LECTURA 1 Gonzales J. (Coord.), Beyer, W., Ortiz, J. (1995) Matematica VI Tomo Ill. Ingeniria de Sistemas. Paginas 9 a 34 SECCION 1. FORMULACION MATEMATICA DEL PROBLEMA DE PROGRAMACION ENTERA La formulacién matemética de un problema de programacién entera es similar a la de un problema continuo de programacién matematica lineal o no lineal, con la unica diferencia que en el modelo entero se exige la restriccién entera en algunas o todas las variables de decision. En general el problema de programacién entera (P.E.) puede formularse matematicamente como: Maximizar (minimizar) z= fy (X41, X2, on) sujeto a las restricciones < F(X pXperX,)=b, ie M=f42, Si| = N, todas las variables X, estén restringidas a tomar valores enteros y en este caso decimos que el problema de programacién entera es puro. Si1#N, es decir, ICN entonces el problema de programacion entera es mixto. Observemos que en este caso existe jEN, tal que jel y por lo tanto X, no posee la restriccion entera. La mayoria de los métodos desarrollados en la programacién entera tratan el caso donde las funciones fi, ie {0}UM son lineales. Podemos formular el problema de programacién entera lineal (P.E.L.) como sigue: Maximizar (minimizar) 2= )°C,X, sujeto a: in Yajx, +h =b, ieM in h20, ieM x20, jeN x, entero, jelcN 19Modo 1 donde h, ic M son las variables de holgura. Cuando las restricciones del problema estan originalmente en forma de ecu podemos prescindir de las variables de holgura. cin, Observemos que si excluimos la restriccién entera el problema de programa entera lineal se convierte en un problema (continuo) de programacién lineal, "26 En principio podriamos suponer que la restriccion entera de las variables g modelo entero simplifica el prcblema de programaci6n ya que el espacio de soluciones reduce y en vez de buscar la solucién optima entre un numero infinito de posiygs soluciones (suponiendo el esracio de soluciones acotado), como hacemos en el cas continuo, la condicién entera reduce el espacio de soluciones a un niimero fino gg Puntos, Lamentablemente este ro es el caso y a pesar de la aparente simplificacién del espacio de soluciones en la practica persiste el problema computacional principaimente cuando aumenta el tamafio del problema Esto se debe principalmente a que la restriccién entera destruye las propiedades fundamentales del espacio de soluciones. Por ejemplo en el caso lineal la introduccién de la restriccién entera hace que el espacio de soluciones deje de ser convexo, lo cual deja sin efecto la propiedad basica en que esta fundamentado el método simplex. También debemos observar que muchos de los algoritmos construidos para la programacién entera son disefiados para ser utilizados en computadoras digitales de alta velocidad, y a pesar de que teéricamente un algoritmo finito necesite un tiempo finito de computo sea razonable. Ademas la computadora digital introduce errores de redondeo, ya que utiliza el punto decimal flotante, lo que conlleva la acumulacién de errores que disminuyen la precision de la solucion optima alcanzada. Ejemplo: Formulacién Matematica (+) 1. Una compatiia produce y vende 2 tipos de maquinas de escribir manual y eléctrica Cada maquina de escribir manual es vendida por 40 Unidades Monetarias (UM) y cada maquina de esoritir eléctrica por 60 (UM). Ambas maquinas tienen qu? ser procesadas (ensambledas y empacadas) a través de 2 lineas de producc” La compaiiia tiene una capacidad de 2000 horas mensuales para la linea 1) 1000 horas para la linea 2. El nimero de horas requeridas por las lineas 1¥ para producir un modelo determinado se da en la siguiente tabla: Linea Manual Eléctrica Capacidad 1 3 2 2000 2 1 2 4000 + Ejemplos inconorados por el Prof, Jesis Espinal ato 2014, 20 —_ |Unided 1 jptimo de unidades de cada tipo Formule el problema que encuentre el