Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO DE DIPLOMA
Solución de Problemas de
Programación Lineal en Enteros
usando varias técnicas de Optimización.
2008
“Año 50 de la Revolución”
Hago constar que el presente trabajo fue realizado en la Universidad Central “Marta Abreu”
de Las Villas como parte de la culminación de los estudios de la especialidad de Licenciatura
en Matemáticas, autorizando a que el mismo sea utilizado por la institución , para los fines
que estime conveniente, tanto de forma parcial como total y que además no podrá ser
presentado en eventos ni publicado sin la autorización de la Universidad.
_____________________
Firma del autor
Los abajo firmantes, certificamos que el presente trabajo ha sido realizado según acuerdos de
la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un trabajo
de esta envergadura referido a la temática señalada.
________________ _________________________
Firma del tutor Firma del jefe del Seminario
Pensamiento
i
Dedicatoria
ii
Agradecimientos
Me gustaría expresar mi mayor agradecimiento por haber llegado a este momento tan especial
como es la culminación de mi tesis, a mis padres Rubén Pérez Ayo y Jenny Armas Margado por
darme su apoyo minuto a minuto y compartir conmigo comprendiendo y analizando cada
dificultad y cada problema con amor y dedicación y haciendo hasta lo imposible por ver mis
sueños hecho realidad, siempre con la fe puesta en m í de terminar con éxitos, junto a ustedes
incluyo también a mi hermana. Y por todo esto que aunque es poco lo que yo pueda expresar les
doy de todo corazón las gracias.
A mi novia, Grey Izquierdo Moreno, que a lo largo de estos años de estudio compartió conmigo
los momentos buenos y difíciles, logrando en mi el placer de admirarla.
Agradecer: palabra que encierra gratitud, reconocimiento, satisfacción, gusto, plac er es esto y
quizás más el merecido significado que deseo expresar para definir el trabajo realizado por
Gonzalo J. Palencia.
Por haber aceptado incondicionalmente mi solicitud para la tutoría de mi tesis de graduación
Por haber empleado el tan preciado tiempo del que dispone.
Por los días de incertidumbre y llegar hasta el desvelo.
Por su paciencia y comprensión.
Por la confianza depositada en m í desde el primer momento para realizar mi proyecto con gran
profundidad.
Por llegar al final con el espíritu de haber realizado un trabajo de grandes.
Y le digo con el mayor respeto, sinceridad y admiración: ha ganado usted un amigo.
Por todo esto y de corazón le doy las gracias...
A los profesores de Estadística, por ayudarme en los momentos en que fui con ellos, a pedir
aclaraciones de dudas que me fueron surgiendo a lo largo de la elaboración y análisis estadísticos
en mi proyecto.
iii
Agradecimientos
Agradezco y con especial reconocimiento también a Marisela profesora que me impartió por
primera vez la asignatura de op timización y me motivó a interesarme con profundidad en esta
rama de las Matemáticas.
A Yoandy Castillo Sánchez.
A Rangel Roque Fundora.
A Miguel Angel Estela Rodriguez.
A. Dayron Hernández Pérez .
Y a todos mis amigos, que mi mayor deseo es poderlos men cionar a todos, pero no terminaría
ni alcanzaría esta hoja. Para mí, la amistad y la unión en la que pude disfrutar en estos años, me
ha servido de gran impulso y estímulo para llegar al final.
Y por todo lo dejado escrito les doy las gracias por ha ber dejado compartir mi vida con todos
ustedes y esperando que este trabajo pueda servirle a muchos en un futuro.
iv
Resumen
Éste documento investiga una de las técnicas novedosas en la programación en enteros, el método
de Ramificación y Acotación comb inado con los cortes de Gomory y Chvatal -Gomory
(Ramificación y Corte). A través del programa Programación Lineal en Enteros v.1.0 y del
programa SPSS v.11.0 se lleva a cabo la implementación y comparación de las distintas
alternativas empleadas en el m étodo de Ramificación y Corte para problemas con pequeña
dimensión (máximo 8 variables y 5 restricciones), utilizando los cortes anteriormente
mencionados y aplicados cada 1, 2, 0 -1, 1-0 niveles del árbol. El principio básico del Método de
Ramificación y Corte es igual al del método de Ramificación y Acotación, se utilizan las mejores
estrategias para la selección de la variable y los nodos a ramificar. Se incluyen además los
Métodos de los Planos Cortantes de Gomory y el de los Planos Cortantes de Chvata l-Gomory.
Además se hace una comparación co n el software Mathematica v.6.0 para validar los resultados
obtenidos. Un total de 12 estrategias fueron analizadas para la resolución de problemas de
programación lineal en enteros.
v
Abstract
This document investigates one of the novel techniques in the integer programming, the Method
of Branch and Bound combined with the cuts of Gomory and Chvatal -Gomory (Branch and Cut).
Through the program Programaci ón Lineal en Enteros v.1.0 and of the program SPSS v.11.0 is
carried out the implementation and comparison of the different alternatives employees in the
method of Branch and Cut for problems with small dimension (maximum 8 variables and 5
restrictions), using the previously mentioned and applied cuts each 1, 2, 0-1, 1-0 levels of the tree.
The basic principle of the Method of Branch and Cut is similar to that of the method of Branch
and Bound, the best strategies are used for the selection of the variable and the nodes to ramify.
They are also included the Method s of the Sharp Planes of Gomory and that of the Sharp Planes
of Chvatal-Gomory. A comparison is also made with the software Mathematica v.6.0 to validate
the obtained results. A total of 12 strategies were analyzed for the resolution of problems of
integer lineal programming.
