Programaci

on Lineal Entera
Los modelos de programaci
on entera son una extensi
on de los modelos
lineales en los que algunas variables toman valores enteros.
Con frecuencia las variables enteras s
olo toman valores en 0-1, ya que
este tipo de variables permiten representar condiciones l
ogicas.
Este tipo de modelos permite representar sistemas mucho m
as complejos.
on de los mismos se complica excesivamente. No se
A cambio, la resoluci
puede utilizar la suavidad de las funciones para inferir el comportamiento
de las mismas cerca del
optimo.
Problemas con unas solas decenas de variables pueden ser casi imposibles
de resolver.

Programaci
on Entera: contenidos

1. Introducci
on
2. Algunos modelos b
asicos y Modelizaci
on con variables binarias
a) El problema del transporte
b) Problema de la mochila
c) Problema del viajante (opt. combinatoria)
d) Problema de asignaci
on, asignaci
on generalizada
y asignaci
on cuadr
atica
e) Problema del cubrimiento, empaquetado y partici
on
f ) Problema del emparejamiento (opt. combinatoria)
g) Otros problemas
3. Resoluci
on del problema.
a) Planos de corte
b) Ramificaci
on y acotaci
on (Branch and Bound).

Programaci
on Entera: ejemplos
mn ctx
Ax b
x0
xi entera para i I {1, . . . , n}

X Si I = {1, . . . , n} Programaci
on Lineal Entera Pura.
X Si I 6= {1, . . . , n} Programaci
on Lineal Entera Mixta.
X Si xi {0, 1}, i I Programaci
on Binaria o 01.

Programaci
on Entera: ejemplos
En general, un problema de Programaci
on Lineal Entera puede surgir por
varios motivos:

Directos: las variables que se utilizan son cuantitativas y enteras.

Codificados: Se utilizan variables enteras para representar el
cumplimiento o no de ciertas condiciones (normalmente son variables
0 1).
Transformados: Las variables enteras aparecen para facilitar la
modelizaci
on de algunas condiciones (implicaciones, disyunciones, etc.)

Problemas directos: ejemplo

Una empresa de autom
oviles dispone de tres factoras, A, B y C y de dos
centros de distribuci
on, D1 y D2.
Las capacidades de producci
on de las 3 factoras durante un a
no son
1000, 1500 y 1200 vehculos, respectivamente.
Las demandas en los centros de producci
on son de 2300 y 1400 vehculos
respectivamente.
El coste de transporte en tren es de 10 pesetas por kil
ometro y vehculo.
Si la matriz de distancias entre las factoras y los centros de distribuci
on
vienen dada por la siguiente tabla, cu
antos vehculos deben fabricarse
en cada factora para que el transporte desde cada una de las factoras a
cada uno de los centros de distribuci
on sea mnimo?

A
B
C

D1
1000
1250
1275

D2
2690
1350
850
5

Problemas directos: ejemplo

Modelo: problema del transporte en el que la mercanca que debe ser
transportada es un bien indivisible

minimizar

3 X
2
X

(10dij )xij

i=1 j=1

sujeto a x11 + x12 1000

x21 + x22 1500
x31 + x32 1200
x11 + x21 + x31 2300
x12 + x22 + x32 1400
xij Z+, i = 1, 2, j = 1, 2, 3
donde
xij =

cantidad de vehculos a transportar de la factora i, i = 1, 2

hasta el centro de distribuci
on j, j = 1, 2, 3
6

Problemas codificados: ejemplo

Un ingeniero inform
atico aut
onomo quiere optar a realizar un proyecto
inform
atico de entre 5 que salen a concurso.
S
olo tiene presupuesto para pagar las tasas de solicitud en 3 proyectos.
A qu
e 3 proyectos optar?
Beneficio esperado (en miles de euros) que puede obtener a los 3 a
nos
con cada uno de los proyectos.
Estimaci
on de la probabilidad de que no le concedan cada uno de los
proyectos
Proyecto
Beneficio (miles euros)
Probabilidad de rechazo

1
90
0.4

2
150
0.7

3
80
0.4

4
100
0.5

5
120
0.6

Problema: qu
e proyectos debera solicitar para obtener un beneficio mayor
y asegurarse de que la suma de las probabilidades de rechazo no sea
superior a 1.5
7

Problemas codificados: ejemplo (cont.)

