Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelado de problemas de
optimizaci
optimizaci
n lineales
n lineales
Alberto Campos Alberto Campos
Modelado en Programacin Lineal Entera Mixta - 1
Optimizacin y clasificacin de modelos
Problemas MILP caractersticos:
Dieta, transporte, trasbordo y asignacin (lineales continuos)
Mochila, recubrimiento, particin, empaquetado y viajante
(lineales enteros)
Modelado con variables enteras y binarias:
Modelado de restricciones especiales (disyunciones).
Modelado de implicaciones lgicas.
Modelado de dobles implicaciones.
Contenido
Contenido
Modelado en Programacin Lineal Entera Mixta - 2
Optimizaci
Optimizaci
n
n
Optimizaci Optimizaci n n: : Determinaci Determinaci n de una alternativa de decisi n de una alternativa de decisi n con la n con la
propiedad de ser mejor que cualquier otra en alg propiedad de ser mejor que cualquier otra en alg n sentido a n sentido a
precisar precisar
Elementos de un problema de optimizaci Elementos de un problema de optimizaci n: n:
Funcin objetivo: Medida cuantitativa del funcionamiento del
sistema que se desea optimizar (maximizar o minimizar)
Variables: Representan las decisiones que se pueden tomar
para afectar el valor de la funcin objetivo.
Restricciones: Representan el conjunto de relaciones
(ecuaciones e inecuaciones) que las variables estn obligadas
a cumplir
Resolver: Resolver: Encontrar valor de las variables que optimiza la funci Encontrar valor de las variables que optimiza la funci n n
objetivo y satisface todas las restricciones. objetivo y satisface todas las restricciones.
Modelado en Programacin Lineal Entera Mixta - 3
I. Investigaci
I. Investigaci
n operativa y optimizaci
n operativa y optimizaci
n
n
Clasificaci Clasificaci n de modelos de optimizaci n de modelos de optimizaci n n
PROGRAMACIN
LINEAL (CONTINUA)
(LINEAR
PROGRAMMING)
LP
PROGRAMACIN LINEAL
ENTERA MIXTA
(MIXED LINEAR INTEGER
PROGRAMMING)
MLIP
PROGRAMACIN
NO LINEAL
(NON LINEAR
PROGRAMMING)
NLP
min
0
,
,
T
x
n n
m n m
c x
Ax b
x
x c
A b
min
, 0
,
,
, ,
T T
x
n l
n l
m n m l m
c x d y
Ax By b
x y
x y Z
c d
A B b
+
+ =
min ( )
( ) 0
( ) 0
:
, :
x
n
n m
f x
g x
h x
l x u
f
g h
=
A analizar en este curso junto con PLIP y BLIP
(entero puro y entero binario)
Modelado en Programacin Lineal Entera Mixta - 4
Optimizacin y clasificacin de modelos
Problemas MILP caractersticos:
Dieta, transporte, trasbordo y asignacin (lineales continuos)
Mochila, recubrimiento, particin, empaquetado y viajante
(lineales enteros)
Modelado con variables enteras y binarias:
Modelado de restricciones especiales.
Modelado de implicaciones lgicas.
Modelado de dobles implicaciones.
Contenido
Contenido
Modelado en Programacin Lineal Entera Mixta - 5
Las necesidades mnimas en la alimentacin de una ternera son de
700 g de protenas, 28 g de calcio y 150 mg de vitaminas. Los
alimentos disponibles son pienso y forraje con un coste unitario de
0.30 y 0.35 /kg respectivamente. La composicin nutritiva por kg:
Se trata de determinar la cantidad diaria ptima de cada alimento
para minimizar el coste total de alimentacin.
Solucin:
ndices:
i indica el tipo de alimento {pienso,forraje}
Variables:
x
i
: kgsde alimento i
Problema de la dieta
Problema de la dieta
Protenas
(g)
Calcio
(g)
Vitaminas
(mg)
Pienso 30 2 10
Forraje 45 1 5
Modelado en Programacin Lineal Entera Mixta - 6
Problema de la dieta
Problema de la dieta
1 2
1 2
,
1 2
1 2
1 2
1 2
min 0.30 0.35
30 45 700
2 28
10 5 150
0, 0
x x
x x
x x
x x
x x
x x
+
+
+
+
min
0
i
i i
x
i
ij i j
i
i
cx
a x b j
x
general
Siendo en la formulacin general:
ndices:
j tipo de nutriente {protenas, calcio, vitaminas}
Parmetros (datos de partida, no variables):
a
ij
: g de nutriente j contenidos en 1 kgde alimento i
b
j
: g mnimos de nutriente j requeridos
c
i
: coste unitario/Kg de alimento i
NUNCA restricciones estrictas
Linealidad:
Multiplicar nmeros por
variables, NUNCA variables por
variables
Si se suma en i
las restricciones
se incluyen en j
Modelado en Programacin Lineal Entera Mixta - 7
Problema de transporte
Problema de transporte
Minimizar el coste total de transporte de un producto desde unos
orgenes a unos destinos, satisfaciendo la demanda de cada destino
sin superar la oferta disponible en cada origen.
Se supone todos los orgenes conectados con todos los destinos
Parmetros:
a
i
oferta en el origen i, b
j
demanda en el destino j
c
ij
coste unitario de transporte desde el origen i al destino j
Cmo satisfacer la demanda sin superar la oferta con mnimo coste?
1
1
a
2
a
m
a
1
b
2
b
n
b
2
m
1
2
n
Modelado en Programacin Lineal Entera Mixta - 8
Problema de transporte
Problema de transporte
Variables:
X
ij
: cantidad transportada de origen i al destino j
1 1
1
1
min
1, ,
1, ,
0 ,
ij
m n
ij ij
X
i j
n
ij i
j
m
ij j
i
ij
c X
X a i m
X b j n
X i j
= =
=
=
=
=
K
K
Modelado en Programacin Lineal Entera Mixta - 9
Problema de trasbordo
Problema de trasbordo
Llevar un producto desde orgenes a destinos con puntos intermedios
en una red de N nodos con mnimo coste
ndices: nodos i de la red
Parmetros: c
ij
coste unitario de transporte de nodo i a nodo j
Variables: X
ij
cantidad a transportar del nodo i al nodo j
1
2
3
4
5
7
8
b
1
=2
b
2
=3
b
3
=1
b
7
=-4
b
8
=-2
b
5
=0
b
4
=0
1 1
1 2 3
1 1 1
4 4 5 5
1 1 1 1
7 8
1 1
min
2; 3; 1
;
4; 2;
0 ,
ij
n n
ij ij
x
i j
n n n
j j j
j j j
n n n n
j i j i
j i j i
n n
i i
i i
ij
c X
X X X
X X X X
X X
X i j
= =
= = =
= = = =
= =
= = =
= =
= =
1 1
1 1
min
1, ,
0 ,
ij
n n
ij ij
x
i j
n n
ij ji i
j j
ij
c X
X X b i n
X i j
= =
= =
= =
K
general
b
i
>0 nodo origen
b
i
<0 nodo destino
b
i
=0nodo trasbordo (ni genera ni
consume)
Modelado en Programacin Lineal Entera Mixta - 10
Problema de asignaci
Problema de asignaci
n
n
Asignar la realizacin de N tareas a N personas.
ndices y parmetros: c
ij
coste de realizar la tarea i por la persona j
Objetivo: Minimizar el coste total de realizar las tareas sujeto a
cada tarea debe ser hecha por una sola persona
cada persona debe realizar una nica tarea.
