Programación Mixta entera-GAMS PDF

Programacin mixta-entera
Prof. Cesar de Prada

ISA UVA
prada@autom.uva.es
Prof. Cesar de Prada ISA-UVA
Indice
Problemas hbridos
Tipos de problemas mixto-enteros
Algoritmo Branch and Bound
Ejemplos
Software
Problemas hbridos
Muchos problemas de decisin involucran no solo

variables que pueden representarse por valores reales,
sino decisiones de tipo discreto que estn
representadas de forma natural por variables enteras o
binarias.
Otras veces, el planteamiento del problema involucra,
junto a los modelos cuantitativos, reglas o condiciones
lgicas adicionales
Estos problemas de optimizacin hbridos con variables
reales y enteras se denominan de programacin mixta
entera
Si las decisiones son solo de tipo entero el problema se
denomina de programacin entera
Ejemplo: Banda de ladrones

Una banda de ladrones asalta un almacn donde hay N objetos distintos.
Cada objeto j tiene un peso pj y un valor vj. Disponen de una camioneta
que puede transportar como mximo un peso P. Qu objetos deben
seleccionar los ladrones para obtener el mximo beneficio de su accin?
Definiendo una variable binaria yj para indicar si un objeto ha sido o
no seleccionado:
N
max
y
y v
j 1
sujeto a
y
j 1
pj P
0 el objeto j no ha sido seleccionado

yj
1 el objeto j si ha sido seleccionado
Problema ILP
integer linear
programming
Ejemplo: El problema del viajante

Un viajante debe partir de su ciudad y recorrer N ciudades volviendo a
la ciudad de origen sin repetir ninguna. La distancia entre la ciudad i y
la j es cij. Cual es la ruta que debe seguir para recorrer una distancia
mnima?.
Podemos asociar una variable binaria yij a cada
par de ciudades i , j
N
min
y
i 1 j 1
y
i 1
j 1
ij
yij
cij
yij
0 el viajante no va de la ciudad i a la j
yij
1 el viajante va de la ciudad i a la j
yii 0
ij
j 1,..., N
debe llegar una vez y solo una de la ciudad j
ij
1 1,..., N
debe partir una vez y solo una de la ciudad i
Tipos de problemas mixto enteros

c' y
min
y
Ay b
y Z
ILP Integer
Linear
Programming
J (x, y )
min
x, y
h(x, y) 0
g(x, y) 0
x R n , y Z
c' x d' y
min
x, y
MILP Mix-Integer
Ax b
Linear
Programming
Ey e
0 x R n , y Z
MINLP Mix-Integer
Non-Linear
Programming
Pueden re-convertirse
igualdades y
desigualdades usando
variables de holgura, al
igual que problemas min
en max
Mtodos de solucin
La aproximacin de tratar las variables enteras como reales y

luego aproximarlas al entero mas prximo suele dar resultados
errneos, excepto quizs cuando el nmero de valores posibles
de una variable entera es alto. Rara vez con variables binarias
Pueden enumerarse todas las combinaciones de variables
enteras posibles y resolver para cada una el problema,
posiblemente NLP, de variables reales asociado, escogiendo
luego el de mejor J, ya que son un nmero finito. Pero el nmero
de combinaciones crece exponencialmente con el nmero de
variables enteras.
Examen inteligente de alternativas enteras: Branch and Bound
(B&B)
Ajuste de cotas inferior y superior: Outer Approximation (OA),
Generalised Benders decomposition (GBD)
Branch and Bound (B&B)

El mtodo proporciona una bsqueda inteligente del ptimo
combinando la comparacin de distintas alternativas funcin de
las variables enteras, con un procedimiento para eliminar
combinaciones que no pueden conducir al ptimo y para
determinar las condiciones de ptimo basndose en cotas del
mismo.
Est basado en tres ideas principales:
Relajacin, que proporciona cotas del problema
Ramificacin, que examina las distintas alternativas de
variables enteras en un punto dado del rbol de decisin.
Poda, que permite eliminar determinados grupos de
combinaciones de variables enteras simplificando la bsqueda
Relajacin
Una relajacin de un problema MILP o MINLP consiste en
suponer que las variables binarias yj pueden tomar valores
reales en el intervalo 0 yj 1. (De forma similar se trata el
caso de variables enteras) Por tanto en el problema relajado
todas las variables, x e y, son reales y resulta un problema de
tipo LP o NLP.
Dominio del problema original
Dominio del problema relajado
Lgicamente, al ampliar el espacio de bsqueda, la solucin del

problema relajado es una cota inferior (o superior en el caso de
maximizacin) al problema original MILP o MINLP. El clculo de esta
cota es el objetivo que se busca al resolver el problema relajado.
Algoritmo Branch and Bound (B&B)

