1 - Introducción A Los Modelos de Optimización Discretos

INTRODUCCIÓN AL
CURSO
INDG1019 Programación Entera para Ingeniería

Isabel Alcívar, MSc
1
Agenda
◉ ¿De qué se trata del curso?

◉ Objetivos
◉ Generalidades
◉ Introducción a los modelos de optimización discretos
Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 2

Programación Entera para Ingeniería es un curso
profesional que introduce la aplicación de modelos
y algoritmos clásicos de optimización discreta,
para la solución de problemas enteros,
combinatorios y de redes.

¿Qué es Programación Entera para Ingeniería?
Objetivo Enfoque
Resolver problemas de programación entera Uso de métodos exactos y heurísticas para

encontrados normalmente en el área de resolver casos de: localización de instalaciones
logística, asignación de recursos y planificación o asignación de recursos, secuenciación de
de producción mediante su formulación y la órdenes de producción en manufactura o
selección de métodos apropiados, para el apoyo servicios, y determinación de rutas de
en la toma de decisiones dentro de una vehículos.
organización

Objetivos de
aprendizaje
Formular problemas de Formular problemas de Aplicar heurísticas
optimización enteros o optimización de redes para la resolución de
mixtos mediante la Mediante la identificación problemas cuya
identificación de variables, de nodos, arcos, complejidad no permite el
restricciones y costos o capacidades y costos o uso de métodos exactos.
utilidades, para la utilidades, para la
resolución de problemas resolución de problemas
complejos reales. reales de investigación de
operaciones

Programa
1. Introducción a los modelos de optimización discretos

2. Métodos para resolver problemas de optimización
discreta
3. Diseño de rutas de vehículos
4. Diseño de redes de suministro sostenibles
5. Secuenciación de órdenes de trabajo
6. Programación de turnos de trabajo

Logística
Horario
◉ Lunes y Miércoles: 8h00-9h30 (24C-102)
Libro Referencia
◉ Rardin, Optimization in Operations Research
Otras referencias
◉ Ahuja, Network flows: theory, algorithms, and applications
◉ Bertsekas, Network optimization: continuous and discrete methods

Formato de la clase
◉ Actividad de inicio
◉ Discusión general del tema del día
◉ Actividades de refuerzo (ejercicios, lecturas, videos, casos)
◉ Discusiones y actividades grupales
◉ Actividad de cierre

Evaluaciones
Primera Segunda Tercera

Evaluaciòn Evaluaciòn Evaluaciòn
Examen 50% 50% 100%
Lecciones 20% 15%
Talleres 20% 15%
Tareas 10% 10%
Proyecto - 10%

Canales de información
Correo
◉ mialciva@espol.edu.ec
Sidweb
Horas de Oficina
◉ Martes y Miércoles 15h00-16h00 (o previa cita)
◉ Oficina en Laboratorio de Ingeniería Industrial

Políticas
1. Respeto
2. Transparencia
3. Responsabilidad con nuestro aprendizaje
4. Construcción sobre las contribuciones de los
demás

Planificación

Introducción a los modelos de
optimización discretos
INDG1019 Programación Entera para Ingeniería

Isabel Alcívar, MSc
13
1 Introducción a los 2 Métodos para resolver 3 Secuenciación de 4 Programación de 5 Diseño de rutas de 6 Diseño de redes de
modelos opt. discretos problemas de opt discreta órdenes de trabajo turnos de trabajo vehículos suministro
Objetivo de aprendizaje
1. Modelar problemas de optimización con variables enteras o

mixtas para el apoyo a la toma de decisiones que reduzcan los
costos de operaciones en una empresa mediante el estudio de
aplicaciones prácticas de optimización discreta.

Recordemos…
Naturaleza de la Investigación
de Operaciones
Finalidad: encontrar la mejor solución (o solución factible) para

resolver el problema.
Modelamiento matemático como representación suficientemente

cercana a la situación real (para que soluciones sean válidas).

