Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Construcción de Modelos de PL
Construcción de Modelos de PL
DE PROGRAMACIN LINEAL
Escuela Superior de Ingenieros
Universidad de Sevilla
David Canca
Ignacio Egua
Jess Racero
CAPTULO X
MODELADO DE PROBLEMAS LINEALES
X.1. Introduccin....................................................................................................................3
X.2. Modelos en Programacin Matemtica. .......................................................................4
X.3. Construccin de un modelo lineal................................................................................4
X.4. Programacin lineal entera. ..........................................................................................5
X.5. El uso habitual de las variables enteras. .....................................................................5
X.6. Algunas relaciones frecuentes. ....................................................................................6
X.6.1. Relacines entre una variable continua y una variable auxiliar..........................6
X.6.2. Uso de variables auxiliares en el modelado de costes de setup. .......................7
X.6.3. Uso de variables auxiliares para activar o desactivar restricciones. .................7
X.6.4. Aproximacin lineal de una funcin no lineal.....................................................10
X.6.5. Restricciones disyuntivas.....................................................................................12
X.6.6. Modelando implicaciones lgicas sencillas........................................................12
X.6.7. Objetivos de tipo Minimax y Maximin. .................................................................14
X.6.8. Regiones no convexas. .........................................................................................14
CASOS ..................................................................................................................................17
Planificacin .....................................................................................................................17
1. Plan de incorporaciones en un servicio de urgencias..........................................17
2. Elaboracin de pizzas en hora punta. ....................................................................23
3. Programacin de una cadena de televisin...........................................................28
4. Planificacin de una explotacin minera ...............................................................32
5. Estudio de la compra de aviones por una compaa ............................................39
6. Fabricacin de bobinas............................................................................................45
Asignacin ........................................................................................................................48
7. Asignacin de alumnos a institutos .......................................................................48
8. Reparto de trabajos ..................................................................................................52
9. Red de comunicaciones de ordenadores...............................................................55
Cobertura ..........................................................................................................................60
10. Vigilancia de las salas de un museo.....................................................................60
11. Localizacin de cmaras de TV.............................................................................63
Localizacin......................................................................................................................66
12. Localizacin continua de Hospitales....................................................................66
13. Ubicacin estaciones de bomberos .....................................................................69
Distribucin ......................................................................................................................73
14. Planificacin de la distribucin de un producto..................................................73
Secuenciacin ..................................................................................................................81
15. Peridicos ...............................................................................................................81
Equilibrado de cadenas ...................................................................................................84
16. Embalaje de objetos con relaciones de precedencia..........................................84
Tcnicas de modelado.....................................................................................................87
17. Regresin lineal. .....................................................................................................87
18. Funciones lineales a trozos...................................................................................90
X.1. Introduccin.
El trmino modelo es usado de forma habitual en diversas disciplinas cientficas. Al hablar
de modelo nos referiremos a cierta estructura construida con el propsito de reflejar
determinadas caractersticas y analizar el comportamiento de un determinado objeto o
sistema ante ciertos agentes.
Normalmente, slo algunas caractersticas del objeto o sistema real se incorporan al
modelo, dependiendo del fin para el que ha sido creado.
En una primera clasificacin podramos hablar de modelos concretos y abstractos, en
funcin de la esencia propia del modelo. Un modelo concreto supone una realizacin fsica,
normalmente a escala, del objeto o sistema que se desea analizar. Un modelo abstracto
utiliza, de forma general, relaciones y definiciones matemticas con el fin de representar
relaciones internas del sistema que est siendo modelado.
En lo que a este texto se refiere, nuestra atencin se centrar de forma exclusiva en un tipo
particular de modelos abstractos, construido en base a relaciones matemticas (ecuaciones,
desigualdades, relaciones lgicas, etc..) que se correspondern con condiciones
tecnolgicas, limitaciones en los recursos disponibles, eleccin de alternativas u otro tipo de
relaciones en el mundo real.
La utilizacin de modelos responde principalmente a dos motivos. El primero de ellos
consiste en la imposibilidad habitual de experimentar con el sistema real, no slo por la
complejidad que esto supondra, sino tambin por los efectos perjudiciales que pudieran
derivarse de esta experimentacin. Por otro lado, el proceso de construccin de modelos
ayuda a profundizar en el estudio del sistema real, permitiendo un mayor conocimiento del
sistema u objeto de anlisis.
Los modelos matemticos estudiados en este libro utilizan una forma estndar. Muchos de
los modelos usados en el mbito de los mtodos cuantitativos aplicados a la gestin utilizan
formas estndar. Esta caracterstica es comn al caso de numerosos modelos usados en
ingeniera. Existen no obstante muchas situaciones que no pueden ser modeladas de la
manera que describiremos, y que precisaran modelos diferentes tales como modelos de
simulacin, economtricos, modelos de previsin, etc...
En la actualidad existe cierta controversia sobre la utilidad de los modelos matemticos en
el mbito de la gestin. En un extremo se encuentran los que opinan que carecen de valor
en relacin con sus propsitos. Sus crticas se centran en la dificultad o imposibilidad de
cuantificar de forma satisfactoria algunos conceptos, tales como asociar un coste o una
utilidad a ciertos bienes o valores de carcter social. Otras criticas se deben a la
desconfianza respecto a los resultados finales del modelo como consecuencia de falta de
precisin en la estimacin de los datos de partida.
Frente a la primera crtica cabe decir que muchas de las decisiones que involucran
conceptos no cuantificables en el mbito de la gestin necesitan de cierta cuantificacin,
mas o menos formal, de la que es imposible prescindir, a veces una simple ordenacin. El
esfuerzo por conseguir una
formulacin explcita de esta cuantificacin resulta
evidentemente mas cientfico.
El segundo aspecto debe ser discutido en relacin con cada modelo especfico. Aunque
muchos de los datos de un modelo sean poco precisos, es posible que la estructura del
3
modelo permita obtener resultados aceptables, disminuyendo el ruido introducido por los
datos iniciales.
En el otro extremo se encuentran los que lejos de criticar los modelos, confan ciegamente
en su validez y especialmente en sus resultados, especialmente si la resolucin de los
mismos implica el uso del ordenador.
Es preciso sealar que en el caso de un modelo de programacin lineal, la formulacin de la
funcin objetivo afecta claramente a su resultado. La falta de crticas a un modelo es una
actitud desaconsejable que disminuye las expectativas de xito del mismo. Aceptar la
primera solucin obtenida tras la resolucin de un modelo sin llevar a cabo un posterior
anlisis es una prctica poco acertada.
Un modelo debe ser usado como una de entre otras herramientas de ayuda para la toma de
decisiones. El proceso de construccin de un modelo debe verse realimentado a partir de
un anlisis crtico derivado de las soluciones obtenidas.
X.2. Modelos en Programacin Matemtica.
Los modelos de programacin matemtica mantienen una relacin indirecta con la
computacin. El trmino Programacin no debe ser confundido con el utilizado en la
ciencia de los computadores.
En el campo de la programacin matemtica, Programacin resulta equivalente a
planificacin, en el sentido ms amplio de este trmino. No obstante, la magnitud de
muchos de los problemas tratados, el elevado nmero de datos y relaciones, hace
impensable su resolucin sin el soporte informtico.
Tal vez la caracterstica comn a todos los modelos de programacin matemtica radica en
su finalidad: son modelos de optimizacin. Cada modelo de programacin matemtica es
concebido con el objetivo de encontrar, para el problema que representa, la solucin (o las
soluciones), de entre las existentes, que alcance el valor mximo o mnimo de acuerdo a
cierto criterio que denominamos objetivo.
De forma particular, este captulo se centrar en la construccin de modelos de
programacin lineal continuos, enteros, mixtos, y en algn caso modelos que presentan no
linealidades, analizando para ellos alguna posible formulacin lineal aproximada.
Los modelos lineales, como ya se vio en los primeros captulos del libro, exigen que la
funcin objetivo y las restricciones del problema sean lineales. En algunas situaciones esta
consideracin resulta excesiva y supone ciertamente una limitacin a la hora de modelar.
En algunas ocasiones, las expresiones no lineales pueden ser tratadas, obtenindose un
modelo final lineal.
A pesar de estas observaciones, resulta ms fcil, de forma general, resolver modelos
lineales, de aqu su importancia y su amplia utilizacin.
X.3. Construccin de un modelo lineal.
De manera especfica, un modelo lineal consta de tres bloques diferenciados. La funcin
4
Como se comento anteriormente, las variables enteras se usan de forma muy frecuente en
el modelado de situaciones reales. Estas variables suelen ser de dos tipos, comentados en
la tabla siguiente:
Cantidades indivisibles
Variables
binarias
directamente
relacionadas con la toma de decisiones.
(Construir o no un almacn, ampliar
capacidad, etc...)
Variables binarias usadas para indicar
valores o estados determinados de
ciertas variables continuas.
Variables de decisin
Variables auxiliares
Cuando una variable continua condiciona otras restricciones del problema se usa una
variable auxiliar binaria para recoger el estado de la primera y se relaciona con las
restricciones afectadas.
X.6. Algunas relaciones frecuentes.
Este apartado no pretende mostrar todos los tipos de restricciones que puede aparecer en
el modelado de problemas de programacin lineal entera. La simple pretensin de hacerlo
resulta absurda. El objetivo de los siguientes epgrafes es el de plasmar algunas relaciones
y situaciones comunes que se presentan con frecuencia en el modelado lineal de
problemas, con la esperanza de que estas explicaciones permitan mejorar la comprensin
de los modelos que se expondrn con posterioridad.
X.6.1. Relaciones entre una variable continua y una variable auxiliar.
Considrese una variable continua Z y una variable auxiliar . La variable auxiliar deber
tomar valor 1 cuando Z sea estrictamente mayor que cero. La variable auxiliar, por tanto,
indica el estado, positivo de la variable continua.
Supngase que Z representa el nmero de Kg. de grano almacenados en un silo. En el
caso en que esta cantidad sea positiva es necesario considerar por ejemplo la posterior
decisin de contratacin de un operario. Nos interesa disponer de una variable binaria que
considere el estado de existencia de grano en el silo.
Las implicaciones que vamos a modelar se muestran a continuacin.
Z > 0 =1
La primera de ellas se puede modelar acotando superiormente la variable continua
mediante el producto de la variable binaria auxiliar y una cota superior de Z.
Z S
De esta forma, un valor positivo de Z obliga a la variable auxiliar a tomar el valor 1. El valor
de S debe ser el de una cota superior de la variable Z. Este valor puede extraerse de las
restricciones del problema, anulando todas las dems variables y despejando las
acotaciones de Z.
6
Z =0 =0
Esta implicacin puede formularse en sentido contrario usando la negacin de cada uno de
los predicados
=1 Z > 0
Z i
Ahora, cuando la variable auxiliar toma valor 1 la variable Z es mayor que i. Esta constante
representa un valor infinitesimal, de manera que obliga a Z a ser positiva.
X.6.2. Uso de variables auxiliares en el modelado de costes de setup.
En determinadas ocasiones el coste unitario de una actividad se ve gravado con un coste
inicial constante, independiente del valor de la actividad, debido exclusivamente al hecho de
iniciarla. Es el caso de los costes de setup al inicio de la fabricacin de un determinado
producto.
Un caso, similar en la estructura de modelado, surge al modelar funciones lineales a trozos
no convexas, en este caso, cada segmento corta al eje de ordenadas en un determinado
punto que debe ser explcitamente considerado en la funcin objetivo.
