3.4 Método de planos cortantes.

Algoritmo de Gomory
Lo que veremos es una forma distinta de optimizar dichas variables,
mediante un algoritmo que lleva el nombre de Método de Planos Cortantes o
Método de Planos de Corte (o simplemente Planos Cortantes). Este algoritmo
también se conoce con el nombre de Cortes basados en Descomposición de
Benders, y esto es principalmente debido a que este procedimiento utiliza
inecuaciones muy similares a las que se ocupan en el método propuesto por
J.F. Benders.

La idea fundamental detrás del algoritmo de planos cortantes es comenzar

con una solución inicial factible para el problema relajado, para después
“cortar” o sacar dicha solución y cambiarla por otra que mejore el valor de la
función objetivo que se está optimizando (es decir el valor del Problema Dual
Lagrangeano).

Además, para iniciar este método es necesario tener una consideración

especial:

El conjunto de puntos que constituyen las soluciones enteras factibles del

problema relajado  debe ser acotado.

¿Por qué?: Debido a que el algoritmo de planos cortantes utiliza estos

puntos, por lo que si el conjunto fuera no acotado, entonces el algoritmo
nunca convergería (es decir, nunca terminaría de iterar). Este conjunto
acotado se conoce como la envoltura convexa, pero cuidado: no es
cualquiera, es la envoltura convexa de las soluciones enteras del problema
relajado.
Veamos entonces cómo funciona este método de forma general.
Supongamos que tenemos el siguiente problema, en donde el segundo
conjunto de restricciones es “difícil” y complica la resolución, por lo
tanto lo sacamos y lo llevamos a la función objetivo, a lo cual llamaremos el
problema relajado:

Además, supongamos que es posible enumerar todos los puntos que son

factibles para nuestro problema relajado (es decir, los que están dentro de
la envoltura convexa). Si pudiéramos hacer eso, entonces bastaría con
evaluar en la función objetivo todos esos puntos, y ver cuál entrega el menor
valor: este punto sería entonces nuestra solución óptima.
Lo que se menciona anteriormente, se puede representar matemáticamente
de la siguiente forma, donde p es la cantidad de puntos que pertenecen a las
soluciones enteras de este problema relajado:

Con lo anterior en consideración, podemos entonces expresar

nuestro Problema Dual Lagrangeano de la siguiente forma:

Lo cual, se puede volver a reformular y expresar mediante un problema de

optimización. Esta reformulación se conoce como el Problema Maestro, en
donde ocupamos una variable auxiliar u y queda expresado de la siguiente
forma:

Esta reformulación es importante de entender, ya que gracias a que se

dispone de cada uno de los puntos que pertenecen a las soluciones enteras
del problema relajado (recuerda que dijimos que se podían enumerar),
entonces cada una de las restricciones del tipo:
Constituyen un corte para nuestro problema.
Esto nos lleva a la siguiente pregunta: 

¿si tenemos todos los puntos, entonces agregamos todos los cortes
inmediatamente (simultáneamente)?

La respuesta es NO, ya que esto sería un trabajo muy tedioso, y tomaría

mucho tiempo computacional. Para esto existe el algoritmo de los planos
cortantes, para ir agregando iterativamente los cortes, de manera tal que
tome menos tiempo que agregarlos todos en conjunto.

Como hemos llamado a la reformulación anterior el Problema Maestro,

entonces necesitamos un sub-problema, o problema esclavo. Este sub-
problema corresponde al problema relajado que discutimos al principio del
desarrollo:

Finalmente, la última pregunta que nos podemos hacer es con cuántos

cortes partir. Para la pregunta anterior no hay una respuesta que
pudiésemos dar a priori como exacta, pero una buena aproximación es que la
cantidad de cortes iniciales (o puntos iniciales a utilizar) sea igual a la
cantidad de variables o penalizadores, incrementado en una unidad, es decir:

Número de Cortes Iniciales = Número de Penalizadores + 1

Algoritmo de Planos Cortantes
El algoritmo de planos cortantes se puede enunciar mediante los siguientes
pasos. Además, luego encontrarás un resumen mediante un diagrama de
flujo:

