente, obtuvo una solución diferente donde obtuvo
Rs. 103340.82, que es 1.785 veces mayor que la ganancia neta anterior si la tierra total es de 8,25
ha y allí se planta la cosecha de lentejas. La producción es la planificación de cultivos no solo una
aplicación de LP, pero hay varios problemas del mundo real relacionados con diferentes aplicaciones
que se pueden formular como LP, como problema de mezcla de alimentos, plan de rotación de
cultivos, asignación de agua y tierra, transformación de productos agrícolas y cantidad de
fertilizantes y demás. Estos problemas se pueden resolver a través del modelo LP y es por eso que
el modelo es crucial.

A. Usos del modelo LP

El modelo es aplicable para identificar la solución óptima para seleccionar o combinar proyectos
agrícolas para maximizar los ingresos o reducir los costos dentro de los recursos disponibles. Es un
método alternativo a la forma tradicional, que es "ensayo y error" que los agricultores estaban
sufriendo al usarlo [11]. Hay tres razones principales para utilizar el modelo LP para resolver la
mayoría de los problemas que ocurren en las fincas y estos son:

1. Aumentar la rentabilidad de la producción agrícola de los pequeños agricultores y ayudarlos a

cumplir los requisitos de producción para cultivos alimentarios y animarlos a utilizar los recursos
ambientales [12].

2. Se utiliza para optimizar los beneficios, para examinar si los beneficios aumentaron o no después
de implementar el modelo [5], [10].
3. Muchos investigadores [13] - [15] han estado utilizando los tipos del modelo LP, como la
programación de objetivos difusos, para resolver sus problemas en el campo agrícola, donde la
ambigüedad y la vaguedad afectan la toma de decisiones.

B. Formulación del modelo LP

Este estudio se basa en la optimización mediante la aplicación del modelo LP, que es un método
matemático para resolver problemas que involucran la cantidad a optimizar (maximizada o
minimizada) cuando se agregan ciertas restricciones a eso. Cantidad. Esta sección analiza la
descripción general del método LP. Se considera la técnica más popular en investigación operativa
para modelos con objetivos y restricciones que son todas funciones lineales. Consta de tres básicos
componentes: variables de decisión que determinarán la función objetivo (meta), maximización o
minimización, y restricciones que la solución debe satisfacer. La función objetivo es una expresión
matemática que combina las variables de decisión y sus coeficientes para lograr la solución óptima.
El resultado de un problema de LP representa valor máximo o mínimo en la ecuación lineal f:

F=c1x1+…+cnxn

Las restricciones representan límites en el modelo relacionados con los recursos disponibles. Tenga
en cuenta que es posible expresar el
existen problemas ambiguos cuando se utilizan desigualdades estrictas como ">" o "<" [16].

Además, las res es porque

los valores negativos de cantidades físicas son inalcanzables. Las restricciones de no negatividad
significan que siempre estamos trabajando en la primera (o noreste) cuadrante de una gráfica, como
se muestra en la Figura 2. La solución debe identificarse para las desigualdades lineales (es decir,
encontrar los valores de las variables xi que cumplen todas las restricciones simultáneamente).
Luego sustituya los valores de estas variables en la función objetivo f para encontrar un punto de
esquina que se presente como una intersección de dos líneas. Todos los puntos de esquina están
relacionados con el espacio de la solución. El espacio de solución es un área sombreada que satisface
todas las restricciones e indica que todos los puntos en esta área con candidatos a ser una solución
óptima, como se muestra en la figura 2. Por ejemplo, en la figura 2, el conjunto de soluciones
factibles es representado por xi (líneas azules). Por el contrario, la línea amarilla representa la
función objetivo, que resulta en K's valor máximo que satisface todas las restricciones en la esquina
del espacio de la solución. Todos los puntos de la línea amarilla oscura son propuestas como
soluciones óptimas porque dan el mayor costo para el problema.

