Entera s2 2003 PDF

Fundamentos de Investigacion de Operaciones
Investigacion de Operaciones 1
Programacion Lineal Entera
11 de septiembre de 2003
1. Introduccion
Un LP donde se requiere que todas las variables sean enteras se denomina un problema de
programacion lineal entera pura. Por ejemplo:
max z = 3x1 + 2x2

s.t. x1 + x2 6 (1.1)
x1 , x2 Z +
Un LP donde solo algunas variables deben ser enteras se denomina problema de programacion
lineal entera mixta. Por ejemplo:
max z = 3x1 + 2x2

s.t. x1 + x2 6
(1.2)
x2 0
x1 Z +
Un LP donde todas la variables deben ser igual a 1 o 0 se denomina problema de programacion
lineal binaria. Por ejemplo:
max z = x1 x2
s.t. x1 + 2x2 2
(1.3)
2x1 x2 1
x1 , x2 = {0, 1}
El concepto de relajacion de un problema de programacion lineal entera (IP) juega un rol funda-
mental en la resolucion de este tipo de problemas.
Definicion 1 El LP obtenido eliminando todas las condiciones de valores enteros o binarios para las
variables se denomina Relajacion del LP.
Por ejemplo, la relajacion de (1.1) quedara:
max z = 3x1 + 2x2

s.t. x1 + x2 6 (1.4)
x1 , x2 0
De la misma forma, la relajacion de (1.3) queda:
1
Segundo Semestre 2003 Programacion Lineal Entera
max z = x1 x2
s.t. x1 + 2x2 2
(1.5)
2x1 x2 1
x1 , x2 0
Cualquier IP puede ser visto como el LP relajado mas algunas restricciones adicionales. Por lo
tanto, el LP relajado es un problema menos restringido, o mas relajado, que el IP. En consecuencia
la region factible para cualquier IP debe estar contenida en la region factible del correspondiente LP
relajado. Luego, si el problema es de maximizacion:
El valor optimo de z del LP relajado El valor optimo de z del IP

Consideremos el siguiente ejemplo:
max z = 21x1 + 11x2

s.t. 7x1 + 4x2 13 (1.6)
x1 , x2 Z +
La region factible del problema relajado se presenta en la figura 1.1. En este caso, la region factible
del IP lo conforma el siguiente conjunto de puntos: S = {(0, 0), (0, 1), (0, 2), (0, 3), (1, 0), (1, 1)}. En
este caso, mediante la evaluacion y comparacion de los valores de z en los seis puntos factibles es
posible determinar el optimo. Luego, la solucion optima de (1.6) es z = 33, x 1 = 0, x2 = 3.
x2
3,0 = punto en la region factible
2,5
7x 1
2,0
+4
x2
1,5
=
13
1,0
0,5
0
0 0,5 1,0 1,5 2,0 2,5 3,0 x1
Figura 1.1: Region Factible del ejemplo 1.6
Si la region factible de la relajacion de un IP puro esta acotada, la region factible del IP consistira en
un numero finito de puntos. En teora, mediante la enumeracion y la evaluacion de z en cada uno de
los puntos es posible encontrar el mejor valor de z. El problema es que si la region factible contiene
miles de puntos factibles, la enumeracion completa no es viable desde un punto de vista computacional.
Una segunda opcion para resolver el IP sera mediante la aproximacion de la solucion obtenida de
la relajacion. Por ejemplo si se resolviera la relajacion de (1.6) se obtendra: x 1 = 13
7 , x2 = 0. Redon-
deando esta solucion se obtendra: x1 = 2, x2 = 0 como posible solucion optima. Sin embargo este
punto esta fuera de la region factible por lo que no puede ser optimo. Otro candidato a optimo se
2
puede obtener redondeando el valor obtenido de la relajacion hacia abajo: x 1 = 1, x2 = 0, valor que
tampoco corresponde al optimo real del problema.
Como se ve en este ejemplo, no existen garantas de que la aproximacion de soluciones del prob-
lema relajado corresponda a la solucion optima real del IP. Por lo tanto, no es un enfoque valido
para resolver el problema. Como se estudio previamente, el algoritmo Simplex resuelve un LP a partir
de una solucion basica factible mejorandola iteracion a iteracion. Luego, en la mayora de los casos,
Simplex examina solo una porcion de todas las soluciones basales factibles antes de llegar al optimo.
En forma analoga, se podra esperar que existan algoritmos capaces de resolver un IP iterando de una
solucion factible entera a otra. Lamentablemente, no existen o no son conocidos tales algoritmos. Por
lo tanto, como se vera en detalle mas adelante, la resolucion de un IP es mucho mas compleja que la
resolucion de su relajacion.
2. Formulacion de IP
Los problema de programacion lineal entera permiten ampliar el espectro de problemas factibles
de plantear como modelos de programacion lineal. A continuacion se veran algunos ejemplos.
2.1. Problema de Asignacion de Capital

Ejemplo 1 Una empresa esta considerando cuatro posibles inversiones. La opcion 1 tiene asociado
un valor actualizado neto (VAN) de U S$16000, la opcion 2 tiene un VAN de U S$22000, la inversion 3
representa un VAN de U S$12000 y la inversion 4 posee un VAN de U S$8000. Cada inversion requiere
un cierto capital inicial: U S$5000, U S$7000, U S$4000 y U S$3000, para las inversiones 1, 2, 3 y 4
respectivamente. Actualmente la empresa dispone $14000 para invertir. Formule un IP que permita
determinar la forma de invertir el dinero de forma de maximizar las utilidades.
Las opciones son invertir o no en cada una de las posibilidades. Por lo tanto, conviene emplear
variables de tipo binaria para indicar si se escoge cada opcion:

1 se invierte en la opcion j
xj = j = 1...4 (2.1)
0 en caso contrario
La funcion objetivo para el problema queda (en miles):
max z = 16x1 + 22x2 + 12x3 + 8x4 (2.2)

En la expresion (2.2) se verifica que si la opcion j se realiza, entonces xj = 1 y se suma el VAN
respectivo al valor de la funcion objetivo. En caso contrario, la variable x j = 0 y no se contabiliza ese
aporte. Se sigue la misma logica para construir las restricciones.
Como existe un capital limitado de U S$14000 para invertir, se debe satisfacer (en miles):
5x1 + 7x2 + 4x3 + 3x4 14 (2.3)

Como no existen otras restricciones, el modelo completo para el problema queda:
max z = 16x1 + 22x2 + 12x3 + 8x4

s.t. 5x1 + 7x2 + 4x3 + 3x4 14 (2.4)
xj = {0, 1} j
Supongamos ahora que se agregan las siguientes restricciones al problema original:
3
1. La empresa puede invertir en a lo mas dos opciones.
2. Si la empresa invierte en la opcion 2, tambien debe invertir en 1.
3. Si la empresa invierte en 1, no puede tomar la opcion 4.
4. Solo se puede invertir en 3 si se escoge 1 o 2.
El planteo original del problema (2.4) se ve modificado de la siguiente forma:
1. En este caso basta con agregar la restriccion:
x1 + x 2 + x 3 + x 4 2
2. Para incorporar esta restriccion, se debe imponer que si x2 = 1 necesariamente x1 = 1. Luego,

se podra emplear:
x2 x1 o x2 x1 0
Si x2 = 1 necesariamente se tendra x1 = 1. Si x2 = 0, x1 podra ser 0 o 1. Como no existen
indicaciones en ese caso, se satisface el requerimiento de la nueva restriccion.
3. Esta restriccion impone la condicion de que las alternativas 1 y 4 sean excluyentes, en otras
palabras:
x1 + x 4 1
Como las variables son binarias, no se permite que ambas puedan ser igual a 1.
4. Aqu, la variable x3 puede valer 1 solo si x1 o x2 es igual a 1. No existen restricciones que digan
que x1 y x2 sean excluyentes, por lo tanto eventualmente se podra escoger ambas. En este caso
se puede agregar:
x3 x 1 + x 2
Luego, basta con tener un 1 a la derecha de la desigualdad para que x 3 pueda tomar valor igual
a 1. Si se exigiera que deben escogerse 1 y 2 para poder seleccionar 3, la restriccion quedara:
2 x 3 x1 + x2
En este caso se requiere tener un 2 a la derecha de la desigualdad para que x 3 pueda ser igual a
uno.
2.2. Problemas de Costo Fijo