Volviendo al caso de coste inicial, si Cu es el coste por unidad de producto X y Cs es el
coste de setup, o de lanzamiento de la nueva serie, el coste total se expresa de forma lineal
como sigue:
Coste = Cu X + Cs
Ahora bien, puesto que en este coste inicial slo se incurre cuando X > 0, es decir, se
fabrica al menos una unidad, la funcin objetivo del problema debe recoger el trmino Cs
multiplicado por una variable auxiliar . Esta variable tomar valor 1 cuando la actividad X
sea estrictamente mayor que cero. Es decir el coste queda modelado:
Coste = Cu X + Cs
Siendo necesario aadir la restriccin
X S
tal y como se coment en el punto precedente.
X.6.3. Uso de variables auxiliares para activar o desactivar restricciones.
A) Consideremos una restriccin genrica de un modelo de programacin lineal como la
formulada a continuacin
7
a
j =1
ij
x j bi
donde los coeficientes aij representan el consumo unitario que cada actividad xj (0) supone
sobre cierto recurso i, limitado de forma global por una disponibilidad de bi unidades.
Deseamos condicionar el cumplimiento de esta restriccin mediante una variable auxiliar ,
de manera que cuando =1 la restriccin se debe satisfacer, mientras que si =0 la
restriccin no debe actuar.
La implicacin que deseamos formular puede escribirse como:
m
= 1 aij x j bi
j =1
Para modelar esta condicin basta sumar al trmino independiente el producto de una cota
superior para la restriccin por (1-).
m
a
j =1
ij
x j bi + M (1 )
De esta forma cuando la variable auxiliar toma el valor 1 el termino de la derecha queda
reducido a bi. Por otra parte, cuando =0, la restriccin resultante es
m
a
j =1
ij
x j bi + M
a
j =1
ij
x j bi = 1
bi aij x j 0 = 1
j =1
bi aij x j M
j =1
El problema de esta acotacin surge cuando la restriccin se cumple con signo de igualdad.
En este caso el trmino de la izquierda vale cero y no queda implicado el valor unitario de .
8
Para evitar este problema se recurre a considerar un valor infinitesimal > que se suma al
termino independiente. Ahora la implicacin queda
m
+ bi aij x j 0 = 1
j =1
+ bi aij x j ( M + )
j =1
bi aij x j
j =1
C) Activacin de una restriccin con signo de mayor o igual en funcin de una variable
auxiliar.
Se trata en esta ocasin de forzar el cumplimiento de una restriccin del tipo
m
a
j =1
ij
x j bi
cuando una variable auxiliar tome valor 1. Como en otras ocasiones mostramos la
implicacin que se desea modelar:
m
= 1 aij x j bi
j =1
a
j =1
ij
x j bi m(1 )
a
j =1
ij
x j bi = 1
+ aij x j bi ( M + )
j =1
a
j =1
ij
x j bi .
x = xk k
k =1
n
y = f ( x k ) k
k =1
k =1
=1
Siendo 8k un conjunto de pesos que multiplican a los pares (xk,f(xk)), de manera que 0 # 8k
#1 k, y la suma de todos ellos es igual a 1.
f(xk)
f(x4)
f(x3)
f(x2)
f(x1)
x1
x2
x3
x4
xk
.
Para que la aproximacin sea coherente, es necesario obligar que slo dos variables 8k
(k=1...n) consecutivas sean distintas de cero. De esta manera x pertenecer a uno slo de
los segmentos que aproximan la curva e y tomar el valor de f(x).
Para obligar esta condicin es preciso utilizar variables auxiliares binarias k (k=1...n-1) que
10
1 1
2 1 + 2
3 2 + 3
M
n n1
Imponiendo adems la condicin de que slo una de las variables binarias sea positiva:
n 1
k =1
=1
x = zk
k =1
Cada una de estas variables zk continuas se acota dentro de su intervalo (xk,xk+1), y slo una
de ellas puede ser positiva. Para lograr esto, al acotar cada variable dentro de su intervalo,
se multiplican los extremos de cada intervalo por una variable auxiliar binaria. Finalmente la
suma de todas las variables binarias debe ser igual a 1.
x1 1 z1 x 2 1
x 2 2 z 2 x 3 2
M
x n 1 n 1 z n 1 x n n 1
n 1
k =1
=1
Queda no obstante por modelar el valor de la variable y. Para ello basta sumar las
diferentes rectas de la aproximacin lineal, teniendo en cuenta la ordenada en el origen
para cada una de ellas.
Para el segmento (xs,xs+1), la recta que aproxima la funcin no lineal pasa por los puntos
(xs,f(xs)), (xs+1,f(xs+1)), de acuerdo a la expresin:
y = f ( xs ) +
f ( x s +1 ) f ( x s )
( x xs )
x s +1 x s
es decir
y=
f ( x s +1 ) f ( x s )
f ( x s +1 ) f ( x s )
x + f ( xs )
xs
x s +1 x s
x s +1 x s
11
f ( x s +1 ) f ( x s )
z s + f ( x s )
s
y =
x s +1 x s
x s +1 x s
s =1
s =1
a
j =1
xj b
xj d
c
j =1
La forma de satisfacer una o la otra consiste en usar una variable binaria al estilo de la
formulacin considerada en el punto X.6.3, apartado A.
n
a
j =1
x j b + M 1 (1 )
x j d + M 2
c
j =1
0
1
0
1
0
0
1
1
0
1
0
0
1 + (1- 2) 1+
Cuando 1=1 y 2 es cero el trmino de la izquierda toma valor 2 y la variable
necesariamente debe ser 1. En cualquier otro caso la variable puede tomar los
valores 0 y 1, y puesto que su peso en la funcin objetivo es positivo y estamos
minimizando, valdr cero.
Supongamos ahora que la funcin objetivo del problema fuera maximizar y el coste
unitario de es positivo. En este caso, siempre que sea posible la variable tomar
valor 1. Es preciso modelar la primera, tercera y cuarta filas de la tabla de verdad. El
procedimiento es similar al descrito, as pues:
(1- 1 ) + (1- 2) 1+ (1- )
(1- 1 ) + 2 1+ (1- )
1 + 2 1+ (1- )
En cualquiera de los casos, para la combinacin correspondiente, una de las restricciones
obliga a la variable a tomar valor cero, mientras las dems permiten que tome valor cero
13
o uno.
X.6.7. Objetivos de tipo Minimax y Maximin.
En determinadas situaciones podemos encontrar objetivos no lineales que responden a
expresiones de tipo MaxiMin o MiniMax. Es el caso, por ejemplo, en el que se desea que el
tiempo mximo de finalizacin de un conjunto de N tareas (i=1...N) sea lo menor posible. La
funcin objetivo de este problema tendra una apariencia tal como
Min
{ Max{t }}
i =1...N
Z = Max{t i }
i=1...N
La funcin objetivo del problema consiste ahora en la minimizacin de la variable Z. (Min Z).
Siendo necesario incluir N restricciones que relacionan la variable Z con cada una de las ti.
Puesto que Z es el mximo de ellas, bastar escribir:
ti Z ;
i = 1...N
Max
sa :
Z ti
i = 1...N
Max 2x1+x2
sa:
-x1 + x2 1, s x1 1
x1 x2 1, s x2 1
x1,x2 >= 0
Si representamos grficamente el problema, al tratarse de un modelo con dos variables de
decisin, tendremos:
14
-x1 + x2 =1
Regin admisible
cuando x11
x2
x1 x2 = 1
x2 1
x1
x1 1
Regin admisible
cuando x21
Que define una regin no convexa dependiendo de los valores de las variables x1 y x2. La
forma de modelar esta situacin pasa necesariamente por la inclusin de variables binarias
auxiliares. En definitiva existen dos conjuntos de restricciones diferentes que no se pueden
satisfacer de forma conjunta. Para resolver este problema utilizamos una formulacin similar
a la de conjuntos de restricciones disyuntivas.
A) x1 1
En este caso se satisfacen las restricciones
-x1 + x2 1: x1 1
las modelamos incluyendo en el trmino independiente una variable auxiliar 1,
cuando toma valor cero las restricciones actan.
-x1 + x2 1+M1 1
x1 1+N1 1
Cuando toma valor 1 las restricciones no deben actuar, esto se consigue para ciertos
valores de las constantes N1 y M1, concretamente los valores que desplazan
convenientemente las restricciones hasta fuera de la regin de admisibilidad descrita
por el caso x2 2.
En el grfico se observa el desplazamiento realizado sobre las restricciones con el
objetivo de que no interfieran en la regin de admisibilidad.
15
-x1 + x2 =1
x2
x1 4
x1
x1 1
-x1 + x2 =1/ 2
Por tanto su formulacin sera
-x1 + x2 1- 1
x1 1+3 1
B) x2 1
De la misma manera, cuando x2 1 se deben satisfacer las restricciones
x1 x2 1
x2 1
Pero no las dos primeras (-x1 + x2 1, x1 1). Para lograr este efecto se incluye una
segunda variable auxiliar 2.
x1 x2 1+M2 2
x2 1+ N2 2
cuya finalidad es exactamente la misma que en el caso de 1. Adems como las
variables auxiliares no pueden ser positivas al mismo tiempo, es posible sustituir 2
por 1-1.
De esta forma, una vez sustituidas N2 y M2 de forma conveniente, el caso analizado puede
ser formulado como:
Max 2x1+x2
sa:
-x1 + x2 1- 1
x1 1+3 1
x1 x2 1-1/2 2
x2 1+ 3 2
x1,x2 0
1, 2 (0,1)
16
CASOS
Planificacin
1.1.- Descripcin.
Las necesidades de un servicio de urgencias sanitarias, en trminos del nmero de ATS
necesarios durante cada hora del da, se ha estimado en di ATS entre la hora i-sima y la
i+1, para una particin del da en intervalos de una hora.
Cada ATS ha de iniciar un servicio a una hora dada, disponiendo de un descanso de una
hora de duracin que podr ser tomado despus de tres, cuatro o cinco horas de haber
comenzado su trabajo. Posteriormente continuar su jornada laboral hasta completar las 8
horas de trabajo recogidas en su contrato. Incluyendo el descanso, cada ATS permanece
pues en el centro durante 9 horas consecutivas.
El coste de un/a ATS que inicia su jornada laboral en la hora i-sima es de ci pts/da.
Se desea obtener un calendario de incorporaciones al servicio de manera que el coste
diario del mismo sea mnimo. Supngase que se dispone de una plantilla mxima de M
ATS.
1.2.- Formulacin del modelo.
1.2.1.- Horizonte.
1.2.2.- Variables.
Las variables propias del problema representan el nmero de ATS que se deben incorporar
en la hora i-sima, y que representaremos mediante Xi (i=0,...,23). El nmero de ATS
incorporados en la i-sima hora se compone de aquellos que descansan despus de tres
(Xi3), cuatro (Xi4) y cinco (Xi5) horas del inicio de su jornada laboral.
X i = X i3 + X i4 + X i5
Puesto que el nmero total de ATS incorporados en la hora i se obtiene como suma de
aquellos que descansan tras trabajar tres, cuatro y cinco de horas, se usarn nicamente
las variables Xij (j=3,4,5), que proporcionan mayor informacin.
1.2.3.- Restricciones.
i-7, j
i-5, j
i-3, j
i-1, j
Incorporaciones
j=3,4,5
j=3,4,5
j=3,4,5
j=3,4,5
hasta la hora
x
x
x
x i, j
x
i-sima
i-6, j
i-4, j
i-2, j
i-8, j
j=3,4,5
j=3,4,5
j=3,4,5
j=3,4,5
j=3,4,5
x i-3, 3
x i-4, 4
x i-5, 5
Descansan
durante la hora
i-sima
18
kj
X i -3,3
X i -4,4
X i -5,5
di
i = 8,...,23
k =i - 8 j=3
En el caso en que se considere como horizonte un nico da, esta restriccin slo
tendra validez para i=8,...,15. Siendo necesaria su particularizacin para las
restantes horas del da. Para i < 8 el primer sumatorio deber comenzar para k=0.