FIGURA

Durante la Segunda Guerra Mundial, a George D. Dantzig se le ocurrió un enfoque para resolver la
programación lineal. Esto fue parte de su investigación donde desarrolló el algoritmo simplex para
resolver problemas en el mundo real. El algoritmo simplex es el enfoque clásico para resolver
problemas de optimización de programación lineal. Es un algoritmo para encontrar un máximo o
valor mínimo de función dentro de un conjunto de restricciones. El desafío para lograr la solución
inicial factible es desafiante para los modelos LP con restricciones de tipo ≥ o = porque carecen de
viabilidad original. En algunos casos, hay una necesidad de combinar LP con otro enfoque para
optimizar los problemas agrícolas; por ejemplo, programación multiobjetivo (MGP), programación
de objetivos (GP), programación de objetivos múltiples (MOP) o programación de objetivos
ponderados (WGP) se pueden trabajar con LP para resolver problemas que tienen más de un
objetivo. Además, el enfoque de programación de objetivos difusos (FGP) puede manejar datos con
objetivos y limitaciones difusos.

4. Herramientas de programación lineal

El modelo LP está compuesto por diferentes herramientas que son fundamentales en la

optimización de modelos de programación lineal. Estos incluyen software como LINDO, LINGO y
TORA. A continuación se muestran algunos programas populares que se utilizan para optimizar
soluciones en problemas de LP.

Solucionador de Excel

Microsoft Excel tiene potentes funciones como herramienta de análisis cuantitativo. Puede
proporcionar una función Solver simple para identificadas soluciones viables y óptimas. [6] explicó
los pasos para agregar la función de resolución de complementos en MS Excel con una descripción
detallada. El Solver a menudo se conoce como el método de análisis hipotético [17]. Muchos
investigadores utilizó MS-Excel para resolver la mayoría de los problemas de optimización de forma
fácil y rápida. Por ejemplo, [17] proporcionó un modelo para Controlar la incertidumbre en los
ingresos agrícolas mediante el modelo de Programación lineal multiobjetivo difuso (FMOLP) que lo
resuelve de manera muy simple usando la herramienta Solver en MS-Excel.

AMPL

AMPL (un lenguaje de programación matemática) se utiliza para resolver modelos matemáticos para
optimizar el modelo eficientemente. Puede resolver modelos con muchas variables y restricciones
[18]. Otra investigación [19] utilizó AMPL para resolver el problema de entrega de verduras al punto
de venta en un período corto. Además, [20] resolvió el problema de producción y distribución de
productos agrícolas utilizando AMPL con MINOS [20].

Otras herramientas

Hay otras herramientas que se utilizan para resolver el problema de LP. Por ejemplo, [21] usó Python
2.7 y PyCharm como código. Editor para crear un programa analítico para maximizar los ingresos de
la granja dependiendo de las decisiones de los agricultores durante la temporada de plantación.
Otros investigadores [20, 21] evaluaron sus soluciones utilizando el software LINGO. El mayor
beneficio de LINGO es su capacidad para formular y analizar grandes problemas [18]. Podemos decir
que todas las herramientas anteriores pueden resolver problemas de manera rápida y eficiente al
formular ecuaciones y resolver problemas. Con modelos de programación lineal, estas herramientas
son esenciales en los problemas de optimización, e identifican Las soluciones óptimas ayudan a
obtener información valiosa que mejora el proceso de toma de decisiones.

5. Resolver problemas agrícolas mediante la aplicación de programación lineal

En la mayoría de los problemas de planificación agrícola, la PL se utilizó en diferentes temas, como

la asignación de recursos limitados, incluyendo la superficie cultivada de la tierra, la disponibilidad
de agua y mano de obra, capital otorgado, etc.que tiene como objetivo maximizar la red ingresos
[24]. Evalúa los recursos existentes y luego da las soluciones adecuadas basadas en análisis
cuantitativos. En general, existe una amplia variedad de aplicaciones de LP en la agricultura. La figura
3 ilustra la mayor parte del uso de lineales programación en agricultura. Las siguientes subsecciones
describen las aplicaciones de LP en detalle.
FIGURA