Ejemplo 2 Una compana es capaz de producir tres tipos de prendas: poleras, shorts y pantalones.
La fabricacion de cada tipo de prenda requiere de maquinaria especializada. La maquinaria puede ser
arrendada a los siguientes costos: U S$200, U S$150 y U S$100 al mes en el caso de las poleras, shorts
y pantalones respectivamente. La fabricacion de cada prenda requiere las cantidades de tela y mano
de obra indicadas en la Cuadro 2.1. Cada mes se dispone de 150 horas de mano de obra y 160 yd 2
de tela. El costo unitario de produccion y el precio de venta de cada artculo se muestra en el Cuadro
2.2. Formule un IP que permita maximizar el beneficio de la fabrica.
Para plantear el modelo se pueden definir las siguientes variables:
x1 = numero de poleras producidas mensualmente

x2 = numero de shorts producidos mensualmente (2.5)
x3 = numero de pantalones producidos mensualmente
4
Mano de Obra [hrs] Tela [yd2 ]

Poleras 3 4
Shorts 2 3
Pantalones 6 4
Cuadro 2.1: Requerimientos de Fabricacion
Precio de Venta U S$ Costo Variable U S$

Poleras 12 6
Shorts 8 4
Pantalones 15 8
Cuadro 2.2: Requerimientos de Fabricacion
Como el costo de arriendo de la maquinaria solo depende de la prenda producida, sera necesario
emplear variables binarias para cuantificar el hecho de arrendar o no cada maquina:

1 se arrienda maquinaria para fabricar prendas tipo i
yi = j = 1...3 (2.6)
0 en caso contrario
Para que el modelo funcione, se debe garantizar que:
Si xi > 0 yi = 1
(2.7)
Si xi = 0 yi = 0
Para ello, se debe incorporar las restricciones de activacion de las variables binarias:
x 1 M 1 y1
x 2 M 2 y2 (2.8)
x 3 M 3 y3
Los valores Mi son valores escalares lo suficientemente grandes de forma que sean una cota superior
para el valor de xi en el contexto del problema. La restriccion (2.8) activa la variable binaria ya que
si xi > 0, para que la restriccion se pueda satisfacer la variable binaria yi debe ser exactamente igual
a 1. En el caso que xi = 0, la variable binaria yi puede o no valer 1 sin afectar la satisfaccion de la
restriccion, sin embargo, si la variable binaria valiera 1 se estara considerando el costo de arriendo
de una maquinaria que no se esta empleando. Evidentemente, como el problema es de maximizacion
de ganancias, si no es estrictamente necesario cuantificar un costo, el algoritmo de resolucion se en-
cargara de hacer que la variable yi = 0 en el optimo. En otras palabras, si el problema no obliga a
considerar un costo, el algoritmo de resolucion se encargara de no contabilizarlo.
La funcion objetivo correspondera a la diferencia entre los ingresos por venta, menos los costos de
produccion fijos y variables:
z = (12x1 + 8x2 + 15x3 ) (6x1 + 4x2 + 8x3 ) (200y1 + 150y2 + 100y3 ) (2.9)
| {z } | {z } | {z }
Ingresos por venta Costos variables Costos fijos
Por lo tanto, la funcion objetivo a maximizar queda:
z = 6x1 + 4x2 + 7x3 200y1 150y2 100y3 (2.10)
5
A continuacion es preciso construir las restricciones del problema. En este caso existe un disponi-
bilidad maxima de mano de obra y de tela. La restriccion de mano de obra queda:
3x1 + 2x2 + 6x3 150 (2.11)

y la de tela sera:
4x1 + 3x2 + 4x3 160 (2.12)

Las restricciones (2.11) y (2.12) nos permiten estimar el valor de M i . Por ejemplo si solo se produ-
jeran artculos de tipo 1, el valor maximo a producir quedara controlado por: mn{ 150 160
3 , 4 }, es decir,
40. Luego, basta con escoger M1 = 40, pero en general podra ser cualquier valor mayor. En el caso de
x2 controla 1603 y para x3 basta con M3 = 25. En terminos generales los valores de Mi solo deben ser
lo suficientemente grandes para no restringir los valores de xi por lo que se escogera arbitrariamente
M1 = M2 = M3 = 100.
De acuerdo a la seleccion anterior, el modelo final para el problema queda:
max z = 6x1 + 4x2 + 7x3 200y1 150y2 100y3

s.t. 3x1 + 2x2 + 6x3 150
4x1 + 3x2 + 4x3 160
x 1 M 1 y1
(2.13)
x 2 M 2 y2
x 3 M 3 y3
xi Z + i = 1 . . . 3
yi = {0, 1} i = 1 . . . 3
2.3. Problemas de Cubrir Conjuntos

Ejemplo 3 Existen 6 barrios en una ciudad. La Alcalda debe determinar como construir estaciones
de bomberos. La Alcalda desea construir el numero mnimo de estaciones de bomberos de forma de
asegurar que al menos una estacion este a menos de 15 minutos de cada barrio. Los tiempos de viaje
entre cada barrio de la ciudad se muestra en el Cuadro 2.3. Formule el IP que permita determinar
cuantas estaciones deben ser construidas y donde deben estar ubicadas.
Hasta
Desde Barrio 1 Barrio 2 Barrio 3 Barrio 4 Barrio 5 Barrio 6
Barrio 1 - 10 20 30 30 20
Barrio 2 10 - 25 35 20 10
Barrio 3 20 25 - 15 30 20
Barrio 4 30 35 15 - 15 25
Barrio 5 30 20 30 15 - 14
Barrio 6 20 10 20 25 14 0
Cuadro 2.3: Tiempo de viaje entre barrios
Para resolver el problema se debe buscar la asignacion del menor numero de estaciones de bomberos
de forma de cubrir un conjunto de Barrios. Para construir el IP, conviene definir las siguientes
variables:
6

1 se construye una estacion de bomberos en el barrio i
xi = i = 1...6 (2.14)
0 en caso contrario
De acuerdo a las variables definidas, el total de estaciones a construir queda definido por:
6
X
z= xi (2.15)
i=1
Para construir las restricciones, es preciso obtener del Cuadro 2.3 en que lugares es factible cons-
truir la estaciones de bomberos para asegurar que cada barrio quede a menos de 15 minutos de al
menos una de ellas. Por ejemplo, para asegurar que al menos una estacion quede a menos de 15 min-
utos del Barrio 1 se debe construir en el propio Barrio 1 o bien en el Barrio 2. Siguiendo la misma
logica se construye el Cuadro 2.4.
Barrio Barrios factibles de construccion