Variables de decisi
on:
xi =

1,
0,

si se solicita el proyecto i,
si no se soliciota el proyecto i.

i = 1, 2, 3, 4, 5

Restricciones:

Lmite presupuestario:
x1 + x2 + x3 + x4 + x5 3

Suma de las probabilidades de rechazo no exceda 1.5

0,4x1 + 0,7x2 + 0,4x3 + 0,5x4 + 0,6x5 1,5

Condici
on de variables binarias:
xi {0, 1}, i = 1, 2, 3, 4, 5

Problemas codificados: ejemplo (cont.)

Objetivo: maximizar el beneficio esperado

90x1 + 150x2 + 80x3 + 100x4 + 120x5
C
omo cambiaras el modelo anterior si se hubiera pedido que la
probabilidad de no obtener ning
un proyecto fuese, a lo sumo, del 10 %?
Si seleccionamos, por ejemplo, los proyectos 1, 2 y 3:
P {no obtener ning
un proyecto} = P {rechazan P1 y P2 y P3 } = (0,4)(0,7)(0,4) =
P {no obtener ning
un proyecto} 0,1 (0,4)(0,7)(0,4) 0,1
log((0,4)(0,7)(0,4)) log(0,1) log(0,4) + log(0,7) + log(0,4) log(0,1)

log(0,4)x1 log(0,7)x2 log(0,4)x3 log(0,5)x4 log(0,6)x5 1

Problema de la Mochila
Se dispone de n objetos para llenar una mochila.
El objeto j tiene un peso pj y tiene una utilidad (valor) cj .
La mochila admite un peso m
aximo de b.
El problema consiste en decidir qu
e objetos se introducen en la mochila
de forma que se maximice la utilidad de los objetos seleccionados.

Variables:
xj =

si el objeto j es seleccionado,
en otro caso.

j = 1, . . . , n

10

Problema de la Mochila

Restricciones:

Lmite de peso de la mochila:

n
X

pj xj b

j=1

Condici
on de variables binarias: xj {0, 1}
Funci
on objetivo: m
ax

n
X

j = 1, . . . , n

cj xj

j=1

Se pueden considerar variantes en las que se incluya tambi

en el volumen,
etc.
O la posibilidad de que haya m
as de una unidad de cada objeto. Entonces, las variables seran xj igual al n
umero de unidades del objeto j
seleccionadas.

11

Problema de asignaci
on
El modelo de asignaci
on permite asignar eficientemente un conjunto de
personas a un conjunto de trabajos, m
aquinas a tareas, coches de polica
a sectores de una ciudad, vendedores a zonas, etc.
El objetivo es minimizar los costes, tiempos de desplazamiento, o maximizar la efectividad.
Es un modelo muy frecuente como submodelo en otros m
as complejos.

12

Problema de asignaci
on. Ejemplo
Juan es el jefe de un bufete de j
ovenes abogados y est
a interesado en la
utilizaci
on m
as efectiva de sus recursos de personal buscando la forma de
hacer las mejores asignaciones de abogado-cliente.
El 1 de Marzo le llegan 4 nuevos clientes.
Revisando a su personal encuentra que 4 abogados: Ana, Bruno, Carmen
y Domingo.
Todos pueden ser asignados a los casos.
Cada uno de ellos s
olo se puede hacer cargo de un caso.

