INDICE

I. INTRODUCCION..............................................................................................................3
1. DEFINICION.....................................................................................................................4
2. PROGAMACION ENTERA MIXTA..............................................................................5
3. PROGRAMACION ENTERA PURA..............................................................................6
4. PROGRAMACION ENTERA BINARIA........................................................................6
5. METODO DE RAMIFICACION.....................................................................................7
6. METODO DE ACOTACION............................................................................................8
7. METODO DE INSPECCION PARA EL PROBLEMA TIPO MOCHILA..................8
8. METODO ADITIVO DE BALAS.....................................................................................9
RECOMENDACIONES..........................................................................................................12
REFERENCIAS.......................................................................................................................13
I. INTRODUCCION

La programación lineal entera (PLE) se ocupa básicamente de programas

lineales en los que algunas o todas las variables suponen enteros discretos. Se

dice que la PLE es mixta o pura si alguna o todas las variables están restringidas

a tomar solo valores enteros.

Aunque se han creado varios algoritmos para PLE, ninguno de ellos es

totalmente confiable desde el punto de vista del cálculo, sobre todo, cuando el

número de variables enteras se incrementa. A diferenciar de la PL, donde

problemas con miles de variables y miles de restricciones se pueden resolver en

un tiempo razonable, la experiencia de cálculo de PLE, después de más de 30

años de haberse creado permanece imprecisa.

 PROGRAMACION ENTERA

1. DEFINICION
Los modelos de Programación Entera son aquellos donde la

totalidad o un subconjunto de las variables de decisión toman valores enteros. En

este sentido la forma estándar de un modelo de Programación Entera queda

definido de la siguiente forma,El objetivo principal de la programación lineal es

optimizar, se entiende como optimizar a buscar un mejor resultado. Ese

resultado se puede transformar en ahorro para la empresa o en mayores ingresos

a través de la optimización de recursos o el aumento de la producción, por lo que

desarrollar un buen modelo nos puede acercar al cumplimiento de las metas

planeadas. La programación lineal entera es el modelo de programación lineal

con la restricción de que las variables deben tener valores enteros y el supuesto

de divisibilidad.

La clasificación del modelo de programación lineal entera se divide en tres:

 P.L.E Pura: Todas las variables de decisión son enteras.

 P.L.E Mixta: Algunas variables de decisión son enteras.

 P.L.E Binaria: Todas las variables de decisión son binarias.

 Basados en los siguientes criterios:

 Directo: Cuando el programa incluye variables enteras.

 Codificado: Cuando el programa incluye variables enteras o

binarias.
  Transformado: Cuando el programa incluye variables enteras

artificiales

2. PROGAMACION ENTERA MIXTA

A esta categoría pertenecen aquellos problemas de optimización que

consideran variables de decisión enteras o binarias pero no de forma exclusiva.

De esta forma un problema de PEM puede considerarse como un híbrido entre

distintas categorías de modelamiento, siendo un caso típico aquel que considera

la mezcla de variables enteras y variables continuas (estas últimas características

de los modelos de Programación Lineal). Los programas lineales de enteros

mixtos son programas lineales en los que se requiere que algunas variables

tomen valores enteros, y surgen naturalmente en muchas aplicaciones.Las

variables enteras pueden proceder de la naturaleza de los productos (por

ejemplo, una máquina puede o no estar alquilada). Los programas lineales de

enteros mixtos se resuelven utilizando la misma tecnología que los programas de

enteros (o viceversa). Por ejemplo, un algoritmo de ramificación y poda puede

utilizar la flexibilización lineal y aplicar su procedimiento de ramificación sólo

en variables enteras.

3. PROGRAMACION ENTERA PURA

La Programación Entera es un conjunto de técnicas de la Investigación

Operativa que permiten solución a una variante para el Programa Lineal cuando

las variables de decisión no pueden tomar valores fraccionarios. Para el

modelo de Programación Lineal se optimiza una función sobre una región

convexa, mientras que en la Programación Los modelos de Programación Entera

 resultan de mucha utilidad para la toma de decisiones. En este contexto los

problemas de asignación de personal a determinadas tareas es una aplicación

típica de la Programación Entera, cuando necesitamos asignar recursos escasos a

determinadas funciones o dichos no son fraccionales

Los métodos de solución desarrollados para este modelo son los siguientes.

 Método de plano de corte.

