Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigación de operaciones
NUMERO DE CONTROL
213S0424
DOCENTE:
Ing. Karen Yaneth Santos Santiago
GRUPO:
4to”C”
PERIODO:
Febrero – Junio 2023
pág. 1
Investigación
¿QUÉ ES LA PROGRAMACIÓN ENTERA?
Un modelo de Programación Entera es aquel cuya solución óptima tiene sentido solamente si
una parte o todas las variables de decisión toman valores restringidos a números enteros,
permitiendo incorporar en el modelamiento matemático algunos aspectos que quedan fuera
del alcance de los modelos de Programación Lineal.
En este sentido los algoritmos de resolución de los modelos de Programación Entera difieren
a los utilizados en los modelos de Programación Lineal, destacándose entre ellos el Algoritmo
de Ramificación y Acotamiento (o Branch & Bound), Branch & Cut, Planos Cortantes,
Relajación Lagrangeana, entre otros.
pág. 2
Investigación
MÉTODO DE DESCOMPOSICIÓN DE BENDERS
Esta metodología fue propuesta por J.F. Benders en 1962, su nombre original es Partitioning
procedures for solving mixed-variables programming problems, y como su nombre bien lo dice
el método está pensado originalmente para problemas de Programación Entera Mixta. Sin
embargo, también se puede aplicar en problemas de Programación Lineal.
En Programación Entera Mixta, se espera que estas variables “complicadas” sean las
enteras, las cuales al fijar su valor, dejan un problema resultante que cumple con una
característica muy conveniente: es lineal. Y como cumple con esto, entonces podemos hacer
uso de todo lo que conocemos sobre Programación Lineal para realizar la optimización de las
variables que (en un principio) fijamos.
pág. 3
Investigación
Como mencionamos al principio, entonces podemos separar este problema en dos partes. A
continuación se muestra el Master Problem (Problema Maestro) a la izquierda y el
Subproblem (Subproblema) a la derecha:
Como se puede ver, el Master Problem contiene las variables que son enteras, y el
Subproblem contiene las variables continuas, por lo que este último cumple con ser un
problema de Programación Lineal.
Notar que el lado derecho de las restricciones del problema esclavo son números, ya que los
valores de las variables enteras están fijos.
Iniciamos este artículo diciendo que el concepto central es dividir para conquistar: en este
caso lo que se hace es resolver el Problema Maestro para obtener los valores de y; con esto,
podemos resolver entonces el Subproblema. Se puede observar que el valor de la función
objetivo del Subproblema se encuentra en la función objetivo del Problema Maestro, lo
anterior se reformulará más adelante.
Una nota relevante: Si te das cuenta, el Problema Maestro para esta formulación no tiene
ninguna restricción más que las de dominio. Nada impide que el Problema Maestro también
tenga restricciones. Esto estará dado por la estructura del problema que estemos estudiando.
Recuerda siempre: ambos problemas están conectados, por lo que el resultado de uno influye
directamente en el resultado del otro. Con esto en consideración, se cumple la siguiente
propiedad:
pág. 4
Investigación
Si tenemos un problema de Programación Lineal, entonces tenemos que aprovecharlo. ¿Qué
es lo primero que se nos viene a la mente con un problema lineal? La respuesta es dualidad.
Cada problema lineal (primal) tiene su problema dual asociado, el cual para el caso del
problema esclavo enunciado anteriormente, tiene la siguiente estructura:
¿Qué es lo que podemos ver en este problema dual?: Que la región factible (es decir el sub-
espacio definido por las restricciones y el dominio del problema) no depende del valor que
tomen las variables enteras, y sólo influye en el valor de la función objetivo (notar que están
en ella).
Lo anterior entonces nos lleva a la siguiente pregunta: ¿Qué sucede cuando la región factible
del problema es vacía? (recuerda que al ser vacía estamos diciendo que nuestro problema
dual es infactible). Dos cosas pueden ocurrir:
Al ser el problema dual infactible, entonces su primal es no acotado para algún valor de las
variables enteras, en cuyo caso el problema original también es no acotado, o bien
La región factible del problema primal es también infactible para todo valor de las variables
enteras, llevando a la conclusión de que el problema original es infactible.
¿Por qué revisamos todo esto?: Porque es importante tenerlo en consideración, ya que como
mencionamos anteriormente, al tener un problema esclavo lineal, entonces podemos hacer el
uso de los conceptos de dualidad.
pág. 5
Investigación
A las restricciones (1) y (2) se les conoce como restricciones de factibilidad y optimalidad,
respectivamente. Además, existe una variable auxiliar z, la cual permite es la responsable de
hacer la “conexión” entre el Problema Maestro y el Subproblema (esto se puede ver en las
restricciones del tipo (1) y (2)).
Al resolver el RMP vamos a obtener los valores de las variables enteras, las cuales
utilizaremos para resolver el Subproblema, como resultado podemos obtener dos cosas:
El sub-problema tiene una solución óptima, lo cual implica que el problema dual también la
tiene. Si esto ocurre, entonces hay que agregar un corte de optimalidad al RMP.