vi
Índice
PENSAMIENTO ........................................................................................................................................................... I
DEDICATORIA .......................................................................................................................................................... II
AGRADECIMIENTOS .............................................................................................................................................III
RESUMEN ................................................................................................................................................................... V
ABSTRACT ................................................................................................................................................................ VI
ÍNDICE ..................................................................................................................................................................... VII
1. INTRODUCCIÓN .................................................................................................................................................... 2
2. MÉTODOS DE PROGRA MACIÓN LINEAL EN ENT EROS ........................................................................... 6
2.1 NOTACIONES Y DEFINICIONES .............................................................................................................................. 6
2.2 RAMIFICACIÓN ..................................................................................................................................................... 8
2.3 MÉTODO DE RAMIFICACIÓN Y ACOTACIÓN .......................................................................................................... 9
2.3.1 Selección de las variables a ramificar ....................................................................................................... 11
2.3.2 Selección de los nodos a ramificar ............................................................................................................ 12
2.3.3 Búsqueda de una soluc ión inicial factible.................................................................................................. 14
2.3.4 Aspectos del Algoritmo .............................................................................................................................. 15
2.3.5 Algoritmo general de Ramificación y Acotación ....................................................................................... 15
2.4 MÉTODO DE PLANOS CORTANTES DE GOMORY .................................................................................................. 16
2.4.1 Algoritmo de Planos Cortantes de Gomory ............................................................................................... 18
2.5 CORTES DE CHVATAL - GOMORY ....................................................................................................................... 19
2.5.1 Separación de un problema para F CG ........................................................................................................ 20
2.5.2 Algoritmo de Cortes de Chvatal -Gomory .................................................................................................. 21
2.6 RAMIFICACIÓN Y CORTES ................................................................................................................................... 21
2.6.1 Esquema General del Algoritmo de Ramificación y Corte ........................................................................ 23
3. PRUEBAS NUMÉRICAS Y ANÁLISIS DE RESULTADOS ............................................................................ 25
3.1 ESTRATEGIAS UTILIZADAS ................................................................................................................................. 25
3.2 DESCRIPCIÓN DE LOS PROBLEMAS DE PRUEBA ................................................................................................... 26
3.3 DETALLES DE LA IMPLEMENTACIÓN ................................................................................................................... 27
3.4 EJEMPLO DESDE EL MATHEMATICA .................................................................................................................... 31
3.5 ANÁLISIS ESTADÍSTICO ....................................................................................................................................... 34
3.5.1 Descriptivo ................................................................................................................................................. 34
3.5.2 Exploratorio ............................................................................................................................................... 37
3.5.3 No Paramétrico .......................................................................................................................................... 39
3.6 CONCLUSIONES ................................................................................................................................................... 41
CONCLUSIONES ...................................................................................................................................................... 42
RECOMENDACIONES ............................................................................................................................................ 43
BIBLIOGRAFÍA ........................................................................................................................................................ 44
APÉNDICE A. TABLAS ........................................................................................................................................... 48
A.1 PROBLEMAS DE PRUEBA .................................................................................................................................... 49
A.2 ANÁLISIS ESTADÍSTICO . .................................................................................................................................... 62
A.3 NOTACIÓN ........................................................................................................................................................ 65
vii
Capítulo
1
1. Introducción
H
oy en día, la optimización se ha convertido en práctica habitual en las ciencias, las
ingenierías y los servicios. En Estadística son comunes los términos “máxima
probabilidad o mínimos cuadrados”; en el c ampo de los negocios es frecuente
encontrar términos como “máximo beneficio, mínimo costo o aprovechamiento máximo de los
recursos”. Aunque muchos de los aspectos básicos de la Optimización se desarrollaron en los
siglos XVIII y XIX con los trabajos de Lag range o Euler el verdadero desarrollo de la
Programación Matemática (PM) comienza con los trabajos de Kantorovich y Dantzig en los años
40. Sin embargo, no es hasta la revolución informática de los años 70, cuando apoyados en el
poder de cálculo de los ord enadores, la PM comienza a ser una herramienta ampliamente
utilizada en muchas aplicaciones. Los problemas de Optimización se pueden clasif icar en
problemas que involucran variables continuas solamente o en problemas con variables continuas
y discretas (o solamente discretas). En muchos problemas prácticos, las variables de decisión
sólo tienen un sentido real si su valor es entero. Por ejemplo, con frecuencia es necesario asignar
personas, máquinas, vehículos a las actividades , en cantidades enteras. El hecho de exigir valores
enteros es la única diferencia respecto a un problema de Programación L ineal (PL), entonces se
trata de un problema de Programación en Enteros (PE). El Modelo Matemático para PE es
sencillamente el modelo de PL con la restricción adicional de que las variables deben tener
valores enteros.
f x c T x, c Z n , sa : S x Z n Ax b, A Z mxn , b Z m (1.1)
1
Capítulo 1. Introducción
min c T x
Ax b (1.2)
n
x 0, x Z
n
min c j x j
i 1
n
aij x j bi , i 1,..., m (1.3)
j 1
x j 0, x j Z
Igual que en el caso de los PL las restricciones pueden aparecer con signo de , o de y en
forma similar, usando variables de holgura o superplus, se pueden llevar a la forma Standard.
Una generalización de los PLE son los Pro blemas Lineales Mixtos (PLM), donde solamente
algunas de las variables, deben satisfacer la restricción de ser enteras. Estos problemas pueden
escribirse:
min c1 x c2 v
A1 x A2 v b (1.4)
x Z ,v 0
n
Puede parecer que los problemas de PE son relativamente fáciles de resolver. Después de todo,
los problemas de PL se pueden resolver de una manera bastante eficiente, y la única diferencia es
que la PE tiene muchas menos solucione s que considerar. De hecho, está garantizado que los
problemas de PE pura con una región factible acotada tienen sólo un número finito de soluciones
2
Capítulo 1. Introducción
factibles, pero éste número suele ser lo suficientemente grande (en un problema binario con n
variables el número de soluciones factibles a estudiar es 2 n) como para que resulte imposible su
comparación. Entonces, cada vez que n aumenta en 1, el número de soluciones se duplica. Este
patrón se llama el crecimiento exponencial de la dificultad del problema. Con n 10 , se tienen
más de 1000 soluciones (1024); con n 20 , son más de un 10 6; con n 30 resultan más de mil
millones, y así sucesivamente; por eso, hasta las computadoras más eficie ntes son incapaces de
realizar una enumeración exhaustiva (que verifique la factibilidad de cada solución y si es
posible, que calcule el valor de la función objetivo) para Problemas Enteros Binarios (PEB) con
unas cuantas docenas de variables, sin mencion ar los problemas de PE en general con el mismo
número de variables enteras.
Los métodos más populares para resolver (1.1) fundamentalmente están basados en los métodos
de Ramificación y Acotamiento (B & B del inglés Branch and Bound ) y sus variantes, donde cada
subproblema lineal se resuelve utilizando cualquier método de PL (Simplex, Simplex -Revisado,
Método de Punto Interior, etc...). Este método consiste en una enumeración del árbol en el cual el
espacio de variables enteras se divide de forma sucesiva dando a lugar a subproblemas lineales
que se resuelven en cada nodo del árbol . Para la elección del nodo a ramificar se utilizan reglas
heurísticas (búsqueda en profundidad, búsqueda en anchura, etc…) que serán expuestas en el
Capítulo 2. Otra variante que existe para resolver (1.1) es el Método de los Planos Cortantes de
Gomory [Gomory, ´59], que se basa en la introducción de nuevas restricciones al problema
Relajado, hasta lograr que la solución óptima del nuevo problema sea entera. El mismo tiene una
desventaja: podemos realizar hasta 1000 iteraciones y no llegar al óptimo, es por eso que
acudimos a la aplicación de otros métodos de la PE.
El desarrollo de dos técnicas importantes ha contribuido a mitigar el crecimiento exponencial en
la solución de problemas de PLE Mixtos. El desarrollo de técnicas de pre -procesamiento y la
introducción de Planos Cortantes. El pre -procesamiento se basa en la utilización de eliminación
automática de variables y restricciones, reformulación de restricciones, fijar a pri ori algunas
variables enteras. Los Planos Cortantes son restricciones extra añadidas al problema, bien en el
nodo inicial o dentro de la enumeración, que tiene el efecto de reducir la región factible del
problema. Dos artículos reportan la aparición del al goritmo de Ramificación y Corte [Grötschel,
Holland, ’91], [Padberg, Rinaldi, ’91]. Los últimos desarrollos en la PE Mixta incluyen los
métodos de Ramificación y Precio (Branch and Price ) [Liberti, ´06] y Ramificación y Corte
3
Capítulo 1. Introducción
(Branch and Cut, [Balas´93]); [Rinaldi, ´91]; [Jünger, ’95]; [Caprara and Fischetti, ’97];
[Fischetti, Lodi, ’05]; [Grossmann, Caballero, ’07]; etc... Se reporta en la bibliografía actualizada
que la aplicación de Métodos híbridos, o sea, Ramificación y Acotación combinado con los
Planos Cortantes de Gomory (Branch and Cut) proporciona mejoras de pre -procesado y aumento
en la velocidad de los ordenadores. Esta demostrado por Eisenbrand, F . que la separación de un
problema aplicando el corte Chvatal-Gomory es NP-Hard [Eisenbrand, ‘99]. En los últimos años
ha despertado un gran interés la aplicación de métodos híbridos en la Optimización para acelerar
su convergencia, es por eso que en nuestro trabajo centraremos nuestra atención en la resolución
de problemas de PLE aplicando el Método de Ramificación y Corte.
Objetivo General:
1. Implementar diferentes algoritmos que permiten resolver PLE usando el lenguaje del
paquete Mathematica.
Objetivos Específicos:
1. Implementar el algoritmo de Ramificación y Aco tación, Planos Cortantes de Gomory,
Planos Cortantes de Chvatal -Gomory y diferentes variantes de Ramificación y Corte en
lenguaje del paquete Matemática.
2. Realizar experimentos numéricos para verificar la efectividad de la implementación.
3. Realizar un análisis estadístico de las pruebas numéricas realizadas.
4
Capítulo 1. Introducción
que permiten resolver PLE (Ramificación y Acotación, Planos Cortan tes de Gomory, Planos
Cortantes de Chvatal-Gomory y el de Ramificación y Corte).
5
2
Capítulo
E
n este capítulo centraremos nuestra atención en exponer la idea básica de diferentes
algoritmos que permiten resolver problemas de PLE y algunos aspectos teóricos
relacionados con los algoritmos. Específicamente, uno de los primeros métodos que
surgió para resolver los problemas de PLE es el Método de Planos Cortantes de Gomory
[Gomory, ’63], después apareció el Método de Ramificación y Acotación, más conocido por su
nombre en inglés Branch and Bound, recibe su nombre precisamente por las dos técnicas en las
que basa su desarrollo, que son la Ramificación y la Acotación, y por último, la combinación de
los dos métodos anteriores, que se inscribió en la literatura como el Método de Ramificación y
Corte (Branch and Cut). Se introducirán las diferentes Notaciones y Definiciones que serán
utilizadas en el transcurso de nuestro trabajo.
min c T x
sa : Ax b (P),
n
x 0, x Z
Donde A M (m, n), b m , c n y la relajación del problema (P ) lo denotemos por (RP)
que tiene la siguiente forma:
6
Capítulo 2. Métodos de Programación Lineal en Enteros
min c T x
sa : Ax b (RP)
x 0
Denotemos por
S P x Z n : Ax b S RP n al conjunto formado por todas las
soluciones factibles de (P) que tienen coordenadas en entero y a S x : Ax b al
n
RP
min z RP ( x) c T x min z P ( x) c T x
P1: sa : P2: sa : , donde S T
x T n x S
válida para
X n , si X x x X y t x 0 , o sea, si se satisface en todos los
puntos factibles (enteros).
min f ( x)
Consideremos el siguiente problema , donde X y Z y b .
1
sa : x X
Entonces la “Inecuación” y b es válida para X .
7
Capítulo 2. Métodos de Programación Lineal en Enteros
Haremos mención a algunos términos que se utilizan en el á rbol de enumeración, o sea, éste
árbol nos permite describir el proceso de cálculo aplicando el Método de Ramificación y
Acotación y sus variantes para la resolución de un PLE.
2.2 Ramificación
Vértice cancelado: cuando no tiene sentido hacer una separac ión a partir de él (no más
exploración).
Vértice vivo: no es cancelado y todavía no se ha hecho una separación a partir de el
(puede seguirse explorando)
Ramificar: significa seleccionar un vértice vivo para cancelarlo o separarlo.
Vértices vivos y cancelados son las hojas del árbol.
Expondremos a continuación los fundamentos teóricos en los cuales se basan los diferentes
métodos que permiten resolver problemas de PLE. Los métodos m ás usados parten de la
Relajación del problema.
Idea: sustituir el problema entero original por un problema más sencillo, que pueda ser resuelto
más fácilmente, por tanto; que pueda ser utilizado para obtener cotas.
8
Capítulo 2. Métodos de Programación Lineal en Enteros
Las más usada es la Relajación Lineal que consiste en eliminar la condición de que las variables
tomen valores enteros (condiciones de integridad) . Si los puntos extremos del problema tuvieran
coordenadas en enteros, pues no hubiera problema, entonces ¿por qué no obtener una envoltura
convexa? Es demasiado costoso. Por eso acudimos a otras herramientas matemáticas que nos
permiten resolver PLE, en el cual Ralph Gomory es el Díos en la PLE.
nuevos subproblemas de PL y las siguientes cotas para cada uno, o sea, a partir de S RP los dos
nuevos subproblemas se generan de la siguiente manera:
S1 S x : x j ~x j
S 2 S x : x j ~
x j1
Uno de estos dos nuevos subproblemas es escogido para ser resuelto. Si alguna de las variab les
enteras toma valores no enteros se vuelve a repetir el proceso anterior hasta encontrar una
solución factible entera. Si una de las siguientes reglas se satisface, entonces no se requiere
ramificación, el nodo correspondiente a sido explorado al máximo (tanteado) y puede ser
abandonado [Leyffer, ’98].
9
Capítulo 2. Métodos de Programación Lineal en Enteros
R1) Si un nodo no factible es detectado, el subárbol completo que comienza con este nodo es no
factible y el nodo es tanteado .
R2) Un nodo entero factible es detectado. Esto provee una cota superior, la ramificación no es
posible y el nodo será tanteado.
R3) La solución del nodo es mayor o igual que la cota superior actual, en este caso el nodo es
podado y una vez que esto ocurre el algoritmo hace Backtracking a otro nodo el cual no haya sido
explorado, hasta que todos los nodos se exploren o se haya llegado al umbral especificado.
Una vez que un nodo sea explorado el algoritmo hace un Backtracking hacia otro nodo que no
haya sido explorado. La estrategia de búsqueda que se usa es primero en profundidad para elegir
los subproblemas, hasta que una solución entera es encontrada. La búsqueda puede detenerse
cuando el árbol sea completamente explorado o hasta un Umbral especificado para no tener que
explorar el árbol completo, lo cual mejora considerablemen te la eficiencia del algoritmo, ya que
para problemas de grandes dimensiones sería muy costoso tener que explorar el árbol completo,
mientras que con un Umbral la búsqueda se hace mucho más eficiente.