1. Sea k=1. Sea x1, x2 ,x3 ,…, xr la cantidad de puntos necesarios para

iniciar el algoritmo. Crear los cortes del tipo con
dichos puntos.
2. Resolver el Problema Maestro.
3. El problema maestro entregará una actualización para los valores de
los Multiplicadores de Lagrange. Con ellos, resolver el sub-problema.
4. Al resolver el sub-problema, se encontrará un nuevo punto
perteneciente a las soluciones factibles del problema relajado. Verificar
el criterio de parada. Si se cumple, terminar; sino, crear un nuevo
corte.
5. Agregar el corte al Problema Maestro, hacer k=k+1 y volver a 2.
Ejemplo Método de Planos Cortantes
Supongamos el siguiente problema de optimización, en donde las primeras
cuatro inecuaciones serán las que permanecen en el problema relajado, y las
ultimas 4 son las inecuaciones “complicadas” que serán incorporadas a la
función objetivo.

Sin embargo, antes de ello presentaremos una representación gráfica del

problema propuesto. El área achurada de color verde corresponde al
dominio de soluciones factibles de la relajación continua del problema, es
decir, omitiendo las condiciones de integralidad para las variables de
decisión.

En este contexto la solución óptima de la relajación continua es el vértice

Bdonde x=30/11 e y=42/11, con valor óptimo V(PL)=186/11=16,909 (aprox).
De forma análoga, la solución óptima del problema entero se encuentra
identificado con la letra F con x=3 e y=3, siendo el valor óptimo V(PE)=15.
Notar que la representación gráfica anterior y la obtención de la solución
óptima de la relajación continua y del modelo de  Programación
Entera propuesto tiene un fin sólo ilustrativo, de modo que favorezca la
comprensión de los conceptos que presentamos más adelante.
A continuación retomamos el procedimiento del Algoritmo de Planos
Cortantes. Para ello escribiremos el problema relajado (no confundir con la
relajación continua!) de la siguiente forma:

Al escribir este problema, los puntos pertenecientes a la envoltura convexa

de las soluciones enteras del problema relajado son los siguientes:
Una representación gráfica de la envoltura convexa del problema relajado se
muestra a continuación:

A pesar de que el método sugiere una cantidad de cortes iniciales, como se

puede ver en este ejemplo son sólo 8 puntos (denotados
por E, F, G, H, I, J más las coordenadas (2,3) y (3,2)), por lo que no seguiremos
esta sugerencia. Para iniciar, hacemos k=1 y utilizaremos el punto (1,4) para
crear el siguiente corte:

Por lo que el Problema Maestro en la iteración k=1 es:

Al resolver este problema, la solución óptima es:

Con estos valores para los Multiplicadores de Lagrange, resolvemos el

problema relajado:

El cual, entrega como resultado los valores x=5 e y=1, con un valor objetivo
de 58,5.

Luego verificamos el criterio de parada ( ) por lo que el nuevo punto

que nos permite generar un nuevo corte:

Hacemos k=2 y el nuevo Problema Maestro es:

Al resolver este problema, la solución óptima es:

Con estos valores para los Multiplicadores de Lagrange, resolvemos el

problema relajado:

El cual, entrega como resultado los valores x=2 e y=4, con un valor objetivo
de 15,882.
Verificamos el criterio de parada ( ) por lo que el nuevo punto
que nos permite generar un nuevo corte:

Hacemos k=3 y el nuevo Problema Maestro es:

Al resolver este problema, la solución óptima es:

Con estos valores para los Multiplicadores de Lagrange, resolvemos el

problema relajado:

El cual, entrega como resultado los valores x=5 e y=1, con un valor objetivo
de 15,6, verificamos el criterio de parada (15,6=15,6), por lo que como se
cumple el criterio de parada y el algoritmo se detiene.

Al estar optimizando los valores para una Relajación Lagrangeana, hemos

encontrado un valor que cumple con lo siguiente:

Particularmente para este problema se cumple que:

METODO DE GOMORY
Gomory fue el primer creador del algoritmo para resolver métodos de
programación entera, el algoritmo de gomory consiste en resolver el
problema sin considerar las restricciones del carácter entero de las variables
y si la solución no es entera añade restricciones que reduce el conjunto de
soluciones del problema lineal continuo asociado, sin excluir ninguna
solución entera En matemática, y más en concreto en optimización, el
método de los planos de corte es un procedimiento para encontrar
soluciones enteras de un problema lineal. Fue introducido por Gomory.

Funciona resolviendo un programa lineal no entero, después comprobando si

la optimización encontrada es también una solución entera. Si no es así, es
añadida una nueva restricción que corta la solución no entera pero no corta
ningún otro punto de la región factible. Esto se repite hasta que se encuentra
la solución entera óptima. Interpretación geométrica, una restricción es
equivalente a un hiperplano, permitiendo solo soluciones en uno de los
lados del plano.

Método fraccional de Gomory

Este método solo resuelve modelos enteros puros y consta de
los siguientes pasos:

1.- Resolver el modelo relajado, es decir, que las variables sean continuas.
2.- Si el resultado es entero, entonces ya se tiene la solución optima, si no
seguir con el método.
3.- Seleccionar el max ( XBi – [XBi] ) incluyendo al renglon Zj - Cj , fraccionario
y generar un nuevo corte o nueva restricción: (aij – [aij])xj ≥ (xBi – [xBi]) ∑
añadir este corte como una nueva restricción y resolver utilizando el método
Dual Simplex; ir al paso 2.
Nota: Z es entero si y solo si los coeficientes de la función objetivo son
enteros y asi utilizar al renglon Zj - Cj en la tabla simplex.

MÉTODO PURO DE GOMORY

El algoritmo puro de Gomory es una variación del método fraccional de
Gomory, al igual que este método la matriz A debe ser entera. Además debe
cumplir las condiciones para aplicar el método dual simplex (optimalidad
inicial y al menos un negativo en la solución):

Condición de optimalidad

Valor de variable básica < 0.

Definición: Un vector es lexicográficamente positivo si el primer componente

diferente de cero es positivo. Cuando un vector X es lexicográficamente
positivo se escribe X}0.

Ejemplo:

X= (0. 3, -2, 9) X = 0
X = (0,0,-3,12) X no es 0

Definición: un vector X es lexicográficamente mayor que otro vector

Y si X - Y =0

Ejemplo:

X = (0, 3, -2)
Y = (1, 2, 2)
X – Y = (-1, 1, -4)
X no es lexicográficamente mayor que Y
X - Y = 0, por tanto Y es lexicográficamente mayor que
X.
Y – X = (1, -1, 4)

Los pasos del método son:

1)Elige la XBi más negativa. Se designa a esa fila con r. Si el método dual
simplex genera un pivote -1, aplicar el método dual simplex. Si no continuar
con el método.

2) Elige aquella columna no-básica con arj<0 que sea lexicográficamente la

menor. Se designa una columna por k. Al primer elemento distinto de cero de
dicha columna se le designa por apk(>0) siendo su fila correspondiente
la p.

3) Para la columna arj<0 se calcula el índice uij = [akj/apk] si es que apj es el

primer elemento diferente de cero en la columna j. De otra manera uj=∞.

4) Se calcula λ=max [ !arj! / uj ]para arj<0 y uj≠∞.

5) Se deriva el corte:

6) Se anexa este a la tabla junto con su variable de holgura correspondiente y

se aplica el método dual simplex sobre el entero. Si el resultado es XB≥0
entonces se tiene la solución óptima, si no ir al paso
1

bibliografía

https://www.gestiondeoperaciones.net/programacion-entera/metodo-de-
planos-cortantes-optimizacion-dual/

https://dokumen.tips/documents/metodo-de-gomory-5707bae0e8365.html?
page=1