Ejemplo ILP (Himmelblau)
Max J = 86 y1 + 4 y2 + 40 y3
1
Relajacin
1
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
Sujeto a
774 y1 + 76 y2 + 42 y3 875
67 y1 + 27 y2 + 53 y3 875
y1, y2, y3 0,1
10
El problema relajado es LP y
su resolucin proporciona
una cota superior Jr* de J*:
J* 129.1
y2= 0
2
Ramificacin
LP
y2= 1
A continuacin se examinan
las dos alternativas posibles
para y2, nica variable real de
la solucin relajada

Max J = 86 y1 + 4 y2 + 40 y3
Sujeto a
774 y1 + 76 y2 + 42 y3 875
Nodo
n
LP
67 y1 + 27 y2 + 53 y3 875
y1, y2, y3 0,1
3 Relajacin
LP
Mejor solucin
factible hasta el
momento
(incumbente):
Cota inferior de J*
11
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
4 Poda
y2= 0
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
2
Ramificacin
1
Relajacin
y2= 1
No se puede seguir ramificando en

el nodo 2. El BB termina si la
diferencia de cotas superior e
inferior es menor que una
tolerancia Cota cota
sup
1 cota inf
inf
tol
1
1
Relajacin
B&B
LP
y2= 0
129.1
J*
126.0
12
Candidato
No hay mas
ramificacin
en este
nodo
El valor del
candidato es
una cota
inferior para
todo el
problema
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
Poda
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
2
Ramificacin
3
129.1
J*
-
y2= 1
0 y1 1
y2 = 1
Relajaciones
0 y3 1
y*=(0.978,1, 1)
Jr*=128.11
y1= 0
Ramificacin y1= 1
Si el hueco, o diferencia de cotas

superior e inferior, en el nodo 3 es
superior a la tolerancia, debe
seguirse ramificando. En caso
contrario el BB termina y el
candidato actual es el ptimo.
Cota
superior
en esta
rama:
128.11
J*
126.0
1
1
Relajacin
B&B
LP
y2= 0
129.1
J*
126.0
Candidato
No hay mas
ramificacin
en este
nodo
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
Poda
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
2
Ramificacin
3
y2= 1
0 y1 1
y2 = 1
Relajaciones
0 y3 1
y*=(0.978,1, 1)
Jr*=128.11
y1= 0
Ramificacin y1= 1
Cada solucin factible proporciona

una cota inferior para cualquier rama
13
129.1
J*
-
Pueden usarse los valores de

las cotas para podar ramas
sin calcular sus valores
Cota
superior
en esta
rama:
128.11
J*
126.0
Cada ramificacin
proporciona cotas
superiores menores
en esa rama
1
1
Relajacin
B&B
LP
y2= 0
129.1
J*
126.0
Candidato
14
Nueva
solucin
factible, pero
inferior a la
del candidato
actual por lo
que este no
cambia
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
y2= 1
2
Ramificacin
3
0 y1 1
y2 = 1
Relajaciones
0 y3 1
y*=(0.978,1, 1)
Jr*=128.11
y1= 0
Ramificacin
y1 =0
y2 = 1
0 y3 1
y*=(0,1, 1)
Jr*=44.0
Poda
129.1
J*
-
128.11
J*
126.0
y1= 1
Relajacin
No se puede seguir
ramificando este nodo
1
1
Relajacin
B&B
LP
y2= 0
129.1
J*
126.0
Candidato
15
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
y1 =0
y2 = 1
0 y3 1
y*=(0,1, 1)
Jr*=44.0
Poda
129.1
J*
-
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
y2= 1
2
Ramificacin
3
0 y1 1
y2 = 1
Relajaciones
0 y3 1
y*=(0.978,1, 1)
Jr*=128.11
y1= 0
Ramificacin y1= 1
El valor de J*r es
inferior a la cota
inferior del candidato,
cualquier
ramificacin dara un
valor menor, puede
podarse el nodo
128.11
J*
126.0
y1 = 1
Relajacin
y2 = 1
0 y3 1
y*=(1, 1, 0.595)
Jr*=113.81
Poda
1
1
Relajacin
B&B
LP
y2= 0
129.1
J*
126.0
Candidato
16
0 y1 1
y2 = 0
0 y3 1
y*=(1, 0, 1)
Jr*=126.0
y1 =0
y2 = 1
0 y3 1
y*=(0,1, 1)
Jr*=44.0
Poda
0 y1 1
0 y2 1
0 y3 1
y*=(1, 0.776, 1)
Jr*=129.1
2
Ramificacin
3
y1= 0
129.1
J*
-
y2= 1
0 y1 1
y2 = 1
0 y3 1
y*=(0.978,1, 1)
Jr*=128.11
128.11
J*
126.0
Ramificacin y1= 1
5
y1 = 1
El candidato
y2 = 1
actual, nodo 2, es
0 y3 1
el ptimo al
y*=(1, 1, 0.595)
haberse podado
Jr*=113.81
Poda
ya todas las
ramas
Ejemplo: Fbrica de pinturas

