PROGRAMACION LINEAL ENTERA

La programación lineal entera surge como respuesta a los problemas de programación lineal donde
algunas, o todas las variables de decisión estan condicionadas a tomar VALORES ENTEROS

Un caso particular es cuando las variables enteras son BINARIAS

REALES: Cantidades divisibles (dinero, tiempo, volumen , peso)

ENTERAS: Cantidades no divisibles (vehículos, Objetos, Personas)

BINARIAS: Dos estados posibles (0 o 1)

APLICACIONES:

Ubicación de instalaciones

Secuenciación de maquinas

Enrutamiento de vehículos

METODOS DE SOLUCION

Si bien la restricción de integralidad puede parecer inofensiva, en realidad tiene efectos de gran
alcance.

Por un lado permite modelar restricciones de productos que deben ser fabricados en cantidades
enteras

Por otro lado, con las variables enteras podemos modelar requerimientos lógicos, problemas de
costos fijos, planificación de actividades y otros muchos tipos de problemas.

La otra cara de la gran potencialidad de l modelado con variables enteras es la dificultad de los
problemas resueltos

Por tal razón, el estudio de los métodos de solución en problemas de programación entera es un
área de fundamental importancia.

Así pues, como métodos de solución tenemos:

Redondeo de la solución de programación lineal (relajación)

Enumeración explicita o completa

Ramificación y acotamiento

Planos cortantes

En nuestro caso, revisaremos los primeros 2 métodos

METODO DE REDONDEO

Problema de Programación Entera

Maximizar Z=CX

Sujeto a

Ax=b

x>=0

Algún xi∈ Z

Su problema relajado asociado es

Maximizar Z=cx

Sujeto a

Ax=b

x>=0

Esto significa que las soluciones factibles el problema de programación entera, estan contenidas
dentro de las soluciones factibles del problema relajado.

Recordemos que Enel caso de los problemas de programación lineal, podemos tener soluciones
infinitas o no tener solución, ahora, cuando tenemos soluciones en el caso de programación entera
podemos tener:

Una solución óptima

Infinitas soluciones

Numero finito de soluciones optimas

Ejemplo:

Maximizar Z= X+Y

Sujeto a

X + Y <= 4

X – Y >= 0

X,Y >= 0

X,Y ϵ Z positivas

Graficando tenemos:

Las soluciones enteras son:

Las soluciones enteras óptimas son:

Si sustituimos los pares de puntos X, Y de estas soluciones en la función objetivo, obtendremos el

mismo resultado, es decir Z=4.

Un ejemplo de soluciones infinitas para el caso entero es el siguiente

Minimizar Z = X -Y

Sujeto a:

X -Y >= 0

X,Y >= 0

X,Y ϵ Z positivas
Note que, cualquier combinación de los puntos enteros sobre la recta nos dará una solución
optima al problema, por lo que tenemos una región factible sin acotar, por lo tanto, soluciones
infinitas.

A continuación aplicaremos el método a un problema de maximización:

Maximizar Z = 2X1 + 6X2

Sujeto a

4X1 – 2X2 >=3

4X1 + 2X2 <=17

X1, X2 >= 0 y enteras positivas

Graficando el problema y encontrando la solución óptima, notamos que NO es entera

Esta seria la solución del problema relajado, ahora bien, redondeando la solución tenemos lo
siguiente:

Como podemos observar, los redondeos posibles estan fuera de la región factible, por lo tanto
tampoco son soluciones al problema de programación entera, el método de redondeo no funciona
en este caso.
Si colocamos todas las soluciones enteras posibles tenemos:

De aquí, podemos observar que la solución óptima es la siguiente:

Ejercicio:

Maximizar Z = X1 + 15X2

Sujeto a

X1 + 20 X2 <=50

X1 + X2 <=20

X1,X2 >=0 y enteras

Graficando la región factible tenemos:

De donde, la solución del problema relajado es:

De ahí, identificando las soluciones enteras y redondeando tenemos:

Tenemos 2 redondeos no factibles y 2 redondeos factibles, evaluando los que se encuentran en la

región factible tenemos:
Aquí podemos pensar que, el punto de solución optima entera es Z= 34, sin embargo, tenemos
otro punto que debemos considerar, el punto formado por las coordenadas X1=10, X2= 5,
evaluando este punto en la función objetivo, tenemos:

Por lo tanto nuestra solución optima puede encontrarse fuera del redondeo de la solución
relajada.

Ejercicio:

Maximizar Z 7 X1 + 9 X2

Sujeto a

-X1 + 3 X2 <= 6

7 X1 + X2 <= 35

X1, x2 >=0

X1, X2 enteras positivas

Area de soluciones factibles

Identificando las coordenadas enteras tenenmos

Evaluando las soluciones posibles

Nuestro punto de solucion optima es:
ENUMERACION EXPLICITA O COMPLETA

Tenemos el siguiente ejemplo

Maximizar Z= 300X1 + 90 X2 + 400X3 + 150 X4

Sujeto a

35 X1 + 10 X2 + 25 X3 + 90 X4 <=120

4 X1 + 2 X2 + 7 X3 + 3 X4 <= 12

X1 + X2 <= 1
ϵ
X1, X2, X3, X4 { 0, 1 } Las variables son enteras y Binarias.
En este caso como hay 4 variables binarias, podemos tener 16 combinaciones posibles,
realizando la tabla de combinaciones y evaluando en las restricciones tenemos:

Como se trata de un problema de maximización, tomamos el mayor valor dentro del

conjunto de soluciones factibles. Es decir:
La solución óptima para este problema seria:

Es importante mencionar que este metodo funciona con un numero limitado de variables,
ya que las posibilidades de solucion siempre sera de 2n ( por ejemplo, si tenemos 32
variables, las posibles soluciones son 4,294,967,296 ).
Ejemplo

En una oficina se necesita para cada día de la semana el número de trabajadores/as a tiempo
completo de la siguiente tabla: Día Trabajadores/as 1. Lunes 15 2. Martes 13 3. Miércoles 15 4.
Jueves 18 5. Viernes 14 6. Sábado 16 7. Domingo 10 Cada trabajador/a debe trabajar cinco días
seguidos y descansar dos. El problema es determinar el número de trabajadores/as que entran a
trabajar cada día de la semana para garantizar el funcionamiento de la oficina. El objetivo es hacer
frente a las necesidades de la oficina contratando un número mínimo de trabajadores/as. Para
plantear un modelo lineal definimos las variables de decisión xj : número de trabajadores/as que
entran a trabajar el día j = 1, . . ., 7. Para cada día de la semana se tiene una restricción que
garantiza que el número de trabajadores/as que están trabajando ese día satisfacen las
necesidades de la oficina.

El modelo lineal es min z = x1 + x2 + x3 + x4 + x5 + x6 + x7

sujeto a
x1 + x4 + x5 + x6 + x7 ≥ 15
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 15
x1 + x2 + x3 + x4 + x7 ≥ 18
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 10
x1, . . ., x7 ≥ 0 y enteras

Ejercicio:

Una compañía está considerando 3 posibles proyectos de mejora para su planta: Un nuevo
convertidor catalítico, un programa de computadora para controlar las operaciones y la expansión
del almacén. Los requerimientos de capital y las limitaciones de presupuesto en los dos años
siguientes impiden que la firma emprenda todos los proyectos en este momento, el valor actual
neto (VAN) de cada uno de los proyectos, los requerimientos de capital, y los fondos disponibles
para los dos años siguientes se muestran a continuación.

La modelación quedaría de la manera siguiente: