Scanned by CamScanner

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 peso total de la canasta debe ser menor o igual a P kilos.

El costo total de los productos en la canasta no puede ser mayor que C pesos.

La canasta debe incluir al menos 4 productos distintos.

Sólo se puede incluir una unidad de cada producto.

Si incluye algún producto lácteo (es decir, queso o yogurt), entonces debe usar una tecnología
especial de empaquetamiento que cuesta $1.000 adicionales.

Si la canasta lleva legumbres, entonces debe incluir Yogurt.

Si incluye en la canasta Chocolate, entonces no se puede incluir Galletas

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

Ahora, existen restricciones de peso y costo que serían

 6
• pL xL + pP xP + pC xC + pG xG + pQ xQ + pY xY ≤ P ( p i xi ≤ P )
P
i=1
6
• cL xL + cP xP + cC xC + cG xG + cQ xQ + cY xY ≤ C ( ci xi ≤ C)
P
i=1

La canasta debe llevar al menos 4 productos

6
• xL + xP + xC + xG + xQ + xY ≥ 4 ( xi ≥ 4)
P
i=1

Si la canasta lleva legumbres, entonces debe llevar yogurt

xL + xP x1 + x2
• ≤ xY ( ≤ x6 )
2 2
Si la canasta lleva Chocolate, no puede incluir galletas (luego si incluye galletas no se podrá
incluir chocolate)

• 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

Finalmente el problema queda

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:

Ay = A(λ1 x1 + λ2 x2 + . . . + λk xk ) = λ1 Ax1 + λ2 Ax2 + . . . + λk Axk ≥ λ1 b + λ2 b + . . . + λk b = b

Veamos que además la función objetivo evaluada en y alcanza el óptimo:

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.

(a) (3 ptos.) Considere el problema

(P 0 ) mı́n −3x1 −2x2 −x3
4x1 +x2 +x3 = 30
2x1 +3x2 +x3 ≤ 60
x1 +2x2 +3x3 ≤ 40
x1 , x2 , x3 ≥ 0

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

1. (0.5 ptos.) Escriba (D) el dual del problema (P)

2. (1 pto.) Escriba (D) y (P) en forma estándar.
3. (1.5 ptos.) Resuelva sólo uno de los dos problemas (D) o (P) utilizando SIMPLEX o SIMPLEX
DUAL. Indique la solución optima del problema original y el valor de la función objetivo.

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:

yk + yk+1 + . . . + yn < k, ∀ k ∈ {2, 3, . . . , n}.

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

máx y1 + 2y2 + · · · + nyn

s.a: y1 + y2 + · · · + yn ≤ 1
y2 + · · · + yn ≤ 2
(D) .. .. ..
. . .
yn ≤ n
y1 , y2 , . . . , yn ≥ 0

ii) Veamos que

yk + yk+1 + . . . + yn < k, ∀ k ∈ {2, 3, . . . , n}
para todo y vector factible de (D). Dado un k ∈ {2, 3, . . . , n}, directamente de dos restricciones
del dual se tiene que
yk + yk+1 + . . . + yn ≤ k
y también que
yk−1 + yk + yk+1 + . . . + yn ≤ k − 1
Claramente si la primera desigualdad se cumple con igualdad, es decir yk + yk+1 + . . . + yn = k
entonces por la segunda desigualdad se tendría
yk−1 + k ≤ k − 1

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.