1 1, 2
2 1, 2, 6
3 3, 4
4 3, 4, 5
5 4, 5, 6
6 2, 5, 6
Cuadro 2.4: Lugares factibles de construccion de estaciones de bomberos
Luego, para asegurar la condicion solicitada para el Barrio 1 se puede agregar:
x1 + x 2 1 (2.16)
Incorporando las restricciones para los otros barrios se completa el IP:
max z = x1 + x2 + x3 + x4 + x5 + x6
s.t. x1 + x2 1 (Barrio 1)
x1 + x 2 + x 6 1 (Barrio 2)
x3 + x 4 1 (Barrio 3)
(2.17)
x3 + x 4 + x 5 1 (Barrio 4)
x4 + x 5 + x 6 1 (Barrio 5)
x2 + x 5 + x 6 1 (Barrio 6)
xi = {0, 1} i = 1 . . . 6
2.4. Problemas con restricciones excluyentes o no excluyentes

En un modelo matematico puede ocurrir frecuentemente que existan dos o mas restricciones que
sean mutuamente excluyentes, por ejemplo sean las restricciones:
f (x1 , x2 , . . . xn ) 0 (2.18)
g(x1 , x2 , . . . xn ) 0 (2.19)
7
Si se desea que solo sea satisfecha una de las restricciones, se puede modificar el planteo de las
restricciones de la siguiente forma:
f (x1 , x2 , . . . xn ) M y (2.20)
g(x1 , x2 , . . . xn ) M (1 y) (2.21)
donde y es una variable binaria y M es una constante lo suficientemente grande para asegurar que las
restricciones:
f (x1 , x2 , . . . xn ) M
g(x1 , x2 , . . . xn ) M
se satisfacen para toda combinacion de valores de x1 , x2 , . . . xn . Por lo tanto, si y = 1 se tiene que

f M y g 0, es decir, solo existe para efectos practicos las restriccion asociada a g. En caso
contrario, si y = 0 se tiene que f 0 y g M , por lo tanto solo existe la restriccion f en terminos
practicos.
Si se deseara que al menos una de las restricciones fuera satisfecha, el planteo quedara:
f (x1 , x2 , . . . xn ) M y1
g(x1 , x2 , . . . xn ) M y2
y1 + y 2 1
donde y1 e y2 son variables binarias independientes. La idea anterior se puede extender a cualquier
numero de restricciones.
Ejemplo 4 Una fabrica de automoviles construye tres tipos de autos: compactos, medianos y grandes.
Los requerimientos de materiales, mano de obra y el beneficio obtenido por cada tipo de auto fabricado
se muestra en el Cuadro 2.5. Actualmente, la fabrica dispone 6000 toneladas de materiales y 60000
horas de mano de obra. Para que la produccion de un tipo de vehculo sea economicamente factible,
se deben producir al menos 1000 unidades de cada tipo que se fabrique. Formule un IP que permita
maximizar el beneficio de la fabrica.
Compacto Mediando Grande

Materiales [T] 1,5 3 5
Mano de obra [hr] 30 25 40
Beneficio [U S$] 2000 3000 4000
Cuadro 2.5: Requerimientos y beneficios por tipo de vehculo.
Como variables de decision conviene emplear:
xi = numero de automoviles de tipo i fabricados (2.22)

La funcion objetivo queda definida por la combinacion lineal de las variables por sus respectivos
beneficios unitarios (en miles):
max z = 2x1 + 3x2 + 4x3 (2.23)
8
A continuacion se debe agregar la restriccion que obligue a que si se produce un determinado tipo
de vehculo, se produzcan como mnimo 1000 unidades, es decir:
xi 0 o xi 1000 i = 1...3 (2.24)
O bien:
xi 0 o 1000 xi 0 i = 1...3 (2.25)
Introduciendo la variable binaria yi , las restricciones quedan:
x i M i yi (2.26)
1000 xi Mi (1 yi ) (2.27)
yi = {0, 1} (2.28)
Un valor posible para Mi se puede obtener a partir de la disponibilidad de materiales y de mano

de obra, por ejemplo para los vehculos compactos sera: M1 = mn{ 6000 60000
1,5 , 30 } = 2000. Siguiendo la
misma logica se puede obtener: M2 = 2000 y M3 = 1200.
Por otro lado, se deben incorporar las restricciones relativas a la disponibilidad de materiales y
mano de obra:
1,5x1 + 3x2 + 5x3 6000 (Materiales)

(2.29)
30x1 + 25x2 + 40x3 60000 (Mano de Obra)
Finalmente, el IP queda:
max z = 2x1 + 3x2 + 4x3

s.t. x1 2000y1
1000 x1 2000(1 y1 )
x2 2000y2
1000 x2 2000(1 y2 )
x3 1200y3 (2.30)
1000 x3 1200(1 y3 )
1,5x1 + 3x2 + 5x3 6000
30x1 + 25x2 + 40x3 60000
xi Z+ i = 1 . . . 3
yi = {0, 1} i = 1 . . . 3
2.5. Problemas con restricciones de tipo si... entonces

En un modelo matematico puede ocurrir que si la restriccion:
f (x1 , x2 , . . . xn ) > 0 (2.31)
se satisface, entonces la restriccion:
g(x1 , x2 , . . . xn ) 0 (2.32)
9
tenga tambien que satisfacerse, mientras que si f 0 la restriccion g 0 pueda o no satisfacerse.

Para garantizar esta condicion se pueden incorporar las siguientes restricciones:
g(x1 , x2 , . . . xn ) M y (2.33)
f (x1 , x2 , . . . xn ) M (1 y) (2.34)
y = {0, 1} (2.35)
El valor de M debe ser escogido de tal forma que si f M y g M se asegure que todos los
valores de x1 , x2 , . . . xn satisfagan las restricciones. Si la variable binaria vale cero, se tiene f M ,
en particular f > 0. Por otro lado, si y = 0 se tiene g 0 o bien g 0. En caso contrario, cuando
y = 1 se tiene f 0, es decir, no se puede cumplir que f > 0. Si y = 1 se tiene g M , es decir, se
cumple si g 0 o si g < 0.
En suma, si se satisface f > 0, la variable binaria debe valer 1 lo que obliga a satisfacer g 0.
A modo de ejemplo, supongamos que en el problema de la fabrica de automoviles si se fabrican

autos compactos no se pueden fabricar vehculos de otro tipo. En otras palabras se tiene:
Si x1 > 0 x 2 = x3 = 0 (2.36)
En forma equivalente se tiene:
Si x1 > 0 x2 + x3 0 o x 2 x3 0 (2.37)
Por lo tanto, basta incorporar:
x2 + x 3 M y (2.38)
x1 M (1 y) (2.39)
y = {0, 1} (2.40)
El valor de M no tiene porque ser unico. En este caso, podemos emplear los valores de M i calculados
previamente:
x2 + x3 (M2 + M3 )y = 3200y (2.41)

x1 M1 (1 y) = 2000(1 y) (2.42)
y = {0, 1} (2.43)
2.6. Problemas con funciones lineales definidas por tramos

Una funcion lineal definida por tramos corresponde a un conjunto de segmentos rectos. Los puntos
donde se producen cambios de pendiente se denominan puntos de quiebre. Sea f (x) una funcion lineal
por tramos con puntos de quiebre b1 , b2 , . . . bn , para cualquier k = 1, 2, . . . n, bk x bk+1 . Entonces,
para algun numero zk (0 zk 1), x puede ser escrito como:
x = zk bk + (1 zk )bk+1 (2.44)
Como f (x) es lineal para bk x bk+1 , se puede escribir:
10
f (x) = zk f (bk ) + (1 zk )f (bk+1 ) (2.45)

