Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programacion Entera y Binaria - IO 1
Programacion Entera y Binaria - IO 1
Programación
Lineal Entera
y Binaria
Programación
Lineal Entera
1
Programación Lineal Entera
PROBLEMA 01.-
La compañía Mauser,
Mauser fabricante de fusiles automáticos,
automáticos
tiene 3 departamentos en los cuales se manufacturan
sus modelos S-1000 y S-2000, las capacidades
mensuales son las siguientes:
Requerimientos unitarios
de tiempo (en horas)
Modelo
M d l Modelo
M d l H
Horas disponibles
di ibl
Departamentos
S-1000 S-2000 en el siguiente mes
Departamento 1 4 2 1,600
Departamento 2 2.5 1 1,200
Departamento 3 4.5 1.5 1,600
3
2
Programación Lineal Entera
SOLUCION.-
Variables de decisión
x1 : número de fusiles S-1000 que la compañía
Mauser va ha fabricar.
x2 : número de fusiles S-2000 que la compañía
Mauser va ha fabricar.
Restricciones
Restricción por horas disponibles del Departamento 1:
4 x1 + 2 x 2 ≤ 1600
Restricción por horas disponibles del Departamento 2:
2.5 x1 + x 2 ≤ 1200
Restricción por horas disponibles del Departamento 3:
4.5 x1 + 1.5 x 2 ≤ 1600
Restricciones de no negatividad:
x1 , x 2 ≥ 0
6
3
Programación Lineal Entera
Función objetivo
Max Z = 40 x1 + 10 x 2
El programa queda:
Max Z = 40 x1 + 10 x 2
sujeto a
4 x1 + 2 x 2 ≤ 1600
2.5 x1 + x 2 ≤ 1200
4.5 x1 + 1.5 x 2 ≤ 1600
x1 , x 2 ≥ 0
4
Programación Lineal Entera
Resolviendo el programa:
DEFINICIÓN 1.-
Un Problema de Programación Lineal Entera (PPLE) es
aquel que presenta el siguiente formato:
n
Optimizar Z = ∑ c i x i
i =1
sujeto a
n
∑a ji x i (≤, =, ≥ ) b j j = 1, 2, K , m
i =1
x i enteros ≥ 0
10
5
Programación Lineal Entera
DEFINICIÓN 2.-
Definimos el “equivalente
equivalente continuo
continuo” de un PPLE como:
n
Optimizar Z = ∑ c i x i
i =1
sujeto a
n
∑a ji x i (≤, =, ≥ ) b j j = 1, 2, K , m
i =1
xi ≥ 0
11
12
6
Programación Lineal Entera
13
Max Z = 4 x + 5 y
sujeto a
x+y≤8
2 x + y ≤ 10
x , y enteros ≥ 0
14
7
Programación Lineal Entera
y
10 Grafiquemos
q
9 la primera
8 restricción
7
6
5
4
3
2
x+y=8
1
x
1 2 3 4 5 6 7 8 15
y
10 Grafiquemos
q
9 2x + y = 10 la segunda
8 restricción
7
6
5
4
3
2
x+y=8
1
x
1 2 3 4 5 6 7 8
16
8
Programación Lineal Entera
y
10 Espacio
p de
9 soluciones
8 factibles del
7
equivalente
6
continuo
5
4
3
2
1
x
1 2 3 4 5 6 7 8
17
y
10 Buscando la
9 solución
8 óptima del
7
equivalente
6
continuo
5
4
3 Z = 20
2
1
x
1 2 3 4 5 6 7 8
18
9
Programación Lineal Entera
y
10
9
8
7
6
5
4
Z = 30
3
2
1
x
1 2 3 4 5 6 7 8
19
y
10 Solución
9 óptima del
8 equivalente
7
continuo
6
x=0
5
y=8
Z = 40 Z = 40
4
3
2
1
x
1 2 3 4 5 6 7 8
20
10
Programación Lineal Entera
y
10 El espacio
p de
9 soluciones
8 factibles del
7
equivalente
6
continuo es
5
un conjunto
convexo
4
3
2
1
x
1 2 3 4 5 6 7 8
21
y
10 Espacio
p de
9 soluciones
8 factibles del
7
PPLE
6
no es un
5
conjunto
convexo
4
3
2
1
x
1 2 3 4 5 6 7 8
22
11
Programación Lineal Entera
y
10 Solución
9 óptima del
8 PPLE
7
x=0
6
y=8
5
Z = 40
Z = 40
4
3
2
1
x
1 2 3 4 5 6 7 8
23
OBSERVACIONES:
1) El espacio de soluciones factibles de un PPLE está
formado por puntos aislados.