1 si se asigna la tarea a la persona
,
0 en cualquier otro caso
ij
i j
X i j
{ }
1 1
1
1
min
1
1
0,1
ij
n n
ij ij
x
i j
n
ij
j
n
ij
i
ij
c X
X i
X j
X
= =
=
=
=
=
Restriccin de
presupuesto
Variables binarias
Beneficio de los
proyectos elegidos
Modelado en Programacin Lineal Entera Mixta - 14
Consideremos un conjunto S de personas:
Por ejemplo: S={1, 2, ..., 5}
Utilizamos el ndice i para representar las personas: i =1, ..., 5.
Supongamos que queremos organizar a estas
personas en varios equipos conocidos:
El conjunto de equipos posibles es S
Por ejemplo: S ={{1, 2}, {4, 5}, {1, 3, 5}, {2, 4, 5}, {1}, {3}}
Utilizamos el ndice j para representar los equipos: j =1, ..., 6.
Cada equipo j tiene un coste c
j
:
c
1
=1, c
2
=1, c
3
=1, c
4
=1, c
5
=1, c
6
=1.
Queremos elegir los equipos que permiten tener
ocupadas a todas las personas con coste mnimo.
No importa que una misma persona est en dos equipos.
Problema de recubrimiento
Problema de recubrimiento
(
(
Set
Set
covering
covering
)
)
Modelado en Programacin Lineal Entera Mixta - 15
Hay mltiples soluciones factibles, pero slo un ptimo:
Problema de recubrimiento
Problema de recubrimiento
(
(
Set
Set
covering
covering
)
)
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Modelado en Programacin Lineal Entera Mixta - 16
Problema de recubrimiento
Problema de recubrimiento
(
(
Set
Set
covering
covering
)
)
Para formular el problema definimos una matriz cuyos
elementos a
ij
indican si la persona i est en el equipo j
deS. Son parmetros:
a
ij
=1si la persona i est en el equipo j.
a
ij
=0en caso contrario.
Sean ahora las variables:
La formulacin es:
{ }
1
1
min
s.a: 1, ,
0,1 , .
j
m
j j
x
j
m
ij j
j
j
c x
a x i
x j
=
=
Cada persona i en al
menos un equipo.
Variables binarias
Coste de los equipos
formados
si se elige el subconjunto 1
0 en cualquier otro caso
j
j
x
n
n
(
(
Set
Set
partitioning
partitioning
)
)
Modelado en Programacin Lineal Entera Mixta - 18
Hay mltiples soluciones factibles, pero slo un ptimo:
Problema de partici
Problema de partici
n
n
(
(
Set
Set
partitioning
partitioning
)
)
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Modelado en Programacin Lineal Entera Mixta - 19
Problema de partici
Problema de partici
n
n
(
(
Set
Set
partitioning
partitioning
)
)
La formulacin es:
{ }
1
1
max
s.a: 1, ,
0,1 , .
j
m
j j
x
j
m
ij j
j
j
c x
a x i
x j
=
=
=
Cada persona i en
uno y slo un
equipo.
Variables binarias
Beneficio de los
equipos formados
Modelado en Programacin Lineal Entera Mixta - 20
Consideremos un conjunto S de personas:
Por ejemplo: S={1, 2, ..., 5}
Utilizamos el ndice i para representar las personas: i =1, ..., 5.
Supongamos que queremos organizar a estas
personas en varios equipos:
El conjunto de equipos posibles es S
Por ejemplo: S ={{1, 2}, {4, 5}, {1, 3, 5}, {2, 4, 5}, {1}, {3}}
Utilizamos el ndice j para representar los equipos: j =1, ..., 6.
Cada equipo j tiene un beneficio c
j
:
c
1
=1, c
2
=1, c
3
=1, c
4
=1, c
5
=1, c
6
=1.
Queremos elegir los equipos que proporcionan
beneficio mximo sin que exista solape.
No importa que una persona no est en ningn equipo.