La expresion anterior representa una parametrizacion entre los valores extremos de la funcion en
ese intervalo, en terminos del parametro zk 1. La idea geometrica se ilustra en la Figura 2.1.
f (x)
f (b3 )
f (b2 )
b1 b2 b3 x
Figura 2.1: Funcion lineal por tramos
La funcion objetivo puede ser escrita como:
f (x) = z1 f (b1 ) + z2 f (b2 ) + . . . + zn f (bn ) (2.46)

Evidentemente, se debe cumplir que zk+1 + zk = 1 para algun k. Sea yk una variable binaria
auxiliar que indica la presencia de la variable x dentro del intervalo k (k = 1 . . . n 1). Entonces se
puede escribir las siguientes restricciones:
z1 y 1
z2 y 1 + y 2
z3 y 2 + y 3
.. (2.47)
.
zn1 yn2 + yn1
zn yn1
Por lo tanto, si la variable x esta en el intervalo k, se tiene yk = 1 y solo zk y zk+1 pueden ser
distintas de cero. Evidentemente, la variable x solo puede pertenecer a un intervalo:
y1 + y2 + . . . + yn1 = 1 (2.48)
Como zk+1 = 1 zk , se debe agregar la restriccion:
z1 + z 2 + . . . + z n = 1 (2.49)
De acuerdo a la ecuacion (2.44) se tiene:
x = z1 b1 + z2 b2 + . . . + zn bn (2.50)
Para ilustrar la incorporacion de funciones lineales definidas por tramos consideremos el siguiente
ejemplo:
11
Ejemplo 5 Una refinera produce dos tipos de gasolina a partir de dos tipos de petroleos. Cada galon
de gasolina tipo 1 debe contener a lo menos 50 % de petroleo 1 y cada galon de gasolina tipo 2 debe
contener al menos 60 % de petroleo tipo 1. Cada galon de gasolina tipo 1 puede ser vendido a $12 y
cada galon de tipo 2 puede ser vendido a $14. Actualmente se dispone de 500 galones de petroleo tipo
1 y 1000 galones de petroleo de tipo 2. Se puede comprar hasta 1500 galones adicionales de petroleo
tipo 1 al siguiente precio: los primeros 500 galones se deben pagar a $25 el galon; los siguientes 500
galones se deben pagar a $20 el galon; los siguientes 500 galones se compran a $15 el galon. Formule
un IP que permita determinar la forma de maximizar las utilidades.
Para plantear el modelo se pueden definir las siguientes variables:
x = cantidad de petroleo tipo 1 comprado

(2.51)
xij = cantidad de petroleo de tipo i empleado para producir gasolina de tipo j
La funcion objetivo queda:
max z = 12(x11 + x21 ) + 14(x12 + x22 ) c(x) (2.52)

donde:

25x 0 x 500
c(x) = 25x + 2500 500 x 1000 (2.53)

15x + 7500 1000 x 1500
La restriccion relativa a la disponibilidad de petroleo tipo 1 queda:
x11 + x12 x + 500 (2.54)

La restriccion relativa a la disponibilidad de petroleo tipo 2 queda:
x21 + x22 1000 (2.55)

Para obligar que la gasolina tipo 1 tenga al menos un 50 % de petroleo tipo 1 se agrega:
x11
0,5 (2.56)
x11 + x21
Para obligar que la gasolina tipo 2 tenga al menos un 60 % de petroleo tipo 1 se agrega:
x12
0,6 (2.57)
x12 + x22
En la funcion objetivo se reemplaza c(x) por:
c(x) = 0z1 + c(500)z2 + c(1000)z3 + c(1500)z4

(2.58)
c(x) = 12500z2 + 22500z3 + 30000z4
El valor de la variable x se calcula segun:
x = 0z1 + 500z2 + 1000z3 + 1500z4 (2.59)

Las variables continuas zk se relacionan con las binarias yk seun:
z1 y1
z2 y1 + y2
(2.60)
z3 y2 + y3
z4 y3
12
Ademas se tiene que:
z1 + z 2 + z 3 + z 4 = 1
(2.61)
y1 + y 2 + y 3 = 1
Finalmente se agrega la naturaleza de las variables:
zi 0 i = 1...4
yj = {0, 1} j = 1 . . . 3 (2.62)
xkr 0 kr
3. Resolucion de IP - Metodo de Ramificacion y Acotamiento

El metodo de ramificacion y acotamiento consiste en una tecnica de enumeracion eficiente de los
puntos factibles de subproblemas de un cierto problema original. Evidentemente, si se resuelve la
relajacion de un problema de programacion lineal entera pura o mixta y se encuentra que todas las
variables que deben ser enteras o binarias cumplen la condicion de enteridad, el optimo encontrado
sera tambien el optimo del IP original. Por ejemplo si se resuelve la relajacion del siguiente problema:
Ejemplo 6
max z = 3x1 + 2x2
s.t. 2x1 + x2 6 (3.1)
x1 , x2 Z +
se obtiene como solucion: x1 = 0, x2 = 6 y z = 12, que corresponde exactamente a la solucion del IP

original. Tal como se ve en la Figura 3.1, la region factible del IP es un subconjunto de la relajacion,
por lo tanto el optimo del IP no puede ser mejor que el optimo de su relajacion. La generalizacion de
esta idea es el principio basico del metodo de ramificacion y acotamiento.
x2
6
5 = punto en la region factible
4
2x 1
+x
3
2
=6
0
0 1 2 3 x1
Figura 3.1: Region Factible del ejemplo 3.1
Para ilustrar como opera la tecnica, consideremos el siguiente ejemplo:
Ejemplo 7 Una mueblera fabrica mesas y sillas. Una mesa requiere de 1 hora de mano de obra y 9
pies cuadrados de madera, una silla requiere de 1 hora de mano de obra y 5 pies cuadrados de madera.
Actualmente, la mueblera dispone de 6 horas de mano de obra y 45 pies cuadrados de madera. Cada
13
mesa genera una utilidad de U S$8, cada silla representa una utilidad de U S$5. Formule y resuelva un
IP para maximizar el beneficio de la mueblera.
Consideremos:
x1 = numero de mesas fabricadas

(3.2)
x2 = numero de sillas fabricadas
Como x1 y x2 deben ser enteras, el IP que resuelve el problema queda:
max z = 8x1 + 5x2

s.t. x1 + x2 6
(3.3)
9x1 + 5x2 45
x1 , x2 Z +
En primer lugar se resuelve la relajacion del IP, llamaremos a este problema el Subproblema 1:

max z = 8x1 + 5x2

s.t. x1 + x2 6
Subproblema 1: (3.4)