Una fbrica de pinturas tiene tres unidades de produccin de un
cierto tipo de pintura con capacidades que se indican en la tabla
adjunta. Igualmente se muestran en la misma los costos de puesta
en marcha de cada unidad y los costes por Kg de pintura
producido. Si una unidad se pone en funcionamiento, debe
producir en un periodo toda su capacidad
17
Unidad
Costes de
puesta en
marcha
Costes por Kg
de pintura
producida
Capacidad, Kg
2800
1900
2000
1700
1900
2900
Fbricas de pinturas
Las unidades pueden ponerse en marcha al principio de la
maana o al principio de la tarde. Lgicamente, si una unidad se
puso en marcha por la maana y sigue operando por la tarde solo
genera costos de puesta en marcha por la maana. Todas las
unidades se apagan por la noche y las decisiones de puesta en
marcha para el da se toman por la maana cada da de acuerdo a
los pedidos existentes.
Si un determinado da deben servirse 2500 kg de pintura por la
maana y 3500 kg por la tarde, Qu unidades deben ponerse en
funcionamiento y cuando para incurrir en los menores costos
posibles?
18
Cmo varia la solucin si la demanda de la tarde se incrementa

en 100 Kg?
Fbrica de pinturas
Variables:
1
i nmero del proceso (1, 2, 3)

j nmero del periodo de trabajo: 1 maana 2 tarde
yij variable binaria: vale 1 si el proceso i funciona

en el periodo j
ci costes de puesta en marcha de la unidad i
pi costes de produccin de un Kg en el proceso i
wi capacidad de produccin de la unidad i por

periodo
Dj demanda de pintura en el periodo j
19
zi variable binaria auxiliar , vale 1 si yi1 o yi2 es 1
Fbrica de pinturas
3
min ci z i pi wi ( yi1 yi 2 )
y ij , z i
i 1
w y
2
i 1
ij
z i yij
Dj
i 1,2,3
j 1,2
Excel
La variable zi vale 1 si se ha arrancado la unidad i por la

maana o por la tarde
Si por la maana no puede haber mas de

una unidad funcionando simultneamente:
20
j 1,2
y
i 1
i1
Formulacin en GAMS
sets i unidades / u1, u2, u3 /
j periodos / m, t /
parameters costea(i) coste de arrancar una unidad
/ u1=2800, u2=2000, u3=1900 /
costeKg(i) coste por kg por periodo / u1=5 , u2=3, u3=8 /
capacidad(i) capacidad /u1=1900, u2=1700, u3=2900/
demanda(j) demanda por periodo / m= 2500, t = 3500/;
variables
y(i,j) funciona o no la unidad I en el periodo j

z(i)
arranca la unidad i ese dia
coste coste total de la produccion del dia
binary variables y, z;
21
Formulacin en GAMS
equations produccion(j) produccion en cada periodo
restriccion(i,j) limites en z
costetotal calculo del coste;
produccion(j).. sum(i, y(i,j)*capacidad(i)) =g= demanda(j);
restriccion(i,j).. z(i) =g= y(i,j);
costetotal.. coste =e= sum(i,
costea(i)*z(i)+costeKg(i)*capacidad(i)*sum(j,y(i,j)));
model pinturas planificacion de la produccion / all /;

solve pinturas minimizing coste using mip;
display coste.l
22
Mezcla con lotes discretos