Recordemos…
Clasificación de los modelos
de programación matemática
Modelos
Modelos Modelos Modelos Modelos
prescriptivos o
determinísticos estáticos y lineales y no enteros y no
de
y estocásticos dinámicos lineales enteros
optimización

Recordemos…
¿Cómo debería ser el comportamiento de la organización que
permitirá alcanzar mejor sus metas?
Modelos ELEMENTOS
prescriptivos o ● Función objetivo → lo que se desea maximizar o minimizar.
de
optimización ● Variables de decisión → variables cuyos valores están bajo
nuestro control e influyen en el desempeño del sistema.
● Restricciones → con respecto a las variables de decisión,
permiten solamente ciertos valores en la mayoría de las
situaciones.

Recordemos…
EJEMPLO
Maximizar
Modelos
prescriptivos o Sujeto a
de
optimización

Recordemos…
● Modelo determinístico→ para cualquier valor de las variables

de decisión, se conoce con certeza el valor de la función
objetivo y si las restricciones se cumplen o no.
Modelos
determinísticos ● Modelo estocástico→ para cualquier valor de las variables de
y estocásticos decisión, no se conoce con certeza la función objetivo y si se
cumple o no las restricciones.

Recordemos…
● Modelo estático → las variables de decisión no requieren

sucesiones de decisiones para periodos múltiples. Se resuelve
un problema luego de un solo intento, cuyas soluciones dictan
Modelos
valores óptimos de las variables de decisión en todos los
estáticos y
puntos de tiempo.
dinámicos
● Modelo dinámico → las variables de decisión sí requieren
sucesiones de decisiones para periodos múltiples.

Recordemos…
● Modelo lineal → las variables en la función objetivo y en las

restricciones de un modelo de optimización están multiplicadas
por constantes y acomodadas en forma de suma (combinación
Modelos
lineal).
lineales y no
lineales ● Modelo no lineal → las variables en la función objetivo y en las
restricciones de un modelo de optimización no son una
combinación lineal.

Recordemos…
● Modelo entero → cuando una o más variables de decisión

deben ser enteros. Ejemplo: número de enfermeras que
laboran en un hospital.
Modelos
enteros y no ● Modelo no entero → cuando todas las variables de decisión
enteros son libres para asumir valores fraccionarios. Ejemplo: presión,
temperatura, velocidad, etc.

Recordemos…
Modelos de optimización: Vocabulario
Elementos Representación Descripción
Variables de decisión x1,x2, …, xn (x ∈ Variables que describen por completo las decisiones que se tienen
Rn) que tomar en el problema; variables cuyos valores están bajo
nuestro control y están por definirse.
Coeficientes c ∈ Rn Parámetros cuyos valores son dados y fijos.
Función objetivo Z = cTx : Rn→ R Función lineal de las variables de decisión que el tomador de
decisiones busca maximizar o minimizar.
Set de restricciones X ⊂ Rn Limitaciones en valores que las variables de decisión deben

satisfacer. Estas pueden ser ecuaciones o inecuaciones lineales.
Restricción de signo Xi {≥, ≤, libre} 0 Asociada con cada variable. ¿La variable de decisión puede asumir
Xi cont, int, bin valores tanto positivos como negativos?¿continuas o discretas?

Recordemos…
Modelos de optimización: Vocabulario
Elementos Representación Descripción
Solución factible x∈X Valores de variables de decisión que permiten satisfacer todas las
restricciones del problema.
La región factible para un problema de programación lineal es el set de
todos los puntos que satisfacen todas las restricciones del PL (por lo
general es un conjunto infinito de puntos).
Solución óptima x* ∈ X* Una solución factible para la cual la función objetivo alcanza su valor
máximo/mínimo.
En un problema de maximización, una solución óptima para el modelo de
PL es el punto en la región factible con el mayor valor de la función
objetivo. Igualmente, en un problema de minimización, la solución óptima
es el punto en la región factible con el menor valor de la función objetivo.
Valor óptimo z*=f(x*) El valor mínimo/máximo que toma la función objetivo.