9x1 + 5x2 45

x1 , x2 0
La resolucion grafica del Subproblema 1 se muestra en la Figura 3.2. En este caso, la solucion
optima corresponde al punto x1 = 15 9 165
4 = 3,75 y x2 = 4 = 2,25, con valor de la funcion objetivo z = 4 .
Como se menciono anteriormente, la solucion del IP no puede ser mejor a la del IP relajado, por lo
que z = 165
4 es una Cota Superior para la funcion objetivo.
x2
8
9x 1
7
+5
x2
6
=
45
4 optimo
2
x1
+
x2
1
=
6
0
0 1 2 3 4 5 6 x1
Figura 3.2: Region Factible del Subproblema 1
El proximo paso es seleccionar una particion de la region factible de la relajacion de forma de

intentar obtener la solucion optima del IP. Para ello, arbitrariamente se escoge una variable que no
satisfaga las condiciones del IP, es decir, una variable fraccionaria que debera ser entera, por ejemplo
x1 . Como se busca un valor entero para x1 interesa que x1 3 o bien que x1 4, ya que no puede
haber una solucion factible entera en el intervalo 3 < x1 < 4, en otras palabras se buscan soluciones
14
en los valores enteros mas cercanos al valor fraccionario obtenido. De acuerdo a ello, ramificaremos la
variable x1 definiendo los siguientes subproblemas:
Subproblema 2: Subproblema 1 + restriccion: x1 3

(3.5)
Notese que ambos subproblemas excluyen el valor x1 = 15 4 , es decir, la solucion optima de los
subproblemas no puede ser igual al de la relajacion. Por otro lado, como se esta resolviendo un
problema mas restrictivo que la relajacion original el valor de la funcion objetivo no puede ser mejor.
La ramificacion de las variables se ordena en un arbol de ramificacion como se muestra en la
Figura 3.3. La region factible del subproblema 2 se muestra en la Figura 3.4. Los puntos extremos de
la region factible: D, E, F y G son los candidatos a optimos, evaluando se obtiene: z D = 0, zE = 24,
zF = 39 y zG = 30, por lo que la mejor solucion corresponde al punto F (x1 = 3, x2 = 3), con valor de
la funcion objetivo: z = 39. En este caso, la solucion obtenida satisface las condiciones de enteridad,
por lo que es posible definir como cota superior z = 39.
Subproblema 1
165
z = 4
15
x1 = 4
9
x2 = 4
x1 3 x1 4
Subproblema 2 Subproblema 3
Figura 3.3: Arbol de ramificacion subproblemas 2 y 3
x2
8
9x 1
7
+5
x2
G
x1 = 3
6
=
45
3
F
2
x1
+
x2
1
=
6
D E
0
0 1 2 3 4 5 6 x1
Figura 3.4: Region Factible del subproblema 2
Si bien la solucion obtenida del subproblema 2 satisface todas las condiciones del problema, debe-
mos completar la ramificacion ya que aun hay esperanzas de obtener una solucion menor o igual al valor
15
optimo del subproblema 1, pero mejor a la cota superior actual. La region factible del subproblema 3
se muestra en la figura 3.5. Los puntos extremos de la region factible son: A, B y C, con respectivos
valores de la funcion objetivo: zA = 40, zB = 32 y zC = 41. Por lo tanto el optimo corresponde a:
x1 = 4 y x2 = 95 , valor que no satisface la condicion de enteridad.
x2
9x 1
7
+5
x2
x1 = 4
6
x1
=
+
45
5
x2
=
6
4
2 C
1
B A
0
0 1 2 3 4 5 6 x1
Figura 3.5: Region Factible del subproblema 3
Si bien hasta ahora se dispone de una solucion entera con valor de la funcion objetivo de 39, en
el subproblema 3 se obtuvo como valor optimo: z = 41. Si bien el subproblema 3 no representa una
solucion factible para el IP, al ramificar a partir de este problema se podra esperar un valor de la
funcion objetivo que sea menor o igual a 41 pero que podra ser mejor que 39, por lo que no se puede
dar como finalizada las ramificaciones. De acuerdo a ello, podemos definir dos nuevos subproblemas
a partir el subproblema 3. Como la variable x2 = 59 no es entera, conviene buscar valores con las
siguientes particiones de la region factible: x2 1 y x2 2. En otras palabras, se deben resolver los
siguientes subproblemas:

(3.6)
El arbol de ramificacion con los dos nuevos subproblemas se muestra en la Figura 3.6. La region
factible para los subproblemas 4 y 5 se indican en la Figura 3.7. Para el subproblema 4, los nuevos
candidatos a optimos son los puntos H e I, con valores de la funcion objetivo: z H = 37 y zI = 365 9 =
40,556. Entre los puntos A, B, H e I, el mejor valor se obtiene para el punto I con x 1 = 40 9 y x 2 = 1.
Respecto del subproblema 5 se observa que no existen puntos que satisfagan simultaneamente las
restricciones del subproblema 3 y x2 2, por lo que tiene solucion imposible.
Como la solucion optima del subproblema 4 es superior a la cota, es necesario volver a ramificar
ya que eventualmente se podra encontrar una solucion que sea menor o igual a z = 365 9 , pero mejor
que z = 39. En este caso, la variable no entera es x1 = 40 9 , por lo que conviene definir los siguientes
subproblemas:

(3.7)
16
Subproblema 1
165
z = 4
15
x1 = 4
9
x2 = 4
x1 3 x1 4
z = 39 z = 41
x1 = 3 x1 = 4
9
x2 = 3 x2 = 5
x2 1 x2 2

x2
8
9x 1
7
+5
x2
x1 = 4
6
x1
=
+
45
5
x2
=
6
3
x2 = 2
2
x2 = 1 H I
1
B A
0
0 1 2 3 4 5 6 x1
Figura 3.7: Region Factible del subproblemas 4 y 5
El nuevo arbol de ramificacion se muestra en la Figura 3.8. Se agregan las nuevas restricciones
referentes a x1 y se completa la region factible para los subproblemas 6 y 7 en la Figura 3.9. En este
caso, la region factible para el subproblema 6 se reduce al segmento de lnea entre los puntos B y H,
con valores para la funcion objetivo de: zB = 32 y zH = 37, por lo que el optimo corresponde al punto
H. Como en el punto H los valores de las variables son enteros, se podra pensar que H es un candidato
a optimo. Sin embargo, el valor de la funcion objetivo en H es inferior a la cota definida previamente,
por lo que se descarta. En el subproblema 7, el unico punto que satisface todas las restricciones es el
punto A, con valor de la funcion objetivo z = 40. Como en el subproblema 7 el valor de las variables
es entero (x1 = 5 y x2 = 0) y dado que el valor de la funcion objetivo es mejor que la cota actual,
40 se transforma en la nueva cota. Como el subproblema 6 presenta un valor de la funcion objetivo
17
inferior a la cota, no tiene sentido seguir ramificando pues se ha alcanzado el optimo del IP. El arbol
de ramificacion completo se muestra en la Figura 3.10 donde se identifica la solucion optima.
Subproblema 1
165
z = 4
15
x1 = 4
9
x2 = 4
x1 3 x1 4
z = 39 z = 41
x1 = 3 x1 = 4
9
x2 = 3 x2 = 5
x2 1
x2 2
Subproblema 4
365
z = 9 Subproblema 5
40
x1 = 9 Imposible
x2 = 1
x1 4 x1 5
x2
8
9x 1
7
+5
x2
x1 = 4
6
x1
=
+
45
5
x2
=
x1 = 5
6
2
x2 = 1 H
1
B A
0
0 1 2 3 4 5 6 x1
Figura 3.9: Region Factible del subproblemas 6 y 7
18
Subproblema 1
165
z = 4
15
x1 = 4
9
x2 = 4
x1 3 x1 4
z = 39 z = 41
x1 = 3 x1 = 4
9
x2 = 3 x2 = 5
x2 1
x2 2
Subproblema 4
365
z = 9 Subproblema 5
40
x1 = 9 Imposible
x2 = 1
x1 4 x1 5
z = 37 z = 40
x1 = 4 x1 = 5
x2 = 1 x2 = 0
Figura 3.10: Arbol de ramificacion final
Ejemplo 8 Considere un problema de programacion lineal entera mixta cuyo objetivo es la maxi-
mizacion de una funcion z involucrando las variables binarias x 1 , x2 y x3 y la variable continua
x4 0. El Cuadro 3.1 presenta la solucion optima para todos los problemas relajados posibles de
obtener (un guion en la columna correspondiente a las variables x1 , x2 y x3 significa que la variable
esta libre en el problema relajado).
x1 x2 x3 x z x1 x2 x3 x z x1 x2 x3 x z
- - - (0.2,1,0,0) 82.80 0 - - (0,1,0.67,0) 80.67 1 - - (1,0,0,0) 74.00
- - 0 (0.2,1,0,0) 82.80 0 - 0 (0,1,0,2) 28.00 1 - 0 (1,0,0,0) 74.00
- - 1 (0,0.8,1,0) 79.40 0 - 1 (0,0.8,1,0) 79.40 1 - 1 (1,0,1,0) 63.00
- 0 - (0.7,0,0,0) 81.80 0 0 - Imposible - 1 0 - (1,0,0,0) 74.00
- 0 0 (0.7,0,0,0) 81.80 0 0 0 Imposible - 1 0 0 (1,0,0,0) 74.00
- 0 1 (0.4,0,1,0) 78.60 0 0 1 Imposible - 1 0 1 (1,0,1,0) 63.00
- 1 - (0.2,1,0,0) 82.80 0 1 - (0,1,0.67,0) 80.67 1 1 - (1,1,0,0) 62.00
- 1 0 (0.2,1,0,0) 82.80 0 1 0 (0,1,0,2) 28.00 1 1 0 (1,1,0,0) 62.00
- 1 1 (0,1,1,0.5) 77.00 0 1 1 (0,1,1,0.5) 77.00 1 1 1 (1,1,1,0) 51.00
Cuadro 3.1: Soluciones de todas las relajaciones posibles
Resuelva este problema aplicando la tecnica de ramificacion y acotamiento.
19
En primer lugar se resuelve el problema relajado completo, es decir, se libera el valor de las tres
variables binarias. De acuerdo al Cuadro 3.1, se tiene:

x1 = 0.2

x2 =
1
Subproblema 1 x3 = 0 (3.8)

x = 0
4

z = 82.80
En la solucion del subproblema 1 el valor de la variable x1 no satisface la condicion de binaria, por
lo tanto se ramifica en funcion de los valores que puede tomar:
Subproblema 2: Subproblema 1 + (x1 = 0)

(3.9)
Subproblema 3: Subproblema 1 + (x1 = 1)
De acuerdo al Cuadro 3.1 se tiene:

x1 = 0

x2
= 1
Subproblema 2 x3 = 0.67 (3.10)

x = 0
4

z = 80.67

x1 = 1

x2
= 0

x = 0
4

z = 74.00
Se obtiene entonces un primer candidato a optimo: x1 = 1, x2 = 0, x3 = 0, x4 = 0 y z =74.00. Se
selecciona entonces como cota: z =74.00. El subproblema 2 no representa una solucion factible para
el problema original pero posee un valor de la funcion objetivo superior a la cota, por lo que conviene
ramificar:
Subproblema 4: Subproblema 1 + (x1 = 0) + (x3 = 0)

(3.12)
Subproblema 5: Subproblema 1 + (x1 = 0) + (x3 = 1)
De acuerdo al Cuadro 3.1 se tiene:

x1 = 0

x2
= 1

x = 2
4

z = 28.00

x1 = 0

x2
= 0.8

x = 0
4

z = 79.40
El subproblema 4 presenta una solucion factible, pero muy por debajo de la cota superior por lo que
se puede descartar. El subproblema 5 tiene un asociado un valor optimo de la funcion objetivo superior
20
a la cota pero no cumple todas las condiciones del problema original. Dado los valores obtenidos, se
debe ramificar segun los valores posibles de la variable binaria x2 :
Subproblema 6: Subproblema 1 + (x1 = 0) + (x3 = 1) + (x2 = 0)

(3.15)
Subproblema 7: Subproblema 1 + (x1 = 0) + (x3 = 1) + (x2 = 1)
Los valores optimos para cada subproblema se obtiene del Cuadro 3.1:

x1 = 0

x2 = 0
Subproblema 6 (3.16)

x 3 = 1

z = Imposible

x1 = 0

2 x = 1

x 4 = 0.5

z = 77.00
En este caso, la solucion del subproblema 7 es factible y es mayor que la cota por lo que se
transforma en la nueva cota. Como no existe una rama en la que aparezca una solucion no factible
con valor de la funcion objetivo mejor que la cota actual, la solucion del subproblema 7 es el optimo.
El arbol de ramificacion completo se muestra en la Figura 3.11.
21
Subproblema 1
x1 = 0.2
x2 = 1
x3 = 0
x4 = 0
z = 82.80
x1 = 0 x1 = 1
x1 = 0 x1 = 1
x2 = 1 x2 = 0
x3 = 0.67 x3 = 0
x4 = 0 x4 = 0
z = 80.67 z = 74.00
x3 = 0 x3 = 1
x1 = 0 x1 = 0
x2 = 1 x2 = 0.8
x3 = 0 x3 = 1
x4 = 2 x4 = 0
z = 28 z = 79.4
x2 = 1
x2 = 0
Subproblema 7
x1 = 0
Subproblema 6 x2 = 1
Imposible x3 = 1
x4 = 0.5
z = 77
Figura 3.11: Arbol de ramificacion completo Ejemplo 8
22
4. Ejercicios
Ejercicio 1 Considere el problema de distribucion de artculos desde tres centros productores a dos
centros consumidores. Los artculos pueden ser transportados entre cada centro productor y cada centro
consumidor considerando dos rutas posbiles. La utilizacion de cada ruta tiene asociada un costo fijo
que es independiente de la cantidad de artculos transportados por esa ruta. La siguiente tabla presenta
las capacidades de produccion, las demandas estimadas, el costo fijo por la utilizacion de cada ruta y
el costo de transporte de un artculo desde cada centro productor a cada centro consumidor.
Destino
1 2
Origen Ruta Costo fijo Costo unitario Costo fijo Costo unitario Oferta
1 a 10 3 12 9 200
b 20 2 24 8
2 a 15 5 16 12 400
b 25 4 32 10
3 a 30 7 18 16 600
b 35 6 36 14
Demanda 300 500
Formule un modelo de programacion lineal mixta que permita determinar la cantidad a trans-
portar por cada ruta que minimiza el costo total satisfaciendo todas las demandas. Defina claramente
variables, funcion objetivo y restricciones.
Variables:
xijk : Cantidad transportada entre el origen i y el destino j a traves de la ruta k; i =
1, 2, 3; j = 1, 2; k = a, b.