 Algoritmo fraccional de Gomory

 Algoritmo entero puro de Gomory

 Método de bifurcación y acotación

 Algoritmo de Land-Doig

4. PROGRAMACION ENTERA BINARIA

La programación entera binaria es un método perteneciente a la

programación lineal, por lo que su base es un algoritmo matemático que tiene

como finalidad resolver un problema indeterminado formulado a través de

ecuaciones lineales, ,La programación binaría hace referencia a aquella cuyo

conjunto de soluciones sólo puede tomar uno de dos posibles valores: 1 ó 0. Es

un caso especial de la Programación Entera. Esta herramienta matemática es

especialmente útil para enfrentar problemas de tipo de toma de decisiones Si o

No. El Problema de la asignación, es un caso particular de esta metodología,

dónde se debe asignar unos recursos limitados a unas tareas específicas de

manera óptima
 ALGUNAS APLICACIONES DE PROGRAMACIÓN ENTERA BINARIA

 Análisis de la inversión

 Elección del sitio

 Diseño de una red de producción y distribución

 Asignaciones

 Programación de actividades interrelacionadas

5. METODO DE RAMIFICACION

El método de ramificación y acotación, más conocido por 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.El método de ramificación y acotación comienza por resolver

el

PLA, de modo que si la solución al PLA verifica las condiciones de

integridad, entonces también es la solución al problema entero, en caso

contrario se comienza con la ramificación del problema.

 6. METODO DE ACOTACION
el proceso de acotación consiste, para problemas de

máximo, en tomar como cota inferior aquella solución entera con mayor

valor de la función objetivo obtenida y dado que cualquier otro

subproblema con solución no entera sabemos que al ramificarlo nos dará

como resultado valores de la función objetivo menores o iguales, nos

permite descartar como subproblemas a ramificar todos aquellos

tengan como solución óptima un valor de la función inferior a la cota

establecida.

Esto genera que encada nivel de ramificación el número de variables se

vaya reduciendo. Consta de los siguientes:

1. Resolver el modelo relajado. Si la solución es binaria detenerse si no

continuar con el método. (Únicamente se elimina la condición de integridad

pero se mantiene las condiciones xj≤1, xj≥0)

2. Elegir arbitrariamente una variable binaria xj cuyo resultado sea < 1 e igual
axbj.

3. Resolver dos nuevos modelos similares al anterior, pero uno con la restricción

adicional xj=1 y el otro modelo con la restricción xj=0.4. De los modelos

resueltos anteriormente sólo analizar aquellos subproblemas cuya solución en z

sea mayor (max) o menor (min) a cualquier solución binaria conocida

7. METODO DE INSPECCION PARA EL PROBLEMA TIPO
MOCHILA
Consta de los siguientes pasos:

1. Calcular todos los cocientes ci/ai (beneficio que el objeto i gana por cada
unidad del recurso que utiliza el objeto i).

2. Ponga el objeto que obtuvo el más alto cociente en la mochila.

3. Después coloque el siguiente mejor objeto en la mochila. Continuar de esta

manera hasta que el mejor objeto restante exceda el cupo de la mochila.

4. Luego llene la mochila con lo más que pueda de este objeto (dará valor
infracción)

8. METODO ADITIVO DE BALAS

El método consta de los siguientes pasos (la k puede variar dependiendo de la
ramificación):

1. El valor máximo de Z (cota superior) Zcota=∞ k=0. Checar la factibilidad

dela solución (0,0,…0), si no es factible continuar con el método, si es factible
entonces se ha llegado a la solución óptima

.2. Ramificación: Se definen los subconjuntos de solución: (x1,x2, … xk) como

solución parcial (x1, x2, … xk, xk+1, … xn) la segunda parte de la soluciones el
complemento de la solución parcial. Selecciona a partir de la solución parcial
(x1, …xk) para hacer una partición y crear dos nuevas soluciones parciales una
xk+1=1 y otro con xk+1=0 y k=k+1

3. Sondeo: Si alguna de las restricciones cumple:Entonces no existe solución

factible y se detiene la ramificación

.4. Se complementa la solución haciendo xk+1=1-xk y el resto de las variables

igual a cero. Se calcula Z y si Zcota≠∞ y Z> Zcota → ya no se ramifica.5. Si la
 solución es factible y Z< Zcota→Zcota=Z y se deja de analizar. Si la solución es
factible entonces ya no se ramifica. Regresar al paso 2

EJEMPLO PROBLEMA DE ASIGNACION

Problema Asignación: Una universidad está programando las

clases para el próximo semestre académico y requiere buscar la mejor

asignación posible de profesores a los distintos cursos que se deben

dictar. Considere que existen 5profesores: A, B, C, D, E y 5 cursos

(asignaturas): C1, C2, C3, C4, C5.Adicionalmente, los profesores han

manifestado sus preferencias por dictar losdistintos cursos en una escala

de 1 a 10, donde 10 es la máxima puntuación y 1 la mínima puntuación o

preferencia. Se asume que cada profesor es apto para dictar cualquier curso,

independiente del puntaje de su preferencia. La siguiente tabla resume

las puntuaciones que asigna cada profesor a cada curso

PROFESORES
CURSOS A B C D E

C1 5 8 5 9 7
C2 7 2 3 6 8
C3 9 10 8 9 8
C4 8 7 9 7 8
C5 6 9 9 10 5
Se ha establecido como criterio que cada profesor debe dictar sólo un curso y a la vez
que cada curso obviamente debe tener un profesor. En base a lo anterior se desea
encontrar la asignación de profesores que maximice el total de las
preferencias
Variables de Decisión:
Función Objetivo: Maximizar el total de las preferencias de los profesores

