Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Guia1 PE PDF
Guia1 PE PDF
“FRANCISCO DE MIRANDA”
ÁREA DE TECNOLOGÍA
DEPARTAMENTO DE GERENCIA
INVESTIGACIÓN DE OPERACIONES
PROFESOR: Dr. JUAN LUGO MARÍN
Tema No. 5
Programación Lineal Entera
Introducción
1
La Programación Lineal representa una técnica cuantitativa ampliamente
aplicada en sistemas que presenten relaciones lineales, para utilizar los
recursos escasos de la mejor manera posible. En los temas anteriores los
modelos que hemos considerado admiten cualquier valor positivo para las
variables de decisión, sea éste entero o no.
Hay muchos problemas reales en los que los valores que pueden tomar
las variables de decisión están confinados a valores enteros, el fondo del
asunto es que existen muchos problemas reales importantes que serían de
programación lineal si no fuera por el requerimiento de que algunas de las
variables sean enteras. Este tipo de problemas deben ser resueltos
mediante algoritmos especialmente diseñados para resolver problemas de
programación entera.
Los científicos del campo de las ciencias administrativa han advertido la
importancia de los problemas de programación lineal entera desde hace
años, y una buena cantidad de trabajo y de tiempo se han dedicado para
investigar la solución de este tipo de problemas. Dichos esfuerzos han
redituado dividendos y se ha producido un marcado progreso en esta área
durante los últimos años. También debe apuntarse que los grandes
avances en la tecnología de la computación han sido una contribución
crucial para el incremento de la capacidad de resolución de este tipo de
problemas.
a. Entera pura: son aquellos en que todas las variables únicamente pueden
tomar valores enteros. También se distinguen dentro de estos los
problemas totalmente enteros como aquellos en que tanto las variables
como todos los coeficientes que intervienen en el problema han de ser
enteros.
2
Un modelo entero puro (PEP) es, como su nombre lo indica, un
problema en el que se exige que todas las variables de decisión tengan
valores enteros. Por ejemplo
b. Mixtos: son aquellos en los que hay al mismo tiempo variables continuas
y variables enteras.
El problema resultante es
3
c. Binarios o programación lineal entera 0-1 las variables sólo pueden tomar
los valores cero o uno.
Son de interés debido a que se pueden usar las variables 0-1 para
representar decisiones dicotómicas (sí o no).
4
b. Planificación de la expansión de redes de telecomunicaciones: Las
compañías de telecomunicaciones están obligadas a modernizarse y a
expandir continuamente sus redes a una tasa rápida para poder satisfacer
la demanda siempre creciente de clientes. Ellos deben decidir entre usar
cables dedicados para cada circuito requerido o usar multiplexores, switches
remotos o terminales de fibra óptica. Los modelos lineales se han usado
para minimizar el costo total de la expansión e instalación de la red.
5
f. Defensa/Aeroespacial: Las compañías de defensa y aeroespaciales
reciben contratos para construir determinados componentes para los
militares y la NASA. En cada caso los componentes deben ser entregados en
varias etapas a lo largo de la duración del contrato. Modelos lineales se han
usado para determinar la planificación de la producción que minimice el
costo total del proyecto.
6
Interpretación Gráfica de los Modelos de Programación Lineal
Entera
Maximizar 18E + 6F
E– 3F ≤ 0 (5)
E y F ≥ enteros
Las restricciones:
7
2.- Identifique los puntos enteros del inferior del conjunto determinado en
el paso 1.
Y estos son (3,6); (4,6); (3,5), (4,5); (5,5); (4,4); (5,4); (4,3);
(5,3), (6,3); (4,2); (5,2) y (6,2)
8
Se procede como en el problema de PL, o sea moviendo el contorno
de la función objetivo cuesta arriba (dado que estamos trabajando con un
modelo para maximizar) hasta que ya no sea posible hacerlo más sin
abandonar el conjunto factible.
9
Aquí también se ilustran algunos hechos en relación con la
aproximación de la PL. La solución optima con la aproximación de la PL
ocurre en la intersección de las rectas 42,8E + 100F = 800 y 20E+ 6F =
142. Puesto que la intersección de las dos restricciones no se presenta en
un punto entero, la solución óptima de la aproximación con la PL no es
factible para la PLE.