1 si la ruta k entre el origen i y el destino j es utilizada
yijk = 0 si la ruta k entre el origen i y el destino j no es utilizada

i = 1, 2, 3; j = 1, 2; k = a, b.
Funcion objetivo:
M in z = 3 x11a + 2 x11b + 9 x12a + 8 x12b +

5 x21a + 4 x21b + 12 x22a + 10 x22b +
7 x31a + 6 x31b + 16 x32a + 14 x32b +
10 y11a + 20 y11b + 12 y12a + 24 y12b +
15 y21a + 25 y21b + 16 y22a + 32 y22b +
30 y31a + 35 y31b + 18 y32a + 36 y32b
Restricciones:
Ofertas:
23
x11a + x11b + x12a + x12b 200

x21a + x21b + x22a + x22b 400
x31a + x31b + x32a + x32b 600
Demandas:
x11a + x11b + x21a + x21b + x31a + x31b = 300

x12a + x12b + x22a + x22b + x32a + x32b = 500
Activacion de variables:
xijk M yijk ; i = 1, 2, 3; j = 1, 2; k = a, b
Valores posibles para las variables:
xijk 0; i = 1, 2, 3; j = 1, 2; k = a, b
yijk {0, 1}; i = 1, 2, 3; j = 1, 2; k = a, b
Ejercicio 2 Una fabrica se dedica a la produccion de aceite de cocina a partir de aceites vegetales
y aceites no vegetales. Cada aceite requiere un proceso de refinamiento diferente. La fabrica tiene
capacidad para refinar 210 litros de aceite vegetal y 260 litros de aceite no vegetal. Los aceites refinados
son mezclados pudiendo venderse a $180 el litro del producto final. No existe perdida de aceite en los
procesos de refinamiento y mezcla y el costo de estos procesos puede ser ignorado. Existe una restriccion
tecnica relativa a la calidad del aceite producido: en las unidades en que es medida la calidad, esta debe
estar entre 3, 5 y 6, 2. Se asume que las calidades de los aceites originales se combinan linealmente.
Existen 2 proveedores de aceite, cada uno ofreciendo dos variedades de aceite vegetal y tres variedades
de aceite no vegetal. El Cuadro 4.1 presenta el costo, en pesos, y la calidad de cada aceite ofrecido por
cada proveedor:
Aceites
vegetal 1 vegetal 2 no vegetal 1 no vegetal 2 no vegetal 3
Proveedor 1 Costo 115 128 132 109 114
Calidad 8,8 6,2 1,9 4,3 5,1
Proveedor 2 Costo 110 130 125 108 116
Calidad 8,5 6,4 1,5 4,2 5,2
Cuadro 4.1: Propiedades de los aceites
Existe un costo fijo por ordenar al proveedor 1 de $2,000 y al proveedor 2 de $2,500, independiente
de la variedad y cantidad de aceite ordenado.
Finalmente, las siguientes condiciones se imponen sobre la produccion de aceite:
24
el producto final no puede estar compuesto de mas de tres variedades de los aceites originales,
cualquier aceite, si es usado, debe usarse por lo menos 30 litros, y
si algun aceite vegetal es usado debe usarse algun aceite no vegetal.
Formule un modelo de programacion lineal mixta que permita determinar la cantidad de cada tipo
de aceite que debe comprarse a cada proveedor de manera de maximizar las ganancias satisfaciendo
todas las condiciones del problema. Defina claramente variables, funcion objetivo y restricciones.
Variables:
xij : Cantidad de aceite tipo i comprada al proveedor j; i = 1, . . . , 5, j = 1, 2

1, si se compra aceite tipo i a proveedor j; i = 1, . . . , 5, j = 1, 2
yij =
0, si no

1, si se compra a proveedor j; j = 1, 2
zj =
0, si no

1, si se compra aceite tipo i; i = 1, . . . , 5
wi =
0, si no
Funcion objetivo (10 %):
5 X
X 2
M ax z = 180 xij 2,000 z1 2,500 z2
i=1 j=1
115 x11 128 x21 132 x31 109 x41 114 x51
110 x12 130 x22 125 x32 108 x42 116 x52
Restricciones:
Capacidad de refinamiento:
x11 + x21 + x12 + x22 210

x31 + x41 + x51 + x32 + x42 + x52 260
Calidad:
8, 8x11 + 6, 2x21 + 1, 9x31 + 4, 3x41 + 5, 1x51 + 8, 5x12 + 6, 4x22 + 1, 5x32 + 4, 2x42 + 5, 2x52
P5 P 2 3, 5
i=1 j=1 xij
8, 8x11 + 6, 2x21 + 1, 9x31 + 4, 3x41 + 5, 1x51 + 8, 5x12 + 6, 4x22 + 1, 5x32 + 4, 2x42 + 5, 2x52
P5 P 2 6, 2
i=1 j=1 xij
Activacion de variables:
xij M yij ; i = 1, . . . , 2; j = 1, 2
25
Si se compra a cada proveedor:
5
X
yij 5 zj ; j = 1, 2
i=1
Mnimo a comprar:
xij 30 yij ; i = 1, . . . , 5; j = 1, 2
Utilizacion aceite tipo i:
2
X
yij 2 wi ; i = 1, 5
j=1
Cantidad maxima de aceites originales:
5
X
wi 3
i=1
Usar algun aceite no vegetal si se usa algun aceite vegetal:
w1 w 3 + w 4 + w 5
w2 w 3 + w 4 + w 5
Valores posibles para las variables:
xij 0; i = 1, . . . , 5; j = 1, 2
yij {0, 1}; i = 1, . . . , 5; j = 1, 2
wi {0, 1}; i = 1, . . . , 5
zj {0, 1}; j = 1, 2
Ejercicio 3 Teniendo en cuenta el proximo termino de la guerra, la Organizacion de las Naciones

Unidas, ONU, continua estudiando futuras polticas de integracion para el pueblo de Afganistan. Ex-
iste un presupuesto de un millon de dolares para la construccion de un maximo de tres escuelas que
atenderan jovenes talibanes y de la alianza del norte. Los talibanes se distribuyen en tres comunidades
en tanto que la alianza del norte se distribuye en dos comunidades. El Cuadro 4.2 presenta la dis-
tancia en kilometros que un estudiante de cada comunidad debera recorrer para llegar a cada una de
las escuelas, la poblacion estudiantil de cada comunidad, la capacidad maxima proyectada para cada
escuela y el costo de construir cada escuela.
Por razones de integracion, la ONU desea que los talibanes tengan una participacion de entre un
25 % y un 35 % en cada escuela construida. Se requiere que cada escuela construida tenga un mnimo
de 1,000 estudiantes. Por ultimo, se desea que los talibanes se distribuyan por lo menos en dos escuelas.
Considerando que la ONU desea que todos los estudiantes de una misma comunidad asistan a la
misma escuela, formule un modelo matematico que permita minimizar la distancia total recorrida por
todos los estudiantes afganos. Defina claramente variables, funcion objetivo y restricciones.
26
Comunidad Comunidad de la Capacidad

Escuela taliban alianza del norte maxima Costo
1 2 3 1 2 [personas] [103 U S$]
1 20 km 12 km 10 km 4 km 5 km 1.500 150
2 15 km 18 km 8 km 6 km 9 km 2.000 220
3 25 km 17 km 18 km 7 km 3 km 2.500 350
4 10 km 13 km 9 km 9 km 4 km 1.800 180
5 14 km 28 km 14 km 8 km 7 km 2.800 400
Poblacion 600 550 500 1.200 1.100
estudiantil [personas] [personas] [personas] [personas] [personas]
Cuadro 4.2: Distancias entre comunidades y escuelas.
Ejercicio 4 Considere el siguiente modelo de programacion lineal entera mixta:
M ax z = 60x1 + 80x2 + 70x3 100y1 150y2 100y3