Si i <3 ningn ATS se encuentra en su hora de descanso. En el caso i > 15 el
primer sumatorio finalizara en K=15, ya que la incorporacin de ATS en horas
posteriores supondra el incumplimiento de su jornada laboral de 8 horas (trabajaran
un nmero menor de horas).
En el caso de horizonte infinito es necesario extender la restriccin a un nmero de
horas mayor de 24, concretamente desde i=8,...,31. Permitiendo as la
incorporacin de ATS durante la ltima hora del da (i=23) que finalizan su jornada
tras 9 horas de trabajo, es decir en i=31. Adicionalmente ser necesario imponer
Xij = Xkj (i=0,...,7 ; k=24,...31; j=3,4,5), es decir, el nmero de ATS que se incorporan
en las primeras horas del da coincide con el nmero de los que se incorporan en
esas mismas horas del da siguiente.
i
kj
X i -3,3
X i -4,4
X i -5,5
di
i = 8,...,31
k =i - 8 j= 3
X sj
s = 0,...,7 ; k = 24,...,31 ;
X kj
j = 3,4,5
El enunciado del caso indica la existencia de una cota superior M para el nmero de
ATS que se pueden contratar durante un da. En este caso, la suma de los ATS
incorporados durante cada una de las 24 horas del da no podr superar el valor M.
Esta acotacin se puede expresar como sigue:
23
ij
i=0 j=3
1.2.4.- Objetivo.
19
MIN
X ij
i=0 j=3
1.2.5.- Modelo.
MIN
X ij
i=0 j=3
kj
X i -3,3
X i -4,4
X i -5,5
di
i = 8,...,31
k =i - 8 j= 3
X sj
s = 0,...,7 ; k = 24,...,31 ;
X kj
23
ij
j = 3,4,5
i=0 j=3
X ij 0;
i = 0,...,31, j = 3,4,5
MIN
X ij
i=0 j=3
kj
X i -3,3
X i -4,4
X i -5,5
di
i = 8,...,15
kj
X i -3,3
X i -4,4
X i -5,5
di
i = 5,...,7
k =i - 8 j=3
i
X
k =0 j=3
kj
X i -3,3
X i -4,4
di
di
i= 4
k =0 j=3
kj
X i -3,3
i= 3
k =0 j=3
kj
di
i = 0,..,2
k =0 j=3
X ij
X ij*
i = 16,...,23 ; j = 3,4,5
23
ij
i=0 j=3
X ij 0;
i = 0,...,23, j = 3,4,5
ciertos ATS durante dos turnos de trabajo as como un aumento de los emolumentos
percibidos por los mismos, usualmente mayor al que les correspondera por un segundo
turno).
Tampoco se han tenido en cuenta posibles costes fijos como los debidos al alta en plantilla
de los ATS. Su consideracin podra suponer un aumento en el nmero guardias solicitadas
a los ATS, en detrimento del nmero de ATS que se mantienen en plantilla.
22
H1
H2
C
Se procesan tres pizzas tipo A de forma consecutiva en el horno H1. Es imposible conocer a
priori el numero de bases a tener en cuenta para evitar este problema. El modelado que se
formula a continuacin impedir que mas de dos pizzas consecutivas de la cadena de
bases de pizzas vayan al mismo horno, pero podra ocurrir algo como lo que se muestra en
el gfico anterior, esto es, en el horno 1 entran tres pizzas seguidas del tipo A, aunque en la
cadena no ocupen lugares consecutivos. Para evitar este problema se formular
posteriormente un modelo mas complejo.
2.3. Formulacin del modelo simple.
2.3.1. Variables.
ij
Tipo de Pizza
A
A
B
C
Horno
1
2
1
2
i =1
ij
=1
j = 1....NP
En principio podra parecer conveniente modelar las demandas como pesos de los
distintos tipos de pizzas en la funcin objetivo del modelo. Sin embargo, esta
solucin no conlleva la satisfaccin de la demanda, por tanto resulta mas
conveniente incluir restricciones que obliguen a producir pizzas en las proporciones
requeridas.
Pizzas tipo A
2
NP
i =1 J =1
ij
0.5D
Pizzas tipo B
NP
J =1
3j
0.3D
4j
0.2 D
Pizzas tipo C
NP
J =1
24
Esta restriccin obliga a que se termine la fabricacin de pizzas dentro del intervalo
temporal de la hora de mxima venta. En realidad no es preciso formular esta
restriccin, salvo que se desee comprobar si es posible realizar todo el trabajo en el
plazo de una hora. Suponiendo que los tiempos de procesado estn expresados en
minutos, de acuerdo a la siguiente tabla, la restriccin se formula como:
Horno 1
Horno 2
NP
(t
j =1
+ t 2 A 2 j + t B 3 j + t C 4 j ) 60
1A 1 j
Para formular esta restriccin, estamos suponiendo que mientras una pizza se
elabora en un horno, el otro horno descansa, por eso tiene sentido la suma
acumulada de tiempos en la restriccin anterior. Posteriormente veremos un
modelado ms realista de esta situacin. Con la suposicin anterior la restriccin se
formula impidiendo que mas de dos pizzas consecutivas en la cadena de bases sean
del mismo tipo:
ij + ij +1 + ij + 2 2
i = 1,2,3,4; j = 1...NP
Min
j =1 i =1
ij
terminen su trabajo al mismo tiempo, siempre que esto sea posible. Adems, todas las
pizzas tipo B se elaborarn en el horno 1 y las de tipo C en el horno 2. para ello
supondremos inicialmente que se ha de satisfacer la demanda de pizzas tipo B y C,
posteriormente repartiremos las pizzas tipo A entre las dos filas.
El nmero de pizzas tipo B que denotaremos por NB ser igual al entero superior a 0,3 D.
NB = 0,3D
El nmero de bases reservadas para pizzas tipo C, NC, ser el entero superior al 20% de la
demanda de la hora punta.
NC = 0,2 D
Denotaremos mediante NA1 el nmero de pizzas tipo A que se elaborarn en el horno 1, y
sea NA2 el nmero de pizzas tipo A que se procesan en el horno 2. Entonces, si se desea
equilibrar los tiempos de trabajo en los dos hornos:
NA1 t A1 + NB t B = NA2 t A2 + NC t C
Adems NA1 + NA2 0,5 D . Podremos suponer en un principio que se cumple con signo
de igualdad, tendremos as una cota inferior del nmero de pizzas tipo A. Las dos
ecuaciones anteriores permiten despejar el valor de NA1 y NA2.
Sean NP1 y NP2 las longitudes de las dos filas de pizzas correspondientes a los hornos 1 y
2. La suma de ambas debe ser igual a NP, adems NP1 NA1+NB y NP2 NA2 + NC.
Tomaremos NP1=NA1+NB+ (NP-T)/2 y NP2=NA2+NC+ (NP-T)/2 donde T recoge la suma
de NA1, NA2, NB y NC, siendo T NP. Posteriormente, si es necesario, se redondean NP1
y NP2 de manera que sumen NP.
2.4.1. Variables.
Ahora para cada una de las filas escogeremos un tipo de variable de decisin binaria, de
acuerdo a:
1 Si la pizza tipo i (A, B) ocupa la posicin j - sima de la cadena de bases para pizzas en horno 1
0 En otro caso
1 Si la pizza tipo i (A, C) ocupa la posicin j - sima de la cadena de bases para pizzas en horno 2
ij
0 En otro caso
ij
i
1
2
3
4
Tipo de Pizza
A
A
B
C
26
Horno
1
2
1
2
2 NP1
ij 1
i =1 j =1
i =1 j =1
ij
J =1
NP 2
1j
+ 2 j 0 .5 D
j =1
Pizzas tipo B
NP1
J =1
3j
0.3D
4j
0.2 D
Pizzas tipo C
NP 2
J =1
ij + ij +1 + ij + 2 2
i = 1,3; j = 1...NP1
ij + ij +1 + ij + 2 2
i = 2,4; j = 1...NP 2
Min
ij +
i =1, 3 j =1
27
NP 2
i = 2 , 4 j =1
ij
Tabla 1
Program Duracin
1
3
2
4
3
3
4
1
5
1
6
2
7
1
8
2
9
1
10
1
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
Tabla 2
Hora Audiencia
1
500000
2
450000
3
400000
4
450000
5
450000
6
500000
7
550000
8
550000
H
33
56
76
87
21
16
76
10
25
44
H
20
45
12
28
32
19
14
8
34
54
Tabla 3
H H
40 50
32 23
23 43
25 24
43 54
21 23
24 28
9 11
33 36
56 76
28
H
60
25
56
34
65
25
65
12
37
87
H
21
78
76
54
76
32
45
15
56
76
H
19
90
34
74
56
34
34
23
45
65
H
14
21
23
33
34
35
90
24
34
54
3.2.2. Variables.
Para modelar el problema usaremos dos conjuntos de variables binarias, tal y como se
definen a continuacin.
0 En otro caso
ij =
0 En otro caso
ij =
De esta manera se podr conocer la hora de emisin de cada programa y que programa se
est emitiendo durante cada una de las ocho oras de programacin.
3.2.3. Restricciones.
3.2.3.1. Emisin nica de programas
En primer lugar, cada programa se emite a lo sumo una vez, por tanto, sumando
para todas las horas de programacin, la suma de variables que indican el inicio de
cada programa debe ser 1. El signo corresponde a la posibilidad de que un
determinado programa no se emita.
8
i =1
ij
j = 1...10
29
D j ij 8 i + 1
i = 1...8; j = 1...10
Cada hora de programacin debe quedar cubierta por uno y solo uno de los
programas preparados para emisin. Basta igualar a 1 la suma en j (para todos los
programas) de las variables que indican que programa cubre la hora i-sima.
10
j =1
ij
=1
i = 1...8
Cuando un programa comienza a emitirse en la hora i-esima, todas las horas que
van desde i hasta la de finalizacin del programa deben quedar cubiertas por el
programa que est siendo emitido. De otra forma podra existir discontinuidad en la
emisin de programas. Esta restriccin de continuidad se formula:
D j ij
i + D j 1
k =i
kj
i = 1...(8 D j + 1) ; j = 1...10
Por ltimo hay que garantizar que si un programa no comienza a emitirse en ninguna
hora no pueda ser visto en otras horas. La falta de esta restriccin podra acarrear la
aparicin de un programa que se ha decidido no emitir en determinadas horas.
8
8
D j ij ij
i =1 i =i
j = 1...10
Ai 10
cij ij
i =1 100 j =1
Max
30
Ai 10
cij ij
i =1 100 j =1
Max
sa:
8
i =1
ij
j = 1...10
D j ij 8 i + 1
10
j =1
D j ij
i + D j 1
k =i
kj
ij
i = 1...8; j = 1...10
=1
i = 1...8
i = 1...(8 D j + 1) ; j = 1...10
8
8
D j ij ij
i =1 i =i
j = 1...10
0 En otro caso
ij =
0 En otro caso
ij =
31
Royalties
Mina
Capacidad
M Toneladas
2,5
1,3
Tabla 1
Tabla 2
La calidad del mineral (% mineral puro sobre material extrado) que se extrae de cada una
de las minas se resume en la Tabla 3. La calidad prevista que exige el mercado puede
resumirse para cada ao del horizonte de extracciones en la Tabla 4.
Mina
Calidad
Ao
0.95
0.9
0.7
0.8
0.99
0.85
0.5
0.6
0.95
Tabla 3
Calidad exigida
Tabla 4
32
Las variables naturales del modelo representan la cantidad de mineral que debe ser
extrado de cada mina durante cada uno de los aos que durar el plan de explotacin.
Dichas cantidades se representarn mediante la letra X afectada de dos subndices, el
primero de ellos (i) hace referencia a cada una de las minas y el segundo (t) al ao dentro
del horizonte de planificacin.
As pues contaremos con 20 variables Xit ; i =1,...,4 ; t =1,...,5. Las cantidades extradas
sern mayores o iguales a cero, y en principio parece adecuado considerar estas variables
como continuas, pues no se deduce del modelo la necesidad de extraer un nmero entero
de toneladas de mineral.
La compaa se debe plantear adicionalmente algunas decisiones de carcter todo o nada.
Al inicio del horizonte de explotacin debe considerar la idea de conseguir los derechos de
explotacin de algunas de las minas, sin el que sera imposible la extraccin de mineral en
dichas minas. Del mismo modo, aunque posea derecho de explotacin sobre una
determinada mina, la compaa debe decidir si extrae o no mineral de la misma. El
modelado de este tipo de decisiones obliga al uso de variables enteras que representen el
carcter todo-nada (si-no). Estas tipo variables de decisin se denominan variables 0-1.
De forma concreta, se necesita un conjunto de variables 0-1 para la adquisicin de
derechos de explotacin y otro para decidir si se realiza o no la extraccin de mineral. Las
primeras variables se representarn mediante it y las segundas como it. Los subndices
empleados mantienen el mismo significado que en el caso de las variables Xit.
Formalmente:
33
it
it
= de la mina i en el ao t
0 En otro caso
i = 1 ,..., 4 ; t = 1 ,..., 5
4.2.3.- Restricciones.
4.2.3.1.- Imposibilidad de extraccin de mineral.
it it
i = 1 , ... , 4 ; t = 1 , ... , 5
Durante cada uno de los aos del horizonte de planificacin, la compaa puede, a lo
sumo, extraer mineral de tres de las minas. Puesto que es la variable indicativa de
extraccin, la suma extendida a todas las minas de dicha variable debe ser menor o
igual a 3.
4
it
i=1
34
t = 1 , ... , 5
i t+1 it
i = 1 , ... , 4 ; t = 1 , ... , 5
X it Ci
i = 1 , ... , 4 ; t = 1 , ... , 5
trmino independiente es una constante, basta con multiplicarlo por la variable it.
As, cuando it=0 se fuerza que Xit=0.
X it Ci it
i = 1 , ... , 4 ; t = 1 , ... , 5
X it
t = 1 , ... , 5
dt
i=1
Xit Qt d t
t = 1 , ... , 5
i=1
El conjunto anterior de restricciones relaciona, para cada ao, la calidad exigida por
el mercado con las cantidades y calidades de mineral extradas de cada una de las
minas. Obsrvese la formulacin lineal de cada una de las restricciones. Se ha
considerado que la calidad del mineral obtenido tras la mezcla (de los minerales
procedentes de cada mina activa) se obtiene de forma aproximada como una media
ponderada de las calidades de cada mina. Puesto que la demanda (2.3.5) puede no
satisfacerse con signo de igualdad, pude ser mas exacto considerar una
restricciones del tipo:
4
Qi Xit Qt
i=1
it
i =1
36
t = 1 , ... , 5
Que utiliza la suma de cantidades extradas para calcular la calidad media del
mineral obtenido tras la mezcla. Ambas restricciones coinciden cuando las
cantidades extradas satisfacen exactamente la demanda. La equivalencia de ambos
tipos de restricciones se podr analizar con mayor profundidad tras la formulacin de
la funcin objetivo.
Si un aumento de las cantidades extradas supone un aumento de los beneficios
esperados, es decir, es posible la venta del exceso sobre la demanda, la cantidad
total extrada ser superior a la demanda. En este caso la formulacin tipo (2) para
las restricciones de calidad es ms adecuada.
Si la funcin objetivo del problema consiste en la minimizacin de costes asociados
al proceso de extraccin, por ejemplo cuando el exceso de mineral extrado no se
puede vender y su almacenaje supone un coste adicional o cuando es preciso
abandonarlo, la cantidad de mineral extrado ser igual a la demanda. En este caso
ambos conjuntos de restricciones son equivalentes.
4.2.4.- Objetivo.
Min R it it
i=1 t=1
donde Rit se puede expresar en funcin del royalty del primer ao Ri1
t -1
R it = R i1 ( 1.1 )
t = 1 , ... , 5
4.2.5.- Modelo.
4
Min R it it
i=1 t=1
sa:
it it
i = 1 , ... , 4 ; t = 1 , ... , 5
37
i t+1 it
X it Ci it
4
it
t = 1 , ... , 5
i=1
i = 1 , ... , 4 ; t = 1 , ... , 5
i = 1 , ... , 4 ; t = 1 , ... , 5
X it
t = 1 , ... , 5
dt
i=1
Qi Xit Qt
i=1
it
t = 1 , ... , 5
i =1
X it 0, it , it binarias
4.3.- Consideraciones finales.
Se ha formulado un modelo matemtico para la planificacin de la extraccin de mineral
durante un perodo de cinco aos. Las decisiones de la compaa consisten en la
adquisicin de derechos de explotacin de las minas (variables ), la extraccin o no de
mineral (variables ) y las cantidades de mineral a extraer de cada mina en cada ao, Xit.
Las decisiones de tipo Asi/no@ se modelan mediante variables binarias.
La situacin planteada responde a una simplificacin de la realidad. Se ha considerado que
el coste de extraccin es comn para todas las minas, lo que permite su no inclusin en el
modelo. De esta forma, y dado que el mineral extrado en exceso no reporta beneficios para
la compaa, el objetivo consiste nicamente en la minimizacin de costes asociados a la
explotacin (royalties).
En el caso en que el mineral extrado en exceso pudiera ser vendido a un precio residual de
m $/Ton, la restriccin de demanda podra ser formulada:
X it - E t =
dt
t = 1 , ... , 5
i=1
donde Et (t=1,...,5) son variables continuas que miden el exceso de mineral extrado para
cada ao. En este caso, la funcin objetivo del problema queda:
Min
i=1
(
5
R it it - m E t
t=1
38
5.2.1.- Horizonte.
5.2.2.- Variables.
Las que representan lo que se desea conocer, que en este caso son
39
5.2.3. Restricciones.
5.2.4.- Criterio(s).
Las soluciones admisibles se valoran con respecto al beneficio anual neto que aportar el
empleo de los aviones comprados.
5.2.5 Datos.
F. Objetivo:
Maximizar
Restricciones:
Compra (u.m.)
Mantenimiento (das)
Mantenimiento (u.m.)
38 A + 45 B + 42 M # 800
18 A + 20 B + 19 M # 1000
A,B,M0
Compra (u.m.)
Mantenimiento (das)
B 10 B
M 10 M
A + B + M = 1
De esta forma se obliga a que haya un tipo de avin dominante y no se impone ninguna otra
limitacin sobre el nmero de aviones adquiridos de cada tipo.
A = 0 implica A = 0
B 2 B
M 2 M
recoge la primera implicacin, mientras que para la segunda implicacin escribimos las
relaciones,
41
A Cota A
B Cota B
M Cota M
B 18 B
M 28 M
El modelo completo.
F. Objetivo:
Maximizar
Restricciones
Compra (u.m.):
Mantenimiento (das):
Mantenimiento (u.m.):
Avin dominante:
A 10 A
B 10 B
M 10 M
A + B + M = 1
B 2 B
M 2 M
B 18 B
M 28 M
Consideraciones a posteriori.
Una vez obtenido el modelo completo, es conveniente sealar sus caractersticas, las
limitaciones del modelo propuesto y lo que se puede esperar de su anlisis y resolucin.
Se ha construido un modelo lineal en sus variables. Para ello se ha optado por una
expresin lineal de las condiciones. En este sentido, la descripcin de las relaciones que
obligan a la existencia de un avin dominante tambin pueden intentarse mediante otras
expresiones alternativas:
42
A 10 A
B 10 B
M 10 M
A + B + M 1
A A + B B + M M 10
A + B + M = 1
A A + B B + M M 10
A + B + M 1
para que varias variables indicadores puedan ser 1. Pero esta formulacin es incorrecta, ya
que valores del nmero de aviones inferiores a 10 haran que se cumplieran las
restricciones sin que respetaran la imposicin de un tipo de avin dominante. As, por
ejemplo, A = B = M = 4 con todos los valores de las variables indicadoras a la unidad
satisfacen la expresin pero no existe avin dominante (ntese que estos valores no
satisfacen la restriccin 5.2).
5.5.4.- La expresin A A 2 es vlida para A = 1, pero invlida cuando A = 0. Esto obliga a
escribir A A 2 A , que no es lineal.
Otro aspecto es la decisin de obligar a que las variables A, B y M que recogen el nmero
de aviones que se compran sean enteras o no. Obviamente, los valores fraccionarios de
estas variables no tienen significado en un sentido estricto. Sin embargo, la complejidad
aadida para el anlisis y resolucin del modelo que supondra el considerarlas como
variables enteras es probablemente superior al incremento en la precisin y realismo del
modelo que con ello se conseguira. Por estas consideraciones se prefiere modelarlas como
variables continuas y redondear convenientemente a posteriori su significado. En cuanto a
las variables empleadas para escribir, mediante restricciones lineales, las condiciones
lgicas que ha de satisfacer el nmero de aviones adquiridos, stas son intrnsecamente
binarias y no tiene sentido aproximarlas a partir de valores fraccionarias. Sera una
distorsin fundamental en el modelo, por lo que se asume la complejidad aadida y se
tratan explcitamente como variables enteras.
Finalmente, comentar el realismo del modelo. Se ha elegido un horizonte de un ao para
una gran inversin global en la adquisicin de aviones, considerando limitaciones rigurosas
en las nuevas necesidades de mantenimiento que ello supondr. La importancia relativa de
los tres tipos de restricciones (presupuestarias de adquisicin, presupuestarias de
mantenimiento y capacidad de las instalaciones de mantenimiento) es la misma en el
modelo, y todas ellas rigurosas: no se considera en principio ninguna poltica de compra que
supere los lmites impuestos. Adems, no supondr ningn beneficio para la empresa el
ahorro en el desembolso sobre los presupuestos disponibles. Esto es, una poltica de
compras que utilice menos de los 75.000 millones de presupuesto no es mejor que otra que
los agote debido a este ahorro en el desembolso, puesto que el nico criterio de valoracin
43
de las compras es el de maximizar los beneficios anuales netos segn la aportacin que
cada aeronave. Los mismos comentarios son ciertos con respecto a las otras dos
limitaciones de los recursos.
44
6. Fabricacin de bobinas
6.1.- Descripcin.
Cierta empresa dedica su proceso de produccin a la fabricacin de bobinas de papel de
250 c.m. de ancho.
Las rdenes de los clientes se refieren a bobinas de papel de distintos anchos e igual
longitud que la bobina producida. Debido al carcter de los pedidos, la fbrica dispone de
una seccin de corte longitudinal de las bobinas, de acuerdo al ancho de los diferentes
pedidos. El problema se plantea a la hora de decidir de qu forma se efectuarn los cortes,
pues las bobinas resultantes de menos de 55 c.m. de ancho suponen elevadas prdidas.
En particular, en el ltimo pedido se han solicitado las siguientes bobinas:
Anchura en c.m.
N1 de bobinas
55
100
60
200
178
150
El objetivo es minimizar los trozos de bobina que tras el corte no satisfacen el pedido.
6.2.- Formulacin del modelo.
6.2.1.- Problemtica.
45
55 c.m.
60 c.m.
178 c.m.
Resto
30
10
25
20
15
17
12
Asociado a cada uno de los siete tipos de corte se definir una variable representativa del
nmero de cortes a realizar de ese tipo. En concreto, las variables sern: XA, XB, XC, XD,
XE, XF y XG. Obviamente, estas variables son enteras ya que el nmero de cortes no
puede ser un nmero fraccionario.
