Programacion Entera y Binaria - IO 1

Universidad Nacional Mayor de San Marcos
Facultad de Ingeniería de Sistemas e Informática

Investigación Operativa I
Programación
Lineal Entera
y Binaria
Docente : Lic. Gabriel Solari Carbajal
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
La utilidad del modelo S-1000 es de 40 dólares por

unidad y la del modelo S-2000 es de 10 dólares p
por
unidad; suponiendo que la compañía puede vender
cualquier cantidad de estos productos, debido a
condiciones favorables de mercado.
Determinar el número de unidades de cada modelo que
se debe de fabricar de manera que se maximice la
utilidad total.
2
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
2.5 x1 + x 2 ≤ 1200
4.5 x1 + 1.5 x 2 ≤ 1600
Restricciones de no negatividad:
x1 , x 2 ≥ 0
6
3
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
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
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
Decimos que el equivalente continuo es el relajamiento

del PPLE.
Un PPLE y su equivalente continuo tienen la misma
estructura, sólo los diferencia el hecho de que en el
segundo, las variables no están sujetas a valores
enteros.
12
6
¿CÓMO RESOLVER UN PPLE?

Dado un PPLE,
PPLE resolvemos su equivalente continuo,
continuo si
la solución óptima resulta entera, entonces esta
solución del equivalente continuo será también la
solución óptima del PPLE.
Si la solución óptima del equivalente continuo tiene por
lo menos una variable cuyo valor no es entero,
entonces debemos utilizar técnicas de Programación
Entera.
13
INTERPRETACIÓN GRÁFICA DEL ESPACIO DE

SOLUCIONES DE UN PPLE
Consideremos el siguiente PPLE:
Max Z = 4 x + 5 y
sujeto a
x+y≤8
2 x + y ≤ 10
x , y enteros ≥ 0
14
7
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
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
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
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
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
¿QUÉ DIFICULTADES SE PRESENTAN SI SE

REDONDEA LA SOLUCIÓN DE UN PPLE?
Si al resolver el equivalente continuo de un PPLE la
solución no resulta entera y procedemos a redondear
dicha solución se pueden presentar las siguientes
dificultades:
1) La solución redondeada es no factible.
2) L
La solución
l ió redondeada
d d d es factible,
f tibl pero no es
óptima.
25
1) La solución redondeada es no factible.

Max Z = x + y
sujeto a
2x + y ≤ 6
x +2y ≤ 4
x , y enteros ≥ 0
26
13
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
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
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
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
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
2) La solución redondeada es factible, pero no es

óptima
p
Max Z = 10 x + y
sujeto a
3 x + 4 y ≤ 12
8 x + y ≤ 18
x , y enteros ≥ 0
37

y
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
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
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
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
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
b) En caso contrario tomamos una de las

variables cuyo
y valor no es entero y g
generamos
dos restricciones.
Por ejemplo, supongamos que
x=r ( r ∉ Ζ)
r
x ≤ [r ] x ≥ [r ] + 1
donde [r] es el máximo entero de r.
46
23
2) Resolver el equivalente continuo insertando la

restricción x ≤ [r] y ubicamos el resultado en una de
las ramificaciones.
Luego resolvemos el equivalente continuo
considerando sólo la segunda restricción x ≥ [r] + 1
y ubicamos el resultado en la otra ramificación.
3) Si alguna solución obtenida es entera y no existe
ramificación con algún valor óptimo mejor,
mejor entonces
fin del proceso.
En caso contrario continuar con el paso 1 en la
ramificación que tenga el mejor valor óptimo hasta
el momento. 47
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
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
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
y≤3
y=3
Z = 24
x=4
x≤4
y = 3.333
Z = 25.33
x=3
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
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
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
La posibilidad de otros compromisos significa que por

cada 2 camiones p pequeños
q mantenidos en reserva,
debe quedarse por lo menos uno de los grandes.
Determine el número óptimo de camiones a utilizar.
56
28
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
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
Min Z = 30 (800) G + 25 (800) P
60
30
El programa queda:
Min Z = 24000 G + 20000 P

sujeto a
40 G + 30 P ≥ 400
G ≤ 10
P≤5
2 G − P ≤ 15
G , P enteros ≥ 0
61
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
Observación.-
1) La solución óptima es: G = 7, P = 4, Z = 24800
2) El problema resuelto con el método simplex fue:
Min Z = 24000 G + 20000 P

sujeto a
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
PRESUPUESTO 300 320 220

66
33
Unidad monetaria: $ 1000.