En adición a los datos del problema y al árbol que des cribe el proceso de Ramificaci ón y
Acotación, el algoritmo utiliza la variable:
Ub: Cota superior. Este es el valor de la función objetivo para la mejor solución entera
conocida. Es inicializada Ub = para un problema de minimizaci ón.
10
Capítulo 2. Métodos de Programación Lineal en Enteros
Existen diversos criterios para escoger la variable que se va a ramificar, a continuación h aremos
alusión a tres de ellos que son los más utilizados.
2. Variables enteras más fraccionarias : Esta estrategia selecciona la variable que esté
más lejos de su valor entero más cercano.
3. Uso de Pseudos-Costos: Los Pseudos-Costos son usados como una medida cuantitativa
de la importancia de la variable entera, lo cual permite que se le asigne cierta prioridad
a las variables. Para cada variable entera x j se definen las siguientes cantidades: pcl j
llamado lower pseudos-cost y pcu j llamado upper pseudos-cost, estos valores son
pcl j =( f L - f K ) / x *j
11
Capítulo 2. Métodos de Programación Lineal en Enteros
Estos pseudos-costos pueden ser interpretados como el deterioro del valor funcional por unidad
de cambio de la variable x j , donde pcl j corresponde al decrecimiento de x j y pcu j
1. Calcular pcl j y pcu j para todas las variables enteras siempre que sea posible.
Para la selección de los nodos a ramificar existen diversos criterios, haremos alusión a tres de
ellos:
Ramificar por el nodo con menor cota : El nodo que tiene la menor cota es seleccionado a
ramificar por el. Lawler and Wood (1966) argumentaron que para cualquier problema dado el
conjunto de nuevos problemas acotados es únicamente determinado, entonces esta estrategia
tiene la ventaja que la cantidad total de cálculos es minimizada, en el sentido de que cualquier
12
Capítulo 2. Métodos de Programación Lineal en Enteros
operación de ramificación ejecutada bajo esta estrategia, también puede ser ejecutada bajo
cualquier otra estrategia. Estrategia conocida como búsqueda de anchura.
Ramificar por el nodo más nuevo: A los nodos correspondientes al nuevo problema le son
asignadas preferencia sobre el resto de los nodos seleccionados para ramificar. Esta estrategia
también es conocida como depth (profundidad), back -track (volver atrás) o last -in-first-out
(último en entrar primero en salir). Esta estrategia tiene la ventaja que economiza memoria y es
relativamente fácil de implementar.
Uso de estimación: Esta estrategia considera solo el valor de la función objetivo y no tiene en
cuenta lo “cualitativo” de las so luciones óptimas continuas. Para ilustrar el concepto de
“cualitativo” consideremos el siguiente ejemplo de tres variables:
Para evitar esto es que se utiliza este nuevo concepto llamado estimación, que utiliza pseudos-
costos. Dado un nodo K, la cantidad llamada estimación del nodo K y denotada por E k se
calcula de la siguiente manera:
m
Ek = fK + V
j 1
j
13
Capítulo 2. Métodos de Programación Lineal en Enteros
Para la búsqueda de esta solución inicial se han propuesto diversas heurísticas, aquí haremos
referencia a una de ellas.
Heurística A:
Tenemos que x x1 , x 2 ,..., x n es la solución de un nodo no explorado y p representa el
número de variables enteras que asumen valores no enteros en esta solución.
variable x j , para ramificar acorde a las reglas especificadas. Para este nodo, el número
de variables enteras ya deben tener valores enter os. Estas variables están fijas a sus
correspondientes valores enteros mientras se ramifica. Así, no tienen permitido cambiar
sus valores en ninguno de los dos subproblemas. La idea es decrementar el número de
variables enteras con valores no enteros y a sí se arriba a soluciones con un bajo orden
de no factibilidad.
14
Capítulo 2. Métodos de Programación Lineal en Enteros
Si después de resolver los dos subproblemas una solución entera factible es obtenida, nos
detenemos, de otra forma se retorna al paso 1.
Heurística B:
Esta Heurística se aplica a problemas de Programación no lineal en Enteros y por tanto no es de
nuestro interés.
Para la ramificación de los nodos el criterio con el cual se obtuvieron los mejores
resultados y el cual nosotros elegimos para realizar la implementación del algoritmo de
Ramificación y Acotación es: Ramificar por el nodo con menor cota , y para la
ramificación de las variables elegimos el criterio: Variables enteras más fraccionarias .
Con respecto a la elección del umbral consideramos que debía ser 50 nodos a generar ya que en
los experimentos numéricos los resultados arrojaron que el promedio de nodos generados es de 6,
además de los requerimientos de memoria y procesamiento se harían críti cos con un umbral muy
grande.
15
Capítulo 2. Métodos de Programación Lineal en Enteros
Paso 2. Mientras L :
a) Tomar PL i de L y resolverlo.
b) Sí PL i es no factible, eliminarlo.
Actualizar z , x * y eliminar PL i.
16
Capítulo 2. Métodos de Programación Lineal en Enteros
xB
A [ B D] y las variables de decisión x , donde la matriz es de dimensión
xD
B M ( m, m) y se le llama matriz básica y a la matriz D M ( m, n m) se le denomina
n
xBi yi 0 ij j
y x (2.1)
j m 1
Donde la matriz
Y { yij } B 1 * D M (m, n m) y yi 0 son los términos
B
x Y0 Y j j , donde R j j índice de variables no básicas
x
jR
Tomando la u-ésima fila de (2.1) tendríamos: BU
x YU0 YUj j
x (2.2)
jR
Para que el valor de la variable x BU se convierta en entero, es necesario que al menos una de las
variables no básicas asuma un valor positivo y para lograr esto es necesario ampliar el rango de la
matriz con la inclusión de nuevas restricciones a partir de ( 2.2).
YUj Uj f Uj , j R y YU 0 U 0 f U 0 , j R (2.3)
17
Capítulo 2. Métodos de Programación Lineal en Enteros
Donde:
U 0 es el mayor entero menor que YU 0
Sustituyendo (2.3) en (2.2) y para cualquier solución entera de ( 2.2), realizando transformaciones
algebraicas obtenemos finalmente la ecuación del Plano Cortante de Gomory [Garfinkel, ´72] que
tiene la forma siguiente:
( f x
Uj j ) ( f U0
) (2.4)
jR
18
Capítulo 2. Métodos de Programación Lineal en Enteros
Expondremos los pasos a seguir para obtener el Corte de Chvatal -Gomory (del inglés Chvatal –
Gomory Cuts) [Pisinger, ‘07].
n
max c t
x
j 1
sa :
n n
a1 j x j b1 ,..., amj x j bm
j 1 j 1
x j , j 1,..., n
a x
j 1
j b (2.6)
n
Paso 2. Como x 0 a a x
j 1
j 0
19
Capítulo 2. Métodos de Programación Lineal en Enteros
a x
j 1
j b
ax
j 1
j b , esta inecuación puede escribirse
u A x
j 1
T
j u T b
n T
Denotemos por FCG u A x j u b la ecuación de Corte de Chvatal -Gomory y es una
T
j 1
Sobre la aplicación de este tipo de corte se h an dedicado muchos trabajos, el modelo que
presentamos fue una variante aplicada en [Fischetti, Lodi ,’ 05].