A. Problema de mezcla de alimento

El pienso es una de las variables importantes para evaluar la producción eficiente del ganado. El problema de
la mezcla de piensos tiene como objetivo identificar el contenido de la mezcla de piensos mezclando
proporciones particulares de materia prima con diferentes contenidos [25]. Se deben determinar las
propiedades de calidad requeridas y los costos mínimos para obtener la mezcla de alimento ideal. El modelo
LP es el enfoque más común para resolver el problema de la mezcla de alimentos. Generalmente, la mezcla
de alimento se utilizó para aumentar la cantidad de nutrientes. Aumento de cantidad y peso, y rendimiento
del ganado [26]. El modelo LP formula mezclas de alimentos para tener un costo mínimo para satisfacer
necesidades energéticas y nutricionales. La función objetivo de LP a menudo se centra en minimizar el precio
total de alimento para ganado, de acuerdo con los límites de fuentes de alimento en cada zona o temporada.
Muchos investigadores utilizaron LP para optimizar el costo de la mezcla de piensos se basa en las necesidades
del ganado [23, 24]. Sugirieron usar otros métodos además de LP, como GP, MOP, o MGP, para resolver
problemas de mezcla de piensos con más de un objetivo que debe optimizarse. El lineal de enteros mixtos El
modelo de programación (MILP) es otro enfoque para ayudar a los agricultores a decidir las materias primas
adicionales que se agregaron a la mezcla y lograr costes mínimos entre los diversos componentes de la mezcla
[25]. La peor desviación estándar entre todos los resultados de este modelo alcanzó 0,294. Entonces, este
método puede dar un resultado óptimo consistente. La combinación dietética de las necesidades nutricionales
es también otra área en la que el modelo depende de múltiples combinaciones de alimentos para lograr una
mezcla de pienso óptima, teniendo en cuenta las necesidades nutricionales de los animales. [26] agregó el
factor orgánico en el problema de la mezcla de piensos con dos limitaciones adicionales: la disponibilidad de
materiales orgánicos y alimentos orgánicos en el pienso. Estas dos restricciones se agregaron para resolver el
problema de la mezcla de alimentos. Los resultados muestran que se selecciona el pienso ideal para cumplir
con los requisitos de nutrientes y la proporción orgánica del alimento y reducir el costo total y la materia prima
orgánica [27] construir un modelo para minimizar costes y contenido de agua y buscar los valores óptimos
para el mejor contenido mínimo de agua valores en varios niveles de ganado para optimizar la vida útil de las
raciones.

B. Optimización del patrón de cultivos

Hoy en día, debido al aumento de la población, la tierra y los recursos hídricos se vuelven limitados. Pero al
proporcionar riego instalaciones, el patrón de cultivo en cualquier región agrícola aumentará. LP puede ayudar
a determinar el patrón de cultivo óptimo y patrón de planificación de la producción para cultivos alimentarios.
Este resultado maximizará las ganancias de las empresas de agricultores. [22] utilizó la herramienta LP para
representar el valor óptimo de las combinaciones de cultivos con base en los dos enfoques propuestos. El
primero El enfoque es la tierra utilizada para los guisantes y el trigo y el ganado [22]. El segundo es para
mostaza, gramos, trigo y cerdos. [22]. Los resultados mostraron un 68 por ciento en la finca 1; y 16,5 por
ciento en la finca 2; esto significa que el uso de LP afecta los rendimientos que son levantándose en la finca.
Llegaron a la conclusión de que la ganadería reduce los costos de producción al proporcionar fertilizantes
naturales y mejorar la fertilidad del suelo. [28] utilizó el método LP, que es una forma de optimizar la
productividad de las granjas y proporcionar un modelo para determinar la combinación de cultivos apropiada
para optimizar el beneficio bajo una limitación fija. El problema tiene benefició al agricultor de 15,6499 rupias
al plantar guisantes en lugar de una mezcla de trigo, uva y mostaza. Los autores en [29] utilizaron LP para
identificar el patrón de cultivo óptimo para darle a la región un volumen máximo de ventas. El modelo está
sujeto a varias limitaciones, incluido el suministro de agua y la autosuficiencia de los cultivos, y la superficie
de tierra restricciones para cultivos múltiples durante las diferentes estaciones del año. El resultado óptimo
se comparó con el existente y resultó que el rendimiento neto total después de la optimización alcanzó 39,683
mientras que era 37,374 antes del mejoramiento. La mezcla de cultivos es uno de los esquemas de plantación
que implica el cultivo simultáneo de más de un cultivo en el mismo tiempo o temporada [30]. Es uno de los
problemas que pueden afrontar los agricultores que siempre se preguntan: qué cultivos plantar cuando se
planta, y cuánto a las plantas. [30] propuso un modelo basado en LP para maximizar los ingresos totales sobre
la base de algunas restricciones como tierra cultivada, recursos disponibles y presupuesto fijo.