Además se dan las siguientes condiciones:
a) La compañía debe escoger de todas maneras uno
de los proyectos 1 o 9, (o ambos).
b) Si el proyecto 6 es seleccionado, entonces el
proyecto 8 también debe ser seleccionado.
c) Los proyectos 1 y 3 no deben ser seleccionados a
la vez.
67
SOLUCION:
Variables de decisión:
Pi = ⎧⎨1
si el Proyecto i es seleccionado
⎩0 en caso contrario
i = 1, 2, 3, ...., 9
68
34
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
Por selección del proyecto 1 o 9

P1 + P9 ≥ 1
Por posible selección de los proyectos 6 y 8

P6 - P8 ≤ 0
69
Por la no selección de los proyectos 1 y 3 a la vez

P1 + P3 ≤ 1
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
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
MÉTODO DE LA REVISÓN EXHAUSTIVA

Este no es un método propiamente dicho.
dicho Dado que las
variables sólo toman valores {0,1} pueden revisarse
todas las soluciones y determinar la solución óptima por
comparación. El número de soluciones posibles esta
dado por 2n donde n es el número de variables.
72
36
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
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
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
76
38
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
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 - - - - -
78
39
MÉTODO ADITIVO DE EGON BALAS

El método se basa en resolver un modelo de
minimización con coeficientes positivos en la función
objetivo, de manera que se utilice el menor número de
variables a fín de minimizar el valor óptimo de la función
objetivo.
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
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
Una vez determinada la solución debe restablecerse

la función objetivo original.
81
2) Los coeficientes de la función objetivo deben ser no

negativos,
g si algún
g ci es negativo,
g entonces se
cambia xi por su complemento:
xi = 1 − xi
El cambio de la variable por su complemento,
también debe efectuarse en todas las restricciones
donde participa la variable.
Min W = −40 x 1 + 10 x 2
Min W = −40 (1 − x 1 ) + 10 x 2
Min W = 40 x 1 + 10 x 2 − 40
Min W = 40 x 1 + 10 x 2 82
41
Una vez determinada la solución deben

restablecerse las variables originales.
g
3) Evaluar las restricciones tomando las variables el
valor cero. Evaluar la infactibilidad, si resulta cero,
es la solución óptima.
4) Añadir una variable xi = 1 al conjunto solución y
evaluar la infactibilidad.
5)) Si algunas
l i f ibilid d resultan
infactibilidades l cero, la
l solución
l ió
óptima será la solución que tenga menor valor
óptimo y fin del proceso. En caso contrario
seleccionar la de menor infactibilidad y regresar al
paso 4.
83
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
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
3≤0 Infactibilidad 3
2d)
d) x1 = 0, x2 = 0, x3 = 0, x4 = 1,, x5 = 0
−5≤ 0 Infactibilidad 0
2e) x1 = 0, x2 = 0, x3 = 0, x4 = 0, x5 = 1
−2≤0 Infactibilidad 0 Infactibilidad = 0+0+0 = 0
0≤0 Infactibilidad 0 Z=1
Solución óptima x1 = 0, x2 = 0, x3 = 0, x4 = 0 y x5 = 1 para

Z = 1. Se revisaron 6 soluciones. (Menor que 32).
86
43

Programacion Entera y Binaria - IO 1

Cargado por

Información del documento

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

Programacion Entera y Binaria - IO 1

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional Mayor de San Marcos

Facultad de Ingeniería de Sistemas e Informática

Docente : Lic. Gabriel Solari Carbajal

Programación Lineal Entera

La utilidad del modelo S-1000 es de 40 dólares por

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Decimos que el equivalente continuo es el relajamiento

¿CÓMO RESOLVER UN PPLE?

Programación Lineal Entera

INTERPRETACIÓN GRÁFICA DEL ESPACIO DE

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

¿QUÉ DIFICULTADES SE PRESENTAN SI SE

Programación Lineal Entera

1) La solución redondeada es no factible.

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

2) La solución redondeada es factible, pero no es

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

b) En caso contrario tomamos una de las

2) Resolver el equivalente continuo insertando la

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

Programación Lineal Entera

La posibilidad de otros compromisos significa que por

Programación Lineal Entera

Programación Lineal Entera

Min Z = 30 (800) G + 25 (800) P

Min Z = 24000 G + 20000 P

Programación Lineal Entera

Min Z = 24000 G + 20000 P

Programación Lineal Binaria

PRESUPUESTO 300 320 220

Unidad monetaria: $ 1000.

Programación Lineal Binaria

Por selección del proyecto 1 o 9

Por posible selección de los proyectos 6 y 8

Programación Lineal Binaria

Por la no selección de los proyectos 1 y 3 a la vez

Programación Lineal Binaria

MÉTODO DE LA REVISÓN EXHAUSTIVA

Programación Lineal Binaria

Programación Lineal Binaria

Programación Lineal Binaria

MÉTODO ADITIVO DE EGON BALAS

Programación Lineal Binaria

Una vez determinada la solución debe restablecerse

Programación Lineal Binaria

2) Los coeficientes de la función objetivo deben ser no