2) El espacio de soluciones factibles de un PPLE no es
un conjunto convexo.
3) Ya no se puede hablar de puntos extremos.
4) En el ejemplo presentado,
presentado la solución óptima del
equivalente continuo es ( x, y ) = ( 0, 8 ). Como esta
solución es entera, será también solución del PPLE.
24
12
Programación Lineal Entera
25
Max Z = x + y
sujeto a
2x + y ≤ 6
x +2y ≤ 4
x , y enteros ≥ 0
26
13
Programación Lineal Entera
y
Grafiquemos
q
la primera
6 restricción
2x + y = 6
5
4
3
2
1
1 2 3 4 x 27
y
Grafiquemos
q
la segunda
6 restricción
2x + y = 6
5
4
3
2
1
x + 2y = 4
1 2 3 4 x 28
14
Programación Lineal Entera
6
2x + y = 6
5
4
3
2
1
x + 2y = 4
1 2 3 4 x 29
Espacio
p de
soluciones
y factibles del
equivalente
continuo
2
1
1 2 3 x
30
15
Programación Lineal Entera
Buscando la
solución
y óptima del
equivalente
continuo
2
1 Z=1
1 2 3 x
31
2
1
Z=2
1 2 3 x
32
16
Programación Lineal Entera
Solución
óptima
p del
equivalente
y continuo
x = 2.6666
y = 0.6666
2 Z = 3.3333
1 Z = 3.333
1 2 3 x
33
Solución
redondeada
y x=3
y=1
Z=4
2 solución no
1 factible
1 2 3 x
34
17
Programación Lineal Entera
Espacio
p de
soluciones
y factibles del
PPLE
2
1
1 2 3 x
35
Solución
óptima del
y PPLE
x = 3, y = 0
ó
2 x = 2, y = 1
Z=3 Z=3
1
1 2 3 x
36
18
Programación Lineal Entera
Max Z = 10 x + y
sujeto a
3 x + 4 y ≤ 12
8 x + y ≤ 18
x , y enteros ≥ 0
37
18
17 Grafiquemos
q
16
15
8x + y = 18 las
14 restricciones
13
12
11
10
9
8
7
6
5
4
3
2
3x + 4y = 12
1
1 2 3 4 x 38
19
Programación Lineal Entera
Espacio
p de
soluciones
y factibles del
equivalente
3 continuo
2
1
1 2 3 x
39
Solución
óptima del
y equivalente
continuo
3 x = 2.25
y = 0.00
2 Z = 22.5
1 2 3 x
40
20
Programación Lineal Entera
Solución
redondeada
y x=2
y=0
3 Z = 20
solución no
2 óptima
1 2 3 x
41
Espacio
p de
soluciones
y factibles del
PPLE
3
2
1
1 2 3 x
42
21
Programación Lineal Entera
Solución
óptima del
y PPLE
x=2
3 y=1
Z = 21
2
1
1 2 3 x
43
SOLUCION DE UN PPLE
TECNICA DE RAMIFICACION Y ACOTAMIENTO
Esta técnica consiste en insertar restricciones en el
problema original (ACOTAMIENTO) y resolviendo por el
método SIMPLEX se obtienen soluciones óptimas, con
las cuales se construye un árbol de decisión
(RAMIFICACION) siguiendo la dirección del árbol con el
mejor valor óptimo obtenido hasta el momento.
momento
44
22
Programación Lineal Entera
PROCEDIMIENTO.-
1) Resolver el equivalente continuo del PPLE,
PPLE esto
puede dar lugar a las siguientes posibilidades:
a) Si la solución óptima obtenida es entera
entonces fin del proceso, esta será la solución
del PPLE.
45
x=r ( r ∉ Ζ)
r
x ≤ [r ] x ≥ [r ] + 1
donde [r] es el máximo entero de r.