Unidad
Capacidad
kg/dia
8000
Kg de materias A
primas
necesarias
10000
Para hacer p1
0.4
0.6
0.16
Para hacer p2
0.3
0.7
0.2
Cada unidad trabaja

con lotes de 2000Kg
Disponibilidad
A
Beneficio
/ Kg
p1
1
p2
23
6000
B
C
Qu cantidad de p1 y
p2 deben producirse
para maximizar el
beneficio?
Mezcla con lotes discretos

Variables:
max 0.16 x1 0.2 x2
x1 cantidad producida por da de p1
0.6 x1 0.3x2 6000
x2 cantidad producida por da de p2
xi 2000 yi
i 1, 2
0 y1 4
0 y2 5
yi
A
p1
1
B
p2
C
24
entera
xi tiene que tomar
valores mltiplos de
2000 Kg, el tamao
del lote
2

max 0.16 x1 0.2 x2
0.6 x1 0.3 x2 6000
xi 2000 yi
i 1, 2
0 y1 4
0 y1 5
yi
1
Relajacin
0 y1 4
0 y2 5
y*=(2.5, 5)
Jr*=2800
entera
y1 2
El problema relajado es LP y
su resolucin proporciona
una cota superior Jr* de J*:
J* 2800
25
2
Ramificacin
LP
y1 3
A continuacin se examinan
las dos alternativas posibles
para y1, nica variable real de
la solucin relajada

max 0.16 x1 0.2 x2
Nodo
n
0.6 x1 0.3 x2 6000

xi 2000 yi
i 1, 2
0 y1 4
0 y1 5
yi
y1 2
entera
3 Relajacin
LP
Mejor solucin
factible hasta el
momento
(incumbente):
Cota inferior de J*
26
LP
0 y1 2
0 y2 5
y*=(2,5)
Jr*=2640
4 Poda
0 y1 4
0 y2 5
y*=(2.5, 5)
Jr*=2800
2
Ramificacin
1
Relajacin
y1 3
No se puede seguir ramificando en

el nodo 2. El BB terminara si la
diferencia de cotas superior e
inferior fuera menor que la
tolerancia
1
1
Relajacin
B&B
LP
y1 2
2800
J*
2640
Candidato
No hay mas
ramificacin
en este
nodo al dar
una
solucin
entera
27
0 y1 2
0 y2 5
y*=(2, 5)
Jr*=2640
2800
J*
-
0 y1 4
0 y2 5
y*=(2.5, 5)
Jr*=2800
2
Ramificacin
3
Relajaciones
Poda
y1 3
3 y1 4
0 y2 5
y*=(3,4)
Jr*=2560
Poda
Tambien da
solucin
entera, pero
es inferior al
nodo 2
Por tanto la solucin es: y*=(2, 5), x*=(4000, 10000)

Y el beneficio ptimo 2640
Variables enteras y binarias

Hay formas sencillas de hacer que una variable z
tome valores enteros entre 0 y n, usando solo
variables binarias, esto es, variables que solo toman
valores 0, 1
z = y1 + 2 y2 + 3 y3 + . + n yn
1 y1 + y2 + y3 + . + yn
y = {0 , 1}
28
Modelado con variables binarias

Seleccionar una alternativa y solo una
N
i 1
y1
y2
Seleccionar no mas de una alternativa

N
i 1
y3
Seleccionar al menos una alternativa

N
i 1
Seleccionar la alternativa j solo si se ha seleccionado la i
29
y j yi 0
Activacin de variables continuas

Para eliminar activar la variable continua x
usando la variable binaria y
q
L
U
variable continua , p.e. flujo

limite inferior
limite superior
Li yi q i Ui yi
si y i 0 0 q i 0 q i 0
si y i 1 L i q i U i
30
Modelado con variables continuas

y 0-1
Activacin y desactivacin de restricciones asociadas a una
corriente o unidad
restricciones h ( x ) 0 g ( x ) 0
var iables de ho lg ura s, v
h( x) s v 0
s v U 1 (1 y )
U , limite amplio
g ( x ) U 2 (1 y ) 0
s 0, v 0
si y 0 h ( x ) y g ( x ) no estan limitadas
si y 1 s 0, v 0, h ( x ) 0, g ( x ) 0
31
Modelado con variables continuas

y 0-1
m corrientes dirigidas al mismo nodo i
m
Uy i 0
qj
j 1
q j 0 j 1,2 , . . . , m
si y 0, q j 0
U lmite superior al flujo total
32
Modelado de expresiones lgicas