20
Capítulo 2. Métodos de Programación Lineal en Enteros
max j x *j 0
jJ ( x * )
s.a f j u A j j , para j J ( x )
T *
f0 u b 0
T
0 f j 1 , para j J ( x ) {0}
*
(2.7)
0 u i 1 , para i 1,..., m
j entero, para j J ( x * ) {0}
donde J ( x ) j 1,..., n : x j 0
* *
A partir del problema (2.7) podemos decir que existe la separación del problema en el intervalo
especificado o que no existe.
Paso3. (Generación de un corte). Se utiliza el modelo (2.7) propuesto anteriormente para lograr
la separación del problema.
En la búsqueda por mejorar las técnicas para resolver un PLE nos encontramos con uno de los
métodos avanzados para la resolución de este tipo de problemas, el método de Ramificación y
Corte.
21
Capítulo 2. Métodos de Programación Lineal en Enteros
22
Capítulo 2. Métodos de Programación Lineal en Enteros
23
Capítulo 2. Métodos de Programación Lineal en Enteros
Paso 3. (Limitar). Encontrar un límite para el problema definido por la rama seleccionada. El
límite esta dado por el valor de la mejor solución factible de enteros encontrada hasta el
momento, y domina a todos los otros posibles resultados de otra rama.
Paso 4. (Comparar). Comparar la solución obtenida en la rama con el l ímite de referencia vigente.
Si el valor de la solución es menor que el límite vigente, se elimina de consideración toda
la nueva rama. Se continúa con las ramas que no hayan sido evaluadas aún.
Si el valor de la solución es mejor que el límite vigente y si la solución es entera
(factible), entonces se convierte en el nuevo límite de referencia. Se examinan las ramas
que aún no se han considerado en relación al nuevo límite.
Si el valor de la solución es mayor que el límite vigente, pero la solución no es entera
(factible) deben explorarse las ramificaciones de nivel inferior en la misma rama.
Paso 5. (Terminar). Quedarse con la mejor solución factible obtenida una vez examinadas todas
las ramificaciones.
24
3
Capítulo
L
a estadística es una de las herramientas más potentes para muchos trabajos de
investigación. Cuando nos referimos a un pr oblema donde nos encontramos con datos
experimentales y queremos conocer las causas de é ste comportamiento, predecir el
comportamiento o hacer diversas comparaciones, etc… , la estadística juega un papel importante
para poder resolver dichos enigmas.
En la sección 3.1 detallamos las estrategias utilizadas en n uestro trabajo, describiendo de é sta
forma los problemas de prueba en la sección 3.2. Las distintas tácticas fueron implementadas en
el programa: Programación Lineal en Enteros v.1.0, los detalles de la implementación del
mismo, así como la sintaxis de las p rincipales funciones, se abordará n en la sesión 3.3. Para
comprender el funcionami ento del programa se describirá un ejemplo en la sesión 3.4. En la
sección 3.5 se llevarán a cabo las pruebas estad ísticas necesarias para poder afirmar cuáles de las
estrategias resultan ser las mejores ante la población de problemas pequeños. Para finalizar en la
sección 3.6 se enunciarán las conclusiones de éste capítulo.
Para obtener respuesta a nuestro trabajo de investigación hemos considerado dos de los más
famosos cortes, como son el corte de Gomory y el corte de Chvatal -Gomory; hemos aplicado los
mismos cada 1, 2, 0-1, 1-0 niveles del árbol, además de compararlos con el método de
Ramificación y Acotación, el método de los Planos Cortantes de Gomory, el método de los
Planos Cortantes de Chvatal -Gomory y con el método implementado por el software mathematica
v.6.0 (Ramificación y Acotación en su función LinearProgramming [Wolfram, ´07]).
25
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Estas diferentes alternativas para resolver PLE forman un total de 12 estrategias que son
enumeradas de la manera siguiente:
ESTRATEGIAS UTILIZADAS
No. Método Corte Nivel
1 Ramificación y Acotación (math) Ninguno Ninguno
2 Ramificación y Acotación (propio) Ninguno Ninguno
3 Planos Cortantes de Gomory Gomory 0
4 Planos Cortantes de Chvatal -Gomory Chvatal-Gomory 0
5 Ramificación y Cortes Gomory 1
6 Ramificación y Cortes Chvatal-Gomory 1
7 Ramificación y Cortes Gomory 0-1
8 Ramificación y Cortes Chvatal-Gomory 0-1
9 Ramificación y Cortes Gomory 1-0
10 Ramificación y Cortes Chvatal-Gomory 1-0
11 Ramificación y Cortes Gomory 2
12 Ramificación y Cortes Chvatal-Gomory 2
26
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Es de vital importancia para cualquier estudio computacional examinar una amplia gama de
problemas de prueba.
Un total de 40 problemas de prueba fueron seleccionados (Tabla 1, Apéndice A.1), entre ellos:
31 de 2 variables, entre los cuales 18, 11 y 2 constan con 2, 3 y 4 restricciones
respectivamente.
5 de 3 variables, entre los cuales 2 y 3 constan con 2 y 4 restricciones respectivamente.
3 de 3 variables con 4 restriccione s.
1 de 8 variables y 5 restricciones.
En las Tablas 2...13 del Apéndice A.1 se muestran las 12 estrategias aplicadas a lo s problemas
analizados.
27
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Los cortes probados en un gran número de problemas fueron: el corte de Gomory y los de
Chvatal-Gomory. El diseño de la función ProgramacionLinealPart1 y ProgramacionLinealPart2
tienen la ventaja de tener implementados los cuatro métodos analizados en este trabajo
(Ramificación y Acotación, Planos Cortantes de Gomory, Planos Cortantes de Chvatal -Gomory,
y Ramificación y Cortes), solo basta con cambiar l as opciones en dependencia del método que se
desee utilizar. El trabajo con los niveles del árbol para aplicar los cortes fue implementado de
manera general dándole la posibilidad al usuario de aplicar los cortes cada un cierto número n de
niveles, así como una combinación de ellos. Los problemas intermedios fueron resueltos por los
métodos Simplex Revisado y Simplex Dual [Castillo, ´02]. La estrategia para la selección de la
variable a ramificar fue Variables enteras más fraccionarias y para la selección del nodo a
ramificar fue Ramificar por el nodo más nuevo .