Recordemos…
Posibilidades de solución de
modelos de optimización

Modelos de optimización
discretos
◉ También conocidos como

○ Modelos de programación entera
○ Modelos de programación entera-mixta
○ Modelos de optimización combinatorios

discretos
Un problema puro de programación entera (PE) es aquel en

que se requiere que todas las variables sean enteros.
Por ejemplo:
max z = 3x1+2x2
s.t.
x1+x2 ≤ 6
x1, x2 ≥ 0; x1, x2 entero
discretos
Un problema de programación entera mixta es aquel en que se

requiere que algunas de las variables sean enteros.
Por ejemplo:
max z = 3x1+2x2
s.t.
x1+x2 ≤ 6
x1, x2 ≥ 0; x1 entero
discretos
Un problema de programación entero binario es aquel en que

se requiere que todas las variables sean 0 o 1 (también
conocido como problema entero 0-1).
Por ejemplo:
max z = x1- x2
s.t.
x1+x2 ≤ 2
2x1-x2 ≤ 1
x1, x2 = 0 o bien 1
Modelos de optimización discretos:
Región factible PL vs PE
x2
1
Región
factible
x1
1 2 3 4

Modelos de optimización discretos: Región factible
PL vs PE x 2
4
max z = 21x1+11x2
s.t. 3
7x1+4x2 ≤ 13
X1, x2 ≥ 0; x1, x2 enteros 2
RF = {(0,0), (0,1), (0,2), (0,3), (1,0), (1,1)} 1

z* = 33, x1* = 0, x2*= 3
x1
1 2 3 4

PL vs PE x 2
Suponga ahora que se desea resolver sin 4

la restricción de entero:
3
max z = 21x1+11x2 Región factible
s.t. 2
7x1+4x2 ≤ 13 7x1+4x2 = 13
X 1, x 2 ≥ 0 1
z* = 39, x1* = 1.86, x2*= 0 x1

1 2 3 4

PL vs PE x 2

3
s.t. 2
7x1+4x2 ≤ 13 7x1+4x2 = 13
X 1, x 2 ≥ 0 1
z* = 39, x1* = 1.86, x2*= 0 (PL) x1

1 2 3 4
z* = 33, x1* = 0, x2*= 3 (PE)
Valor óptimo de z para PL es mejor
que el valor óptimo de z para el PE

PL vs PE x 2

3
s.t. 2
7x1+4x2 ≤ 13 7x1+4x2 = 13
X 1, x 2 ≥ 0 1
z* = 39, x1* = 1.86, x2*= 0 (PL) x1

1 2 3 4
z* = 33, x1* = 0, x2*= 3 (PE)
Modelos de
Modelos lumpy y de cargo fijo
Técnicas (típicas) de modelamiento utilizando variables discretas

Modelos lumpy y cargos fijos
Agregan restricciones o funciones objetivos del tipo “either/or”.

Caso: Swedish Steel
Uno de los problemas que enfrenta la industria del acero ocurre en el
proceso de fundir materiales en hornos de alta temperatura para
fabricar nuevas aleaciones a partir de chatarra. Muchas compañías han Composición (%) Disp. Costo
utilizado la programación matemática para planear sus mezclas.
Carbon Níquel Cromo Molibdeno (kg) (kr/kg)
Chatarra 1 (1) 0.80 18 12 - 75 16
Una optimización sucede cada vez que se carga un horno. La chatarra
Chatarra 2 (2) 0.70 3.2 1.1 0.1 250 10
disponible en inventario se combina con aditivos puros para producir
una mezcla que tenga los porcentajes requeridos de varios elementos Chatarra 3 (3) 0.85 - - - Ilim. 8
químicos. Es fundamental aprovechar al máximo la chatarra porque los Chatarra 4 (4) 0.40 - - - Ilim. 9
aditivos son mucho más caros. Nuestra versión ficticia de fabricación de Níquel (5) - 100 - - Ilim. 48
acero producirá una carga de horno de 1000 kilogramos. Todo el acero Cromo (6) - - 100 - Ilim. 60
consiste principalmente en hierro. La siguiente tabla muestra las Molibdeno (7) - - - 100 Ilim. 53
fracciones mucho más pequeñas de carbono, níquel, cromo y Mezcla mínimo 0.65 3.0 1.0 1.1
molibdeno en los cuatro suministros de chatarra disponibles, así como
Mezcla máximo 0.75 3.5 1.2 1.3
las cantidades almacenadas y su costo unitario. También muestra los
tres aditivos de mayor costo que se pueden usar y los rangos
aceptables para la mezcla resultante. Por ejemplo, los 1000 kg de acero
producido deben contener entre 0.65 y 0.75% de carbono.