Sujeto a
13x1 + 18x2 + 15x3 800
16x1 + 10x2 + 8x3 600
x1 + x2 + x3 15
x1 10y1 0
x2 10y2 0
x3 10y3 0
x1 , x2 , x3 0
y1 , y 2 , y 3 {0, 1}
El Cuadro 4.3 presenta la solucion optima para todos los problemas relajados posibles de obtener
(un guion en la columna correspondiente a las variables y1 , y2 e y3 significa que la variable esta libre
en el problema relajado).
y1 y2 y3 x z y1 y2 y3 x z y1 y2 y3 x z
0 0 0 (0, 0, 0,0,0,0) 0 1 0 0 (10, 0, 0,1,0,0) 500 - 0 0 (10,0,0,1,0,0) 500
0 0 1 (0, 0,10,0,0,1) 600 1 0 1 ( 5, 0,10,1,0,1) 800 - 0 1 (5,0,10, 12 ,0,1) 850
0 0 - (0, 0,10,0,0,1) 600 1 0 - (10, 0, 5,1,0, 12 ) 800 - 0 - (5,0,10, 12 ,0,1) 850
0 1 0 (0,10, 0,0,1,0) 650 1 1 0 ( 5,10, 0,1,1,0) 850 - 1 0 (5,10,0, 12 ,1,0) 900
0 1 1 (0,10, 5,0,1,1) 900 1 1 1 ( 0,10, 5,1,1,1) 800 - 1 1 (0,10,5,0,1,1) 900
0 1 - (0,10, 5,0, 12 ) 950 1 1 - ( 5,10, 0,1,1,0) 850 - 1 - (0,10,5,0,1, 12 ) 950
0 - 0 (0,10, 0,0,1,0) 650 1 - 0 ( 5,10, 0,1,1,0) 850 - - 0 (5,10,0, 12 ,1,0) 900
0 - 1 (0, 5,10,0, 12 ,1) 925 1 - 1 ( 0, 5,10,1, 12 ,1) 825 - - 1 (0,5,10,0, 12 ,1) 925
0 - - (0,10, 5,0,1, 12 ) 950 1 - - ( 5,10, 0,1,1,0) 850 - - - (0,10,5,0,1, 12 ) 950
Cuadro 4.3: Solucion de todos los problemas relajados posibles
1. Resuelva este problema aplicando la tecnica de ramificacion y acotamiento. Explque y justifique

claramente cada uno de los pasos.
2. Considerando en general la resolucion de problemas de Programacion Lineal Entera, indque si
las siguientes afirmaciones son verdaderas o falsas justificando claramente:
27
a) La solucion optima a un problema de programacion lineal entrega x 1 = 2, 58 y x2 = 1, 32.

Si x1 y x2 estan restringidas a tomar valores enteros, entonces x1 = 3 y x2 = 1 es una
solucion factible pero no necesariamente optima.
b) Si la relajacion de programacion lineal de un problema de programacion lineal entera tiene
solucion posible entonces el problema de programacion lineal entera tiene solucion posible.
c) La solucion entera optima x1 = 3 y x2 = 5 con z = 150 ha sido encontrada para un
problema de programacion lineal entera. Para su relajacion de programcion lineal, el rango
de optimalidad para el coefiente c1 esta entre 15 y 30 con un coeficiente actual de 20. Si
c1 aumenta a 21 en el problema de programacion lineal entera, el nuevo valor optimo de la
funcion objetivo sera de 153.
28

Entera s2 2003 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

Entera s2 2003 PDF

Cargado por

Copyright:

Formatos disponibles

Fundamentos de Investigacion de Operaciones

max z = 3x1 + 2x2

max z = 3x1 + 2x2

Por ejemplo, la relajacion de (1.1) quedara:

max z = 3x1 + 2x2

El valor optimo de z del LP relajado El valor optimo de z del IP

max z = 21x1 + 11x2

3,0 = punto en la region factible

Figura 1.1: Region Factible del ejemplo 1.6

2.1. Problema de Asignacion de Capital

max z = 16x1 + 22x2 + 12x3 + 8x4 (2.2)

5x1 + 7x2 + 4x3 + 3x4 14 (2.3)

max z = 16x1 + 22x2 + 12x3 + 8x4

1. La empresa puede invertir en a lo mas dos opciones.

2. Si la empresa invierte en la opcion 2, tambien debe invertir en 1.

3. Si la empresa invierte en 1, no puede tomar la opcion 4.

4. Solo se puede invertir en 3 si se escoge 1 o 2.

El planteo original del problema (2.4) se ve modificado de la siguiente forma:

1. En este caso basta con agregar la restriccion:

2. Para incorporar esta restriccion, se debe imponer que si x2 = 1 necesariamente x1 = 1. Luego,

2.2. Problemas de Costo Fijo

Para plantear el modelo se pueden definir las siguientes variables:

x1 = numero de poleras producidas mensualmente

Mano de Obra [hrs] Tela [yd2 ]

Cuadro 2.1: Requerimientos de Fabricacion

Precio de Venta U S$ Costo Variable U S$

Cuadro 2.2: Requerimientos de Fabricacion

z = 6x1 + 4x2 + 7x3 200y1 150y2 100y3 (2.10)

3x1 + 2x2 + 6x3 150 (2.11)

4x1 + 3x2 + 4x3 160 (2.12)

De acuerdo a la seleccion anterior, el modelo final para el problema queda:

max z = 6x1 + 4x2 + 7x3 200y1 150y2 100y3

2.3. Problemas de Cubrir Conjuntos

Cuadro 2.3: Tiempo de viaje entre barrios

Barrio Barrios factibles de construccion

Cuadro 2.4: Lugares factibles de construccion de estaciones de bomberos

Luego, para asegurar la condicion solicitada para el Barrio 1 se puede agregar:

2.4. Problemas con restricciones excluyentes o no excluyentes

se satisfacen para toda combinacion de valores de x1 , x2 , . . . xn . Por lo tanto, si y = 1 se tiene que

Compacto Mediando Grande

Cuadro 2.5: Requerimientos y beneficios por tipo de vehculo.

Como variables de decision conviene emplear:

xi = numero de automoviles de tipo i fabricados (2.22)

max z = 2x1 + 3x2 + 4x3 (2.23)

xi 0 o xi 1000 i = 1...3 (2.24)

xi 0 o 1000 xi 0 i = 1...3 (2.25)

Introduciendo la variable binaria yi , las restricciones quedan:

Un valor posible para Mi se puede obtener a partir de la disponibilidad de materiales y de mano

1,5x1 + 3x2 + 5x3 6000 (Materiales)

max z = 2x1 + 3x2 + 4x3

2.5. Problemas con restricciones de tipo si... entonces

f (x1 , x2 , . . . xn ) > 0 (2.31)

se satisface, entonces la restriccion:

tenga tambien que satisfacerse, mientras que si f 0 la restriccion g 0 pueda o no satisfacerse.

A modo de ejemplo, supongamos que en el problema de la fabrica de automoviles si se fabrican

x2 + x3 (M2 + M3 )y = 3200y (2.41)

2.6. Problemas con funciones lineales definidas por tramos

f (x) = zk f (bk ) + (1 zk )f (bk+1 ) (2.45)

Figura 2.1: Funcion lineal por tramos

La funcion objetivo puede ser escrita como:

f (x) = z1 f (b1 ) + z2 f (b2 ) + . . . + zn f (bn ) (2.46)

Para plantear el modelo se pueden definir las siguientes variables:

x = cantidad de petroleo tipo 1 comprado