E* = 5.28 y F* = 5.74 con valor optimo (Vo) Vo = 129.48.
TIPO DE AUTOMOVIL
RECURSO COMPACTO MEDIANO GRANDE
Acero necesario 1.5 toneladas 3 toneladas 5 toneladas
Mano de obra requerida 30 horas 25 horas 40 horas
Utilidad generada 2000 3000 4000
10
Puesto que Dorian tiene que determinar cuántos automóviles de cada tipo
tiene que fabricarse, se definen:
Restricción 1 x1 ≤ 0 ó x1 ≥ 1000
Restricción 2 x2 ≤ 0 ó x2 ≥ 1000
Restricción 3 x3 ≤ 0 ó x3 ≥ 1000
Restricción 4 Los automóviles fabricados pueden utilizar a lo más 6 000
toneladas de acero.
Restricción 5 Los automóviles fabricados pueden utilizar a lo más 60 000
horas de mano de obra.
11
semana. La hechura de cada tipo de prenda también requiere las
cantidades de tela y mano de obra que se indican en la tabla 1. Están
disponibles cada semana 150 horas de mano de obra y 160 yardas
cuadradas de tela. El costo unitario variable y el precio de venta para
cada tipo de prenda, se proporciona en la tabla 3. Formule un PE
cuya solución maximice la utilidad semanal de Gandhi.
Gandhi tiene que decidir cuantas prendas de cada tipo debe fabricar a la
semana, así que definimos:
12
USG= (ingresos por las ventas semanales) – (costos variables semanales) –
(costos semanales de la renta de maquinaria). También,
Costo a la semana de la renta de maquinaria = 200y1 + 150y2 +
100y3
Se genera PE:
13
Y1, Y2, Y3 = 0 ó 1
Definimos las variables 0-1 (binarias) x1, x2, x3, x4, x5 y x6 mediante
X1 = 1 si se construye una estación de bomberos en la ciudad i.
0 si no sucede así.
Entonces la cantidad total de estaciones de bomberos que se construyen,
está dada por x1 + x2 + x3 + x4 + x5 + x6, y la función objetivo de Kilory se
tiene que minimizar
Z= x1 + x2 + x3 + x4 + x5 + x6
14
Restricciones. El condado debe tener la certeza de que hay una estación de
bomberos a 15 minutos de cada ciudad. En la tabla 2 se indica a cuales
lugares se puede llegar en 15 minutos o menos. Para asegurar que por lo
menos una estación de bomberos esta a 15 minutos de la ciudad 1, se
suma la restricción
x1 + x2 ≥ 1 (restricción de la ciudad 1) esta restricción asegura que x1 = x2
= 0 es imposible, de modo que por lo menos una estación de bomberos se
construirá a 15 minutos de la ciudad 1. De manera igual, la restricción
x1 + x2 + ≥ 1 (restricción de la ciudad 2) asegura que por lo menos una
estación de bomberos se localiza a 15 minutos de la cuidad 2. Las
restricciones para las ciudades de 3 a 6 se obtienen de modo similar.
Tabla 2. Ciudades a 15 minutos de una ciudad particular.
Ciudad A 15 minutos
1 1, 2
2 1, 2, 6
3 3, 4
4 3, 4, 5
5 4, 5, 6
6 2, 5 ,6
Min Z= x1 + x2 + x3 + x4 + x5 + x6
S.a x1 + x2 ≥1 (Restricción de la ciudad 1)
x1 + x2 + x6 ≥1 (Restricción de la ciudad 2)
x3 + x4 ≥1 (Restricción de la ciudad 3)
x3 + x4 + x5 ≥1 (Restricción de la ciudad 4)
x4 + x5 + x6 ≥1 (Restricción de la ciudad 5)
x2 + x5 + x6 ≥1 (Restricción de la ciudad 6)
xi = 0 o 1 (i= 1, 2, 3, 4, 5, 6)
15
Algoritmos para resolver Modelos de Programación Lineal Entera
16
x1,x2 ≥ 0 y enteras
Max F(x) = 4x1 + 5x2 (1.1) Max F(x) = 4x1 + 5x2 (1.2)
S.a 2x1 + x2 ≤ 8 S.a 2x1 + x2 ≤ 8
x2 ≤ 5 x2 ≤ 5
x1 ≤ 1 x1 ≥ 2
x1,x2 ≥ 0 x1,x2 ≥ 0
De este modo se han eliminado todas las posibles soluciones no enteras del
conjunto de oportunidades tales que 1< x1 < 2.