nimero o} ensualmente para maximizar el de maquinas de escribir que se deben producir m ingreso de la empresa Soluci6n: Variables de decision: x, : Numero de maquinas de escribir manuales. Xx, : Numero de maquinas de escribir eléctricas. Restricciones: 3x, + 2x, $2000 Capacidad de la linea 1 x, +2x, $1000 Capacidad de la linea 2 x,20 x, 20 yenteros restricciones de no negatividad Funcién Objetivo: ¥ Minimizar 2 = 2000s, +1000x, Modelo: * minimizar z= 2000x, +1000x, SA 3a, +2, < 2000 x, #2x, $1000 x20; x20 y enteros 2. En.un Pais disponen'de' un Centro de Asistencia Primaria (CAP) en pueblos y ciudades de una region. Para obtener un buen funcionamiento global del servicio y poder planificar el numero de visitas en funcion del personal previsto en cada CAP y su dimension’ EI ministerio de Salud ha decidido organizar el servicio de tal forma que todos sts asegurados tengan un CAP de referencia asignado, pero que sea éste el mas cercano posible a su lugar de residencia. Ena region hay m ciudades y pueblos (siendo m mayor que n) y se sabe cuantos asegurados tiene en cada uno de ellos. Los CAP tienen una capacidad maxima de pacientes que pueden atender. El objetivo es asignar los asegurados a los CAPs minimizando el costo de la distancia total. Solucién: t En primer lugar se definen los parametros necesarios para formular el modelo. Sea ai el numero de asegurados en el centro urbano i (i = 1...m). Sea bJ el numero total de aseguradbs que el CAP( j) puede tener asignado como maximo j=1...n. Se define cij como el costo de desplazamiento entre iy j . ‘Como se necesita cogocer cuantas personas del centro urbano i serdn asignadas alcentroj, se define la variable xij como el nimero de personas que provienen del centro urbano i que seran atendidas por el CAP( ) 2Modo 1 Variable de decisi6n: X; : nimero de personas que provienen del centro urbano (i) que serdn atendiga, por el CAP (j) . Una vez definidos los parametros y las variables, necesitamos defini j restricciones del modelo. En este problema hay dos tipos de restricciones, (s primera viene definida por la capacidad de atencion de los CAPS. El nimerot de asegurados asignados al CAP (j) no puede exceder de su capacidad bj Xt Xa tect Kyte + Kaj Sy En términos matematicos 1X,Sb, iat El segundo grupo de restricciones tiene que considerar que hemos de asignar ig totalidad de los asegurados a cada centro urbano i a los CAPs existentes, DX, sa i=1..m Finalmente se tiene que formular el objetivo de minimizacién total de las distancias © costo total del sistema: Cu Xnt Cra Xrz t sact Cag Xan + ot CpXp teat Cin Xt tt Ca Xen La cual podemos resumir en términos matematicos como: mins SG,X, * taf En resumen el modelo: 22Unidad SECCION 2. RESOLUCION DEL PROBLEMA DE PROGRAMACION ENTERA POR REDONDEO DE LA SOLUCION OPTIMA DEL MODELO CONTINUO Debido al éxito alcanzado por los métodos de resolucién de los programas continuos lineales por un lado y la ineficacia computacional de los algoritmos para resolver programas enteros por otro, ha llevado en la practica a resolver los problemas enteros utilizando modelos continuos y “redondeando” inteligentemente la solucion optima de estos modelos, alcanzando de esta forma, si no la solucién optima, una buena aproximacién de la solucién entera del problema original. Desafortunadamente no todo problema de programacién entera puede resolverse de esta forma debido a las limitaciones del método de redondeo. Para vislumbrar mas claramente las limitaciones del “redondeo” trataremos de desarrollar una categorizacién de los problemas de programacién entera de acuerdo a la aplicabilidad efectiva y limitaciones del redondeo. Clasificacién De Los Programas Enteros De Acuerdo Con Las Limitaciones Del Redondeo De La Solucién Optima Del Modelo Continuo a. Modelos enteros discretos: en estos modelos