Caso: Swedish Steel
Se desea minimizar los costos a partir de las cantidades que se mezclen de cada elemento...
xi: kilogramos de elemento i incluido en la carga del horno (i=1, 2, 3, 4, 5, 6, 7)
min z = 16x1+ 10x2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7

S.t.
x1+x2+x3+x4+x5+x6+x7 = 1000 R. peso de carga
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000) R. rango min carbono
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≤ 0.0075(1000) R. rango max carbono
0.180x1+ 0.032x2+ 1.0x5 ≥ 0.030(1000) R. rango min níquel
0.180x1+ 0.032x2+ 1.0x5 ≤ 0.035(1000) R. rango max níquel
0.120x1+ 0.011x2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo
0.120x1+ 0.011x2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo
0.001x1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno
0.001x1+ 1.0x7 ≤ 0.013(1000) R. rango max molibdeno
x1 ≤ 75 R. disponibilidad chatarra 1
xi ≥ 0 ∀i R. signo

Caso: Swedish Steel
min z = 16x1+ 10x2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7

S.t.
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000) R. rango min carbono ¿Qué tal que las chatarras
fueran bloques de acero que no
se pueden subdividir? O se usa
0.120x1+ 0.011x2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo todo el bloque (de 75 kg
0.120x1+ 0.011x2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo chatarra 1 y de 250 chatarra 2),
0.001x1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno o no se usa...

Modelos lumpy
“Todo o nada”
Requerimientos todo o nada de la forma xi=0 o ui pueden modelarse

sustituyendo xi=uiyi, con una nueva variable discreta:
yi= 0 o 1

Variación: Swedish Steel
Se desea minimizar los costos a partir de las cantidades que se mezclen de cada elemento. Los primeros dos elementos
(chatarra 1 y chatarra 2) tienen característica lumpy: se usa todo o nada de los 75 kg del ingrediente 1; y se usa todo o
nada de los 250 kg del ingrediente 2 ...

Se desea minimizar los costos a partir de las cantidades que se mezclen de cada elemento. Los primeros dos elementos
(chatarra 1 y chatarra 2) tienen característica lumpy: se usa todo o nada de los 75 kg del ingrediente 1; y se usa todo o
nada de los 250 kg del ingrediente 2 ...
yi: si elemento i es parte o no de la mezcla (i=1, 2)

xi: kilogramos de elemento i incluido en la carga del horno (i=3, 4, 5, 6, 7)
min z = 16(75)y1+ 10(250)y2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7

S.t.
75y1+250y2+x3+x4+x5+x6+x7 = 1000 R. peso de carga
0.0080(75)y1+ 0.0070(250)y2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000)R. rango min carbono
0.0080(75)y1+ 0.0070(250)y2+ 0.0085x3+ 0.0040x4 ≤ 0.0075(1000)R. rango max carbono
0.180(75)y1+ 0.032(250)y2+ 1.0x5 ≥ 0.030(1000) R. rango min níquel
0.180(75)y1+ 0.032(250)y2+ 1.0x5 ≤ 0.035(1000) R. rango max níquel
0.120(75)y1+ 0.011(250)y2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo
0.120(75)y1+ 0.011(250)y2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo
0.001(75)y1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno
0.001(75)y1+ 1.0x7 ≤ 0.013(1000) R. rango max molibdeno
xi ≥ 0, i=3,...,7; y1, y2 = 0 o 1 R. signo
Caso: Swedish Steel
min z = 16x1+ 10x2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7

S.t.
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000) R. rango min carbono ¿Qué tal que ahora lo que
ocurre es que para usar
ingredientes 1, 2, 3, o 4, se
0.120x1+ 0.011x2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo requiere un setup inicial con
0.120x1+ 0.011x2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo costo de 350 kr para el set up
0.001x1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno de cada uno de estos
0.001x1+ 1.0x7 ≤ 0.013(1000) R. rango max molibdeno ingredientes?

Modelos cargos fijos
“Cargo Fijo”: costo inicial, de construcción, o setup
Se incurre cuando variable x opera a un nivel distinto de cero.
Requerimientos de cargo fijo pueden modelarse incorporando costos

en función objetivo e introduciendo una nueva variable de cargo fijo:
yi= 1 (si xi > 0) o 0 (caso contrario)
El coeficiente de yi es el costo fijo de xi, y el coeficiente de xi es el

costo variable.
Modelos cargos fijos
“Cargo Fijo”: costo inicial, de construcción, o setup
Requerimientos de cargo fijo también requieren de restricciones que

relacionan xi y yi, ya que la variable continua xi≥0 puede usarse solo si
su correspondiente variable binaria yi=1:
xi ≤ uiyi
Donde ui es el límite superior dado (o derivado) de xi para cualquier

solución factible.