P1 P2 P3
y1 y 2 y 3 1
P1 P2 P3
y 1 1, y 2 1 y 3 1
P1 P2
1 y 1 y 2 1 o y 1 y 2 0
P1 si y solo si P2
y1 y 2
uno entre P1 , P2 , P3
y1 y 2 y 3 1
P1 P2 P3
y1 y 3 0 y 2 y 3 0
Usando estas equivalencias, puede convertirse cualquier

expresin lgica a expresiones en y, si la expresin lgica
se escribe en su forma conjuntiva normal
33
Forma normal conjuntiva

Q 1 Q 2 Q n
Donde las Q son expresiones de P escritas como disyunciones

Procedimiento de obtencin:
1 Reemplazar la implicacin por su expresin equivalente
P1 P2 P1 P2
2 Aplicar las leyes de Morgan para desplazar dentro las negaciones

( P1 P2 ) P1 P2
( P1 P2 ) P1 P2
3 Utilizar la propiedad distributiva para dar la forma normal

( P1 P2 ) P3 ( P1 P3 ) ( P2 P3 )
34
Ejemplo (1)
( P1 P2 ) P3 ( P4 P5 )
Paso 1
( P1 P2 ) P3 ( P4 P5 )
Paso 2
(P P ) P (P
1
P5 )
Paso 3
( P P ) ( P P ) P ( P P )
P P P P P P P
1
35
Ejemplo (2)
P P
1
P4 P5 P3 P4 P5
Q1 Q 2
Q 1 P1 P2 P4 P5
Q 2 P3 P4 P5
luego Q 1 Q 2
1 y 1 1 y 2 y 4 y 5 1
1 y 3 y 4 y 5 1
resulta ser
y1 y2 y4 y5 1
( P1 P2 ) P3 ( P4 P5 )
y 3 y 4 y5 0
36
Ejemplo de la produccin de acetona

(Raman y Grossmann, CACHE)
Se necesita producir acetona. La materia prima disponible es el
alcohol etlico (CH3CH2OH) y el metano (CH4). A continuacin se
muestran las posibles reacciones. Suponemos que el catalizador
que se requiere para todas las reacciones y los compuestos
inorgnicos estn disponibles excepto para CrO3 y O3. Determinar
la factibilidad para la produccin de acetona a partir de estos
productos. Si es factible, especificar un camino de reaccin.
NaOC 2 H 5 / C 2 H 5 OH
CH 3CO2 C 2 H 5
CH 3COCH 2 CO2 C 2 H 5
H 3O
CH 3COCH 2 CO2 C 2 H 5 CH 3COCH 3 C 2 H 5OH CO2

Et 2 O
H 2 O / HCl
CH 3CN CH 3 MgI
CH 3C NMgI CH 3
CH 3COCH 3
37

Et 2 O / H 3O
CH 3CHO CH 3 MgI
CH 3CHOHCH 3
/ H 2 SO4
CH 3CHOHCH 3 CrO
3
CH 3COCH 3
3 / H 2 O / H 2 O2
CH 2 C CH 3 2 O
CH 3COCH 3 HCO2 H
CO2 CH 3
Mg / Er2 O
CH 3 I
CH 3 MgI CH
3
CH 3 3 COH
CH 3 3 COH CH 2 C CH 3 2
CH 4 I 2 CH 3 I HI
CH 4 Cl 2 CH 3Cl HCl
3 / Cu
CH 3CH 2 OH O2 Cr
2O
CH 3CHO
H 2O
CH 3Cl NaCN
NaCl CH 3CN
CH 3COOH C 2 H 5OH CH 3CO2 C 2 H 5
38
CH 3CHO O2 CH 3COOH

Formulacin
De todas las reacciones qumicas posibles, se tiene que verificar dnde se
puede sintetizar la acetona a partir de la materia prima y catalizadores dados.
Para llegar a la conclusin final utilizando programacin matemtica, lo
primero que debemos hacer es expresar todas las reacciones en la forma de
lgica proposicional, utilizando los principales operadores:
(OR), (and), (implicacin), y (negacin)
I.
A B
M
39
A B C D
A B C D
se puede expresar como
A M B