las variables de decision son *discretamente” cuantificables pero no aceptan valores fraccionarios. Ejemplos de este de variables abundan en muchos problemas practicos donde las actividades y los recursos como maquinas, transportes, operadores son indivisibles. Existe una clase de modelos enteros directos en los cuales las soluciones continuas son automaticamente enteras. Estos modelos satisfacen la propiedad unimodular la cual garantiza que toda solucién basica es entera. Como un ejemplo podemos citar el problema de transporte. Los modelos enteros directos son los més susceptibles para la aplicacion eficiente del método de redondeo. La palabra eficiente la usamos en el sentido de que todo redondeo es una forma de aproximacion, es decir si x = 7.2 podemos redondear 0 aproximar x a x = 7. Por ejemplo, si la solucién continua de un problema nos indica que el nimero de autobuses necesarios para cubrir determinada ruta es 10.1 entonces podemos tomar como solucién dptima 10 autobuses. El error cometido en la aproximacion por redondeo depende de cuan grande es el valor continuo. b. Modelos enteros codificados: en estos modelos las variables de decision describen cuantitativamente un aspecto cualitativo o relacién que envuelve un numero finito de posibilidades. Ejemplos tipicos de estos modelos son los problemas que describen decisiones del tipo si-no; generalmente son representados por variables binarias 0-1, donde el valor 1 expresa la decision SI y él valor 0 la decisin NO 23Modelos enteros transformados: estos modelos son adeloS que en principe Podrian no incluir variables enteras pero Qe. La so ‘uieren ig introduccién de algunas variables enteras artficiales. Generalmente estos modelos incluyen relaciones lGaicas A No pueden ser tratadas directamente por los métodos de solucion ©? O Puede remediarse utilizando variables binarias artificiales matematica normalmente Se requiere que ag muitaneamente, pero hay situaciones en jag ‘cones dadas debe ser satisfecha, En ‘er usada para transformar el problema in modificar la relacion légica inicia, En los modelos de programacion restricciones sean satisfechas sit cuales, por ejemplo, una de dos restrict estos casos una variable binaria puede s Por medio de dos restricciones simultaneas si 5 ejemplos, en estos casos el valor 1 de ia Como veremos mas adelante en lo: y el valor 0 que la misma variable binaria significa que la restriccion es activa restriccion es inactiva 0 pasiva. En los modelos enteros codificados como en los transformados el valor fraccionario de una variable entera no tiene sentido. Esto se debe principalmente a que en estos modelos existen variables cuyo valor representa un elemento de Un cédigo numérico y para que el valor de la variable tenga sentido debemos codificarlo primero. Por ejemplo para una variable binaria el valor 1 puede ser decodificado como una decision SI y el valor 0 como una decision NO. En este sentido no existe ninguna razén légica para aplicar la aproximacion por: redondeo a estos problemas. Por ejemplo si la decision para aceptar determinado proyecto se representa por la variable binaria x = 1, siel proyecto acepta y x = 0, si se rechaza, entonces cualquier valor fraccionaria de x no tiene sentido y el uso de redondeo es inaceptable. ‘Como vemos, de acuerdo a nuestra clasificacion los modelos enteros puros son los Unicos susceptibles a redondeo y aun asi debemos tomar en cuenta algunas consideraciones y limitaciones del redondeo para estos modelos. Debemos observar antes que nada que la solucién factible que obtenemos por redondeo de la solucién éptima del modelo continuo no es necesariamente la solucién éptima del problema entero. Tampoco nos asegura que la solucion asi hallada sea una “buena” aproximacién de la solucién entera, y menos que esta solucion satisfaga todas las restricciones del problema También debemos observar que utilizando la aproximacién por redondeo nunca podemos obtener la solucién éptima de un modelo entero que contenga restricciones originales en forma de ecuaciones. Esto se debe a que solo las variables basicas pueden ser redondeadas mientras las variables no basicas 3e mantienen en nivel cero. Y segtn la teoria de programacién lineal no es factible una solucién por redondeo en estos casos. Y9 que implicaria que la misma base con todas las variables no basicas a nivel ce proporcione dos soluciones diferentes (la original y la redondeada). 24 |Unidad 1 © snot: Maximizar z = 5x, + 12x, + 4x Sujetoa x, + 2x, +x, 5 2k, =X) + 3x = 2 X, XX 2 O enteros. La solucién éptima continua de este problema (resuélvalo como ejercicio) es 9 8 - gr%e = ¥% =O con x3 como la variable no basica Si redondeamos la solucién continua obtenemos que esta solucion redondeada no satisface la restricciOn x, + 2x, + x, < 5 ya que 2 + 2(2)+0 = 6. Esto se debe a que 8 ‘i 5% 70 es ica 9 por definicion, la solucién basica x, = =X, Muchas veces la factibilidad de estas soluciones por redondeo no son graves ya que, en general, los parémetros de los problemas no son exactos y se puede permitir cierta holgura en la solucién. Sin embargo esto enfatiza la necesidad de contar con algoritmos exactos. EJEMPLOS DE APLICACIONES DE LOS MODELOS DE PROGRAMACION ENTERA De acuerdo con la clasificacién anterior hemos visto que los modelos enteros puros difieren de los modelos comunes de programacién lineal solamente en la restriccién entera, por lo cual los ejemplos de esta seccion seran seleccionados de las otras dos categorias, es decir, los modelos enteros codificados y los modelos enteros transformados" En estos ejemplos haremos énfasis en las diferentes formas de modelar un problema de acuerdo a la escogencia de la variables de decisién y las hipétesis consideradas, =) EJEMPLOS DE MODELOS ENTEROS CODIFICADOS 1. Problemas de presupuesto Este tipo de problemas trata la situacién en la cual existe un conjunto de proyectos de inversion y se desea como objetivo seleccionar, debido a limitaciones de presupuesto, un subconjunto dptimo de dichos proyectos. Este problema puede considerarse para un solo periodo de tiempo o para varios periodos de tiempo. ‘Supongamos que tenemos n proyectos de inversion y el proyecto j tiene un valor actual de Cj (j= 1, 2,.... n) requiriendo una inversién de aij bolivares en el periodo de tiempo t, (1, 2, ....m) al fueron estudiados en el curso de Investigacion de Operaciones I Elemplos de modelos de programaci6n 25Modul | El capital disponible en el periodo tes bt Consideremos las variables enteras X) = 1,2. m)conlasiguiente interpretacion: ado 4, siel proyecto jes seleccion 0, para cualquier otra situacion Con la introduccién de estas variables enteras podemos formular el modelo de este problema como: Maximizar Z= sox) a suetoa axis, XID) También se podria incluir en el modelo otras restricciones relacionadas con recursos adicionales para cada periodo de tiempo. Debemos observar que los problemas de presupuesto, en general, no son deterministicos y las variables C, a y b, son en realidad variables aleatorias. Por lo tanto es necesario, para que e! modelo resulte deterministico, reemplazar las variables aleatorias por sus valores esperados. Tomando en cuenta estas consideraciones e! modelo se expresa en la forma’ Maximizar E(z) = “(CH sujetoa YE(@,)Xi0 y= 1 |0, six, Estas condiciones pueden expresarse mediante una sola restriccién X0 lo suficientemente grande para que X 0 entonces y, debe ser igual a 1, (y, =1) Ya que de otra forma (y, =0) la restriccién x, SM, no se satisface y asi el costo fijo Kj forma parte de la funcién objetivo como es requerido. Si X, = 0 entonces y, puede ser cero 0 uno, pero como K>0 y se requiere que z sea minimizada, entonces y, = 0. _ Es interesante observar que a pesar de que el problema de costo fijo original no tenia nada que ver con la programacién entera, el problema una vez “transformado” constituye un modelo mixto de programacién entera. A diferencia de los modelos enteros codificados, en los modelos enteros transformados, las variables binarias yj se introducen sdlo como un artificio analitico y la informacion que conllevan es completamente redundante para la solucion del problema. 