13

Problema de asignaci
on. Ejemplo (cont.)
Para decidir la mejor asignaci
on Juan tiene en cuenta una tasa de efectividad (de 1 a 9) construida sobre actuaciones anteriores de dichos abogados, ya que no todos son igual de buenos (especialistas) en todo tipo
de procesos:

Abogado
ana (1)
bruno (2)
carmen (3)
domingo (4)

tasa de efectividad seg

un caso de cliente
divorcio (1)
fusi
on
desfalco (3) herencias (4)
empresarial (2)
6
2
8
5
9
3
5
8
4
8
3
4
6
7
6
4

14

Problema de asignaci
on. Ejemplo (cont.)
Para determinar la asignaci
on m
as efectiva Juan debe resolver el siguiente
problema de asignaci
on
m
ax 6x11 + 2x12 + 8x13 + 5x14 + 9x21 + 3x22 + 5x33 + 8x44+
4x31 + 8x32 + 3x33 + 4x34 + 6x41 + 7x42 + 6x43 + 4x44
s.a.
4
X

i=1
4
X

xij = 1,

j = 1, . . . , 4,

xij = 1,

i = 1, . . . , 4,

j=1

xij {0, 1},

i = 1, . . . , 4, j = 1, . . . , 4.

donde las variables xij , i = 1, . . . , 4, j = 1, . . . , 4, se definen como

xij =

1,
0,

si el abogado i lleva el caso del cliente j,

en otro caso.
15

Problema de Asignaci
on Generalizada. Ejemplo
Es una generalizaci
on del modelo anterior. Cada abogado puede hacerse
cargo de m
as de un cliente simult
aneamente, siempre y cuando no supere
su capacidad
Un sistema de procesamiento compartido tiene 3 ordenadores diferentes
(Oj , j = 1, 2, 3) y tiene que procesar 6 tareas (Ti i = 1, . . . , 6)
Todas las tareas se pueden realizar en cualquier ordenador, pero no pueden
fraccionarse (se deben completar en el ordenador en que se inician)
Los tiempos de procesamiento de cada tarea i en cada ordenador j, tij ,
vara seg
un el ordenador
El tiempo disponible de cada ordenador para ejecutar las tareas est
a limitado

16

Problema de Asignaci
on Generalizada. Ejemplo (cont.)

Tarea
T1
T2
T3
T4
T5
T6
T. disp. (Cj )

Ordenador
O1 O2 O3
18 16 12
14 21 19
23 27 33
16 24 23
17 24 24
25 28 30
47 41 46

A qu
e ordenador debemos mandar cada tarea si queremos minimizar el
tiempo total de procesamiento?
Variables
xij =

1,
0,

si la tarea i se asigna al ordenador j,

,
en otro caso.

i = 1, . . . , 6, j = 1, 2, 3.
17

Problema de Asignaci
on Generalizada. Ejemplo (cont.)
Funci
on objetivo
T = 18x11 + 16x12 + 12x13 + 14x21 + 21x22 + 19x23+
+ 23x31 + 27x32 + 33x33 + 16x41 + 24x42 + 23x43+
+ 17x51 + 24x52 + 24x53 + 25x61 + 28x62 + 30x63
Restricciones
olo ordenador:
X Cada tarea se procesa en un s
3
X

xij = 1,

i = 1, . . . , 6.

j=1

X Limitaci
on de tiempo disponible en cada ordenador:
18x11 + 14x21 + 23x31 + 16x41 + 17x51 + 25x61 47
16x12 + 21x22 + 27x32 + 24x42 + 24x52 + 28x62 41
12x13 + 19x23 + 33x33 + 23x43 + 24x53 + 30x63 46
18

Problema de Asignaci
on Generalizada. Ejemplo (cont.)

T = mn

6 X
3
X

tij xij

i=1 j=1
3
X

xij = 1,

6
X

tij xij Cj ,

i = 1, . . . , 6

j=1

j = 1, 2, 3

i=1

xij {0, 1}
C
omo cambiaras el modelo para que el tiempo de procesamiento total
fuese el tiempo que tardan en completarse todas las tareas que se procesan
en paralelo en los 3 ordenadores?