46
23
Programación Lineal Entera
Ejemplo.-
Resolver el siguiente PPLE
Max Z = 3 x + 4 y
sujeto a
2 x + 3 y ≤ 18
8 x + 7 y ≤ 56
x , y enteros ≥ 0
48
24
Programación Lineal Entera
Acotando y
y ramificando x
5 x = 4.2
y = 3.2
4 Z = 25.4
1
x
1 2 3 4 5 6 7
49
x=4
x≤4
y = 3.333
Z = 25.33
x = 4.2
y = 3.2
Z = 25.4
x=5
y = 2.286
x≥5
Z = 24.14 50
25
Programación Lineal Entera
Acotando y
y ramificando y
desde el
6 x=4
mejor valor
y = 3.333
5 Z = 25.33
óptimo
4
x=5
3 y = 2.286
Z = 24
24.14
14
2
1
x
1 2 3 4 5 6 7
51
x = 4.2 y=4
y≥4
y = 3.2 Z = 25
Z = 25.4
x=5
y = 2.286
x≥5
Z = 24.14 52
26
Programación Lineal Entera
El mejor valor
y x=3
óptimo
y=4 resulta Z=25
6
Z = 25
5 x=4
y=3
4
Z = 24
3
x=5
2 y = 2.286
Z = 24.14
1
x
1 2 3 4 5 6 7
53
Observación.-
1) La solución óptima es: x = 3, y = 4, Z = 25.
2) A medida que aumentamos de nivel, el valor de la
F.O. no mejora.
3) El problema resuelto con el método simplex fue:
Max Z = 3 x + 4 y
sujeto a
2 x + 3 y ≤ 18
8 x + 7 y ≤ 56
x≤4
y≥4
x, y ≥ 0 54
27
Programación Lineal Entera
PROBLEMA 02.-
Una compañía de transportes tiene 10 camiones
grandes con capacidad de 40000 libras cada uno y 5
camiones pequeños con capacidad de 30000 libras
cada uno.
Los camiones grandes tienen un costo de operación de
$30/milla y los pequeños $25/milla.
Para la próxima semana la compañía debe transportar
400000 libras de malta en un recorrido de 800 millas.
55
56
28
Programación Lineal Entera
SOLUCION.-
Variables de decisión
G : número de camiones GRANDES a utilizar en el
transporte.
P : número de camiones PEQUEÑOS a utilizar en el
transporte.
57
Restricciones
Restricción por cantidad a transportar:
40 G + 30 P ≥ 400
Restricción por número de camiones grandes:
G ≤ 10
Restricción por número de camiones pequeños:
P≤5
58
29
Programación Lineal Entera
Restricciones
Restricciones de camiones en reserva:
5− P
≤2
10 − G
5 − P ≤ 20 − 2 G
2 G − P ≤ 15
Restricción por no negatividad
G , P enteros ≥ 0
59
Función objetivo
60
30
Programación Lineal Entera
El programa queda:
P≤2 NO
FACTIBLE
G=8 G=7
G ≤8 G≤7
P = 2.666 P=4
Z = 245333.3 Z = 248000
G = 7.75
G = 8.5 P=3
P≥3
P=2 Z = 246000
Z = 24400 G=8
P=3
G≥8
Z = 252000
G=9
P=3
G≥9
Z = 276000
62
31
Programación Lineal Entera
Observación.-
1) La solución óptima es: G = 7, P = 4, Z = 24800
2) El problema resuelto con el método simplex fue:
40 G + 30 P ≥ 400 G≤8
G ≤ 10 G≤7
P≤5 P≥3
2 G − P ≤ 15
G, P ≥ 0 63
Programación
Lineal Binaria
64
32
Programación Lineal Binaria
PROBLEMA 03.-
Una compañía tiene que escoger un conjunto de
proyectos de la siguiente lista para un horizonte de
planeación de 3 años.
Su objetivo es maximizar el Valor Presente Neto Total,
pero sin gastar más de lo presupuestado en cualquiera
de los 3 años.
Unidad monetaria: $ 1000.
