Fundamentos de Investigación de Operaciones

Investigación de Operaciones 1
Programación Lineal Entera

11 de septiembre de 2003

1. Introducción
Un LP donde se requiere que todas las variables sean enteras se denomina un problema de
programación lineal entera pura. Por ejemplo:

máx z = 3x1 + 2x2

s.t. x1 + x2 ≤ 6 (1.1)
x1 , x2 ∈ Z +
Un LP donde sólo algunas variables deben ser enteras se denomina problema de programación
lineal entera mixta. Por ejemplo:

máx z = 3x1 + 2x2

s.t. x1 + x2 ≤ 6
(1.2)
x2 ≥ 0
x1 ∈ Z +
Un LP donde todas la variables deben ser igual a 1 ó 0 se denomina problema de programación
lineal binaria. Por ejemplo:

máx z = x1 − x2
s.t. x1 + 2x2 ≤ 2
(1.3)
2x1 − x2 ≤ 1
x1 , x2 = {0, 1}
El concepto de relajación de un problema de programación lineal entera (IP) juega un rol funda-
mental en la resolución de este tipo de problemas.

Definición 1 El LP obtenido eliminando todas las condiciones de valores enteros o binarios para las
variables se denomina Relajación del LP.

Por ejemplo, la relajación de (1.1) quedarı́a:

máx z = 3x1 + 2x2

s.t. x1 + x2 ≤ 6 (1.4)
x1 , x2 ≥ 0
De la misma forma, la relajación de (1.3) queda:

1
Segundo Semestre 2003 Programación Lineal Entera

máx z = x1 − x2
s.t. x1 + 2x2 ≤ 2
(1.5)
2x1 − x2 ≤ 1
x1 , x2 ≥ 0
Cualquier IP puede ser visto como el LP relajado más algunas restricciones adicionales. Por lo
tanto, el LP relajado es un problema menos restringido, o más relajado, que el IP. En consecuencia
la región factible para cualquier IP debe estar contenida en la región factible del correspondiente LP
relajado. Luego, si el problema es de maximización:

El valor óptimo de z del LP relajado ≥ El valor óptimo de z del IP

Consideremos el siguiente ejemplo:

máx z = 21x1 + 11x2

s.t. 7x1 + 4x2 ≤ 13 (1.6)
x1 , x2 ∈ Z +
La región factible del problema relajado se presenta en la figura 1.1. En este caso, la región factible
del IP lo conforma el siguiente conjunto de puntos: S = {(0, 0), (0, 1), (0, 2), (0, 3), (1, 0), (1, 1)}. En
este caso, mediante la evaluación y comparación de los valores de z en los seis puntos factibles es
posible determinar el óptimo. Luego, la solución óptima de (1.6) es z = 33, x 1 = 0, x2 = 3.

x2

3,0 = punto en la región factible

2,5
7x 1

2,0
+4
x2

1,5
=
13

1,0

0,5

0
0 0,5 1,0 1,5 2,0 2,5 3,0 x1

Figura 1.1: Región Factible del ejemplo 1.6

Si la región factible de la relajación de un IP puro está acotada, la región factible del IP consistirá en
un número finito de puntos. En teorı́a, mediante la enumeración y la evaluación de z en cada uno de
los puntos es posible encontrar el mejor valor de z. El problema es que si la región factible contiene
miles de puntos factibles, la enumeración completa no es viable desde un punto de vista computacional.

Una segunda opción para resolver el IP serı́a mediante la aproximación de la solución obtenida de
la relajación. Por ejemplo si se resolviera la relajación de (1.6) se obtendrı́a: x 1 = 13
7 , x2 = 0. Redon-
deando esta solución se obtendrı́a: x1 = 2, x2 = 0 como posible solución óptima. Sin embargo este
punto está fuera de la región factible por lo que no puede ser óptimo. Otro candidato a óptimo se

2
Segundo Semestre 2003 Programación Lineal Entera

puede obtener redondeando el valor obtenido de la relajación hacia abajo: x 1 = 1, x2 = 0, valor que
tampoco corresponde al óptimo real del problema.

Como se ve en este ejemplo, no existen garantı́as de que la aproximación de soluciones del prob-
lema relajado corresponda a la solución óptima real del IP. Por lo tanto, no es un enfoque válido
para resolver el problema. Como se estudió previamente, el algoritmo Simplex resuelve un LP a partir
de una solución básica factible mejorándola iteración a iteración. Luego, en la mayorı́a de los casos,
Simplex examina sólo una porción de todas las soluciones basales factibles antes de llegar al óptimo.
En forma análoga, se podrı́a esperar que existan algoritmos capaces de resolver un IP iterando de una
solución factible entera a otra. Lamentablemente, no existen o no son conocidos tales algoritmos. Por
lo tanto, como se verá en detalle más adelante, la resolución de un IP es mucho más compleja que la
resolución de su relajación.