19

Problema de Asignaci
on Generalizada. Ejemplo (cont.)
Funci
on objetivo
n

T = m
ax 18x11 + 14x21 + 23x31 + 16x41 + 17x51 + 25x61,
16x12 + 21x22 + 27x32 + 24x42 + 24x52 + 28x62,
12x13 + 19x23 + 33x33 + 23x43 + 24x53 + 30x63

T = mn m
ax

6
X

6
X

6
X

ti1xi1,
ti2xi2,
ti3xi3 ,

i=1
i=1
i=1

3
X

xij = 1,

6
X

tij xij Cj ,

i = 1, . . . , 6

j=1

j = 1, 2, 3

i=1

xij {0, 1}
20

Problema de Asignaci
on Generalizada. Ejemplo (cont.)

T = mn z
6
X

ti1xi1 z

6
X

ti2xi2 z

6
X

ti3xi3 z

3
X

xij = 1,

6
X

tij xij Cj ,

i=1

i=1

i=1

i = 1, . . . , 6

j=1

j = 1, 2, 3

i=1

xij {0, 1}
21

Problema de Cubrimiento. Ejemplo

Un t
ecnico de sistemas del laboratorio de c
alculo de la Escuela Polit
ecnica
Superior quiere acceder a cinco archivos distintos. Hay copia de estos
archivos en distintas cintas de backup:

f1
f2
f3
f4
f5

C1,
C1,
C2,
C3,
C1,

CINTAS
C2, C5, C6, C8, C9, C10
C3
C5, C7, C10
C6, C8
C2, C4, C6, C7, C9, C10

Los tama
nos de las cintas de backup C1, . . . ,C10 son:
(30, 50, 10, 20, 10, 40, 30, 10, 20, 20)
Para poder recuperar los archivos, primero hay que hacer un volcado de
ste tiene que ser de la cinta completa, no puede
las cintas al disco duro. E
copiarse s
olo una parte.
C
omo determinar el conjunto de cintas a volcar de forma que se ocupe el
menor espacio de disco posible y se puedan recuperar todos los archivos?
26

Problema de Cubrimiento. Ejemplo (cont.)

Variables
xi =

1
0

si volcamos la cinta i al disco duro,

si no la volcamos.

i = 1, . . . , 10.

Restricciones
El archivo 1 tiene que ser accesible al menos 1 de las cintas de
backup que tiene copia del archivo 1 se debe volcar:
x1 + x2 + x5 + x6 + x8 + x9 + x10 1
El resto de archivos debe ser tambi
en accesible:
x1 + x3 > 1
x2 + x5 + x7 + x10 > 1
x3 + x6 + x8 > 1
x1 + x2 + x4 + x6 + x7 + x9 + x10 > 1
Condici
on de variables binarias: xij {0, 1}, i = 1, . . . , n.
27

Implicaciones entre variables binarias

C
omo le a
nadiras al modelo las siguientes condiciones?

X Si se vuelca la cinta 4, debe volcarse la 6:

x4 x6

X Si no se vuelca la cinta 3, debe volcarse la 1:

x3 + x1 1

( 1 x3 x1)

X Si se vuelca la cinta 2, no se puede volcar la cinta 6:

x2 + x6 1

( x6 1 x2)

X No se pueden volcar a la vez las cintas 1, 9 y 10:

x1 + x9 + x10 2

29

Implicaciones entre variables binarias (cont.)

X Si se vuelca la cinta 2 o la 5, no pueden volcarse ni la 6, ni la 9. Existen

varias alternativas:
Si se vuelca la cinta 2, no se puede volcar la cinta 6, y si se vuelca
la cinta 5 tampoco:
x2 + x6 6 1

x5 + x6 6 1

Lo mismo para la cintas 9:

x2 + x9 6 1

x5 + x9 6 1

Otra posibilidad es modelar esta condici

on como:
x6 + x9 6 2 2x2

x6 + x9 6 2 2x5

30

Implicaciones entre variables binarias

En general, cuando un valor concreto de una variable binaria condiciona
el valor que han de tomar otras variables binarias.