65
REINVERSIONES VALOR
PROYECTO PRESENTE
AÑO 1 AÑO 2 AÑO 3 NETO
1 30 80 10 80
2 40 70 50 96
3 50 60 70 88
4 60 60 10 92
5 70 40 10 76
6 20 30 90 87
7 20 50 20 78
8 25 80 60 81
9 40 20 15 94
33
Programación Lineal Binaria
67
SOLUCION:
Variables de decisión:
Pi = ⎧⎨1
si el Proyecto i es seleccionado
⎩0 en caso contrario
i = 1, 2, 3, ...., 9
68
34
Programación Lineal Binaria
Restricciones:
Por presupuesto
30 P1 + 40 P2 + 50 P3 + 60 P4 + 70 P5 + 20 P6 + 20 P7 + 25 P8 + 40 P9 ≤ 300
80 P1 + 70 P2 + 60 P3 + 60 P4 + 40 P5 + 30 P6 + 50 P7 + 80 P8 + 20 P9 ≤ 320
10 P1 + 50 P2 + 70 P3 + 10 P4 + 10 P5 + 90 P6 + 20 P7 + 60 P8 + 15 P9 ≤ 220
69
Por binarios
P1, P2, P3, P4, P5, P6, P7, P8, P9 binarios {0,1}
Función objetivo:
Maximizamos el Valor presente Neto
Max Z = 80 P1 + 96 P2 + 88 P3 + 92 P4 + 76 P5 + 87 P6 + 78 P7 + 81 P8 + 94
P9
70
35
Programación Lineal Binaria
SOLUCION DE UN PROBLEMA DE
PROGRAMACION LINEAL BINARIA (PPLB).-
( )
Los Problemas de Programación Lineal Binaria (PPLB)
tiene la forma general de los PPL pero las variables
sólo pueden tomar valores binarios (0,1).
Para resolver un PPLB se puede utilizar los siguientes
métodos:
1) Método de la Revisión Exhaustiva
2) Método Aditivo de Egon Balas
71
72
36
Programación Lineal Binaria
Ejemplo:
Min Z = 5 x1 + 7 x2 + 10 x3 + 3 x4 + x5
Sujeto a
- x1 + 3 x2 + 5 x3 - x4 + 4 x5 ≤ 4
2 x1 - 6 x2 + 3 x3 + 2 x4 - 2 x5 ≤ 0
x2 - 2 x3 + x4 + x5 ≥ 1
xi = {0,1} i = 1, 2, 3, 4, 5
Para este
P t caso se tiene
ti 25 = 32 soluciones
l i posibles,
ibl
algunas soluciones serán no factibles, pero en este
método se deben revisar la totalidad de soluciones. Las
soluciones factibles serán evaluadas en la función
objetivo.
73
Soluciones posibles:
SOLUCIONES
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
x1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
x2 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
x3 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
x4 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
x5 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
Factible No Si No Si No No No No Si No Si No No No No No No Si No No No No No No Si No Si No No No No No
Z - 1 - 4 - - - - 7 - 10 - - - - - - 6 - - - - - - 12 - 15 - - - - -
La solución es x1 = 0, x2 = 0, x3 = 0, x4 = 0, x5 = 1 y Z = 1.
74
37
Programación Lineal Binaria
Ejemplo:
Min Z = 8 x1 + 7 x2 + 6 x3 + 5 x4 + x5
Sujeto a
- 6 x1 - 3 x2 + 2 x3 - 4 x4 - x5 ≤ - 3
- 4 x1 - 5 x2 - 4 x3 - 3 x4 + 3 x5 ≤ -7
xi = {0,1} i = 1, 2, 3, 4, 5
75
Soluciones posibles:
SOLUCIONES
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
x1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
x2 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
x3 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
x4 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
x5 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
Factible No No No No No No No No No No Si No No No Si Si No No Si No Si No Si Si Si No Si Si Si Si Si Si
Z - - - - - - - - - - 12 - - - 18 19 - - 13 - 14 - 19 20 15 - 20 21 21 22 26 27
La solución es x1 = 0, x2 = 1, x3 = 0, x4 = 1, x5 = 0 y Z = 12.
76
38
Programación Lineal Binaria
Ejemplo:
Max Z = 3 x1 + 2 x2 - 5 x3 - 2 x4 + 3 x5
Sujeto a
x1 + x2 + x3 + 2 x4 + x5 ≤ 4
7 x1 + 3 x3 - 4 x4 + 3 x5 ≤ 8
11 x1 - 6 x2 + 3 x4 - 3 x5 ≥ 3
xi = {0,1} i = 1, 2, 3, 4, 5
77
Soluciones posibles:
SOLUCIONES
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
x1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
x2 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
x3 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
x4 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
x5 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
Factible No No Si No No No Si No No No No No No No No No Si No Si Si No No Si No Si No Si No No No No No
Z - - -2 - - - -7 - - - - - - - - - 3 - 1 4 - - -4 - 5 - 3 - - - - -
La solución es x1 = 1, x2 = 1, x3 = 0, x4 = 0, x5 = 0 y Z = 5.