C. Plan de rotación de cultivos

La rotación de cultivos es un patrón en el que las plantas se plantan en la misma tierra [31]. Muchas
limitaciones pueden afectar el cultivo plan, como el clima y el mercado. Estas limitaciones impactan la siembra
durante las temporadas en un año y luego afectan la productividad de la finca. LP identifica el plan apropiado
para identificar patrones de rotación de cultivos para lograr la meta óptima. Además, la LP se utiliza para
aumentar el volumen de productividad, los ingresos y el uso efectivo de los recursos existentes. Para Por
ejemplo, [32] utilizó LP para lograr el mayor volumen de productividad para la granja Al-Rasheed-Hamorabi
en Bagdad por siguiendo el uso correcto de la estrategia de capital existente de los recursos disponibles,
incluida la implementación de rotación para mantener la fertilidad del suelo. Comparó los ingresos producidos
por el plan agrícola real con base en el anterior. Información recopilada de 2015 a 2016 y derivó el plan con la
ayuda de LP. Encontró que los ingresos netos eran 4837145 mil dinares en el plan actual, y aumentó a
7930167,2 mil dinares. El análisis se realiza en la misma finca y temporadas, y la finca obtiene un ingreso
mucho mayor incrementado en 3093023 mil dinares con menos recursos que el plan real. Los mejores planes,
por lo tanto, le dieron mayores ingresos con recursos limitados. En algunos casos, especialmente cuando la
finca tiene más de un objetivo, el LP no es suficiente por sí solo para obtener un mayor ingreso, por lo que
una combinación de LP con programación de metas ponderadas (WGP) da mejores resultados. Varios
investigadores desarrollaron un modelo basado en una combinación de LP con programación de metas
ponderadas (WGP) para generar ingresos promedio más altos y costos más bajos por rotación de cultivos y
solucionar algunos problemas [31, 32]. Mencionaron los principales problemas que puede manejar el modelo,
que son: La estrategia de cultivo que se utiliza necesita recursos adicionales como mano de obra, máquinas,
fertilizante, etc., cantidad de cultivo y fertilizante. Ahorros para la rotación de cultivos. Esta combinación fue
probada y dio resultados confiables. La conclusión fue que La combinación de LP con la programación de
metas ponderadas puede optimizar la rotación de cultivos y permitir el crecimiento de los agricultores. Ingreso.
La rotación de cultivos es una aplicación esencial en la agricultura, especialmente en la orgánica porque ayuda
a preservar el suelo. sin utilizar fertilizantes químicos o incluso pesticidas. [35] desarrolló un modelo utilizando
MILP para hacer un cronograma para la rotación de cultivos de cuatro años basada en algunas restricciones,
como el patrón de riego, el rendimiento de los cultivos, etc., para especificar el mercado. Demanda. Los
administradores de la finca estaban satisfechos con este modelo porque la rotación puede satisfacer la
demanda del negocio, y no una de las normas de plantación había sido violada durante el período.