28
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Las funciones implementadas en el programa capa ces de resolver cualquier problema en enteros
fueron la función ProgramacionLinealPart1 y ProgramacionLinealPart2.
Sintaxis # 1: Pr ogramacion LinealPart 1 vb, vnb, u 0( 0 ) , w ( 0 ) , v ( 0 ) , U ( 0 )
max x1 4 x 2
s.a 2 x1 4 x 2 17
(3.1)
1 0 x1 3 x 2 15
xi 0, entero, i 1,2
min x1 4 x 2
s.a x3 17 2 x1 4 x 2
(3.2)
x 4 15 1 0 x1 3 x 2
xi 0, entero, i 1,2,3,4
Donde:
vb x3 , x 4 y vnb x1 , x 2
u 0( 0 ) 0 y w ( 0 ) 1,4
29
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Sintaxis # 2: Pr ogramacion LinealPart 1 vb, vnb, u 0( 0 ) , w ( 0 ) , v ( 0 ) , U ( 0 ) , Opciones
Sintaxis # 3: Pr ogramacion LinealPart 2 vb, vnb, u 0( 0 ) , w ( 0 ) , v ( 0 ) , U ( 0 ) , Opciones
30
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
M 20
Pr ogramacion LinealPart 2 vb, vnb, u 0( 0 ) , w ( 0 ) , v ( 0 ) , U ( 0 ) , Cut " Gomory" , Level n
Pr ogramacion LinealPart 2vb, vnb, u (0)
0 , w ( 0 ) , v ( 0 ) , U ( 0 ) , Cut " Gomory" , Level n1 ,...
Nota: Utiliza cortes de Chvatal-Gomory.
31
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
max x1 4 x 2
s.a 2 x1 4 x 2 17
1 0 x1 3 x 2 15
xi 0, entero, i 1,2
Ejemplo: (Método de Ramificación y Corte , cada 0-1 niveles de árbol, utilizando el corte de
Gomory).
Paso 1. Escribir en un fichero texto el problema equivalente en función de las variables básicas y
no básicas.
Fichero.txt
0 -1 -4
17 -2 -4
15 -10 -3
Paso 4. Ejecutar
SetDirectory ["Dirección_Fichero"];
Data = ReadList ["Nombre_Fichero.txt", Number, R ecordLists True];
Problem =US [Data]
Donde:
32
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Se tiene entonces:
Salida:
Method: Branch & Cut
Cuts Type: Gomory
Level: {0, 1}
Information of the problem:
33
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
En nuestro estudio:
1. Los problemas fueron corridos en un Intel Celeron CPU 2.67 GHz, 247 RAM.
2. Se usó el programa Programación Lineal en Enteros v.1.0 implementado en el paquete
Mathematica v.6.0.
Observación: Debido a que observamos que hay problemas donde el tiempo es casi insignificante
(0.×10-5), se reemplazará dicho valor por 0 (tratamiento a los datos perdidos)
3.5.1 Descriptivo
Breve Introducción:
Al analizar datos, lo primero que tenemos que hacer con una variable es, formarse una idea lo
más exacta posible acerca de sus características. Esto se consigue prestando atención a tres
aspectos básicos: tendencia central, dispers ión y forma de la distribución. Ahora bien, las medidas
de tendencia central y de dispersión, los índices y gráficos sobre la forma de la distribución,
resultan más o menos útiles dependiendo del tipo de variable que se intente caracterizar. Con
variables categóricas, por ejemplo, las medidas de tendencia central y de dispersión , carecen de
importancia comparadas con la utilidad de una distribución de frecuencias o un gráfico sobre la
forma de la distribución. Por e l contrario, con variables conti nuas una distribución de frecuencias
pierde importancia comparada con la capacidad informativa de las medidas de tendencia central y
de dispersión. Por otro lado, los diagramas que informan sobre la forma de una distribución son
diferentes dependiendo de que la vari able estudiada sea categórica o continua.
34
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Se analizarán un grupo de estadísticos como la media, la asimetría, la curtosis y sus respect ivos
errores tipificados, la varianza, la desviación típica, el menor valor, el mayor valor y los valores
tipificados asociados a cada observación [Bouza, Sistachs , ´04]
Resaltar la rapidez en el tiempo cómputo de las estrategias 7 y 9 con valores promedios por
debajo de 0.03 segundos. Además de la rapidez del grupo formado por las estrategias 5, 11, 3
y 2 que aunque el promedio no supera al anterior es muy bueno con promedios entre 0.03 y
0.04. El error típico de la media nos lleva a concluir que no hay una diferencia significativa
entre las observaciones de cada estrategia, destacando el menor valor en la estrategia 7.
La desviación típica de las estrategias 7, 9, 5, 11, 3 y 2 son muy pequeñas, por debajo del
valor promedio, lo que nos indica que los valores del tiempo para las estrategias anteriormente
mencionadas están muy cercanos a la media.
35
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Se hizo un análisis de los valores tipificados de cada observación con respecto a las
estrategias y nos llevó a la conclusión de que los datos no seguían ninguna distribución
normal.
Despuntar el valor promedio de nodos evaluados en las est rategias 4, 8, 10, 6, 7 y 9 por
debajo de 5. El error típico de la media nos lleva a concluir que no hay una diferencia
significativa entre las observaciones de todas las estrategias.
La desviación típica de las estrategias son muy pequeñas, por debajo d el valor promedio, lo
que nos indica que los nodos evaluados para estas estrategias están muy cercanos a la media.
Las menores varianzas las encontramos en las estrategias 4, 8, 10, 6 y 7, podemos decir que la
variabilidad de los nodos evaluados para las estrategias anteriormente mencionadas no varían
significativamente.
Se hizo un análisis de los valores tipificados de cada observación con respecto a las
estrategias, afirmando que los datos no siguen una distribución normal.
36
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
De acuerdo al indicador de tiempo analizado para elegir la mejor , podemos separar las que
utilizan el corte de Gomory como mejores .
De acuerdo al indicador de nodos evaluados podemos concluir que todas las estrategias
poseen promedios casi igual es, resaltando la 4 con el menor promedio.
Prestar una atención especial a la estrategia 7 y 9 con datos que demuestran ser las
mejores para los problemas analizados.
No se puede afirmar nada acerca de qué distribuciones siguen las distintas estrategias .
La única posible a distribuirse normal es la 7.
3.5.2 Exploratorio
Breve Introducción:
Independientemente de la complejidad de los datos disponibles y del procedimiento estadístico
que se tenga intención de utilizar, una exploración minuciosa de los dat os previa al inicio de
cualquier análisis posee importantes ventajas que un analista de datos no puede pasar por alto.