2. Programacién Separable Una funcion f(x, X,.....%,) 8 “separable” si se puede expresar como la suma de f,(%q), @8 decir: n funciones de una sola variable f,(x,), f,(%2), (Xa) fo) oon fe(Ko) A(X5 Xey La programacién separable trata con problemas no lineales donde la funcion objetivo y las restricciones son separables. Consideremos el siguiente problema no lineal: Maximizar (minimizar) Z= }19,,(X) $b), j= 1. 2,091 X20, i El problema separable ya que tanto la funcién objetivo como las funciones de restriccién son separables. Podemos hallar una solucion aproximada del problema, aproximando linealmente a trozos cada una de las fy g, en su dominio de definicion. 35Mos 1 | 1 thet I ploy tao pe iy ou’ a a yay ay Los puntos a, a,.... se denominan puntos de yuxtaposicién los cuales unen los ‘segmentos lineales que aproximan la funcién lineal. Seal, el ntimero de puntos de yuxtaposicion de la i-ésima variable x, y definimos , como el k-esimo punto de yuxtaposicion, Sea t, un peso no negativo asociado al k-ésimo punto de yuxtaposicién de la i-ésima variable xi y sea yik una variable binaria asociada, Tomando en cuentas estas consideraciones el problema puede ser aproximado Por medio de un modelo entero mixto: Maximizar (0 minimizer) 2= 3° Y'f(a, }y Sujeto a x Yoyanr OS ths S¥oh a +Yiohs Ost S yuh, Yat Vio tot Yohy = para todo i ty tty tot tal. =1, parai= 4, 2, Yu = 0,1 »parai= 1, 2,...,.m VRE 2,0 36Unidad 1 Las variables binarias y, hacen que no mas de dos pasos adyacentes (L, yt ww) tomen valores positivos; de otra forma la aproximacién no es valida, Las restrieciones adicionales de las variables t ey garantizan la validez de la aproximacion Cualquier problema separable en principio, puede resolverse como un problema de programacién entera mixta. Sin embargo, en la practica, la computabilidad de estos modelos no es muy factible ya que le nimero de restricciones aumenta muy rapidamente con el aumento de los puntos de yuxtaposicion. 3. Dicotomias Este tipo de problemas comprende una clase de problemas de programacion que se caracterizan porque un espacio de soluciones, en general no convexo, puede ser representado como la unién de un néimero finito de conjuntos convexos. a. Restricciones del tipo “... 0 bien. Este tipo de restriccién fue introducida en el problema de secuencia considerado en esta secci6n. En una maquina donde se efectéian una secuencia de tareas, para que dos tareas no sean procesadas simultaneamente es necesario introducir una restriccion del tipo *..0 bien...” Si x, x, son los tiempos de inicio de las tareas i y jy si a, y a, son sus tempos de procesamiento, respectivamente, la no interferencia de las dos tareas pueden expresadas com xX +a, $x, “obien" x, +a, SX, Aqui vemos que solo una de las dos restricciones x, +a, SX, ¥ X) +a, S debe ser satisfecha, esto crea una “dicotomia” en el espacio de soluciones (de aqui proviene el nombre de este tipo de problemas). Este tipo de restriccién no puede ser incorporada directamente en el problema. Para salvar esta situacion (como vimos en el problema de secuencia) se define la variable binaria: ya{t sia tareal procede a la i 10, sila tarea i procede a la} y una constante positiva M suficientemente grande de tal forma que la restriccion “0 bien...” puede ser expresada como: x) +a, $x, +My, y x, +a, 2 42