2. Formulación de IP
Los problema de programación lineal entera permiten ampliar el espectro de problemas factibles
de plantear como modelos de programación lineal. A continuación se verán algunos ejemplos.

2.1. Problema de Asignación de Capital

Ejemplo 1 Una empresa está considerando cuatro posibles inversiones. La opción 1 tiene asociado
un valor actualizado neto (VAN) de U S$16000, la opción 2 tiene un VAN de U S$22000, la inversión 3
representa un VAN de U S$12000 y la inversión 4 posee un VAN de U S$8000. Cada inversión requiere
un cierto capital inicial: U S$5000, U S$7000, U S$4000 y U S$3000, para las inversiones 1, 2, 3 y 4
respectivamente. Actualmente la empresa dispone $14000 para invertir. Formule un IP que permita
determinar la forma de invertir el dinero de forma de maximizar las utilidades.

Las opciones son invertir o no en cada una de las posibilidades. Por lo tanto, conviene emplear
variables de tipo binaria para indicar si se escoge cada opción:
½
1 se invierte en la opción j
xj = ∀ j = 1...4 (2.1)
0 en caso contrario
La función objetivo para el problema queda (en miles):

máx z = 16x1 + 22x2 + 12x3 + 8x4 (2.2)

En la expresión (2.2) se verifica que si la opción j se realiza, entonces xj = 1 y se suma el VAN
respectivo al valor de la función objetivo. En caso contrario, la variable x j = 0 y no se contabiliza ese
aporte. Se sigue la misma lógica para construir las restricciones.

Como existe un capital limitado de U S$14000 para invertir, se debe satisfacer (en miles):

5x1 + 7x2 + 4x3 + 3x4 ≤ 14 (2.3)

Como no existen otras restricciones, el modelo completo para el problema queda:

máx z = 16x1 + 22x2 + 12x3 + 8x4

s.t. 5x1 + 7x2 + 4x3 + 3x4 ≤ 14 (2.4)
xj = {0, 1} ∀ j
Supongamos ahora que se agregan las siguientes restricciones al problema original:

3
Segundo Semestre 2003 Programación Lineal Entera

1. La empresa puede invertir en a lo más dos opciones.

2. Si la empresa invierte en la opción 2, también debe invertir en 1.

3. Si la empresa invierte en 1, no puede tomar la opción 4.

4. Sólo se puede invertir en 3 si se escoge 1 ó 2.

El planteo original del problema (2.4) se ve modificado de la siguiente forma:

1. En este caso basta con agregar la restricción:

x1 + x 2 + x 3 + x 4 ≤ 2

2. Para incorporar esta restricción, se debe imponer que si x2 = 1 necesariamente x1 = 1. Luego,

se podrı́a emplear:
x2 ≤ x1 ó x2 − x1 ≤ 0
Si x2 = 1 necesariamente se tendrá x1 = 1. Si x2 = 0, x1 podrı́a ser 0 ó 1. Como no existen
indicaciones en ese caso, se satisface el requerimiento de la nueva restricción.

3. Esta restricción impone la condición de que las alternativas 1 y 4 sean excluyentes, en otras
palabras:
x1 + x 4 ≤ 1
Como las variables son binarias, no se permite que ambas puedan ser igual a 1.

4. Aquı́, la variable x3 puede valer 1 sólo si x1 o x2 es igual a 1. No existen restricciones que digan
que x1 y x2 sean excluyentes, por lo tanto eventualmente se podrı́a escoger ambas. En este caso
se puede agregar:
x3 ≤ x 1 + x 2
Luego, basta con tener un 1 a la derecha de la desigualdad para que x 3 pueda tomar valor igual
a 1. Si se exigiera que deben escogerse 1 y 2 para poder seleccionar 3, la restricción quedarı́a:

2 × x 3 ≤ x1 + x2

En este caso se requiere tener un 2 a la derecha de la desigualdad para que x 3 pueda ser igual a
uno.

2.2. Problemas de Costo Fijo

Ejemplo 2 Una compañı́a es capaz de producir tres tipos de prendas: poleras, shorts y pantalones.
La fabricación de cada tipo de prenda requiere de maquinaria especializada. La maquinaria puede ser
arrendada a los siguientes costos: U S$200, U S$150 y U S$100 al mes en el caso de las poleras, shorts
y pantalones respectivamente. La fabricación de cada prenda requiere las cantidades de tela y mano
de obra indicadas en la Cuadro 2.1. Cada mes se dispone de 150 horas de mano de obra y 160 yd 2
de tela. El costo unitario de producción y el precio de venta de cada artı́culo se muestra en el Cuadro
2.2. Formule un IP que permita maximizar el beneficio de la fábrica.

Para plantear el modelo se pueden definir las siguientes variables:

x1 = número de poleras producidas mensualmente

x2 = número de shorts producidos mensualmente (2.5)
x3 = número de pantalones producidos mensualmente