II. Expresar estas proposiciones lgicas en su forma conjuntiva
normal, utilizando los pasos sgtes:
1. Eliminar la implicacin
A B esto es equivalente A B
2. Mover la negacin al interior
A B A B
A B A B
Ejemplo
A B C D
A B C D
A B C D
A B C A B D
3. Distribuir el OR sobre el AND de forma recursiva
A B C A C B C
40
( ) clusula

III. Convertir cada clusula por separado en desigualdades lineales. Para
ello, se asigna a cada variable una variable entera (binaria) y. Cada
negacin se sustituye por 1-y, donde y es la variable correspondiente.
A B C A B D
1 y A 1 y B yC 1
1 y A 1 yB yD 1
y A y B yC 1
y A yB yD 1
41

CH 3CHO O2 CH 3COOH
CH 3CHO O2 CH 3COOH
y1 CH 3CHO
CH 3CHO O2 CH 3COOH
y 2 O2
(CH 3CHO O2 ) CH 3COOH

(CH 3CHO CH 3COOH ) (O2 CH 3COOH )
1 y1 y3 1
1 y 2 y3 1
42
y3 CH 3COOH
y1 y3 0
y 2 y3 0

min yu
s.a.
Ay a
yr 0,1 , r 1,..., R
n
yu: variables binarias asignadas a los productos que se desean obtener

Yr : variables binarias asignadas a la materia prima y los catalizadores
disponibles
Si yu =1, significa que el producto se puede sintetizar y que se
dispone de materia prima
43
Ejemplo 1: Planteamiento
(Grossmann)
Representacin de alternativas para producir producto C a partir de los
productos A y B, a travs de los Procesos I, II, III. El producto C puede
ser producido slo a travs del proceso I; los procesos I y III, y los
procesos I y II. Los procesos II y III no pueden realizarse
simultneamente.
B
c
A2
Proceso II
B2
A1
Proceso I
B1
A3
44
Proceso III
B3
Ejemplo 1: Datos
Conversiones:
Proceso I:
Capacidad mxima
C = 0.9B
Proceso II: B = ln(1 + A)

Proceso III: B = 1.2ln(1 + A)
Precios
2 ton/h de C
Proceso II:
5 ton/h de B
Proceso III:
4 ton/h de B
Coste de Inversin
A: 1.800 $/ton
45
Proceso I:
Fijo (103 $/h)
Variable (103 $/ton)
B: 7.000 $/ton
Proceso I:
3.5
C: 13.000 $/ton
Proceso II:
Proceso III:
1.5
1.2
Demanda de C:
1 ton/h mximo
Ejemplo 1: Formulacin
B1
A2
Proceso II
B2 y 2
A1
A3
B1
Proceso III
Proceso I
C y1
B3 y 3
max PR = 13C-1.8A2 - 1.8 A3 -7B1 - 3.5y1 - 2C - 1.0y2 - 1B2 - 1.5y3 - 1.2B3

s .a.
PI: C-0.9(B1+B2+B3) = 0
Balances PII: B2-ln(1+A2) = 0

PIII: B3-1.2ln(1+A3) = 0
B1 = B2 + B3 +Bc
46
B2 5y2
B3 4 y3
c 2 y1
C, A2, A3, B1, B2, B3 >= 0