Una exploración minuciosa d e los datos permite identificar, entre otras cosas: posibles errores
(datos mal introducidos, respuestas mal c odificadas, etc…), valores extremos (valores que se
37
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
alejan en gran medida del resto), pautas extrañas en los datos (valores que se repiten mucho o
que no aparecen nunca, etc.), variabilidad no esperada (demasiados casos en una de las dos colas
de la distribución, demasiada concentración en torno a determinado valor), etc …
Analizaremos un grupo de estadísticos como la media truncada (media ari tmética calculada
eliminando el 5 % de los casos con valores más pequeños y el 5 % de los casos con valores más
grandes, con el objetivo de obtener una media menos sensible a la presencia de valores extremos),
la mediana y los percentiles 10, 20, 30,…, 90.
Se aplicará la prueba de Shapiro-Wilk [Shapiro, Wilk, ´65] y el método grafico para comprobar
el supuesto de normalidad.
Pruebas de Normalidad.
Se analizaron los gráficos Q -Q normal y los gráficos Q-Q normal sin tendencia para todas las
estrategias en cuanto al tiempo y al nivel de nodos evaluados , obteniendo como resultado una
distribución no normal. Se analizó la prueba de Shapiro-Wilk, obteniendo los mismos resultados
que con el análisis gráfico, debido a que en todos los casos el nivel de significación se encuentra
por debajo de 0.05, véase las Tablas 18 y 19, Apéndice A.2.
38
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
3.5.3 No Paramétrico
Breve Introducción:
Existen contrastes que permiten pone r a prueba hipótesis no referidas a parámetros poblacionales;
otros que no necesitan establecer supuestos exigentes sobre las poblaciones de donde se extraen
las muestras; y por último, los que no necesitan trabajar datos obtenidos con una escala de medida
de intervalo o razón. Esta otra familia se conoce con el nombre de Contrastes no p aramétricos o
Pruebas no paramétricas.
Algunos autores utilizan el término “no paramétricos” para referirse únicamente a los
contrastes que no plantean hipótesis sobre parám etros y que se limitan a analizar las
propiedades nominales u ordinales de los datos , además añaden el término de distribución
libre para referirse a los que no necesitan establecer supuestos (o establecen supuestos
poco exigentes, como simetría o continui dad) sobre las poblaciones originales de l as que
se extraen las muestras; pero lo cierto es que el incumplimiento de cualquiera de las tres
características señaladas al principio puede ser considerada suficiente para caracterizar a
un contraste como no par amétrico.
Prueba de Kolmogorov-Smirnov:
Se analizó la prueba de Kolmogorov -Smirnov [Kolmogorov, ´33], se comprobaron otros
supuestos de distribución (uniforme y exponencial). Después de obtener los resultados de las
pruebas podemos decir que las distintas estrategias no se ajustan a ninguna de las distribuciones
básicas (normal, uniforme y exponencial).
39
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
Debido a que nuestros datos no se ajustan a la distribución normal no se puede llevar a cabo un
análisis de varianza (ANOVA de un factor), emplearemos entonces la prueba de Friedman
[Friedman, `37] ubicada en el menú analizar/pruebas no parametr icas/k muestras relacionadas.
Los resultados obtenidos nos llevan a concluir que las medias poblacionales de las estrategias
para ambos indicadores difieren debido a que el nivel de significación se obtuvo por debajo de
0.05 (véase las Tablas 20 y 21 de la prueba de Friedman en el apéndice A.2).
Prueba de Wilcoxon:
Pasaremos a comparar las estrategias 2 a 2, para saber con exactitud c uáles difieren y cuáles no,
para éste análisis emplearemos la prueba de Wilcoxon [Wilcoxon, ´45] ubicada en el menú
analizar/pruebas no parametricas/2 muestras relacionadas. Estas se llevarán a cabo en el orden del
ranking de las estrategias , planteado en análisis anteriores y utilizando la corrección de
Bonferroni (con el objetivo de controlar el error de tipo I) que nos llev ará a basar nuestras
decisiones en un nivel de significación de 0.05/11. Un total de 55 pruebas para el tiempo de
CPU y un total de 55 pruebas para los nodos evaluados supuestas a analizar (se van ejecutando y
cuando se obtenga la igualdad de las estrat egias que se estén analizando en ese momento, no se
continúa, puesto que las restantes combinaciones darían el mismo resultado).
2. Nodos Evaluados.
Podemos afirmar que las estrategias 4, 6, 7, 8, 10 y 12 no difieren en cuanto a promedios
poblacionales puesto que la signif icación de todas las pruebas de Wilcoxon donde se
involucraban dichas estrategias es menor que 0.05/11. De la misma forma concluimos con
las estrategias 9, 2, 3, 5, 12, 11 y 2.
40
Capítulo 3.Pruebas Numéricas y Análisis de Resultados
3.6 Conclusiones
Durante las secciones 3.5.1 y 3.5.2 podemos extraer como mejor estrategia a la 7, pero esto nada
nos dice de la actuación sobre la población de todos los problemas con características semejantes
(dimensión). Tras la culminación de las distintas pruebas no paramé tricas ejecutadas en el
software SPSS v.11.0 apreciamos que no existe una diferencia de medias poblacionales entre las
estrategias 7, 9, 5, 11, 3 y 2 (que fueron las que mejores resultados reportaron, con respecto al
tiempo cómputo), sin embargo el indicador de la cantid ad de nodos evaluados nos llevó a
determinar la eficiencia del Método de Ramificación y Acotación combinado con el Método de
Planos Cortantes de Gomory aplicados cada 0,1,3,4,6,7,... niveles del árbol.
41
Conclusiones
Se logró implementar y poner “puesta a punto” los diferentes algoritmos que permiten
resolver problemas lineales en enteros incluyendo diferentes tipos de corte combinado con
el método de Ramificación y Aco tación.
En total fueron probados 40 problemas de PLE. Los resultados num éricos arrojaron que
las soluciones coinciden con el paquete M athematica v.6.0 al 100 %.
42
Recomendaciones
43
Bibliografía
[Balas E, Fischetti M., ´93] E. Balas, M. Fischetti. (1993). A lifting procedure for the Asymmetric
Traveling Salesman Polytope and a large new class of facet, Mathematical Programming 58, 325 -
352.
[Bouza C., Sistachs V., ´04] Carlos N. Bouza Herrera, Vivian Sistachs Vega. (2004). Estadística
Teoría Básica y Ejercicios, Primera Edición, Félix Valera.
[Caprara and Fischetti M., ´97] Caprara and M. Fischetti. (1997). Branch and cut algorithms. In
M. Dell`Amico, F. Maffioli, and S. Martello, editors, Annotated Bibliographies in Combinatorial
Optimizations, chapter 4. John Wiley.
[Castillo E., Autores, ´02] Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo García,
Natalia Alguacil. (2002). Formulación y Resolución de Modelos de Programación Matemática en
Ingeniería y Ciencia.
[Fischetti M, Lodi A., ´05] M. Fischetti, A. Lodi. (2005). Optimizing over the first Chvátal
closure, in M. Jünger and V. Kailbel (ed.s), Integer Programming and Combinatorial
Optimization - IPCO 2005, LNCS 3509, Springer- Verlag, Berlin Heidelberg, 12 -22.