6.2.3.- Restricciones.
6.2.3.1.- Cumplimiento de los requerimientos del pedido.
4 X A + 3 X C + 2 X D + X E + X F 100 55 c.m.
4 X B + X -C + 2 X D + 3 X E + X G 200 60 c.m.
178 c.m.
X F + X G 150
En el primer trmino de las restricciones anteriores, se expresa el nmero de
bobinas obtenidas de cada uno de los tipos del pedido al realizar el nmero de
cortes de cada tipo especificado por las variables.
6.2.4.- Objetivo.
Min X A + X B + X C + X D + X E + X F + X G
6.2.5.- Modelo.
Min X A + X B + X C + X D + X E + X F + X G
sa:
4 X A + 3 X C + 2 X D + X E + X F 100 55 c.m.
4 X B + X -C + 2 X D + 3 X E + X G 200 60 c.m.
178 c.m.
X F + X G 150
X A , X B , X C , X D , X E , X F , X G 0 enteras
6.3.- Consideraciones finales.
Se ha realizado un modelo de programacin lineal entera para decidir la forma en que se
cortan las bobinas en una empresa que requiere cubrir la demanda de unos determinados
tipos de anchos. Se ha analizado los posibles cortes que se pueden dar a una bobina, a
partir de los cuales se han definido las variables del modelo.
En cuanto al criterio, se ha utilizado el de minimizar el nmero de restos
independientemente de su ancho. Una posible modificacin a la funcin objetivo es
penalizar cada resto con su ancho, dando lugar a:
Min 30 X A + 10 X B + 25 X C + 20 X D + 15 X E + 17 X F + 12 X G
Con esta funcin objetivo se penalizan ms aquellos cortes que dan lugar a un mayor ancho
en el resto.
Otra posible modificacin a introducir en el modelo es el tipo de las variables. Es claro que
el nmero de cortes a realizar de cada tipo es entero, no obstante si el valor de las variables
es elevado no se comete mucho error en cuanto a optimalidad suponerlas continuas y
realizar a posteriori un Aredondeo@ a valores enteros.
47
Asignacin
7. Asignacin de alumnos a institutos
7.1.- Descripcin.
En una poblacin residen dos comunidades A y B de caractersticas muy distintas. El
sistema educativo consta de tres institutos a los que acceden todos los alumnos de 8 de
E.G.B. Se pretende una integracin de ambas comunidades mediante el equilibrio de los
alumnos que asisten a cada uno de los institutos. La situacin de la poblacin y los institutos
se muestra en la tabla adjunta. En el modelo de planificacin, debe plantearse como
objetivo minimizar la distancia total acumulada que realizan los alumnos debido a los
desplazamientos. Debe tenerse en cuenta las limitaciones de los institutos y la poblacin
(equilibrada en cuanto a comunidades) de las zonas. Adems se pretende conseguir que en
los institutos exista un equilibrio entre los estudiantes de las dos comunidades.
Construya un modelo para la asignacin de alumnos por zonas a los institutos.
Zona
1
2
3
4
Alumnos de 8 de E.G.B.
por comunidad
300
400
200
900
100
300
500
900
1,2
2,6
0,7
1,8
600
1,5
4,0
1,1
1,3
800
3,3
5,5
2,8
2,0
500
Total de alumnos de
E.G.B.
7.2.-Modelado.
7.2.1.- Horizonte.
7.2.3.- Restricciones
Sern las condiciones que deben cumplir las distintas asignaciones de alumnos a institutos.
7.2.3.1.- Toda la poblacin de 8 de E.G.B. debe tener asignado instituto.
7.2.3.2.- Limitaciones de capacidad de los distintos institutos.
7.2.3.3.- Equilibrado de las comunidades A y B en los distintos institutos.
7.2.4.- Criterio(s)
Las soluciones admisibles se valorarn segn la distancia acumulada a que dan lugar.
7.2.5.- Datos.
7.2.5.1.- En relacin a cada uno de los institutos, la capacidad de cada uno de ellos.
7.2.5.2.- En relacin a las zonas, el nmero de alumnos de 8 de E.G.B. en las comunidades A y
B.
7.2.5.3.- En relacin con el criterio de evaluacin, la distancia de cada zona a cada uno de los
institutos.
7.2.5.4.- Debido a que en las variables de asignacin de alumnos a institutos no se especifica la
comunidad a la que pertenecen los mismos, ser necesario definir la mezcla entre
comunidades en las asignaciones. Parece lgico suponer que en dichas asignaciones se
mantiene la proporcin entre comunidades que en la zona correspondiente.
Restricciones
Escolarizacin de x 11 + x 12 + x 13 = 400
todos los alumnos
x 21 + x 22 + x 23 = 400
x 31 + x 32 + x 33 = 500
x 41 + x 42 + x 43 = 500
x 11 + x 21 + x 31 + x 41 600
Capacidad de
institutos
x 12 + x 22 + x 32 + x 42 800
x 13 + x 23 + x 33 + x 43 500
Signo
de x 11 , x 12 , x 13 , x 21 , x 22 , x 23 , x 31 , x 32 , x 33 , x 41 , x 42 , x 43 0
variables
7.3.- Completar el modelo.
Este modelo no tiene en cuenta el equilibrado de ambas comunidades en cada uno de los
institutos. Esta caracterstica va a ser modelada mediante restricciones del modelo. Para
ello impondremos cotas inferiores (en %), I=50-p, y cotas superiores, S=50+p, para cada
49
comunidad en cada instituto, donde p es un parmetro del modelo que define el porcentaje
de desviacin permitido frente al equilibrado total (ambas comunidades estn al 50% en
cada uno de los institutos). Dada una asignacin de alumnos de una zona a un instituto, los
mismos se distribuyen entre las comunidades A y B en igual proporcin en que coexisten
las comunidades en la zona correspondiente.
Para la comunidad A en los institutos 1, 2 y 3 quedan respectivamente:
3
2
50 p
50 + p
( x 11 + x 21 + x 31 + x 41 ) x 11 + 1 x 21 + x 31
( x + x 21 + x 31 + x 41 )
100
100 11
4
5
2
3
50 + p
50 p
( x 12 + x 22 + x 32 + x 42 ) x 12 + 1 x 22 + x 32
( x + x 22 + x 32 + x 42 )
100 12
100
5
4
2
3
50 + p
50 p
( x 13 + x 23 + x 33 + x 43 ) x 13 + 1 x 23 + x 33
( x + x 23 + x 33 + x 43 )
100 13
100
5
4
De igual forma se impondran las condiciones de equilibrio para la comunidad B en cada
uno de los institutos. No obstante, al existir nicamente dos comunidades e imponer las
restricciones para una de ellas, implcitamente quedan impuestas para la otra.
7.4.-El modelo completo.
Funcin Objetivo
Restricciones
Escolarizacin de x 11 + x 12 + x 13 = 400
todos los alumnos
Capacidad de
institutos
Equilibrado de
comunidad A en
instituto 1
Equilibrado de
comunidad A en
instituto 2
x 21 + x 22 + x 23 = 400
x 31 + x 32 + x 33 = 500
x 41 + x 42 + x 43 = 500
x 11 + x 21 + x 31 + x 41 600
x 12 + x 22 + x 32 + x 42 800
x 13 + x 23 + x 33 + x 43 500
2
3
50 + p
( x + x 21 + x 31 + x 41 )
x 11 + 1 x 21 + x 31
100 11
5
4
2
3
50 p
( x + x 21 + x 31 + x 41 )
x 11 + 1 x 21 + x 31
100 11
5
4
3
2
50 + p
x12 + 1 x 22 + x 32
(x12 + x 22 + x 32 + x 42 )
4
5
100
3
2
50 p
x12 + 1 x 22 + x 32
(x12 + x 22 + x 32 + x 42 )
4
5
100
50
Equilibrado de
comunidad A en
instituto 3
Signo de
variables
3
2
50 + p
( x + x 23 + x 33 + x 43 )
x 13 + 1 x 23 + x 33
100 13
4
5
3
2
50 p
( x + x 23 + x 33 + x 43 )
x 13 + 1 x 23 + x 33
100 13
4
5
x 11 , x 12 , x 13 , x 21 , x 22 , x 23 , x 31 , x 32 , x 33 , x 41 , x 42 , x 43 0
51
8. Reparto de trabajos
8.1.- Descripcin.
Un grupo de n alumnos de Investigacin Operativa se plantean realizar conjuntamente una
coleccin de problemas.
La coleccin de problemas est compuesta por m captulos, constando cada uno de ellos
de un nmero de problemas conocido. De igual forma se conoce el tiempo que tarda cada
uno de los alumnos en realizar los problemas de los distintos captulos. Se supone que los
problemas de cada captulo son de igual dificultad por lo que un mismo alumno, tardara el
mismo tiempo en resolver cualquiera de ellos.
El problema que se les plantea es repartir el trabajo a realizar entre los alumnos, de forma
que el tiempo de trabajo invertido por los distintos alumnos est lo ms equilibrado posible.
Para ello, construya un modelo que describa la situacin planteada.
8.2.-Modelado.
8.2.1.- Horizonte.
alumnos
captulos
nmero de problemas del captulo j
tiempo invertido por el alumno i en realizar un problema del
captulo j
Obsrvese que debido a que todos los problemas de un captulo son de igual complejidad,
el tiempo en que un alumno realiza cada uno de ellos es el mismo.
8.2.3.- Variables.
Sern las condiciones que deben cumplir los distintos repartos de trabajo.
8.2.4.1.- Terminacin de todos los problemas de los distintos captulos.
8.2.5.- Criterio(s)
Min u max
n
x
i =1
ij
t
j= 1
ij
= 1 j
p j x ij = u i i
u i u max i
x ij 0 i, j u i 0 i
u max 0
El primer grupo de restricciones impone para cada captulo, que la suma de las fracciones
que los alumnos hacen del mismo sea la unidad. En el segundo grupo se fija el valor de la
variable ui, para ello se suman los tiempos que el alumno invierte en cada captulo, que
sern el producto del tiempo invertido en un problema (tij) por el nmero de problemas que
realiza del mismo (pjtij). Por ltimo, en el ltimo grupo se impone que umax sea una cota
superior de los tiempos invertidos por los alumnos. La funcin objetivo asegura que umax es
el mayor tiempo de trabajo correspondiente a un alumno. La minimizacin del mismo hace
que la coleccin de problemas se termine lo antes posible, adems parece intuitivo que
equilibra los tiempos de los alumnos.
8.3.- Completar el modelo.
53
u min u i i
Una forma de medir el desequilibrio es mediante la diferencia entre los tiempos invertidos
por el alumno que ms trabaja y el que menos, minimizando dicha diferencia:
x
i =1
ij
t
j= 1
ij
= 1 j
p j x ij = u i i
u i u max i
x ij 0 i, j u i 0 i
u max , u min 0
0 En caso contrario
ij =
55
Supongamos que todas las tareas necesitan rs unidades de memoria, entonces =R/ rs
proporciona el nmero mximo de tareas que se pueden asignar a cada procesador. As
pues, =N/ es una cota superior del nmero de procesadores.
Por tanto, depende de los datos del problema. Conocidos stos, podremos formular el
modelo. El nmero de variables ij es N, de las cuales, tras su resolucin, en el ptimo, N
variables tomarn valor 1 y N(-1) sern nulas.
9.2.3. Restricciones.
La memoria total de cada procesador es igual a R unidades. La memoria consumida por las
tareas asignadas a cada uno de ellos debe ser inferior al valor antes indicado. As pues:
N
r
i =1
ij
j = 1....
j =1
ij
=1
i = 1....N
Min
c
i =1 j =i +1
ij
ij
Ntese que el sumatorio recoge slo una vez cada uno de los tiempos de comunicacin cij
(esto resulta vlido siempre que los tiempos de comunicacin sean simtricos cij= cji).