La última pregunta que nos queda por responder es: ¿Cuántas veces iterar?. Para responder
lo anterior debemos definir la cota superior e inferior.
Como la teoría de esta descomposición puede ser un poco compleja, veamos un ejemplo.
pág. 6
Investigación
Ejemplo Método de Descomposición de Benders (Programación Lineal)
La solución óptima para este problema es: x_{1}=0, x_{2}=0,714 e y=1,571 con un valor para
la función objetivo (valor óptimo) de 5,285. La solución óptima del problema anterior se puede
alcanzar de forma sencilla a través del Método Simplex Dual o el Método Simplex de 2 Fases
(y por cierto a través de otros procedimientos y herramientas computacionales como Solver de
Excel).
Al resolver el RMP de la primera iteración, obtenemos como solución óptima y=0 y z=0; lo cual
utilizaremos para resolver el Subproblema. Con y=0, el resultado del Subproblema es:
x_{1}=2,2 y x_{2}=0,4 con un valor en la función objetivo de 5,6.
pág. 7
Investigación
Como difieren el valor de las cotas, debemos continuar. Gracias a la herramienta “Análisis de
Sensibilidad” del Solver en Excel, podemos obtener el valor de las variables duales asociadas
a las restricciones del Subproblema (también podríamos obtener el valor de las variables
duales óptimas al utilizar el Teorema de Holguras Complementarias). Esos valores son:
\lambda_{1}=-1,6 y \lambda_{2}=-0,2.
Al ver las variables duales para las restricciones del Subproblema tenemos que:
\lambda_{1}=-1,5 y \lambda_{2}=0, lo cual permite crear el siguiente corte de optimalidad el
cual agregamos al Problema Maestro:
pág. 8
Investigación
Hacemos K=3 y resolvemos el Problema Maestro nuevamente. La nueva solución óptima para
el Problema Maestro es y=1,571 y z=2,142 con un valor óptimo de 5,285. Con y=1,571 la
solución del Subproblema es: x_{1}=0 y x_{2}=0,714 con un valor en la función objetivo de
2,148.
Como ambas cotas (superior e inferior) son iguales, podemos detenernos. Hemos encontrado
la solución óptima para nuestro problema de Programación Lineal. (Mis sinceros
agradecimientos a mi amigo Javier Maturana Ross por su contribución con este detallado
tutorial y los créditos correspondientes al profesor Yuping Huang por el ejemplo presentado en
este artículo).
pág. 9
Investigación
MÉTODO DE PLANOS CORTANTES (OPTIMIZACIÓN DUAL)
En este artículo, 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
pág. 10
Investigación
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 Cx\leq d 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:
pág. 11
Investigación
Con lo anterior en consideración, podemos entonces expresar nuestro Problema Dual
Lagrangeano 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:
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:
Sea k=1. Sea x1, x2 ,x3 ,…, xr la cantidad de puntos necesarios para iniciar el algoritmo.
Crear los cortes del tipo \mu \leq c^{T}x_{i}+\lambda ^{T}(Cx_{i}-d) con dichos puntos.
Resolver el Problema Maestro.
El problema maestro entregará una actualización para los valores de los Multiplicadores de
Lagrange. Con ellos, resolver el sub-problema.
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.
Agregar el corte al Problema Maestro, hacer k=k+1 y volver a 2.
La teoría de este procedimiento puede ser un poco complicada, así que veamos un ejemplo.
pág. 13
Investigación
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 B donde 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.
pág. 14
Investigación
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:
pág. 15
Investigación
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:
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 (0\neq 58,5) por lo que el nuevo punto que nos permite
generar un nuevo corte:
pág. 16
Investigación
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 (13,76\neq 15,882) por lo que el nuevo punto que nos
permite generar un nuevo corte:
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.
pág. 17
Investigación
Al estar optimizando los valores para una Relajación Lagrangeana, hemos encontrado un
valor que cumple con lo siguiente:
Una formulación típica del Problema de Tamaño de Lote No Capacitado considera los
siguientes parámetros y variables de decisión.
pág. 18
Investigación
Formulación Tradicional Problema de Tamaño de Lote No Capacitado
Variables de Decisión:
Parámetros:
Por otra parte las restricciones del problema quedan definidas por:
pág. 19
Investigación
Capacidad de Producción x_{t}\leq M\cdot y_{t}: Si bien hemos definido el problema como no
capacitado, esta restricción permite vincular la decisión de producción en un período con la
cantidad (volumen) de dicha producción. De esta forma se evita situaciones anómalas como
que en un período cualquiera se produzca y al mismo tiempo el y_{t} respectivo sea cero.
nventario Inicial s_{0}=0: Se asume que no se dispone de inventario al inicio del horizonte de
planificación.