Problema de empaquetado
Problema de empaquetado
(
(
Set
Set
packing
packing
)
)
Modelado en Programacin Lineal Entera Mixta - 21
Hay mltiples soluciones factibles, pero slo un ptimo:
Problema de empaquetado
Problema de empaquetado
(
(
Set
Set
packing
packing
)
)
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Modelado en Programacin Lineal Entera Mixta - 22
Problema de empaquetado
Problema de empaquetado
(
(
Set
Set
packing
packing
)
)
La formulacin es:
{ }
1
1
max
s.a: 1, ,
0,1 , .
j
m
j j
x
j
m
ij j
j
j
c x
a x i
x j
=
=
Cada persona i en
slo un equipo.
Variables binarias
Beneficio de los
equipos formados
Modelado en Programacin Lineal Entera Mixta - 23
Objetivo:
Hacer un recorrido que pase por n ciudades sin repetir
ninguna y volviendo a la ciudad de partida, de manera que la
distancia total recorrida sea mnima.
En este problema se tienen varias dificultades:
Cul es la variable de control?
Cmo se garantiza que por cada ciudad se pasa slo una
vez?
Cmo se impide que haya bucles incompletos?
Vamos a ir respondiendo a cada una de estas
preguntas.
Problema del viajante
Problema del viajante
(
(
Traveling
Traveling
salesman
salesman
)
)
Modelado en Programacin Lineal Entera Mixta - 24
Variable de control:
ndices: vamos a utilizar los ndices i y j para referirnos a las
ciudades.
i: ciudad origen.
j: ciudad destino.
Parmetro de entrada: la distancia entre dos ciudades i y j
viene dada por c
ij
.
La variable de control es x
ij
:
Problema del viajante
Problema del viajante
(
(
Traveling
Traveling
salesman
salesman
)
)
1
0
ij
i j
x
=
si se va de la ciudad a la ciudad
en otro caso
Modelado en Programacin Lineal Entera Mixta - 25
Formulacin incompleta del problema:
Problema del viajante
Problema del viajante
(
(
Traveling
Traveling
salesman
salesman
)
)
{ }
min
1, ,
1, ,
0,1 .
ij
ij ij
x
i j i
ij
i j
ij
j i
ij
c x
x j
x i
x
=
=
1
2
3
4
5
6 7
8
U
Modelado en Programacin Lineal Entera Mixta - 28
Formulacin 2:
Cambiamos la eleccin de la variable de control:
i: ciudad origen.
j: ciudad destino.
k: tramo de recorrido.
La variable de control es x
ijk
:
Problema del viajante
Problema del viajante
(
(
Traveling
Traveling
salesman
salesman
)
)
1
0
puede valer de 1 a 1
ijk
i j k
x
k n
+ + + + + + + + + + + = =
+ + + + + + + + + + + = =
+ + + +
{ }
24 31 32 34 41 42 43
1 2 3 1 1 2 1 3 1
1,
4) , j=4, , ,(si k=4,sustituir k+1 por 1)
0,1 .
k k k k k k k
jk jk jk j k j k j k
ijk
x x x x x x x k
x x x x x x k idem j
x
+ + +
+ + + + + + + =
+ + = + +
+
=
=
=
=
Cada ciudad j es destino slo
una vez y en uno y slo un
tramo
Distancia recorrida
Cada ciudad i es origen slo
una vez y en slo un tramo
Variables binarias
En cada tramo k slo un
recorrido
Si j es destino del tramo k
entonces es origen del k+1.
Modelado en Programacin Lineal Entera Mixta - 31
Optimizacin y clasificacin de modelos
Problemas MILP caractersticos:
Dieta, transporte, trasbordo y asignacin (lineales continuos)
Mochila, recubrimiento, particin, empaquetado y viajante
(lineales enteros)
Modelado con variables enteras y binarias:
Modelado de restricciones especiales.
Modelado de implicaciones lgicas.
Modelado de dobles implicaciones.