Donde P(i,j) corresponde a una forma sintética de resumir los parámetros del modelo,es
decir, P(i,j) es la preferencia del profesor i (en una escala de 1 a 10) por dictar elcurso j.
Por ejemplo, P(D,C3)=9
Restricciones
 CONCLUCIONES

En esta monografía hemos aclarado el tema de que la programación entera tiene que ver

con la solución de problemas de programación matemática en donde las variables

podrían ser enteras completamente o solo algunas, un programa entero recibe el nombre

de mixto o puro, pero esto depende de que si algunas o todas las variables están

confinadas a valores enteros, si en ausencia de las condiciones de integridad o totalidad

las funciones de objetivo y de restricciones son lineales, el modo resultante recibe el

nombre de programación lineal entera.

La programación entera tiene que ver con la solución de problemas de programación

matemática en los cuales algunas o todas las variables solo pueden tomar valores

enteros o negativos .un programa entero recibe el nombre de mixto o puro, dependiendo

de si alunas o todas la variables están confinadas a valores enteros .si en ausencia de las

condiciones de integridad o totalidad las funciones de objetivo y de restricciones son

lineales , el modo resultante recibe el nombre de programación lineal entero.

 RECOMENDACIONES

Los modelos de optimización deben ser manejables, resolubles y representativos de la

situación original. Según las necesidades del investigador, estas condiciones a menudo

compiten entre sí, y por ello generalmente este debe sacrificarse el tiempo de

procesamiento del modelo para mejorar la calidad de los resultados. Para un ingeniero

químico en muchos casos es irrelevante mejorar el tiempo de procesamiento si los

resultados son eficientes en otras palabras si los resultados presentan beneficios desde el

punto de reducción de costos, minimización del uso de recursos, balanceo de cargas,

etc.

La aplicación de modelos de optimización tiene una amplia contribución a la reducción

de costos y al ahorro de recursos en todo tipo de organizaciones a nivel mundial, lo cual

le da cada día más relevancia entre la comunidad científica internacional

Muchos programas lineales que simulan problemas económicos y que no guardan

relación con el problema de transporte se pueden resolver resueltos aplicando los

métodos propios del problema de transporte, realizándoles transformaciones con las

cuales se logren programas lineales cuya estructura es análoga al programa lineal que

simula el problema de transporte. Esto hace que el problema de transporte tenga cada

día más aplicaciones reales, teniendo o no relación con el propio problema.

 REFERENCIAS

 López, F., y Arana, G. (2002). La Dualidad en el Problema de Transporte. Vigo: II

Conferencia de Ingeniería de Organización. IO. Pp.681-688. Recuperado el 03 de
agosto de 2010, de http://adingor.es/congresos/web/uploads/cio/c
io2002//metodos_cuantitativos/C081.pdf
 López, L., Aronson, M., Carstensen, G., y Smith, C. (2008). Optimization Support for
Senior Design Project Assignments . Interfaces 38 , 448-464.
 Martínez, A. (2009). Nrc e inra para raciones de caballos de ocio basadas en forrajes
secos y concentrados granulados. Cordova España: Universidad de Córdoba. Archivos
de Zootecnia 58, pp. 333-344. Recuperado el 04 de septiembre de 2010, de
http://www.uco.es/organiza/servicios/publica/ az/php/az.php?
idioma_global=0&revista=151 &codigo=1753
 Miranda, J. (2010). eClasSkeduler: A Course Scheduling System for the Executive
Education Unit at the Universidad de Chile. Interfaces 40, 196-207.
 Montoya, J. R. (2003). Planeación de la producción y enrutamiento de vehículos en
sistemas de producción. Panorama actual de trabajo y algunas proposiciones.
Barranquilla. Colombia: Universidad del Norte, Ingeniería y desarrollo, 85-97.
 Moreno, E. (2006). Análisis comparativo de la Modelación del Autotransporte: carga vs
Pasajeros. México: SCT. Publicación técnica N. 300. Recuperado el 01 de septiembre de
2010, de http://www.imt.mx/SitioIMT/Publicaciones/fr mPublicacion.aspx?
ID_CON_Seccion=4
 Mulder, K. (2007). Desarrollo sostenible para ingenieros. Barcelona, España:
Universitat Politècnica de Catalunya. Ediciones UPC