X La condici
on (y = 0 x = 0), es equivalente a x y.
Si no se vuelca la cinta y, entonces tampoco se puede volcar la cinta
x.

X La condici
on (y = 0 x = 1), es equivalente a x 1 y.
Si no se vuelca la cinta y, entonces se debe volcar la cinta x.

X La condici
on (y = 1 x = 0), es equivalente a x 1 y.
Si se vuelca la cinta y, entonces no se puede volcar la cinta x.

X La condici
on (y = 1 x = 1), es equivalente a x y.
Si se vuelca la cinta y, entonces tambi
en hay que volcar la cinta x.

31

Coste fijo. Ejemplo

vende ordenadores y debe hacer una planificaci
La empresa PECE
on de
la producci
on durante la pr
oxima semana. La compa
na produce 3 tipos
de ordenadores: de mesa (A), port
atil normal (B) y port
atil de lujo (C)
Todos los ordenadores que se montan en una semana, se venden en esa
semana. El beneficio neto por la venta de uno de estos ordenadores es
350, 470 y 610 euros, respectivamente
Los ordenadores A y B pasan un control de calidad y la empresa dispone
de 120 h. para realizar estos controles. Los ordenadores de tipo C pasan
otro control distinto y la empresa dispone de 48 h. a la semana para
realizarlos. Cada control requiere 1 h.
El resto de operaciones de montaje requieren 10, 15 y 20 h. para los
ordenadores de tipo A, B y C, respectivamente. La empresa dispone de
una capacidad de 2000 horas/semana
Cu
anto debe producir de cada ordenador para maximizar el beneficio?
Ejemplo tomado de Modelling the Supply Chain (Shapiro)
32

Coste fijo. Ejemplo (cont.)

Variables: xA, xB y xC , cantidad a producir de cada tipo de ordenador,
de mesa, port
atil y de lujo.
Modelo
z = m
ax 350xA + 470xB + 610x1
C
s.a.
xA + xB 120 (test 1)
xC 48
(test 2)
10xA + 15xB + 20xC 2000 (montaje)
xA , xB , xC Z+
Soluci
on:
xA = 120,

xB = 0,

xC = 40

Este producci
on requiere de las 120 h. disponibles de test 1 y de las 2000
de montaje, mientras que sobran 8 de las 48 h. disponibles de test 2
Ejemplo tomado de Modelling the Supply Chain (Shapiro)
33

Coste fijo. Ejemplo (cont.)

no considera ninguna
El problema inicial planteado por la empresa PECE
relaci
on entre los costes de producci
on y los beneficios.
Simplemente se trata de una asignaci
on de recursos.
Si quieren tratar estos costes, deben ser incluidos en la funci
on objetivo:
beneficio neto = ingreso por ventas gasto en producci
on
El precio de venta es de 400, 520 y 686 euros para cada tipo de ordenador,
respectivamente.

Ejemplo tomado de Modelling the Supply Chain (Shapiro)

34

Coste fijo. Ejemplo (cont.)

La compa
na ha estimado que pasar los test de tipo 1 y 2, implica:
Un coste fijo de 2016 euros, independientemente del n
umero de ordenadores que lo pasen.

Un coste fijo de 1200 euros, independientemente del n

umero de ordenadores que lo pasen.

Un coste variable, por hora, de 32 euros.

Un coste variable, por hora, de 38.5

euros.

5856
2740

Costes test 1

Costes T2
1200
2016

120

40

C
omo incluir el coste fijo en el modelo? (funci
on de coste con un salto)
Ejemplo tomado de Modelling the Supply Chain (Shapiro)
35

Coste fijo. Ejemplo (cont.)

Para incluir este coste fijo se recurre a variables binarias:
1 =

1
0

si se utiliza el test 1
en otro caso

Hay que garantizar que si no utiliza este test, no se haga uso de ninguna
de las horas disponibles:
xA + xB 1201
Para el test de tipo 2 se define una variable 2 de la misma forma.