D. Asignación y optimización de tierras

La asignación de tierras es la división de la tierra entre diferentes tipos de cultivos para aumentar el beneficio
total de la empresa. En Además, muestra qué producto es más beneficioso que otros y cómo se asignará la
superficie cultivada para aumentar las ganancias. LP se utilizó para determinar la distribución de la tierra para
optimizar diferentes tipos de cultivos. Se pueden utilizar diferentes métodos para identificar la mejor
asignación de la tierra, [24], utilizó un método Simplex para determinar la distribución de la tierra para
optimizar diferentes tipos de cultivos, que son trigo, arroz, legumbres, maíz y otros cultivos. En el primer
período, se utilizaron 2409 acres de tierra; después que, utilizaron el método simplex para aumentar las
ganancias al aumentar el área total asignada a 2752.56 acres. El trabajo en [36] utilizó el modelo LP para la
asignación óptima de los 10 cultivos principales del área de estudio. Algoritmos simplex y
Los algoritmos Push-Pull proporcionaron la solución. Compararon los resultados en función del número de
iteraciones que los dos los algoritmos toman para tomar la decisión correcta. Descubrieron que el segundo
algoritmo alcanzó 20 iteraciones, mientras que el primero una fue de 11 iteraciones para obtener la solución
correcta. El porcentaje del esquema de distribución de la tierra para cultivos importantes a aumentar el
beneficio en este estudio de la siguiente manera: 21,49% para el algodón, 13,47% para las legumbres, 5,45%
para el gramo negro, 14,8% para Jowar, 18,08% para habas de soja, 0,8% para girasol, 6,7% para cártamo,
39,5 para gramo, 15,97% para gramo verde, y ningún porcentaje para la tierra de trigo. Con este esquema de
distribución, la ganancia total es de Rs. 905217869, y el total los gastos de las semillas son Rs. 250481524.

Los autores en [23] proporcionaron una comparación del uso de un modelo LP y modelos de programación
lineal entera (ILP) para Determine el área de tierra apropiada para plantar diferentes tipos de arce, fresno,
olmo, roble y ciprés calvo. La tierra El área para plantar se ha determinado utilizando un modelo LP, mientras
que dos modelos de programación lineal enteros proporcionan especies adecuadas. Los resultados indicaron
que el arce y los cipreses calvos eran solo dos tipos que estaban disponibles comercialmente. Para la
producción agrícola de la zona, 151,3 y 355,3 ha, respectivamente. En la mayoría de los problemas de
planificación agrícola, hay parámetros desconocidos que no se pueden definir correctamente en las
restricciones. Para resolver este problema, se puede utilizar un concepto difuso. [14] utilizó el FGP para
identificar la mejor asignación de tierra cultivada. Usaron el enfoque de programación de metas porque varios
objetivos no se pueden desarrollar con el método tradicional de programación lineal, como los ingresos netos
y el agua y Oferta de trabajo. Además, todos estos requisitos tienen una forma borrosa. El resultado mostró
que la producción de cultivos, neta Los requisitos de ingresos, mano de obra y agua se cumplieron plenamente
con la mayor parte de la satisfacción de las asignaciones. Concluyen que el utilidad del enfoque para la
asignación de tierras para diferentes cultivos.

E. Agua de riego

Los sistemas de agua de riego se enfocan en programar el agua de riego entre diferentes fincas desde el riego
por canal. Basado en un tiempo específico. Es esencial utilizar métodos y estrategias para asignar los recursos
hídricos para sostenerlo y aumentar los ingresos: esta aplicación surgió más tarde debido al aumento de la
demanda de agua en las granjas. Una programación lineal El modelo es un método que se utiliza para
gestionar el agua de los cultivos todos los meses. Para obtener ingresos reales, la información relacionada con
Las ecuaciones de objetivos y restricciones debe recopilarse cuidadosamente mediante la distribución de
cuestionarios para ser respondidos por los portadores de agua, supervisores de riego y agricultores de la
región. LP se centra en esta área para encontrar la óptima y correcta utilización de agua para riego en el sector
agrícola. Además, el LP conduce a un aumento en la productividad del agua y Ingresos netos de la finca. Varios
investigadores trabajan en esta área y demostraron resultados diferentes. Por ejemplo, [37] hizo que
programación para el suministro de agua a varios puntos de venta de la granja con una pérdida mínima de
agua en un momento específico que se da a cada agricultor. La programación del riego por agua se basó en el
modelo MILP con dos enfoques: período único y modelos de períodos múltiples. El modelo de período único
establece una hora de inicio objetivo, que se descargará una vez al inicio de la período de riego en la cabecera
del canal. El modelo de períodos múltiples le dio al usuario prioridad para programar su inicio real horas para
el período de riego correspondiente con las horas de inicio objetivo. Estos dos horarios pueden ayudar a
decidir el patrón de riego para minimizar la demanda en la cabecera del canal. Un estudio de [38] presentó
un plan para la distribución del agua de riego y un patrón de plantación óptimo para optimizar la ingresos
netos y aumentar la productividad del agua (WP). Demostraron que la optimización lineal con el máximo
beneficio resulta da la productividad de agua más baja. Utilizaron la técnica de modelado para generar
alternativas (MGA) para mejorar WP. Se utilizó MGA para mejorar el resultado de la programación lineal.
Compararon utilizando el algoritmo genético y lineal. y programación de enteros. Descubrieron que la mejor
productividad del agua se alcanzaba con un déficit de agua promedio del 30% al 35%. y una desviación del 10%
cuando se usa MGA.
Otra herramienta de programación matemática que se utiliza para evaluar los recursos hídricos es la meta
fraccionada multiobjetivo métodos de programación (MOFGP) y programación de objetivos difusos (FGP). [39]
utilizó el método lineal multiobjetivo herramienta de programación con modelos de programación
fraccionada (FP) para evolucionar la sostenibilidad de los recursos hídricos basados en dos métricas que son
"ingresos netos / uso de agua" y "trabajo / uso de agua" para optimizar el uso de agua y el cultivo patrón en
la agricultura rural. Los hallazgos indican que los modelos FP evaluaron las métricas de sostenibilidad más que
LP modelos. [15] utilizó la programación de metas difusas (FGP) para regar de manera eficiente la gestión del
agua en varias temporadas en el año de planificación. Confirmaron que FGP contribuye a resolver problemas
agrícolas con un entorno de decisión incierto.