Se desea minimizar los costos a partir de las cantidades que se mezclen de cada elemento. Esta vez, hay costos por
setup. Específicamente, asuma que los ingredientes 1 al 4 pueden usarse en el horno solamente luego de que se
configuren mecanismos de inyección, a un costo de 350 kr cada uno...

Se desea minimizar los costos a partir de las cantidades que se mezclen de cada elemento. Esta vez, hay costos por
setup. Específicamente, asuma que los ingredientes 1 al 4 pueden usarse en el horno solamente luego de que se
configuren mecanismos de inyección, a un costo de 350 kr cada uno...
yi: si se realiza set up i (i=1, 2, 3, 4)

min z = 16x1+ 10x2+ 8x3+ 9x4+ 48x5+ 60x6+ 53x7+ 350(y1+ y2+ y3+ y4)
S.t.
x1+x2+x3+x4+x5+x6+x7 = 1000 R. peso de carga x1 ≤ 75y1 R. relación x1-y1
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≥ 0.0065(1000) R. rango min carbono x2 ≤ 250y2 R. relación x2-y2
0.0080x1+ 0.0070x2+ 0.0085x3+ 0.0040x4 ≤ 0.0075(1000) R. rango max carbono x3 ≤ 1000y3 R. relación x3-y3
0.180x1+ 0.032x2+ 1.0x5 ≥ 0.030(1000) R. rango min níquel x4 ≤ 1000y4 R. relación x4-y4
0.120x1+ 0.011x2+ 1.0x6 ≥ 0.010(1000) R. rango min cromo
0.120x1+ 0.011x2+ 1.0x6 ≤ 0.012(1000) R. rango max cromo
0.001x1+ 1.0x7 ≥ 0.011(1000) R. rango min molibdeno
xi ≥ 0, i=1,...,7; y1, y2, y3, y4 = 0 o 1 R. signo
Modelos de
Modelos de la mochila y de restricciones presupuestarias
Técnicas (típicas) de modelamiento utilizando variables discretas

Modelos de la mochila y de
restricciones presupuestarias
Completamente discretos.
Se selecciona la combinación óptima de objetos, características,

proyectos o inversiones, sujetas a limitaciones en recursos. No son
permitidas las selecciones parciales (i.e. todo o nada).

Caso: Indy Car
Considere el siguiente dilema de los mecánicos del equipo de carreras
Indy Car. Todavía se podrían agregar seis características diferentes al
automóvil de este año para mejorar su velocidad máxima. La siguiente
tabla indica los costos estimados y mejoras de velocidad que se
tendrían de agregarse dichas características. Característica propuesta, i
1 2 3 4 5 6
1) Suponga que Indy Car quiere maximizar rendimiento sin
exceder un presupuesto de $ 35000. Costo
10.2 6.0 23.0 11.1 9.8 31.6
2) Suponga que el equipo de Indy Car decide que simplemente (en miles de dólares)
deben aumentar la velocidad en 30 millas por hora para tener Incremento en velocidad
8 3 15 7 10 12
alguna posibilidad de ganar la próxima carrera. Ignorando el (mph)
presupuesto, desean encontrar la forma para lograr al menos
ese rendimiento a un costo mínimo.

Modelos de la mochila
El modelo de optimización discreta más simple.
Modelo puro de programación entera con un tipo principal de

restricción.
◉ Variables de decisión son casi siempre binarias

Caso: Indy Car
Pregunta 1: Se desea maximizar rendimiento sin exceder un presupuesto de $ 35000...
xi: si se añade característica i (i=1, 2, 3, 4, 5, 6)
max z = 8x1 + 3x2 + 15x3 + 7x4 + 10x5 + 12x6

S.t.
10.2x1+6.0x2+23.0x3+11.1x4+9.8x5+31.6x6 ≤ 35 R. presupuesto
xi=1 o 0 ∀i R. signo

Caso: Indy Car
Pregunta 1: Se desea maximizar rendimiento sin exceder un presupuesto de $ 35000...
max z = 8x1 + 3x2 + 15x3 + 7x4 + 10x5 + 12x6