Contenido
Contenido
Modelado en Programacin Lineal Entera Mixta - 32
Modelado de restricciones especiales
Modelado de restricciones especiales
DISYUNCIN: de 2 restricciones al menos una debe
darse. Debe cumplirse una, no necesariamente las dos:
Modelo lineal:
Variable binaria
Restricciones:
Ejemplo:
{ } { }
( ) 0 o ( ) 0 f x g x
1 obliga a ( ) 0 y relaja la otra
0 obliga a ( ) 0 y relaja la otra
g x
f x
{ }
1
2
( )
0,1
( ) (1 )
f x M
g x M
1 2 1 2
3 2 18 0 4 16 0 x x o x x + +
{ }
1 2 1
1 2 2
3 2 18
0,1
4 16 (1 )
x x M y
y
x x M y
+
K
K
M
K
( )
( )
( )
{ }
1 1 1 1
2 1 2 2
1
1
( , , ) 1
( , , ) 1
0,1
( , , ) 1
n
N
n
i
i
i
N n N N
f x x M y
f x x M y
y k
y
f x x M y
=
1
2
1
( , , )
n
N
d
d
f x x
d
K
M
1
1
( , , )
N
n i i
i
f x x d y
=
=
K
1
1
N
i
i
y
=
=
{ }
0,1
i
y
1, , i N = K
Modelado en Programacin Lineal Entera Mixta - 34
Modelado de costes fijos
Modelado de costes fijos
Coste con un trmino fijo si la variable toma un valor
estrictamente positivo
Variable auxiliar binaria:
0 0
( )
0
j
j j
j j j j
x
f x
k c x x
=
=
+ >
1 0
0 0
j
j
j
x
y
x
>
=
=
( )
,
1 1
min ( )
j j
n n
j j j j j j
x y
j j
f x k y c x
= =
= +
( >0 grande)
j j
x My M
j
k
j
c
j
x
Los esquemas son SLO aclaratorios, NO son
restricciones: HAY QUE MODELAR!
Cualquier esquema es una DEFINICIN y por tanto una
DOBLE implicacin A MODELAR 1) y 2):
Yj=1 <=>Xj>0
1) Restriccin que modela:
Xj>0 Yj=1
(ver modelado implicaciones ms adelante)
2) La implicacin Xj=0Yj=0 es OBVIA por
minimizacin de costes
Costes
totales
Modelado en Programacin Lineal Entera Mixta - 35
Modelado de costes no lineales
Modelado de costes no lineales
Costes unitarios no lineales:
2
j
c
1
j
p
1
j
c
j
x
3
j
c
2
j
p
3
j
p
Costes
unitarios
Primera tentativa funcin objetivo:
(
1
1 si ,
0 en otro caso
k k
j j j k
j
x p p
NO LINEAL!!!
Modelado en Programacin Lineal Entera Mixta - 36
Modelado de costes no lineales
Modelado de costes no lineales
k
j j
k
x x =
,
k k
j j
j k
c x
1
k
j
k
=
(
1
si ,
0 en otro caso
k k
j j j j k
j
x x p p
x
+
Definicin produccin
Activacin de un nico tramo
Definicin produccin del
tramo
Necesario al ser el inicio del tramo un extremo abierto (p
k-1
, p
k
]
Modelado en Programacin Lineal Entera Mixta - 37
Modelado de funciones
Modelado de funciones
minimax
minimax
1 1
c x d +
Modelado de la minimizacin del mximo coste:
min ( )
0
f x
Ax b
x
=
siendo
{ }
1 1 2 2
1 2 1 2
( ) max , , ,
, , , , , , , ,
T T T
p p
n
p p
f x c x d c x d c x d
x c c c d d d
= + + +
p p
c x d +
( ) f x
En 1 dimensin:
Modelado en Programacin Lineal Entera Mixta - 38
Modelado de funciones
Modelado de funciones
minimax
minimax
Modelado lineal:
1 1
2 2
min
..................