F. Transformación de productos agrícolas

Es necesario tomar la decisión correcta en el transporte de productos agrícolas. Debería optimizar el

enrutamiento de productos agrícolas desde el origen hasta los centros de destino para minimizar los costos
totales de envío o las distancias [40]. LP resuelve el problema de entrega del sitio de producción al sitio de
distribución con un período corto y una tarifa mínima. Este caso particular de LP, que se denomina problema
de transporte. El problema del transporte tiene como objetivo entregar los productos a la distribución. centro
con distancia mínima o costo de entrega basado en restricciones de oferta y demanda. [19] usando dinámica
programación en el algoritmo de Dijkstra para entregar verduras al centro de distribución. Al determinar el
camino más corto desde cada proveedor hasta el punto de venta en un corto período y reduciendo las tarifas
de compensación de verduras. Ellos usan Software AMPL para modelar el transporte de verduras con una
optimización de restricciones razonable. Los resultados fueron analizados, y encontraron que la distribución
local de verduras es apropiada para la entrega de verduras. No hay mucha investigación que aplica el modelo
LP clásico para resolver este tipo de problema porque a menudo se basa en un tipo particular de LP
llamadomodelos de transporte.

6. Discusión

A partir de los datos cualitativos, es evidente que el modelo de programación lineal prevalece en la
investigación de operaciones. Eso fue utilizado por primera vez por Waugh (1995) para optimizar la ración de
alimento y determinar las raciones de alimento y ganado más baratas. Por lo general, los problemas resueltos
de LP tienen un objetivo que apunta a maximizar o minimizar un objetivo específico, generalmente costos,
ingresos, o ingreso neto. El algoritmo simplex se ha utilizado para resolver muchos problemas del mundo real.
Es el enfoque clásico de Resolver problemas de optimización de programación lineal para encontrar un valor
máximo o mínimo de función dentro de un conjunto de limitaciones. Varios investigadores encontraron que
LP con un método Simplex ayuda a obtener un plan de asignación de tierras óptimo [10], [24], [36].
Descubrieron que mejoraba la productividad agrícola y aumentaba las ganancias cuando el área total asignada
era aumentado. El modelo de programación lineal de enteros mixtos también se utilizó otro enfoque en la
mezcla de alimentos, el plan de rotación de cultivos y planificación y programación del agua de riego [25], [35],
[37]. Este método puede dar un resultado óptimo consistente, y el los administradores de granjas estaban
satisfechos con este modelo. Por otro lado, los modelos de programación lineal Integer pueden determinar el
área de tierra óptima para el cultivo de diferentes cultivos. Se hizo una comparación entre LP e ILP que da una
idea de qué cultivo crecerá en la zona de tierra adecuada [23]. En algunos casos, en el sector agrícola, los
problemas se definen con múltiples objetivos. Entonces LP tiene una deficiencia en Optimización de
soluciones con problema multiobjetivo [34]. Otros enfoques de programación matemática que se utilizan para
La optimización de los problemas agrícolas con LP incluye GP, MGP, WGP o MOP para resolver problemas con
más de un objetivo. Estos enfoques se utilizaron además de LP para obtener resultados valiosos [23, 24, 25].
Por ejemplo; Los beneficios de combinar LP con WGP son que LP puede ayudar a minimizar o maximizar los
objetivos, mientras que WGP cumple simultáneamente con todos los LP objetivos del submodelo [34]. Esta
combinación fue probada y dio resultados confiables [31, 32]. Además, el objetivo difuso La herramienta de
programación (FGP) puede manejar datos con objetivos y limitaciones difusos. Los métodos FGP pueden
contribuir a resolver problemas agrícolas con un entorno de decisión incierto. GP también se utiliza para
optimizar el plan de producción de cultivos, la mezcla de alimentos y cronograma y planificación de riego.
Todas las aplicaciones de LP se discutieron para resolver los problemas en regiones específicas e identificar el
óptimo factible solución bajo varias restricciones. La Tabla 1 a continuación resume estas aplicaciones en un
área diferente y muestra cómo LP contribuido a la solución del problema en diferentes estudios. Además, la
Tabla 2 muestra los objetivos de usar el modelo LP en base a las investigaciones previas y el software se
utilizaron para lograr sus objetivos.