S.t.
10.2x1+6.0x2+23.0x3+11.1x4+9.8x5+31.6x6 ≤ 35 R. presupuesto
Pregunta 2: Se desea minimizar el costo de al menos mejorar velocidad en 30 mph...
min z = 10.2x1+6.0x2+23.0x3+11.1x4+9.8x5+31.6x6
S.t.
8x1 + 3x2 + 15x3 + 7x4 + 10x5 + 12x6 ≥ 30 R. requerimiento mínimo de aumento de velocidad

Caso: Presupuesto de capital de la NASA
La agencia espacial de EE. UU., La Budget Requirements ($ mil millones)
NASA, debe lidiar constantemente con Depende
i Misión Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5 Valor No con
problemas de decisión sobre cómo dividir de
su presupuesto limitado entre muchas 1 Communications satellite 6 - - - - 200 - -
misiones propuestas. La siguiente tabla 2 Orbital microwave 2 3 - - - 3 - -
muestra una lista de alternativas. 3 Io lander 3 5 - - - 20 - -
4 Uranus orbiter 20xy - - - - 10 50 5 3
Debe decidir cuál de las 14 misiones 5 Uranus orbiter 20yz - 5 8 - - 70 4 3
indicadas deberían incluirse en los planes 6 Mercury probe - - 1 8 4 20 - 3
del programa, considerando 5 etapas de 7 Saturn probe 1 8 - - - 5 - 3
un periodo de 25 años. 8 Infrared imaging - - - 5 - 10 11 -
9 Ground-based SETI 4 5 - - - 200 14 -
10 Large orbital structures - 8 4 - - 150 - -
11 Color imaging - - 2 7 - 18 8 2
12 Medical technology 5 7 - - - 8 - -
13 Polar orbital platform - 1 4 1 1 300 - -
14 Geosynchronous SETI - 4 5 3 3 185 9 -
Budget 10 12 14 14 14

Modelos de restricciones
presupuestarias
También conocidos como modelos de la mochila multidimensionales.
Seleccionan el valor máximo de proyectos, inversiones, etc.,

considerando las limitaciones de presupuesto u otros recursos a
consumirse.
Las restricciones de presupuesto limitan los fondos totales (u otros

recursos a consumirse) de los proyectos, inversiones, etc.
seleccionados en cada periodo de tiempo, a no excederse de las
cantidades disponibles.
Se desea maximizar el rendimiento del presupuesto de la NADA sin exceder el presupuesto de cada etapa (asumiendo no
hay exclusiones ni dependencias entre misiones)...

hay exclusiones ni dependencias entre misiones)...
xi: si se selecciona la misión i (i=1, ..., 14)
max z = 200x1 + 3x2 + 20x3 + 50x4 + 70x5 +...+ 185x14

S.t.
6x1 + 2x2 + 3x3+ x7+ 4x9+ 5x12 ≤ 10 R. presupuesto etapa 1
3x2 + 5x3 + 5x5+ 8x7+ 5x9+ 8x10+ 7x12+ x13+ 4x14 ≤ 12 R. presupuesto etapa 2
8x5 + x6 + 4x10+ 2x11+ 4x13+ 5x14 ≤ 14 R. presupuesto etapa 3
8x6 + 5x8 + 7x11+ x13+ 3x14 ≤ 14 R. presupuesto etapa 4
10x4 + 4x6 + x13+ 3x14 ≤ 14 R. presupuesto etapa 5

presupuestarias
Opciones mutuamente excluyentes
A lo mucho una opción del set de opciones puede elegirse, y se

modelan a través de restricciones del tipo ∑xi ≤ 1 (suma de todo el set).

hay dependencias entre misiones)...

hay dependencias entre misiones)...
max z = 200x1 + 3x2 + 20x3 + 50x4 + 70x5 +...+ 185x14