Para finalizar el modelo de este caso es necesario relacionar las variables de decisin ij
(i=1...N,j=1... .) y las variables auxiliares ik (i=1....N,k=1....N). Para ello consideremos la
siguiente tabla que relaciona los valores que pueden tomar dichas variables:
56
ij
0
1
0
1
kj
0
0
1
1
ik
0
1
1
0
Puesto que la funcin objetivo responde al criterio Minimizar con coeficientes cij 0 (pues
representan tiempos), las filas primera y cuarta de la tabla anterior no necesitan un
modelado explcito, ya que si es posible, las variables tomarn valor cero. Sin embargo es
necesario forzar mediante nuevas restricciones los casos recogidos en las filas segunda y
tercera de la tabla de relacin.
Este tipo de implicaciones se modelan de acuerdo a lo visto en el apartado 6.6. de este
captulo.
(1 ij ) + kj 1 + ij
i = 1....N 1, k = i + 1....N , j = 1.....
ij + (1 kj ) 1 + ij
As, cuando una de las variables de decisin es positiva y la otra es nula el trmino de la
izquierda para una de las restricciones toma valor cero y para la otra toma valor dos. En
ltimo este caso la variable auxiliar se ve obligada a tomar el valor uno.
9.2.5. Modelo completo.
N 1 N
Min
c
i =1 j =i +1
ij
ij
sa:
N
r
i =1
ij
ij
=1
j =1
j = 1....
i = 1....N
(1 ij ) + kj 1 + ij
i = 1....N 1, k = i + 1....N , j = 1.....
ij + (1 kj ) 1 + ij
0 En caso contrario
ij =
0 En caso contrario
ik =
57
0 En caso contrario
ik =
Recordemos que este tipo de variables facilita enormemente la formulacin de los trminos
que aparecen en la funcin objetivo. Se trata pues de N(N-1)/2 variables, para i=1....N-1,
j=i+1....N.
9.3.1. Restricciones.
ri xik +
i =1
r x
i = k +1
ik
R rk
k = 1.....N
La funcin objetivo es parecida a la del modelado anterior ya que entonces slo intervenan
variables auxiliares, ahora convertidas en variables de decisin.
N 1 N
Min
c
i =1 j =i +1
ij
(1 ij )
La diferencia radica en que se suma el coste cuando la variable toma el valor cero (las
58
Min
i =1 j =i +1
ij
(1 ij )
sa:
k 1
r x
i =1
ik
r x
i = k +1
ik
R rk
k = 1.....N
0 En caso contrario
ik =
9.4. Comentarios.
En cuanto a tamao de los modelos, la siguiente tabla recoge la diferencia entre ambos:
Variables
Restricciones
N ( N 1) + N +
N ( N 1)
+N
2
N ( N 1)
2
N ( N 1)( N 2)
+N
2
Es decir el primer modelo tiene siempre un nmero mayor de variables al utilizar las
variables de decisin ms las auxiliares, as mismo, el nmero de restricciones suele ser
mayor en el primer modelo, dependiendo de los datos del problema, pues se calcula a
partir del nmero mximo de tareas que se pueden albergar en un procesador, por tanto
dependen del mximo valor de rk para valores de k entre 1 y N. A priori parece que el
segundo modelo presentar una resolucin mas sencilla, en este sentido sera el modelo
recomendado para esta situacin.
59
Cobertura
10. Vigilancia de las salas de un museo.
10.1. Descripcin.
En la figura adjunta se observa la planta de un museo con once salas comunicadas por
catorce puertas. Un guardia situado en una puerta vigila las dos salas adyacentes que dicha
puerta comunica. Determinar el nmero mnimo de guardias que se requiere para vigilar todas
las salas del museo. Cual sera la distribucin de guardas si se desea que en ningn caso
haya ms de un guardia por habitacin?
10.2. Discusin.
Al igual que el problema anterior, este problema plantea una situacin de cobertura. Es
necesario localizar un conjunto de servicios en una serie de localizaciones conocidas de
manera que quede cubierta una superficie. A partir de los datos del problema se construye
una matriz de cobertura. cuyas filas representan las habitaciones a vigilar, para las filas
usaremos el ndice i (i=1...25). Las columnas de la matriz son las posibles localizaciones de
los guardias, en este caso son 14, y las representaremos mediante el ndice j. Los
elementos aij de la matriz toman valor 1 si la habitacin i queda cubierta por el guardia
ubicado en la puerta j. Se trata de encontrara el mnimo nmero de guardias que pueden
vigilar el conjunto salas del museo.
10.3. Variables.
Para cada puerta j (j=1...14) usaremos una variable binaria con el significado siguiente:
j =
10.4. Restricciones.
valor ser el nmero mnimo de veces que la zona debe quedar cubierta.
As pues:
14
a
j =1
ij
i = 1....11
Min j
j =1
Min j
j =1
sa:
14
a
j =1
ij
i = 1....11
j =
10.7. Algunas mejoras.
En el caso en que se desea que ninguna sala quede vigilada por mas de dos guardias el
modelado anterior no es vlido. En este caso es necesario permitir que algn guardia quede
en el interior de alguna de las salas. Para modelar esta situacin necesitaramos incluir
variables binarias que recojan la existencia de un guardia en cada una de las salas, adems
de las variables binarias que indican la existencia de guardias en cada puerta.
Sean pues:
j =
k =
Puesto que es preferible situar guardias en puertas en lugar del interior de las salas, ya que
en una puerta vigilan todas las salas que se comunican a travs de la puerta, usaremos un
peso superior en la funcin objetivo para las variables k.
Ampliamos la matriz con 11 columnas correspondientes a las 11 salas. Los elementos de
61
esta nueva submatriz tienen el mismo significado que los iniciales, aik toman valor 1 cuando
se sita un guardia en la sala k-sima. La nueva submatriz es diagonal, pues en cada sala
se considera una nica ubicacin. Las nuevas restricciones del problema son similares a las
anteriores, ahora con signo de igualdad e incluyendo la variable propia de la sala.
14
a
j =1
ij
+ i = 1
i = 1....11
11
j =1
k =1
Min j + M k
Siendo M un valor positivo mayor que la unidad que penaliza la colocacin de guardias en el
interior de las salas.
62
1
2
3
4
5
1
1
0
1
1
0
2
0
0
0
1
0
3
0
1
0
0
1
4
1
1
0
0
0
5
0
0
1
0
0
6
0
0
0
0
0
63
7
0
0
0
0
0
8
0
1
0
0
0
9
1
0
0
0
0
10
0
0
0
0
0
11
0
1
0
1
0
12
1
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0
1
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
0
0
0
1
0
0
0
1
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
1
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
j =
11.4. Restricciones.
a
j =1
ij
i = 1,2
i = 3....25
12
a
j =1
ij
Adems, el enunciado del caso nos indica que la localizacin novena debe disponer de una
cmara, por tanto es preciso aadir:
64
9 =1
11.5. Funcin Objetivo.
El objetivo consiste en minimizar el nmero de cmaras a instalar y por tanto:
12
Min j
j =1
Min j
j =1
sa:
12
a
j =1
ij
i = 1,2
i = 3....25
12
a
j =1
ij
9 =1
1 Si se ubica una cmara en la localizacin j - sima
j =
65
Localizacin
12. Localizacin continua de Hospitales
12.1. Descripcin.
Conocida la ubicacin geogrfica, coordenadas (ai, bi) {i=1,...,n}, de un conjunto de n
ciudades, se desea conocer el emplazamiento idneo para la construccin de un hospital de
manera que la distancia hasta la ciudad mas alejada sea lo menor posible.
Considrese una definicin de distancia rectangular. Es decir, la distancia entre dos puntos
X (x1,x2) e Y(y1,y2) responde a la expresin:
d(X,Y) = x1-y1 + x2-y2
12.2. Consideraciones iniciales.
El enunciado descrito plantea un problema de tipo MinMax, consistente en la minimizacin
de la distancia existente entre la ciudad mas lejana y el hospital. En principio las
coordenadas que fijan la ubicacin de las ciudades no tienen por que ser positivas
(depender del origen de coordenadas tomado). Considerando el par (X,Y) como la
ubicacin del hospital, variables contnuas y libres en el signo, el objetivo del problema se
puede formular como sigue:
Min Max ( | X - ai | + | Y - bi | )
i=1,...,n
Z = Max ( | X - ai | + | Y - bi | )
i=1,...,n
Min Z
Entonces, la funcin objetivo del problema se puede expresar:
y resulta necesario aadir el conjunto de restricciones que establecen la acotacin superior
| X - a i | + | Y - bi | Z
de la distancias:
66
i = 1,..., n
| X - a i | + | Y - bi | Z
X
-X
X
-X
i = 1,..., n
- ai + Y - bi Z i = 1,..., n
+ ai + Y - bi Z i = 1,..., n
- ai - Y + bi Z i = 1,..., n
+ ai - Y + bi Z i = 1,..., n
Min Z
sa :
X +
-X +
X -X -
Y
Y
Y
Y
Z ai + bi i = 1,..., n
Z - ai + bi i = 1,..., n
Z ai - bi i = 1,..., n
Z - ai - bi i = 1,..., n
X, Y, Z
67
libres
12.5. Simplificaciones.
Ntese que las primeras y ltimas de las restricciones tienen el mismo trmino
independiente cambiado de signo. Lo mismo ocurre con las restricciones segundas y
terceras. Multiplicando por -1 las restricciones segundas y ltimas, se tiene:
X + Y - Z ai + bi i = 1,..., n
X - Y + Z ai - bi i = 1,..., n
X - Y - Z ai - bi i = 1,..., n
X + Y + Z ai + bi i = 1,..., n
Cada uno de los conjuntos de restricciones consiste en n restricciones idnticas en las que
vara exclusivamente el trmino independiente. Se trata pues de un conjunto de hiperplanos
paralelos. Por ello, para cada conjunto, n-1 restricciones resultan redundantes.
Considrense las siguientes definiciones:
s = min { ai + bi }
i
S = max { ai + bi }
i
D = max { ai - bi }
i
d = min { ai - bi }
i
Entonces, las restricciones del problema pueden simplificarse, formulndose como sigue:
X + Y - Zs
X - Y + ZD
X - Y - Z d
X + Y + Z S
12.6. Modelo final del problema.
Min Z
sa :
X + Y - Zs
X - Y + ZD
X - Y - Z d
X + Y + Z S
X,Y, Z libres
68
i,j .
13.2.3.- Variables.
Las variables modelarn los dos tipos de decisiones a adoptar. En primer lugar, y asociado
a cada localizacin se introducir una variable que modele si se abre o no una estacin de
bomberos (Yj). En segundo lugar, dadas una localizacin y un distrito se tendr que decidir
si se asigna dicho distrito a la posible estacin que se abra en la localizacin (Xij). En total
tendremos M+M x N variables binarias.
Formalmente:
69
=
la localizaci n j
Yj
0
En
otro
caso
X ij
1 Si el distrito i es asignado
0 En otro caso
i = 1 ,..., M ; j = 1 ,..., N
13.2.4.- Restricciones.
13.2.4.1.- Como mximo se localizarn B estaciones de bomberos.
j=1
Para cada distrito, de las posibles estaciones a las que puede ser asignado, slo lo
ser a una de ellas. Como las variables que modelan la asignacin de distritos a
estaciones abiertas en localizaciones son las Xij, para cada i tendremos que
N
X =
ij
i = 1 , ... , M
j=1
=0
i.