y1, y2, y3 = 0,1
y2 + y3 1
Lmites
GAMS
Positive Variables
a2 materia prima para el proceso 2
a3 materia prima para el proceso 3
b2 produccion de producto B en el proceso 2
b3 produccion de producto B en el proceso 3
bc cantidad de producto B que se puede adquirir en el mercado
b1 cantidad de producto B que se consume en el proceso 1
c1 capacidad de produccion del producto c en el proceso 1 ;
Binary Variables
y1 existencia del proceso 1
y2 existencia del proceso 2
y3 existencia del proceso 3 ;
Variable
pr beneficio total en millones de $ por ano ;
47
GAMS
las restricciones inout2 e inout3 se han convexificado
inout1.. c1 =e= 0.9*b1 ;
inout2.. exp(b2) - 1 =e= a2 ;
inout3.. exp(b3/1.2) - 1 =e= a3 ;
mbalb.. b1 =e= b2 + b3 + bp ;
log1.. c1 =l= 2*y1 ;
log2.. b2 =l= 4*y2 ;
log3.. b3 =l= 5*y3 ;
48
GAMS
y1.L = 1.000 existencia del proceso 1
c1.L = 1.000 capacidad de produccion del producto c en
el proceso 1
b1.L = 1.111 cantidad de producto B que se consume en el
proceso 1
b2.L = 0.000 produccion de producto B en el proceso 2
b3.L = 1.111 produccion de producto B en el proceso 3
bc.L = 0.000 cantidad de producto B que se puede adquirir en el
mercado
a2.L = 0.000 materia prima para el proceso 2
a3.L = 1.524 materia prima para el proceso 3
Proceso I
A3
49
Proceso III
B3 y 3
C
y1
Representacin de Alternativas:
Superestructuras, Floudas 1995
En una superestructura, se engloban todas las posibles
estructuras alternativas, que adems, son candidatas a la
solucin factible u ptima del proceso
Unidad
2
Entrada
1
Unidad
1
Unidad
3
50
Salida
1
Salida
2
Ejemplo de produccin de
amonaco, Biegler et all, 1997.
Recuperacin de
Hidrgeno
N2
H2
51
Compresor
Reactor
Separacin
Purga
NH 3
amonaco (rbol de alternativas)
reactor
tubular
condensacin
por flash
separacin por
membrana
no se recupera H2
destilacin
absorcin
separacin por
membrana
no se recupera H2
condensacin
por flash
reactor
multilecho
52
destilacin
absorcin
no se recupera H2
separacin por
membrana
no se recupera H2
separacin por
membrana
amonaco (superestructura)
purga
agua
absorbedor
NH3
reactor
tubular
N2
flash
H2
reactor
multilecho
53
agua
condensacin
por flash
NH
3
Alternativa del reactor multilecho

Alternativa 1: reactor multilecho / condensacin
por flash / separacin por membrana
purga
flash
N2
H2
reactor
multilecho
condensacin
por flash
NH3
54
Alternativa para el reactor tubular

purga
agua
absorbedor
NH3
flash
N2
agua
H2
reactor
tubular
condensacin
por flash
NH3
Alternativa 2: reactor tubular / condensacin por flash y
destilacin por absorcin / separacin por membrana Prof. Cesar de Prada ISA-UVA
55
Superestructuras
L5
L9
L6
L1
Representacin de todas
las alternativas posibles.
Cul es la mejor?
U-2
L2
B (98% C1)
L3
L10
(C1, C2, C3)
L4
L7
Variables 0-1 indican si

una corriente o una
unidad existen o no
U-3
U-1
C (97% C2)
L11
L8
56
D (99% C3)
Asignacin de tareas
En un taller trabajan n personas capaces de realizar diversas tareas.
Debido a sus diferentes habilidades y experiencia cada una tarda un
tiempo diferente en hacer cada una de las tareas, el cual es
conocido. Se deben realizar n de esas tareas para completar un
determinado trabajo. Cmo debe asignarse el personal para realizar
el tiempo total empleado?
Variables
i personas
j tareas
tij tiempo que la persona i tarda en hacer la tarea j
57
yij variable binaria, vale 1 si a la persona i se le asigna la

tarea j
Asignacin de tareas
n
min t ij y ij
x
i 1 j1
Tiempo total empleado
sujeto a
n
y
i 1
ij
y
j1
ij
1
1
j 1,..., n
Cada persona tiene que tener

asignada una tarea y una sola
i 1,..., n
Cada tarea debe haber sido

asignada a una persona y a una
sola
yij binaria
58
Oleoducto
P1
P1
P2
P2
Centro C1
P1
P3
P3
Centro C2
En que orden debo enviar los productos para minimizar costos,

satisfacer restricciones (dos tipos determinados de productos no deben
ir juntos) y satisfacer las demandas en tiempo?
59
Reactor batch
A
Un reactor opera en forma batch en

periodos de trabajo de una hora. Se
alimenta de un producto A que da lugar a
dos reacciones paralelas A B y A C
pero solo el producto B tiene valor
comercial. Las velocidades de reaccin
son:
k B 10 6 exp(10000 / RT )
k C 5 *1011 exp(20000 / RT )
Encontrar el perfil de temperatura que maximiza la
produccin final de B, sabiendo que esta debe ser inferior
en todo momento a 139 C
60
Optimizacin dinmica
A
xB
tiempo
B
T
max
T (t )
61
x B (1)
dx A
(k B k C ) x A x A (0) A0
dt
dx B
1h
6
x B ( 0) 0
kB xA
k B 10 exp(10000 / RT )
dt
11
k
5
*
10
exp(20000 / RT )
T (t ) 139
C
tiempo
Parametrizacin de las variables