El proceso se repite con cada uno de los dos subproblemas obtenidos, los
cuales darán lugar a otros dos subproblemas cada uno de ellos y así
sucesivamente hasta que en todos los subproblemas tengan solución entera
o infactible.
17
máximo o superior para problemas de mínimo) que la solución óptima del
problema 1 por ser los conjuntos de elección menores.
18
Ejemplo:
Maximizar X1 + 5X2
19
Sujeto a 11X1 + 6X2 ≤ 66 (P1)
X1, X2 ≥ 0 enteros
20
En la figura podemos ver el conjunto factible de dicha aproximación.
Los puntos negros son los que satisfacen la condición de enteros. (Hay 27
de dichos puntos).
La solución aproximada es:
21
El primer nodo es:
U = 24.375
F = 23.000
X1* = 3.75
X2* = 4.125
1
Numero de Nodo
22
• En realidad, vemos que el valor optimo de X1, en el problema
aproximado de
(P1), no es ni ≤ 3 ni ≥ 4 y, por lo tanto, el punto optimo actual ha sido
(intencionalmente eliminado mediante el proceso de ramificación).
Maximizar X1 + 5X2
X1 ≤3
X1, X2 ≥ 0 enteros
Maximizar X1 + 5X2
X1, X2 ≥ 0 enteros
23
Esta figura revela dos hechos interesantes
24
(P2) (P3)
U = 24.00 U = 22.333
Figura 3
MCSA = 24.00
MCIA = 23.00
U = 24.375
F = 23.00
X1* = 3.75
X2* = 4.125
1
X1 ≥ 4
X1 ≤ 3
U = 24.00 U = 22.33
X1* = 3.00 X1* = 4.00
X2* = 4.20 X2* = 3.667
2 3
25
26
Dado que ni el nodo 2 ni el 3 tienen solución entera, no hemos obtenido
una nueva solución factible.
Para decidir qué haremos en seguida consideremos los nodos del
pie de nuestro árbol, en este caso los nodos 2 y 3.
Observemos que la cota superior del nodo 3 es 22.333 y que el
valor actual de la MCIA es 23.00. Por lo tanto, hemos encontrado ya una
mejor solución que la que hubiéramos podido obtener en el conjunto
factible para (P3). Por lo tanto, podemos ignorar a (P3) y concentrar
nuestros esfuerzos en (P2).
Para continuar consideremos ahora (P2). Todavía no conocemos
la solución optima de (P2), ya que aún no tenemos un valor entero para
X2*, lo abordaremos con el método rama-limite, por lo que debemos
ramificar otra vez. La variable X1 es entera en la solución óptima del
problema (P2). Por lo tanto, debemos ramificar a X2, lo que haremos
usando las restricciones X2 ≤ 4 o X2 ≥ 5. Al hacerlo, reemplazaremos el
problema (P2) por lo siguiente.
Maximizar X1 + 5X2
X1 ≤3
X2 ≤4
X1, X2 ≥ 0 enteros
27
Maximizar X1 + 5X2
X1 ≤3
X2 ≥5
X1, X2 ≥ 0 enteros
28
Al comparar las figuras # 2 y # 1 se advierten varios hachos importantes.
29
Podemos ver aquí que un modelo termina cuando:
1.-Su U es ≤ MCIA, o
2.-Representa un problema infactible.
30
MCSA = 23.00
MCIA = 23.00
U = 24.375
F = 23.00
X1* = 3.75
X2* = 4.125
1
X1 ≤ 3 X1 ≥ 4
U = 24.00
U = 22.33
X1* = 3.00
X1* = 4.00
X2* = 4.20
X2* = 3.667
2
3
X2 ≤ 4 X2 ≥ 5
T
Infactible
U = 23.00 5
X1* = 3
X2* = 4
4
T
31
Ahora, solo necesitamos concentrarnos en el problema (P4) y
resolver su aproximación de PL, como se muestra en la figura 4.