X ij Y j
i = 1 , ... , M ; j = 1 , ... , N
70
ij
X ij
i = 1 , ... , M
j=1
El primer trmino de las relaciones anteriores recoge las distancias de los distritos a
sus respectivas estaciones ya que con las restricciones 2.4.2 se impone que cada
distrito se asigna a una sola estacin.
13.2.4.- Objetivo.
Min U
13.2.5.- Modelo.
Min U
sa:
N
j=1
X =
ij
i = 1 , ... , M
j=1
X ij Y j
i = 1 , ... , M ; j = 1 , ... , N
71
ij
X ij
i = 1 , ... , M
j=1
U 0, X ij , Y j binarias
13.3.- Consideraciones finales.
Se ha formulado un modelo matemtico para la localizacin de estaciones de
bomberos en una ciudad y la asignacin de los distritos de la misma a las estaciones
abiertas. Las decisiones de tipo Asi/no@ se modelan mediante variables binrias.
ij
Yj
i=1
72
j = 1 , ... , N
Distribucin
14. Planificacin de la distribucin de un producto
14.1. Descripcin.
Cierta empresa dispone de dos fbricas F1 y F2 cuya produccin abastece seis zonas
geogrficas Z1,...,Z6. La empresa cuenta asimismo con cuatro almacenes A1,..,A4
geogrficamente dispersos que son usados como almacenamiento del producto y como
fuente para satisfacer la demanda.
Las capacidades mensuales de produccin de las fbricas y la capacidad de los almacenes
intermedios (en unidades de producto) se muestran en la Tabla 1.
F1
F2
A1
A2
A3
A4
Total
150000
200000
70000
30000
10000
40000
500000
Tabla 1
Z2
Z3
Z4
Z5
Z6
Total
30000
10000
40000
35000
60000
20000
195000
Tabla 2
F1
A1
A2
A3
A4
0,5
0,5
0,2
0,3
0,5
0,8
F2
Tabla 3
Z1
F1
F2
A1
A2
Z2
Z3
Z4
0,5
1,5
1,5
0,5
A3
A4
0,2
1,5
73
1,5
Z5
Z6
0,5
0,5
1,5
0,5
1,5
14.2. Modelo.
14.2.1. Horizonte.
Las variables naturales del problema se refieren a las cantidades a enviar desde fabricas a
almacenes y zonas as como desde los almacenes a las zonas de demanda. Al igual que en
otros casos se considerarn variables de tipo contnuo para representar el nmero de
productos enviados. Si el valor o tamao de los productos es elevado convendra utilizar
variables enteras.
A lo largo de la exposicin se usar el ndice i para representar fbricas, j para almacenes y
k para las zonas de demanda. De esta forma, el nmero de productos enviados de fbricas
a almacenes se denotar mediante Xij (i=1,2; j=1,...,4), las cantidades de productos
enviados directamente de fbricas a zonas se representan mediante las variables Yik (i=1,2;
k=1,...,6) y para los envos desde almacenes a zonas de demanda se usarn variables Zjk
(j=1,...,4; k=1,...,6).
74
+ Y
6
ij
j=1
ik
Ci i = 1 , 2
k =1
X
i=1
- Z
6
ij
jk
CA j
j = 1 , ... , 4
k =1
X
i=1
- Z
6
ij
jk
CA j
k =1
75
Io j
j = 1 , ... , 4
El nmero de productos enviado a cada una de las zonas deber superar el valor
mnimo demandado. Puesto que se minimizan costes de transporte parece
adecuado enviar hasta las zonas de consumo el nmero exacto de productos. Las
restricciones de demanda, una para cada zona de distribucin, se formulan a
continuacin:
+ Z
X ik
Dk
jk
i=1
k = 1 , ... , 6
j=1
Min
ij
X ij
i=1 j=1
+ C
Y ik
ik
i=1 k =1
+ C
jk
Z jk
j=1 k =1
Siendo Cij, C=ik y C@jk los costes asociados a los desplazamientos fbrica-almacn, fbricazona y almacn-zona respectivamente, cuyos valores aparecen en las tablas 3 y 4.
14.2.5. Modelo completo.
2
Min
ij
X ij
i=1 j=1
+ C
Y ik
ik
i=1 k =1
X
j=1
+ Y
+ C
j=1 k =1
ij
ik
k =1
sa:
76
Ci
i= 1 , 2
jk
" Z jk
X ij
i=1
- Z
6
jk
CA j
Io j
j = 1 , ... , 4
k =1
X + Z
2
ik
i=1
jk
Dk
k = 1 , ... , 6
j=1
77
1 + 2 + 3 + 4 2
Es decir, de los cuatro almacenes (dos nuevos y dos antiguos), solamente dos podrn
quedar abiertos.
14.5.2. Limitacin del nmero de productos que llega o sale de cada almacn.
La decisin final de la empresa supondr la no existencia de dos de los almacenes M1, M2,
A3 y A4. Si alguno de ellos no se construye (M1, M2), o se cierra (A3, A4), la cantidad de
productos que le llega desde las fbricas debe ser nula. Del mismo modo, al no existir, no
se podrn envos desde l hacia las zonas de consumo.
Para modelar estas restriccin es (para cada almacn) basta con acotar la suma de
cantidades enviadas desde las fabricas (o las cantidades a enviar hacia zonas de demanda)
mediante el producto de la correspondiente variable binaria y cierta constante. Si la variable
binaria toma valor cero (almacn cerrado) las variables Xij y Zjk sern nulas.
Las constantes se denotan en las restricciones mediante s y s. Estas constantes
debern ser tales que cuando la variable binaria tome valor 1 no acte la restriccin.
Para el caso de envos de fbricas a almacenes.
X
2
is
s s s = 1 , 2, 3 , 4 (M1 , M2 , A3 , A4)
i=1
Z
6
sk
s s
s = 1 , 2, 3 , 4 (M1 , M2 , A3 , A4)
k =1
En el primer caso la constante s de cada restriccin puede ser sustituida por la suma de
las producciones de todas las fbricas. Quedando la restriccin como:
X
2
is
i=1
s = 1 , 2, 3 , 4 (M1 , M2 , A3 , A4)
i=1
En el segundo caso se puede usar la suma de todas las demandas como cota para las
restricciones:
6
Z
k =1
sk
D
k =1
s = 1 ,78
2, 3 , 4 (M1 , M2 , A3 , A4)
Estas restricciones mantienen su formulacin para todos los almacenes, incluyendo los
almacenes M1 y M2.
X - Z
4
ij
jk
i=1
CA j
j = 1 , 3 ,... , 6
Io j
k =1
El ndice j recoge los almacenes A1,A3,A4 y los nuevos M1 y M2. Para el almacn A2 es
preciso formular una nueva restriccin que considere la ampliacin de capacidad:
- Z
X i2
CA2
2k
i=1
CA 2
Io j
j = 1 , 3 ,... , 6
k =1
Min
+ C
X ij
ij
i=1 j=1
ik
i=1 k =1
( 6 x 10 6 ) 2
+ C
Y ik
jk
" Z jk
+ ( 12 x 106 ) +
1
j=1 k =1
Min
C ij X ij
+ C
i=1 j=1
ik
Y ik
i=1 k =1
( 6 x 10 6 ) 2
ij
jk
" Z jk
+ ( 12 x 106 ) +
1
j=1 k =1
- ( 10 x 10 6 ) - ( 5 x 10 6 ) + ( 3 x 10 6 )
3
- Z
6
+ C
jk
CA j
j = 1 , 3 ,... , 6
Io j
k =1
i=1
sa:
4
i2
i=1
X is
i=1
- Z
CA2
2k
CA 2
Io j
j = 1 , 3 ,... , 6
k =1
s = 1 , 2, 3 , 4 (M1 , M2 , A3 , A4)
i=1
79
Z sk
k =1
k =1
j=1
X ik
i=1
s = 1 , 2, 3 , 4 (M1 , M2 , A3 , A4)
1 + 2 + 3 + 4 2
+ Y
6
ij
ik
Ci i = 1 , 2
k =1
+ Z
4
jk
D k k = 1 , ... , 6
j=1
X ij , Y ik , Z jk 0 , i ( 0 , 1 )
80
Secuenciacin
15. Peridicos
15.1. Descripcin.
Cuatro estudiantes que comparten piso se levantan temprano para asistir a las clases
matinales. A las 8.00 de la maana reciben su suscripcin a cuatro peridicos de tirada
nacional (El Pas, ABC, El Mundo y Diario 16). Desayunan a las 9.00 (como ms tarde),
disponiendo pues de una hora para ojear los distintos diarios. Los tiempos que cada uno de los
lectores dedica a cada uno de los peridicos aparecen en la siguiente tabla:
Lector
Lector 1
Lector 2
Lector 3
Lector 4
El
Pas
20'
10'
5'
ABC
El Correo
Diario 16
5'
10'
15'
10'
10'
15'
20'
15'
10'
10'
5'
En qu orden deben leer los peridicos para que queden libres lo antes posible?
15.2. Horizonte.
El horizonte temporal del caso se inscribe en una hora, tiempo del que disponen los lectores
para disfrutar de la lectura de los diarios hasta el momento del desayuno a las 9:00 horas.
En principio se podra pensar en discretizar el intervalo en perodos de 5 minutos, al ser la
menor fraccin de tiempo dedicada a lectura y puesto que los tiempos de lectura son
mltiplos de 5 minutos. De esta forma se dispondra de 12 intervalos. El modelado se
reducira a ocupar cada uno de estos intervalos para cada uno de los lectores. este punto
de vista implica la consideracin de restricciones de continuidad, de forma que cuando un
lector comienza la lectura de un diario no pude alternar otro diario hasta haber finalizado
completamente el tiempo dedicado al primero. El enfoque que se sigue a continuacin es
diferente, no se discretizar el tiempo, en su lugar usaremos variables continuas que indican
el instante de comienzo de cada peridico por cada lector. Posteriormente se relacionarn
estas variables para evitar simultaneidad en la lectura de dos peridicos y que varios
lectores usen un mismo diario. Utilizaremos los ndice i, r para lectores y los ndices j, k
para peridicos.
15.3.Variables.
En principio las variables de decisin del problema son continuas y representan el inicio de
lectura de cada peridico por parte de cada lector.
Entonces para cada lector i (i=1..4) y cada par de peridicos j, k (j=1..3, k=j+1...4) se
cumple una de las siguientes relaciones:
t ij t ik + d ik
o
t ik t ij + d ij
Dependiendo de si el lector i toma el peridico j despus del k o al contrario. Se trata de un
par de restricciones disyuntivas. El modelado de este tipo de situaciones se trat con
anterioridad en este captulo. Su formulacin lineal pasa por la consideracin de una
variable auxiliar binaria.
Sea
ijk =
M ijk + t ij t ik + d ik
M (1 ijk ) + t ik t ij + d ij
Esto es, si i lee j antes que k se satisface la segunda restriccin, es decir el instante de
inicio de lectura del peridico k es posterior a la finalizacin de la lectura del diario j-simo.
La primera restriccin no acta para un valor conveniente de la cota M. Pinsese que un
valor adecuado para M sera, por ejemplo, el de 60 minutos, en este caso la primera
restriccin dice que el instante de inicio de lectura del peridico k + 60 minutos es mayor
que el instante de finalizacin de lectura del peridico j, o de otra forma, la primera
desigualdad no restringe el espacio de decisin (regin de admisibilidad del problema) al ser
desplazada fuera de la misma.
15.4.2. Dos lectores no pueden leer un mismo peridico al mismo tiempo.
Nuevamente se plantean dos restricciones disyuntivas, esta vez para dos lectores y un
nico peridico.
t ij t rj + d rj
o
t rj t ij + d ij
0 En caso contrario
irj =
forma:
N irj + t ij t rj + d rj
N (1 irj ) + t rj t ij + d ij
Que tienen una lectura similar al caso del apartado anterior. La constante N puede ser fijada
al mismo valor que M, es decir 60 minutos.