Ejemplo tomado de Modelling the Supply Chain (Shapiro)

36

Ejemplo (cont.)
La funci
on objetivo resulta:
m
ax 400xA + 520xB + 686xC 20161 12002 32xA 32xB 38,5xC
Modelo
z = m
ax 400xA + 520xB + 686xC 20161 12002 32xA 32xB 38,5xC
s.a.
xA + xB
xC
10xA + 15xB + 20xC
xA , xB , xC

1201
482
2000

(test 1)
(test 2)
(montaje)

Z+, 1, 1 {0, 1}

La soluci
on
optima es xA = 120, xB = 0 y xC = 40.
En este caso, el plan de producci
on
optimo no ha cambiado. S
olo cambia
el beneficio, que es de 66844 euros, en lugar de los 66400 euros del
modelo original. Se ha mejorado la estimaci
on de costes.
Ejemplo tomado de Modelling the Supply Chain (Shapiro)
37

Resoluci
on del problema

38

La resoluci
on se complica: el redondeo
La primera tentaci
on a la hora de abordar la resoluci
on de un problema
de programaci
on entera es redondear la soluci
on obtenida al relajar la
condici
on de integralidad.
Esta no es una buena estrategia ya que:

1. No siempre proporciona la soluci

on
optima.
2. No garantiza la obtenci
on de soluciones factibles.
3. La selecci
on del redondeo adecuado es un problema exponencial.

39

El redondeo: ejemplo
Consideremos el siguiente problema de programaci
on lineal entera
z = mnx1 11x2
x1 + 10x2 40
10x1 + 10x2 205
x1, x2 0 y enteras

Soluci
on
optima sin considerar las condiciones de integralidad:
x1 = 15 y x2 = 5,5

40

El redondeo: ejemplo
La regi
on factible del modelo es:
(15, 11
)
2
(15, 6)
r

r
r

(10, 5)

(15, 5)

Posibles redondeos:
x1 = 15 y x2 = 6: no verifica la primera restricci
on.
x1 = 15 y x2 = 5: es factible y z = 40.
La soluci
on x1 = 10 y x2 = 5 es factible y z = 45
41

Resoluci
on de un problema entero
Idea:
Un problema lineal continuo es muy sencillo de resolver por qu
e no
desarrollar m
etodos de resoluci
on que empleen la programaci
on lineal
continua como una herramienta para resolver el problema entero?
c
omo desarrollar estos m
etodos?

a partir de las propiedades de la soluci

on de un problema continuo y
de las del m
etodo de resoluci
on del mismo,
y a partir de las caractersticas de un problema entero (c
omo se modele
el problema ser
a muy importante)

42

Resoluci
on del problema
Los m
etodos m
as usados parten de la relajaci
on del problema
Idea: sustituir el problema entero original por un problema m
as sencillo,
que pueda ser resuelto m
as f
acilmente y, por tanto, que pueda ser utilizado
para obtener cotas.
La m
as usada es la relajaci
on lineal que consiste en eliminar la condici
on
de que las variables tomen valores enteros. Pero, no es la
unica

43

Resoluci
on del problema
Problema: Los puntos extremos no tienen por qu
e ser enteros
Si fueran enteros no habra problema por qu
e no obtener la envoltura
convexa? demasiado costoso
Hay unas formulaciones mejores que otras: m
as fuertes

44

Resoluci
on del problema
Soluci
on: los m
etodos m
as extendidos son
1. M
etodos de Planos de Corte: se introducen nuevas restricciones al
problema relajado, hasta lograr que la soluci
on
optima del nuevo problema sea entera.
Se eliminan algunas soluciones continuas sin eliminar ninguna soluci
on
entera.
2. M
etodos enumerativos: consisten en enumerar de forma implcita las
soluciones y mediante test o cotas para la funci
on objetivo, descartarlas antes de conocerlas explcitamente.
El m
etodo Branch and Bound (Ramificaci
on y Acotaci
on):
divide en problemas menores: ramificaci
on
y descarta algunos de ellos: acotaci
on
3. M
etodos hbridos: combinan las 2 estrategias anteriores
El m
etodo Branch and Cut (Ramificaci
on y Corte)
45

Resoluci
on: Branch and Bound
M
etodo de enumeraci
on implcita:
divide en problemas menores: ramificaci
on
y descarta algunos de ellos: acotaci
on
A veces puede usarse como heurstico, si no se exploran todos los nodos.
Si se exploran todos s se garantiza el
optimo.