Se revela que la solución optima de ésta, en concreto (X1* = 3, X2* = 4),
es entera. Esto significa que (X1* = 3, X2* = 4) es la solución optima de
(P4). Por esta razón, (P4) es otro nodo terminal de nuestro árbol y en la
figura 4 se ha colocado una T bajo ese nodo.
Entonces hay una tercera causa de terminación
1.-Su U es ≤ MCIA
2.-Representa un problema infactible, o
3.-La aproximación de PL produce una solución para el problema entero
representado por ese nodo.
En el nodo 4 tenemos también una solución entera. Por lo tanto, este punto
es una solución factible del problema (P1). Produce un valor de 23.00 para
la función objetivo. Como la mejor cota inferior actual es 23.00, no
cambiamos la MCIA.
En general, cuando han sido terminados todos los nodos, el método de
bifurcación y acotación estará completado.
La solución óptima del problema original (P1) será la que establezca la
MCIA. En este caso, la MCIA es 23.00 y en consecuencia (X1* = 3, X2* = 4)
será la solución optima para el (P1).
A la terminación, como en la figura # 4 siempre será el caso de que MCIA =
MCSA.
32
Resolución del Modelo de Programación Lineal Entera con la ayuda
del Computador
EJEMPLO:
33
máquina B esta disponible por 110 horas. No más de 200 unidades de
componente 3 podrán ser vendidos, pero hasta 1000 unidades de cada uno
de los otros dos componentes pueden ser vendidas. De hecho, la empresa
tiene ya órdenes de 600 unidades de componente 1 que deben ser
satisfechas. Los beneficios de cada unidad de los componentes 1, 2 y 3 son
de Bs. 8, 6 y 9 respectivamente. Los tiempos en minutos necesarios para
elaborar cada componente en cada máquina son:
34
Solución del modelo:
C1 600.0000 0.0000000
C2 700.0000 0.0000000
C3 200.0000 0.0000000
1 10800.00 1.000000
2 0.0000000 1.500000
3 300.0000 0.0000000
4 0.0000000 3.000000
5 400.0000 0.0000000
6 300.0000 0.0000000
7 0.0000000 -1.000000
35
Current Allowable Allowable
Variable Coefficient Increase Decrease
MAX 8 X1 + 6 X2 + 9 X3
SUBJECT TO
2) 6 X1 + 4 X2 + 4 X3 <= 7200
3) 4 X1 + 5 X2 + 2 X3 <= 6600
4) X3 <= 200
36
5) X1 <= 1000
6) X2 <= 1000
7) X1 >= 600
END
1) 10800.0000
NO. ITERATIONS= 5
37
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
38
c. Uso del Programa WHAT´sBEST
39
d. Uso del Programa QSB:
40
A continuación aparece el informe de resultados para este modelo. Allí se
indica el lugar o posición donde se lee cada valor señalado en dicho
informe.
INFORME DE RESULTADOS:
Solución Óptima.
41
Para nombrar estas variables de decisión en los programas, pueden ser
usadas diferentes denominaciones. En el manual de los programas se
incluye más información al respecto. En este modelo, los nombres que se
han colocado en cada programa se leen:
En Lingo: en la columna “VALUE” y las filas con los nombres C1, C2, y C3.
En Lindo: en la columna “VALUE” y las filas con denominación X1, X2, y
X3.
En What´sBest: en las columnas C1,C2 y C3 y la fila CANTIDAD
PRODUCIDA
En QSB: en la columna “Variables Names” y las filas con denominación X1,
X2, y X3.
Función Objetivo:
Holguras:
42
Restricción 1: Holgura de valor cero. NO quedan minutos disponibles en la
máquina 1. Se utiliza la totalidad máxima disponible de minutos en esa
Máquina 1
43
Bibliografía
Anderson, D.; Sweeney, D.; Williams, T. (2004). Métodos cuantitativos para los
negocios. México. Editorial Thomson.
Eppen, G.; Gould, F. J.; Moore, J.; Schmidt. C.; Weatherford, L. (1998). Investigación
de Operaciones en la Ciencia Administrativa. México. Editorial Prentice Hall
44