Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Scanned by CamScanner
MA3701 - Optimización, Otoño 2019
Profesor: V. Acuña
CONTROL 1
TIEMPO: 2 h 15 minutos
P1.
(a) (4 ptos.) Una empresa ha decidido entregar una “canasta familiar” a sus trabajadores para las
próximas festividades. La empresa debe elegir que productos incorporar en esta canasta, dependiendo
de los gustos de los trabajadores, sus costos, y su peso. Hay 6 alimentos que pueden ser incluidos en la
canasta: Lentejas, Porotos, Chocolate, Galletas, Queso y Yogurt. El interés de la empresa es diseñar
el pack que sea de mayor gusto de los trabajadores, sujeto a:
El costo total de los productos en la canasta no puede ser mayor que C pesos.
Si incluye algún producto lácteo (es decir, queso o yogurt), entonces debe usar una tecnología
especial de empaquetamiento que cuesta $1.000 adicionales.
Asuma que el costo unitario de cada producto es ci , el peso unitario de cada producto es pi y el “gusto”
unitario de los clientes por un producto es gi , para i = 1, . . . , 6 (asuma que todos los trabajadores
tienen el mismo gusto por los productos). Formule un problema de programación lineal (puede utilizar
variables reales y enteras) que permita decidir la composición de la canasta de productos que maximiza
el gusto de los trabajadores.
a) Hay 6 productos, Lentejas, Porotos, Chocolate, Galletas, Queso y Yogurt; que asociaremos a las
variables xL , xP , xC , xG , xQ , xY ∈ {0, 1} (análogamente se pueden llamar x1 , . . . , x6 ), pues solo
basta indicar que están o no en la canasta, dado que solo se puede incluir una unidad de cada
producto.
Como la empresa busca maximizar el gusto de los trabajadores por los productos, y todos los
trabajadores tienen el mismo gusto, bastará con maximizar el gusto de una sola canasta. Es decir
máx gL xL + gP xP + gC xC + gG xG + gQ xQ + gY xY
o análogamente
6
X
máx gi xi
i=1
• xC ≤ 1 − xG (x3 ≤ 1 − x4 )
Finalmente, basta considerar el costo por incluir algún lácteo, para ellos se puede hacer de varias
formas, veremos 2
Forma 1: Introducir una nueva variable xLac ∈ {0, 1} (x7 ) la cual tendrá la siguiente restricción
xQ + xY
• ≤ xLac (x5 + x6 ≤ x7 )
2
e incorporarla en la restricción de costos
6
• cL xL + cP xP + cC xC + cG xG + cQ xQ + cY xY + 1000xLac ≤ C ( ci xi + 1000x7 ≤ C)
P
i=1
máx gL xL + gP xP + gC xC + gG xG + gQ xQ + gY xY
s.a: pL xL + pP xP + pC xC + pG xG + pQ xQ + pY xY ≤ P
cL xL + cP xP + cC xC + cG xG + cQ xQ + cY xY + 1000xLac ≤ C
xL + xP + xC + xG + xQ + xY ≥ 4
xL + xP − 2xY ≤ 0
xC + xG ≤ 1
xQ + xY − 2xLac ≤ 0
xL , xP , xC , xG , xQ , xY , xLac ∈ {0, 1}
Forma 2: Se puede notar que, dado que debe haber al menos 4 productos, si no se busca armar
la canasta sin lácteos, se elegirá alguna legumbre, y por ende se deberá llevar Yogurt, y por ende
costear los lácteos, por lo que siempre habrá lácteos en la canasta y por ende los 1000 siempre
se pagan, por lo que solo se modifica la restricción de costos por
6
• cL xL + cP xP + cC xC + cG xG + cQ xQ + cY xY ≤ C − 1000 ( ci xi ≤ C − 1000)
P
i=1
máx gL xL + gP xP + gC xC + gG xG + gQ xQ + gY xY
s.a: pL xL + pP xP + pC xC + pG xG + pQ xQ + pY xY ≤ P
cL xL + cP xP + cC xC + cG xG + cQ xQ + cY xY ≤ C − 1000
xL + xP + xC + xG + xQ + xY ≥ 4
xL + xP − 2xY ≤ 0
xC + xG ≤ 1
xL , xP , xC , xG , xQ , xY ∈ {0, 1}
b) (2 ptos.) Demuestre que dado S un conjunto finito de soluciones óptimas de un problema lineal,
cualquier punto en la envoltura convexa de S también es solución óptima.