52

Ejemplo 1
m
ax 2x1 + 3x2
5x1 + 7x2 35
4x1 + 9x2 36
x1 , x2 Z+

Optimo
lineal: (63/17, 40/17), z = 14,4707

5x1 + 7x2 = 35

4x1 + 9x2 = 36

Cota: z opt 14,4707

43

Ejemplo 1
(3.7059,2.3529)
z=14.4706

Optimo
lineal: (63/17, 40/17), z = 14,4707

5x1 + 7x2 = 35

4x1 + 9x2 = 36

Cota: z opt 14,4707

44

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43

Nuevo o
ptimo: (4, 2,14), z = 14,43

5x1 + 7x2 = 35

4x1 + 9x2 = 36

Cota: z opt 14,4707

45

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
3 x2 +
no factible

5x1 + 7x2 = 35

4x1 + 9x2 = 36

Cota: z opt 14,4707

46

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

3 x2 +

(4.19,2)
z=14.4

no factible

Nuevo o
ptimo: (4,19, 2), z = 14,40

5x1 + 7x2 = 35

4x1 + 9x2 = 36

Cota: z opt 14,4707

47

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

3 x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29

Cota: z opt 14,4707

Nuevo o
ptimo: (5, 1,43), z = 14,29

s 5x1

+ 7x2 = 35

4x1 + 9x2 = 36

48

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

3 x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29
2 x2 +
no factible

Cota: z opt 14,4707

s 5x1

+ 7x2 = 35

4x1 + 9x2 = 36

49

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29
2 x2 +
no factible

Cota: z opt 14,4707

0 x2 1
(5.59,1)
z=14.2

Nuevo o
ptimo: (5,59, 1), z = 14,2

s 5x1

+ 7x2 = 35

4x1 + 9x2 = 36
50

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29

0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible
6 x1 +
(6,0.71)
z=14.13

Cota: z opt 14,4707

Nuevo o
ptimo: (6, 0,71), z = 14,13

s 5x1

+ 7x2 = 35

4x1 + 9x2 = 36
51

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29

0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible
6 x1 +
(6,0.71)
z=14.13

s 5x1

+ 7x2 = 35

x2 +
no factible

Cota: z opt 14,4707

4x1 + 9x2 = 36
52

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29

0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible
6 x1 +
(6,0.71)
z=14.13

ta: z opt 14,4707

+ 7x2 = 35

0 x2 0

x2 +
no factible

Nuevo o
ptimo: (7, 0), z = 14

s 5x1

(7,0)
z=14

Incumbent: 14 z opt

4x1 + 9x2 = 36
53

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible
5 x1 +
(5,1.43)
z=14.29

0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible

0 x1 5

6 x1 +
(6,0.71)
z=14.13

(5,1)
z=13

ta: z opt 14,4707

+ 7x2 = 35

0 x2 0

x2 +
no factible

Nuevo o
ptimo: (5, 1), z = 13

s 5x1

(7,0)
z=14

Incumbent: 14 z opt

4x1 + 9x2 = 36
54

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +
(4,2.14)
z=14.43
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible

0 x1 4

5 x1 +
(5,1.43)
z=14.29

(4,2)
z=14
0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible

0 x1 5

6 x1 +
(6,0.71)
z=14.13

(5,1)
z=13

ta: z opt 14,4707

+ 7x2 = 35

0 x2 0

x2 +
no factible

Nuevo o
ptimo: (4, 2), z = 14

s 5x1

(7,0)
z=14

Incumbent: 14 z opt

4x1 + 9x2 = 36
55

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +

0 x1 3

(4,2.14)
z=14.43

(3,2.67)
z=14
0 x2 2

x2 +

(4.19,2)
z=14.4

no factible

0 x1 4

5 x1 +
(5,1.43)
z=14.29

(4,2)
z=14
0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible

0 x1 5

6 x1 +
(6,0.71)
z=14.13

(5,1)
z=13

ta: z opt 14,4707

+ 7x2 = 35

0 x2 0

x2 +
no factible

Nuevo o
ptimo: (3, 2, 67), z = 1

s 5x1

(7,0)
z=14

Incumbent: 14 z opt

4x1 + 9x2 = 36
56

Ejemplo 1
(3.7059,2.3529)
z=14.4706
4 x1 +

0 x1 3

(4,2.14)
z=14.43

(3,2.67)
z=14
0 x2 2

3 x2 +

(4.19,2)
z=14.4

no factible

0 x1 4

5 x1 +
(5,1.43)
z=14.29

(4,2)
z=14
0 x2 1

2 x2 +

(5.59,1)
z=14.2

no factible

0 x1 5

6 x1 +
(6,0.71)
z=14.13

(5,1)
z=13
0 x2 0

1 x2 +
no factible

(7,0)
z=14
57

Ramificaci
on y acotaci
on

1. Resolver el problema lineal relajado asociado,

si la soluci
on es entera: soluci
on
optima,
si no es entera, inicializar la cota (best bound), inicializar valor
mejor sol. entera(best integer) e ir al paso 2.
2. Ramificaci
on: Crear dos subproblemas a partir de una variable entera
x que tome un valor fraccional x, a
nadiendo una nueva restricci
on:
Binaria: x = 0 y x = 1.
Entera: x [x] y x [x + 1].
3. Acotaci
on: en cada subproblema, determinar una cota de la funci
on
objetivo.

53

Ramificaci
on y acotaci
on

4. Descarte: Se deja de desarrollar una rama si:

la soluci
on es entera: su valor mejora el valor mejor sol. entera?
actualizar best integer y comparar con la best bound.
la cota de la funci
on objetivo es peor que el valor incumbente,
descartar por acotaci
on.
el problema lineal asociado es infactible.
5. Si se ha obtenido una soluci
on entera cuyo valor alcanza la best bound,
parar, se ha obtenido una soluci
on
optima.
Si se ha llegado al final de todas las ramas, parar y escoger como
optima la soluci

on con mejor funci

on objetivo.

54

Ramificaci
on y acotaci
on. Comentarios

X Obtenci
on de buenas cotas.
Formulaciones m
as fuertes dan lugar a mejores cotas
Ir aprovechando la informaci
on que se va obteniendo al desarrollar
el
arbol para actualizar la best bound
Criterios para obtener cotas: relajaci
on lineal, relajaci
on lagrangiana.

X Criterios de ramificaci
on: por qu
e nodo seguir?
Escoger el
ultimo nodo generado (f
acil reoptimizar).
Escoger el nodo m
as prometedor (mejor cota).

X Criterios de ramificaci
on: por qu
e variable ramificar?
No es una decisi
on trivial.
Depende de la estructura del problema.
55

Ramificaci
on y acotaci
on. Comentarios
Branch and Bound como heurstico
La diferencia entre la mejor cota y el valor de la soluci
on incumbente nos
da una idea de la calidad de la soluci
on incumbente.
C
omo medir la calidad a partir de esa diferencia?

Diferencia absoluta: cu
anto es de grande?
Diferencia relativa:
|incumbente cota|
|cota|

56

Comentarios finales

Si el tama
no del problema es muy grande y la estructura es compleja
de manejar se pueden utilizar procedimientos heursticos. Estos procedimientos devuelven una soluci
on cercana al
optimo en un tiempo
razonable.

Solvers para Programaci

on Entera: CPLEX, LAMPS, OSL, SBB, XA,
XPRESS, et.

M
as informaci
on en:
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html
http://plato.asu.edu/guide.html

57