S.t.
6x1 + 2x2 + 3x3+ x7+ 4x9+ 5x12 ≤ 10 R. presupuesto etapa 1
3x2 + 5x3 + 5x5+ 8x7+ 5x9+ 8x10+ 7x12+ x13+ 4x14 ≤ 12 R. presupuesto etapa 2
8x5 + x6 + 4x10+ 2x11+ 4x13+ 5x14 ≤ 14 R. presupuesto etapa 3
8x6 + 5x8 + 7x11+ x13+ 3x14 ≤ 14 R. presupuesto etapa 4
10x4 + 4x6 + x13+ 3x14 ≤ 14 R. presupuesto etapa 5
x4 + x5 ≤ 1 R. exclusividad 4 o 5

presupuestarias
Opciones dependientes entre ellas
No se puede elegir una opción dependiente a menos que también se

incluya la opción de la cual depende. Se modela la dependencia de la
opción i de opción j a través de la restricción
xi ≤ xj
La variable xi no puede ser =1 a menos que xj lo sea también.

Se desea maximizar el rendimiento del presupuesto de la NADA sin exceder el presupuesto de cada etapa...
max z = 200x1 + 3x2 + 20x3 + 50x4 + 70x5 +...+ 185x14

S.t.
6x1 + 2x2 + 3x3+ x7+ 4x9+ 5x12 ≤ 10 R. presupuesto etapa 1 x11 ≤ x2 R. dependencia 11 de 2
3x2 + 5x3 + 5x5+ 8x7+ 5x9+ 8x10+ 7x12+ x13+ 4x14 ≤ 12 R. presupuesto etapa 2 x4 ≤ x3 R. dependencia 4 de 3
8x5 + x6 + 4x10+ 2x11+ 4x13+ 5x14 ≤ 14 R. presupuesto etapa 3x5 ≤ x3 R. dependencia 5 de 3
8x6 + 5x8 + 7x11+ x13+ 3x14 ≤ 14 R. presupuesto etapa 4 x6 ≤ x3 R. dependencia 6 de 3
10x4 + 4x6 + x13+ 3x14 ≤ 14 R. presupuesto etapa 5 x7 ≤ x3 R. dependencia 7 de 3

SIGUIENTE CLASE
Modelos de optimización discretos

1 - Introducción A Los Modelos de Optimización Discretos

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

1 - Introducción A Los Modelos de Optimización Discretos

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIÓN AL

INDG1019 Programación Entera para Ingeniería

◉ ¿De qué se trata del curso?

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 2

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 3

Resolver problemas de programación entera Uso de métodos exactos y heurísticas para

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 4

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 5

1. Introducción a los modelos de optimización discretos

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 6

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 7

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 8

Primera Segunda Tercera

Examen 50% 50% 100%

Lecciones 20% 15%

Talleres 20% 15%

Tareas 10% 10%

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 9

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 10

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 11

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 12

INDG1019 Programación Entera para Ingeniería

1. Modelar problemas de optimización con variables enteras o

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 14

Finalidad: encontrar la mejor solución (o solución factible) para

Modelamiento matemático como representación suﬁcientemente

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 15

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 16

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 17

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 18

● Modelo determinístico→ para cualquier valor de las variables

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 19

● Modelo estático → las variables de decisión no requieren

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 20

● Modelo lineal → las variables en la función objetivo y en las

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 21

● Modelo entero → cuando una o más variables de decisión

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 22

Modelos de optimización: Vocabulario

Elementos Representación Descripción

Coeficientes c ∈ Rn Parámetros cuyos valores son dados y fijos.

Set de restricciones X ⊂ Rn Limitaciones en valores que las variables de decisión deben

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 23

Modelos de optimización: Vocabulario

Elementos Representación Descripción

Valor óptimo z*=f(x*) El valor mínimo/máximo que toma la función objetivo.

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 24

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 25

◉ También conocidos como

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 26

Un problema puro de programación entera (PE) es aquel en

Un problema de programación entera mixta es aquel en que se

Un problema de programación entero binario es aquel en que

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 30

RF = {(0,0), (0,1), (0,2), (0,3), (1,0), (1,1)} 1

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 31

Suponga ahora que se desea resolver sin 4

z* = 39, x1* = 1.86, x2*= 0 x1

Isabel Alcívar, MSc | INDG1019 Programación Entera para Ingeniería | 32

Suponga ahora que se desea resolver sin 4

z* = 39, x1* = 1.86, x2*= 0 (PL) x1

Modelos de optimización discretos: Región factible

Suponga ahora que se desea resolver sin 4

Valor óptimo z=f(x) El valor mínimo/máximo que toma la función objetivo.