0
p p
z
z c x d
z c x d
z c x d
Ax b
x
+
+
+
=
x
Idempara maximizar el mnimo beneficio, pero esta tcnica no
puede emplearse para minimin o maximax
Sustituye a f(x)
Modelado en Programacin Lineal Entera Mixta - 39
Modelado
Modelado
del valor absoluto
del valor absoluto
( )
min
min
. .
. .
, 0
, 0
x
c x x
s a x X
s a x X
x x x
x x x
x x
x x
+
+
+
+
+
=
=
Modelado lineal:
min
. .
c x
s a x X
x libre
x
Ntese que por el criterio
de minimizacin, las dos
variables x
+
y x
-
no pueden
hacerse positivas a la vez
No lineal
Modelado en Programacin Lineal Entera Mixta - 40
Optimizacin y clasificacin de modelos
Problemas MILP caractersticos:
Dieta, transporte, trasbordo y asignacin (lineales continuos)
Mochila, recubrimiento, particin, empaquetado y viajante
(lineales enteros)
Modelado con variables enteras y binarias:
Modelado de restricciones especiales.
Modelado de implicaciones lgicas.
Modelado de dobles implicaciones.
Contenido
Contenido
Modelado en Programacin Lineal Entera Mixta - 41
Modelado de implicaciones
Modelado de implicaciones
Vamos a estudiar cinco implicaciones posibles con restricciones
lineales:
En lo que sigue supondremos que se conocen M y m tal que
siempre se verifican las siguientes condiciones:
j j
j
a x b
j j
j
a x b
j j
j
a x b M
j j
j
a x b m
Suponemos que M es un
valor muy grande.
Suponemos que m es un valor
muy pequeo(posiblemente
negativo).
j j
j
a x b =
( )
1
j j
j
a x b M
1
j j
j
a x b =
0
j j
j
a x b M = +
IF THEN
Modelado en Programacin Lineal Entera Mixta - 43
Como en los ejemplos anteriores, la formulacin
adems de modelar la implicacin
tambin modela la implicacin (contra recproca):
(pues AB equivale a NO BNO A)
Modelado de implicaciones
Modelado de implicaciones
( )
1
j j
j
a x b M
0
j j
j
a x b > =
IF THEN
1
j j
j
a x b =
IF THEN
Modelado en Programacin Lineal Entera Mixta - 44
A restricciones
La formulacin es:
de modo que hay dos situaciones posibles:
Modelado de implicaciones
Modelado de implicaciones
1
j j
j
a x b =
( )
1
j j
j
a x b m
1
j j
j
a x b =
0
j j
j
a x b m = +
IF THEN
( )
1
j j
j
a x b m
1
j j
j
a x b =
IF THEN
Modelado en Programacin Lineal Entera Mixta - 46
Caso 2 De restricciones a binarias
Sabiendo que las dos expresiones siguientes son equivalentes:
convertimos la implicacin en la siguiente:
Modelado de implicaciones
Modelado de implicaciones
1 0
j j j j
j j
a x b a x b = = <
equivale a
0
j j
j
a x b =
1
j j
j
a x b =
0
j j
j
a x b =
'
1
j j
j
a x b M = +
j j
j
a x b
IF THEN
'
j j
j
a x b M +
1
j j
j
a x b =
IF THEN
Modelado en Programacin Lineal Entera Mixta - 49
Con restricciones
Sabiendo que las dos expresiones siguientes son equivalentes:
basta modelar:
Modelado de implicaciones
Modelado de implicaciones
1
j j
j
a x b =
1 0
j j j j
j j
a x b a x b = = >
equivale a
0
j j
j
a x b = +
1
j j
j
a x b m = +
0
j j
j
a x b = +
j j
j
a x b
1
j j
j
a x b =
IF THEN
0
j j
j
a x b = >
IF THEN
Modelado en Programacin Lineal Entera Mixta - 52
Modelado de implicaciones
Modelado de implicaciones
Caso 3 De binarias a restricciones de =
que es equivalente a
Este caso es una combinacin de dos casos tipo 1.
La formulacin es:
=1fuerza el cumplimiento de las dos restricciones
simultneamente.