Alternativa 1: Sea S = {x1 , . . . , xk } con xi ∈ IRm un conjunto con soluciones óptimas de el
problema lineal (no necesariamente vértices):
mı́n cT x
Ax ≥ b
P
Sea y en la envoltura convexa de S. Es decir y = λ1 x1 + λ2 x2 + . . . + λk xk con λ > 0 y λi = 1.
Veamos que y es una solución óptima. Primero veamos que es un punto factible:
ct y = ct (λ1 x1 + λ2 x2 + . . . + λk xk ) = λ1 ct x1 + λ2 xct2 + . . . + λk ct xk
Pero como los xi son todos soluciones óptimas, todas evalúan el mismo valor de la función
objetivo. Así:
ct y = λ1 ct x1 + λ2 ct x1 + . . . + λk ct x1 = ct x1
P2.
Encuentre un punto factible de P 0 resolviendo con SIMPLEX un problema auxiliar (Fase I). Luego,
encuentre un punto óptimo de P 0 comenzando SIMPLEX desde la base factible encontrada. Indique
la solución optima del problema original y el valor de la función objetivo.
(b) Considere el problema
(P) mı́n 10x1 +3x2 −7x3
x1 −x2 +x3 ≤2
x1 +2x2 +3x3 ≤4
x1 , x2 , x3 ≥ 0
P3.
Considere el siguiente problema de programación lineal:
mı́n x1 + 2x2 + 3x3 + . . . + nxn
s.a. x1 ≥ 1
≥ 2
x1 + x2
x1 + x2 + x3 ≥ 3 (P)
..
.
x1 + x2 + x3 + . . . + xn ≥ n
≥ 0, ∀ i ∈ {1, 2, . . . n}.
xi
i) Escriba el problema dual (D) (directamente a partir de las reglas de transformación vistas en
clase).
ii) Mostrar que para todo y vector factible de (D), se tiene:
iii) Siendo x̄ el óptimo de (P), deduzca del teorema de holgura complementaria que x̄2 = . . . = x̄n =
0. Resuelva el problema primal (P), es decir, encuentre x̄.
iv) Encuentre una solución óptima del dual. ¿Es esta solución única?
Solución:
i) El dual pedido es
Es decir yk−1 ≤ −1, lo cual es una contradicción con el hecho que yk−1 ≥ 0. Se concluye que
yk + yk+1 + . . . + yn < k
iii) Si x̄ es el óptimo del primal, entonces el optimo del dual, que es factible, debe cumplir con
las restricciones de la parte (ii). Es decir, (al menos) las últimasn − 1 restriciones del dual no
están activas en el óptimo. Esto implica, por holgura complementaria, que x̄i = 0 para todo
i ∈ {2, . . . , k} que son las variables del primal asociadas a las restricciones del dual.
Así, x̄1 debe ser solución de:
mı́n x1
s.a. x1 ≥ 1
x1 ≥ 2
x1 ≥ 3 (P)
..
.
x1 ≥ n
x1 ≥ 0.
lo cual obviamente implica que x̄1 = n. La solución del primal es entonces x̄ = (n, 0, . . . , 0).
iv) Nuevamente por holgura complementaria, la primera restricción del dual se cumple con igualdad.
Es decir,
y1 + y2 + . . . + yn = 1.
Notamos que si cumplimos sólo con esta restricción, el valor que maximia la función objetivo sería
que yn = 1 y el resto de las variables en cero, pues en la función objetivo el factor acompañando
a yn es el mayor de todos. Vemos que este punto además cumple con todas las otras restricciones,
por lo que es un punto factible y por lo tanto es el óptimo. Es único además, porque cualquier
otro punto factible, por la primera restricción, haría que xn < 1 y disminuye el valor de la función
objetivo.