[Friedman M., ´37] Friedman, M. (1937). The use of ranks to avoid the assumption of normality
implicit in the analysis of variance. Journal of the American Statistical Association , 61, 1081-
1096.
[Gomory R., ´63] R. E. Gomory. (1963). An algorithm for integer solutions to linear programs. In
R. L. Graves and P. Wolfe, editors, Recent Advances in Mathematical Programming , pages 269-
302. McGraw-Hill, New York.
44
Bibliografía
[Grossmann, Caballero J., ´07] Grossmann I. E; Caballero J. A. (2007). ”Una Revisión del Estado
de Arte en Optimización”. Revista Iberoamericana de Automática e Informática Industrial, ISSN:
1697-7912. Vol.4, Num. 1, Enero 2007, pp. 5 -23.
[Gupta O. K, Ravindran A., ´85] Omprakash K. Gupta, A. Ravindran. (1985) . “Branch and Bound
experiments in nonlinear integer programming”. Management Science. 31(12) ,1533-1546.
[Johnsonbaugh R., ´04] Richard Johnsonbaugh. (2004). Matemáticas Discretas Tomo II, Cuarta
Edición, Félix Valera.
[Jünger M., Reinelt G., Thienel S., ’95] M. J ünger, G. Reinelt , S. Thienel .(1995). Practical
problem solving with cutting plane algori thms in combinatorial optimization. In Combinatorial
Optimization: DIMACS, Series in Discrete Mathematic and Teoretical Computer Science ,
Volumen 20, 111-152, AMS.
[Kolmogorov, ´33] Kolmogorov. (19 33). A. Sulla determinazione empirica di una legge di
distribuzione. Giornale dell’ Intituto Italiano degli Attuari , 4, 83-91.
[Land A., Doig A., ´60] A. Land, A. Doig . (1960). An automatic Method of Solving Discrete
Programming Problems, Econometrik a 28, no.3, 497-520.
[Leyffer S., ’98] Sven Leyffer. (1998). Integrating SQP and Brand -and-bound for Mixed Integer
Nonlinear Programming. SIAM Journal Optimization.
[Liberti L., ´06] Leo Liberti. (2006). Integer Programming, LIX, Ecole Polytechnique, F-91128
Palaiseau, France.
45
Bibliografía
[Mitchell-1 J., ´98] John E. Mitchell. (1998). Cutting Plane Algorithms for Integer, Cutting plane
algorithms.
[Mitchell-2 J., ´98] John E. Mitchell. (1998). Branch and Cut Algorithms for Integer, Branch -and-
Cut.
[Mitchell J., ´99] John E. Mitchell. (1999). Branch and Cut Algorithms for Combinatorial
Optimizations Problems, Mathematica Sciences, Rensselaer Polytechnic Institute Troy, NY, USA ,
September 7.
[Rinaldi G., Padberg M., ´91] M. Padberg and G. Rinaldi. (1991). A branch -and-cut algorithm for
the resolution of large-scale symmetric traveling salesman problems. SIAM Review, 33(1):60-
100.
[Shapiro S., Wilk, ´65] Shapiro, S. S. y Wilk, M. B. (1965). An analysis of variance test for
normality (complete samples). Biometrika, 52, 591-611.
[Wilcoxon F., ´45] Wilcoxon, F. ( 1945). Individual comparisons by ranking methods. Biometrics,
1, 80-83.
[Wilder M., ´04] Manuel A., Ramón V., Wilder M. (2004). Programación Matemática I.
46
Bibliografía
[Zaychenko Y., Shumilova C., ´84] Zaychenko Yu. P y Shumilova C. A. (1984). Investigación de
Operaciones. Manual de Ejercicios. Escuela Superior Kiev.
47
A
Apéndice
Apéndice A. Tablas
Sección A.1: podemos encontrar la tabla con la descripción detallada de los problemas de
prueba, así como los distintos resultados obtenidos al aplicarle las distintas estrategias.
Sección A.3 mostraremos las notaciones empleadas en las tablas de la sección A.2.
48
Apéndice A. Tablas
ID
40 Variables
2 Restricciones
2
1 2 2
2 2 2
3 2 2
4 2 2
5 2 2
6 2 2
7 2 2
8 2 2
9 3 2
10 2 2
11 4 3
12 4 3
13 2 2
14 2 2
15 2 3
16 2 3
17 4 3
18 2 3
19 2 4
20 2 2
21 2 3
22 2 3
23 3 4
24 3 4
25 2 3
26 2 3
27 2 4
28 2 2
29 3 2
30 2 3
31 8 5
32 2 3
33 2 2
34 2 3
35 2 2
36 2 2
37 2 2
38 3 4
39 2 3
49
Apéndice A. Tablas
50
Apéndice A. Tablas
51
Apéndice A. Tablas
52
Apéndice A. Tablas
53
Apéndice A. Tablas
54
Apéndice A. Tablas
55
Apéndice A. Tablas
56
Apéndice A. Tablas
57
Apéndice A. Tablas
58
Apéndice A. Tablas
59
Apéndice A. Tablas
60
Apéndice A. Tablas
61
Apéndice A. Tablas
62
Apéndice A. Tablas
E MR Me
2 .031722 .031000
3 .026778 .016000
4 .111472 .070500
5 .027389 .016000
6 .078917 .062000
7 .023472 .031000
8 .085528 .047000
9 .022472 .016000
10 .087667 .062500
11 .029528 .031000
12 .074334 .063000
E MR Me
2 6.17 5.00
3 4.81 4.00
4 3.17 3.00
5 5.03 4.50
6 4.28 4.00
7 4.47 5.00
8 3.44 3.50
9 4.53 4.00
10 4.19 4.00
11 5.42 5.00
12 5.36 5.00
63
Apéndice A. Tablas
Shapiro-Wilk
E Estadístico gl Sig
2 .906 40 .003
3 .868 40 .000
4 .518 40 .000
5 .459 40 .000
6 .696 40 .000
7 .355 40 .000
8 .852 40 .000
9 .455 40 .000
10 .793 40 .000
11 .404 40 .000
12 .838 40 .000
Shapiro-Wilk
E Estadístico gl Sig
2 .875 40 .000
3 .707 40 .000
4 .758 40 .000
5 .708 40 .000
6 .850 40 .000
7 .927 40 .013
8 .869 40 .000
9 .759 40 .000
10 .815 40 .000
11 .825 40 .000
12 .862 40 .000
64
Apéndice A. Tablas
Chi-cuadrado 216.801
gl 10
Sig. asintót. .000
Chi-cuadrado 109.235
gl 10
Sig. asintót. .000
A.3 Notación
Análisis Estadístico
Notación Descripción
E Estrategias.
Min Valor más pequeño.
Max Valor más grande.
Media Media muestral.
ETM Error típico de la media muestral.
DT Desviación típica.
V Varianza muestral.
A Asimetría.
ETA Error típico de la asimetría.
C Curtosis.
ETC Error típico de la curtosis.
MR Media recortada al 5 %.
Me Mediana.
65