de decisin
A
xB
tiempo
B
T
max
Ti
62
x B (1)
T1, T2, T3,.TN
dx A
(k B k C ) x A x A (0) A0
dt
dx B
1h
6
kB xA
x B ( 0) 0
k B 10 exp(10000 / RT )
dt
11
k
5
*
10
exp(20000 / RT )
Ti 139
C
tiempo
Resolucin con simulacin

max
Ti
x B (1)
dx A
(k B k C ) x A x A (0) A0
dt
dx B
kB xA
x B ( 0) 0
dt
Ti 139
u(t)
Optimizador
Ti
y(t)
Proceso
xB(1), Ti -139
Simulacin desde 0 a 1
para calcular J(u,x(t))
63
Optimizacin dinmica secuencial

minJ( x, u)
u
x(t ) f ( x(t ), u(t ))
y(t) g(x(t),u(t)
y y(t ) y
u u(t ) u
u(t)
Optimizador
u
64
y(t)
Proceso
Simulacin desde 0 a 1
para calcular J(u,x(t))

Programación Mixta entera-GAMS PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programación Mixta entera-GAMS PDF

Cargado por

Copyright:

Formatos disponibles

Programacin mixta-entera

Prof. Cesar de Prada

Prof. Cesar de Prada ISA-UVA

Prof. Cesar de Prada ISA-UVA

Muchos problemas de decisin involucran no solo

Ejemplo: Banda de ladrones

0 el objeto j no ha sido seleccionado

Prof. Cesar de Prada ISA-UVA

Ejemplo: El problema del viajante

debe llegar una vez y solo una de la ciudad j

debe partir una vez y solo una de la ciudad i

Prof. Cesar de Prada ISA-UVA

Tipos de problemas mixto enteros

La aproximacin de tratar las variables enteras como reales y

Branch and Bound (B&B)

Prof. Cesar de Prada ISA-UVA

Lgicamente, al ampliar el espacio de bsqueda, la solucin del

Algoritmo Branch and Bound (B&B)

Algoritmo Branch and Bound (B&B)

No se puede seguir ramificando en

Prof. Cesar de Prada ISA-UVA

Si el hueco, o diferencia de cotas

Prof. Cesar de Prada ISA-UVA

Cada solucin factible proporciona

Pueden usarse los valores de

Ejemplo: Fbrica de pinturas

Cmo varia la solucin si la demanda de la tarde se incrementa

i nmero del proceso (1, 2, 3)

yij variable binaria: vale 1 si el proceso i funciona

wi capacidad de produccin de la unidad i por

zi variable binaria auxiliar , vale 1 si yi1 o yi2 es 1

Prof. Cesar de Prada ISA-UVA

La variable zi vale 1 si se ha arrancado la unidad i por la

Si por la maana no puede haber mas de

Prof. Cesar de Prada ISA-UVA

y(i,j) funciona o no la unidad I en el periodo j

Prof. Cesar de Prada ISA-UVA

model pinturas planificacion de la produccion / all /;

Prof. Cesar de Prada ISA-UVA

Mezcla con lotes discretos

Cada unidad trabaja

Mezcla con lotes discretos

max 0.16 x1 0.2 x2

x1 cantidad producida por da de p1

0.6 x1 0.3x2 6000

x2 cantidad producida por da de p2

Algoritmo Branch and Bound (B&B)

Algoritmo Branch and Bound (B&B)

0.6 x1 0.3 x2 6000

No se puede seguir ramificando en

Por tanto la solucin es: y*=(2, 5), x*=(4000, 10000)

Prof. Cesar de Prada ISA-UVA

Variables enteras y binarias

Prof. Cesar de Prada ISA-UVA

Modelado con variables binarias

Seleccionar no mas de una alternativa

Seleccionar al menos una alternativa

Seleccionar la alternativa j solo si se ha seleccionado la i

Prof. Cesar de Prada ISA-UVA

Activacin de variables continuas

variable continua , p.e. flujo

Prof. Cesar de Prada ISA-UVA

Modelado con variables continuas

Por tanto la solucin es: y=(2, 5), x=(4000, 10000)