15.5. Funcin Objetivo.
La funcin objetivo consiste en minimizar el mximo tiempo de finalizacin de lectura.
Formalmente:
Min Max{t ij + d ij }
i, j
Para linealizar esta expresin se define T= Max t ij + d ij . Entonces la funcin objetivo del
i, j
t ij + d ij T
i = 1....4, j = 1...4
Min T
sa:
t ij + d ij T
i = 1....4, j = 1...4
M ijk + t ij t ik + d ik
M (1 ijk ) + t ik t ij + d ij
N irj + t ij t rj + d rj
N (1 irj ) + t rj t ij + d ij
ijk =
T 0, t ij 0 i = 1...4, j = 1...4
irj =
83
Equilibrado de cadenas
16. Embalaje de objetos con relaciones de precedencia.
16.1.Descripcin.
Una empresa de transporte pretende embalar siete objetos, para ello dispone de siete cajas
(numeradas del 1 al 7) con una capacidad de 17 m3 cada una de ellas.
El grafo de la figura representa en los nodos cada uno de los siete objetos, indicando
encima de stos el volumen (en m3) requerido por cada uno de ellos. Los arcos representan
relaciones de precedencia a verificar por la ordenacin en la que se embalan los objetos en
las cajas. Por ejemplo, para embalar el objeto 2 en la caja 2, el objeto 1 ha tenido que
ser embalado en las cajas 1 2.
El problema que se plantea es decidir en qu caja se embala cada objeto, de tal forma que
el nmero de cajas utilizadas sea lo ms pequeo posible. Modele la problemtica mediante
programacin lineal.
5
12
16.2. Variables.
Para modelar este problema utilizaremos un conjunto de variables binarias que indicarn si
el objeto i-simo ha sido embalado en la caja j-sima. El ndice i se reserva para objetos y el
j para las cajas, ambos varan de 1 a 7.
0 En caso contrario
ij =
Resulta conveniente definir las relaciones de precedencia mediante dos conjuntos de datos
para cada objeto. el primero de ellos denominado A(i) (antes de i), es el conjunto de objetos
que preceden al i-simo en el grafo que muestra las precedencias. El conjunto N(i)
contendr para cada objeto el nmero de objetos que lo preceden. As para el grafo de la
figura se tiene:
i
1
2
3
4
5
6
7
A(i)
1
1
1,2,3
1,2,3,4
1,2,3,4
1,2,3,4,5,6
N(i)
0
1
1
3
4
4
6
84
Estos conjuntos resultarn de utilidad a la hora de formular las restricciones del problema.
16.3.Restricciones.
16.3.1.Asegurando el embalaje de cada objeto.
En primer lugar, todos los objetos deben ser envasados en alguna de las cajas, por tanto, la
suma de las variables ij extendida al nmero de cajas debe ser igual a 1 para cada uno de
los objetos.
7
j =1
ij
=1
i = 1...7
Cada una de las cajas tiene un volumen de 17 m3 que no puede ser superado. Por tanto la
suma de los volmenes de objetos en cada caja debe ser menor que la capacidad de la
caja.
7
p
i =1
ij
17
j = 1...7
16.3.3.Restricciones de precedencia.
Si analizamos la pertenencia del objeto i-simo a la caja nmero s, todos los objetos
precedentes (por tanto pertenecientes al conjunto A(i)) deben haber sido embalados en
cajas que van desde la 1 a la nmero s incluida sta. La suma de objetos precedentes debe
coincidir con N(i), si no es as, el objeto i-simo no puede ser envasado en la caja nmero s.
Esta condicin se puede establecer mediante la siguiente restriccin:
s
N (i ) is kj
k A(i ), s = 1...7
j =1
S j ij
i = 1...7
j =1
Para cada uno de los objetos, S debe ser mayor que el nmero de caja en que ha sido
embalado, recordemos que slo una de las ij que aparecen sumadas en la restriccin
anterior ser igual a 1. El ndice j nos ndica a que caja pertenece el objeto i-simo. As
pues, el objetivo se reduce a minimizar el nmero mximo de cajas usadas.
85
Min S
16.5. Modelo.
Min S
sa:
j =1
ij
p
i =1
ij
=1
17
N (i ) is kj
i = 1...7
j = 1...7
k A(i ), s = 1...7
j =1
S j ij
i = 1...7
j =1
0 En caso contrario
ij =
86
Tcnicas de modelado
17. Regresin lineal.
17.1. Descripcin.
Al realizar un conjunto de experimentos se considera una variable independiente x cuyos
valores se fijan voluntariamente, midiendo el resultado del experimento en trminos de la
variable dependiente y. Una vez realizados 1 experiencias se han obtenido los siguientes
resultados:
Exp
x
y
1
0
0.9
2
0.5
0.7
3
1
1.5
4
1.5
2.0
5
2
2.4
6
2.5
3.2
7
3
2
8
3.5
2.7
9
4
3.5
10
4.5
1
Se desea efectuar una aproximacin cuadrtica del tipo y=cx2+bx+a que refleje la relacin
funcional entre la variable independiente x y la variable dependiente y, de forma que se
minimice el mximo error absoluto obtenido, teniendo en cuenta los diez experimentos
realizados.
17.2. Discusin.
La figura adjunta muestra de forma esquemtica los resultados del conjunto de
experimentos y la aproximacin cuadrtica, sealando las desviaciones obtenidas.
Aproximacin
cuadrtica
Desviacin
x
La formulacin inicial de este problema responde a un objetivo del tipo MiniMax. Se trata de
minimizar la mxima de las desviaciones en valor absoluto, esto es:
{ { y (ax
Min Max
i
2
i
+ bxi + c)
}}
Donde a,b y c son las variables a determinar, xi (i=1...10) los valores de la variable
independiente e yi (i=1...10) los valores de la variable dependiente. Los pares (xi,yi) son
datos conocidos como resultado de los experimentos realizados.
87
Min Z
Y es preciso relacionar Z con los trminos entre valores absolutos teniendo en cuenta que al
ser Z su mximo, se debe satisfacer:
yi (axi + bxi + c) Z
2
i = 1....10
Min Z
sa:
yi (axi + bxi + c) Z
2
i = 1....10
a,b,c libres
17.3. Variables.
a = A1 A2
b = B1 B 2
c = C1 C 2
A1, A2, B1, B 2, C1, C 2 0
A la hora de modelar linealmente el modelo no es necesario tipificarlo, por tanto, en aras a
una mayor economa de variables, no introduciremos los cambios de variable anteriores.
Adems la prctica totalidad de software comercial de optimizacin trata perfectamente el
caso de variables libres, realizando de forma interna la descomposicin indicada.
17.4. Restricciones.
88
A) Consiste en duplicar las restricciones de manera que se cumplan tanto si el contenido del
valor absoluto es positivo como si es negativo, es decir:
yi (axi + bxi + c) Z
2
yi + (axi + bxi + c) Z
2
i = 1....10
i = 1....10
B) Deshacer los valores absolutos mediante un cambio de variables, para ello se iguala el
contenido de los valores absoluto a la diferencia de dos variables positivas y se toma el
valor absoluto igual a la suma de dichas variables.-
yi (axi + bxi + c) = u i vi
2
u i + vi Z
i = 1....10
i = 1...10
ui, vi 0
a,b,c libres
Este mtodo se basa en que cada par de variables (ui,vi) se corresponde en cada iteracin
de la tabla simplex con dos columnas iguales pero con signo contrario, por tanto ui es
bsica no puede serlo vi y viceversa. Este es el motivo por el que se sustituye el valor
absoluto por la suma de variables, ya que como mximo slo una de cada par es positiva,
siendo nula su pareja.
17.5. Modelo 1.
Cada uno de los conjuntos de restricciones anteriores pueden formar el cuerpo del modelo
lineal solicitado, por tanto un primer modelo lineal para el caso propuesto sera:
Min Z
sa:
yi (axi + bxi + c) Z
2
yi + (axi + bxi + c) Z
2
i = 1....10
i = 1....10
a,b,c libres
17.6. Modelo alternativo.
Min Z
sa:
yi (axi + bxi + c) = u i vi
2
u i + vi Z
i = 1....10
i = 1...10
ui, vi 0
a,b,c libres
89
5x 0 x 4
f(x) = x + 16 4 x 10
3x - 4 x 10
x 0x4
f(x) = 3x - 8 4 x 10
6x - 38 x 10
5x 0 x 4
f(x) = x + 16 4 x 10
3x - 4 x 10
40
26
20
i=
Cuando i=0 (i=1,2,3) la variable xi deber tomar valor cero, adems, necesariamente una
de las variables valdr 1.
18.2.1.2. Restricciones.
1+ 2 + 3 = 1
nicamente una variable i puede tomar valor 1:
Si i es cero, la correspondiente xi debe ser nula. En caso contrario estar acotada
por los extremos de su intervalo:
0 x1 4 1
4 2 x 2 10 2
10 3 x3
La variable x es una de las variables xi. Puesto que nicamente una de ellas es
positiva se tiene
x = x1 + x 2 + x 3
En realidad no es necesario incluirla en el modelo, ya que se entiende que x es igual
al valor de la xi positiva, es decir de la xi correspondiente a la i = 1. En este caso, si
aparece en otras restricciones del problema se deber sustituir por la suma de las xi.
18.2.1.3. Funcin objetivo.
Min 5 x1 + ( x 2 + 16 2 ) + ( 3 x3 - 4 3 )
Obsrvese como las constantes aparecen multiplicadas por las correspondientes
variables i dependiendo del intervalo de que se trate.
18.2.2. Caso B.
18.2.2.1. Variables y restricciones.
91
x 0x4
f(x) = 3x - 8 4 x 10
6x - 38 x 10
40
22
Como se observa en la figura, la 20
pendiente de los tramos es
creciente. Puesto que el objetivo
del
problema
consiste
en
minimizar, es posible modelar el 4
problema sin necesidad de
variables binarias.
4 5
10
15
Para ello se considera que la variable x se obtiene como suma de x1, x2 y x3, cada
una de ellas >= 0 y acotada por la longitud del correspondiente intervalo de
comportamiento de la funcin objetivo, es decir.
x = x1 + x 2 + x 3
0 x1 4
0 x2 6
0 x3
Puesto que las pendientes de las rectas son crecientes, y el objetivo consiste en
minimizar, si es posible (si lo permite el resto de restricciones del problema) la
variable x quedar especificada por el valor de x1. Al diferencia del problema
anterior, es posible que ms de una xi sean estrictamente positivas. La variable x
ser la suma de las xi. La variable x2 podr ser >0 nicamente cuando x1 tome su
valor mximo (x1=4).
18.2.2.2. Funcin objetivo.
El comportamiento creciente de
las pendientes de los diferentes 40
segmentos lineales permite
modelar la variable x de forma
aditiva, y garantiza que si una xi
es estrictamente >0 las xj (j<i) 22
necesariamente toman su valor
mximo.
4
Min x1 + 4 x2 + 6 x3
1
4 5
92
10
la
Un modelado alternativo al
descrito para el caso
de
pendientes crecientes 4
con objetivo minimizar (o
pendientes
4 5
10
15
decrecientes
con
objetivo maximizar) consiste en la minimizacin (maximizacin) de una nueva
variable Z que debe ser mayor que cada una de las rectas descritas por los
diferentes segmentos de la funcin objetivo. As pues, se podra solventar el
problema mediante el siguiente modelado:
Min Z
sa :
Zx
Z 3x - 8
Z 6x - 38
Z 0
Cada segmento de la funcin objetivo original se convierte en una restriccin que se
aade al resto de restricciones del problema.
93