1
j j
j
a x b = =
( )
( )
1
1
j j
j
j j
j
a x b M
a x b m
1
j j
j
j j
j
a x b
a x b
1
j j
j
a x b = =
0
j j
j
j j
j
a x b
a x b
<
>
= <
= >
( )
( )
1
2
j j
j
j j
j
a x b M
a x b m
+ +
1
2
0
0
0
Adems deber
cumplirse
Modelado en Programacin Lineal Entera Mixta - 55
En el segundo bloque tenemos que hacer que si = 0 entonces
1
= 0
2
= 0, o lo que es lo mismo si
1
= 1 y
2
= 1 entonces
= 1
La formulacin completa es:
Modelado de implicaciones
Modelado de implicaciones
1 2
1 +
( )
( )
1
2
1 2
1
j j
j
j j
j
a x b M
a x b m
+ +
+
+ +
j j
j
c x d m
Suponemos que K es un
valor muy grande.
Suponemos que k es un valor
muy pequeo(posiblemente
negativo).
Modelado en Programacin Lineal Entera Mixta - 61
Modelado de implicaciones: Resumen
Modelado de implicaciones: Resumen
1
j j
j
a x b =
IF THEN
1
j j
j
a x b =
IF THEN
1
j j
j
a x b =
IF THEN
1
j j
j
a x b =
IF THEN
1
j j
j
a x b = =
IF THEN
1
j j
j
a x b = =
IF THEN
( )
1
j j
j
a x b M
( )
1
j j
j
a x b m
( )
( )
1
1
j j
j
j j
j
a x b M
a x b m
( )
j j
j
a x b M + +
( )
j j
j
a x b m
( )
( )
1
2
1 2
1
j j
j
j j
j
a x b M
a x b m
+ +
+
IF THEN
j j j j
j j
a x b c x d
( ) ( )
1
j j
j
j j
j
c x d K
a x b M
+ +
IF THEN
j j j j
j j
a x b c x d =
( )
( )
1
2
3
1 2 3
1
j j
j
j j
j
j j
j
c x d k
a x b m
a x b M
+ +
+ + =
IF THEN
j j j j
j j
a x b c x d =
( ) ( )
1
j j
j
j j
j
j j
j
c x d K
c x d k
a x b M
+ +
IF THEN
1
j j
j
a x b =
IF THEN
( )
1
j j
j
a x b M
( )
j j
j
a x b m
j j
j
a x b M
0
j j
j
a x b
0 =
No pasa nada: se cumple siempre.
Equivale a lo
que queramos
1
j j
j
a x b =
0
j j
j
a x b
j j
j
a x b m
1 =
Lo que queramos.
No pasa nada: se cumple siempre.
1
j j
j
a x b =
IF THEN
1
j j
j
a x b =
IF THEN
0
j j
j
a x b +
0 =
No pasa nada: se cumple siempre.
Equivale a lo
que queramos
1
j j
j
a x b =
0
j j
j
a x b
j j
j
a x b M
1 =
Lo que queramos.
No pasa nada: se cumple siempre.
1
j j
j
a x b =
( )
1
j j
j
a x b m
( )
j j
j
a x b M + +
j j
j
a x b m
+ +
j j j j
j j
a x b c x d
IF THEN
j j j j
j j
c x d a x b
IF THEN
j j
j
a x b
Equivale a lo
que queramos
j j j j
j j
a x b c x d
0
j j
j
c x d
( ) ( )
1
j j
j
j j
j
a x b m
c x d k
( ) ( )
1
j j
j
a x b
M
+
+
0 =
0
j j
j
j j
j
a x b
c x d k
No pasa nada: se
cumple siempre.
j j
j
c x d
Equivale a lo
que queramos
0
j j
j
a x b
( ) ( )
1
j j
j
k
c x d
0 =
0
j j
j
j j
j
c x d
a x b M
No pasa nada: se
cumple siempre.