78
39
Programación Lineal Binaria
INFACTIBILIDAD.-
Llamaremos infactibilidad al intervalo que produce una
solución aplicada sobre una restricción, o un conjunto
de éstas, y mide la distancia de la solución sobre un
resultado factible.
79
Ejemplo.-
Dado el siguiente conjunto de restricciones:
2 x1 − 3 x 2 + x 3 ≤ 1
− x1 + x 2 − 2 x 3 ≥ 1
La solución x1 = 0, x2 = 1 y x3 = 0, produce:
− 2 ≤ 1 ⇒ − 3 ≤ 0 Infactibilidad 0
Infactibilidad
act b dad = 0
0+0
0=0
1 ≥ 1 ⇒ 0 ≤ 0 Infactibilidad
I f tibilid d 0
La solución x1 = 1, x2 = 0 y x3 = 0, produce:
2 ≤1 ⇒ 1≤ 0 Infactibilidad 1
Infactibilidad = 1+2 = 3
−1 ≥ 1 ⇒ 2 ≤ 0 Infactibilidad 2
80
40
Programación Lineal Binaria
PROCEDIMIENTO:
1) La función objetivo debe ser de Minimización,
Minimización en
caso de Maximización, usar la regla de equivalencia:
Maximizar ( Z ) = Minimizar ( W = -Z )
Ejemplo:
Max Z = 40 x 1 − 10 x 2
Min W = −40 x 1 + 10 x 2
41
Programación Lineal Binaria
Ejemplo:
Min Z = 5 x1 + 7 x2 + 10 x3 + 3 x4 + x5
Sujeto a
- x1 + 3 x2 + 5 x3 - x4 + 4 x5 ≤ 4
2 x1 - 6 x2 + 3 x3 + 2 x4 - 2 x5 ≤ 0
x2 - 2 x3 + x4 + x5 ≥ 1
xi = {0,1} i = 1, 2, 3, 4, 5
84
42
– x1 + 3 x2 + 5 x3 – x4 + 4 x5 – 4 ≤ 0
2 x1 – 6 x2 + 3 x3 + 2 x4 – 2 x5 ≤0
– x2 + 2 x3 – x4 – x5 + 1 ≤ 0
1a) x1 = 0, x2 = 0, x3 = 0, x4 = 0, x5 = 0
−4≤0 Infactibilidad 0
0≤0 Infactibilidad 0 Infactibilidad = 0+0+1 = 1
1≤ 0 Infactibilidad 1
2a) x1 = 1, x2 = 0, x3 = 0, x4 = 0, x5 = 0
−5≤ 0 Infactibilidad 0
2≤0 Infactibilidad 2 Infactibilidad = 0+2+1 = 3
1≤ 0 Infactibilidad 1
2b) x1 = 0, x2 = 1, x3 = 0, x4 = 0, x5 = 0
−1 ≤ 0 Infactibilidad 0
−6≤ 0 Infactibilidad 0 Infactibilidad = 0+0+0 = 0
0≤0 Infactibilidad 0 Z=7 85
2c) x1 = 0, x2 = 0, x3 = 1, x4 = 0, x5 = 0
1≤ 0 Infactibilidad 1
3≤0 Infactibilidad 3 Infactibilidad = 1+3+3 = 7
3≤0 Infactibilidad 3
2d)
d) x1 = 0, x2 = 0, x3 = 0, x4 = 1,, x5 = 0
−5≤ 0 Infactibilidad 0
2≤0 Infactibilidad 2 Infactibilidad = 0+2+0 = 2
0≤0 Infactibilidad 0
2e) x1 = 0, x2 = 0, x3 = 0, x4 = 0, x5 = 1
0≤0 Infactibilidad 0
−2≤0 Infactibilidad 0 Infactibilidad = 0+0+0 = 0
0≤0 Infactibilidad 0 Z=1
43