TABLA

7. Conclusión y labor futura

El artículo ha cubierto de manera integral los principales objetivos de esta investigación relacionados con la
PL y cómo se puede particularmente útil para optimizar problemas en el sector agrícola. LP suele aplicarse
siempre que el objetivo principal sea alcanzar la eficiencia. Esto es útil para los agricultores porque ayuda a
los agricultores en la asignación de recursos y la toma de decisiones. en lugar de utilizar prueba y error. Debido
a la falta de un documento de encuesta sobre las aplicaciones de LP en los temas de agricultura, esta revisión
investigó las aplicaciones del modelo LP en el sector agrícola en diferentes áreas. Basado en estudios previos,
Hay tres razones principales para utilizar el modelo LP para resolver la mayoría de los problemas de las granjas.
Uno de ellos es aumentar la rentabilidad de la producción de cultivos de los pequeños agricultores, ayudarlos
a cumplir los requisitos de producción de cultivos alimentarios y fomentar que utilicen los recursos
ambientales. La mayoría de los estudios demostraron la utilidad de utilizar LP para resolver problemas del
mundo real. y proporcionó resultados fiables. Los modelos LP pueden optimizar los ingresos netos y la
productividad de la finca bajo los recursos tales como superficie cultivada, mano de obra, fertilizantes, semillas,
suministro de agua, energía, etc. Una de las técnicas utilizadas para Analizar problemas de programación lineal
es un algoritmo Simplex para localizar un valor máximo o mínimo dentro de una variedad de restricciones. Sin
embargo, LP tiene una deficiencia en la optimización de soluciones con problemas de objetivos múltiples. Por
lo tanto, otros Los enfoques de programación matemática utilizados para optimizar los problemas agrícolas
con LP incluyen GP, WGP, MGP, o MOP para resolver problemas con más de un objetivo. Debido a la
complejidad del sector agrícola, los agricultores se han enfrentado desafíos para tomar la decisión correcta
con respecto a qué cultivar, en qué temporada, dentro de los recursos disponibles. El critico El desafío es
seleccionar la mejor entre varias actividades. Las herramientas LP tienen funciones poderosas como
herramienta de análisis cuantitativo que puede resolver LP rápidamente para optimizar la ganancia en función
de los recursos disponibles. Esta revisión investiga el aplicaciones del modelo LP en el sector agrícola en
diferentes áreas. Describe los resultados de usar diferentes enfoques para resolver problemas comunes de
eficiencia en el ámbito de la agricultura. En trabajos futuros, un análisis profundo de otras aplicaciones de LP
y hacer una comparación entre diferentes modelos, y Luego se identificaron las ventajas y desventajas de cada
modelo que se utilizó.