Una formulación típica del Problema de Tamaño de Lote No Capacitado considera los
siguientes parámetros y variables de decisión.
pág. 20
Investigación
Variables de Decisión:
Parámetros:
Por otra parte las restricciones del problema quedan definidas por:
pág. 21
Investigación
Capacidad de Producción x_{t}\leq M\cdot y_{t}: Si bien hemos definido el problema como no
capacitado, esta restricción permite vincular la decisión de producción en un período con la
cantidad (volumen) de dicha producción. De esta forma se evita situaciones anómalas como
que en un período cualquiera se produzca y al mismo tiempo el y_{t} respectivo sea cero.
Inventario Inicial s_{0}=0: Se asume que no se dispone de inventario al inicio del horizonte de
planificación.
Variables de Decisión:
pág. 22
Investigación
Al conservar la definición de parámetros definida para la formulación anterior, se propone el
siguiente modelo de Programación Entera:
pág. 23
Investigación
De forma análoga la solución óptima obtenida con la Formulación Dinámica del Problema de
Tamaño de Lote No Capacitado ULS se observa en las celdas de color amarillo en la tabla a
continuación.
Notar que w_{11}=32, es decir, en el primer período se produce sólo lo necesario para
satisfacer los requerimientos de dicho período. Adicionalmente w_{22}=41, w_{23}=48 y
w_{24}=36, es decir, en el período 2 se producen en total 125 unidades (41+48+36), para
satisfacer la demanda de los períodos 2, 3 y 4. Por último en el período 5 se produce
simplemente 20 unidades (w_{55}=20) para cumplir lo requerido.
pág. 24
Investigación
EJEMPLO DE RELAJACIÓN LAGRANGEANA EN
PROGRAMACIÓN ENTERA
1. Comenzar con cada \lambda igual a cero. Definir inicialmente (y de forma arbitraria) un
Paso de magnitud k.
2. Resolver LR(\lambda) de modo de alcanzar la solución óptima en términos de x.
3. Para cada restricción violada por x, incrementar el correspondiente \lambda por k.
4. Si han transcurrido m iteraciones desde que se alcanzo la última relajación para el
problema dual lagrangeano, disminuir k a la mitad.
5. Ir al Paso 2.
pág. 25
Investigación
Para ilustrar el procedimiento anterior consideremos un Problema de la Mochila como el que
se describe a continuación:
pág. 27
Investigación
Según se señala en un tutorial por Michael A. Trick (donde se ha tomado este ejemplo y se
ha extendido a un número mayor de iteraciones con ciertas variaciones en la aplicación de las
mismas) las penalizaciones “óptimas” (luego de seguir iterando) corresponderán
aproximadamente a y , alcanzando que constituye una
cota superior del valor óptimo del problema original. La Solución Óptima asociada a este
escenario es que es factible en el problema original y reporta un
valor en la función objetivo de 11. Notar que la Solución Óptima del PE)
es con Valor Óptimo de 13.
Los modelos de optimización que integran decisiones de localización y transporte han sido
materia de análisis detallado en nuestro sitio como se aborda en los artículos Optimización
de una Red Logística de Transporte y Localización de Centros de Distribución y
el Problema de Transbordo en una Red Logística de Transporte Multiperíodo, entre
otros. En esta ocasión incorporaremos un concepto adicional a la problemática anterior a
través de la incorporación de las preferencias de los clientes por ser abastecidos por
determinados centros de oferta. A este problema lo llamaremos Modelo de Localización y
Transporte con Preferencias de Clientes y a continuación describiremos un caso particular
pág. 28
Investigación
que permita visualizar una alternativa de formulación sencilla con su correspondiente
implementación computacional.
Asumamos que cada cliente (demandante) ha manifestado su preferencia por ser abastecido
por determinados oferentes (potenciales). En este contexto cada cliente elegirá siempre su
mejor (menor) prioridad de las alternativas ofertas disponibles, es decir, de aquellas que se
decidan instalar (localizar).
Sea K_{i} el costo de instalar el centro de oferta i. Por ejemplo, habilitar (localizar) el oferente
1 tiene un costo fijo de 3.500 unidades monetarias.
Sea p_{ij} la preferencia que manifiesta el cliente j por ser abastecido por el oferente i.
Asumiremos que un menor valor representa una mayor preferencia. Por ejemplo, el cliente 1
prefiere ser abastecido por los oferentes 4,1,3,2, respectivamente. En este sentido si se
llegará, por ejemplo, solo a instalar el oferente 1 y 3, el cliente 1 debe ser abastecido del
oferente 1 dado que de las 2 alternativas este oferente representa una mayor preferencia.
pág. 29
Investigación
Dada las definiciones anteriores, el Modelo de Localización y Transporte con
Preferencias de Clientes es el siguiente:
pág. 30
Investigación
(4) Se impone a través de la preferencia calculada en (3) que cada cliente
sea atendido por aquel oferente que le reporta la mayor satisfacción
(menor puntuación en el ejemplo según lo descrito previamente).
(5) Las variables de decisión son binarias.
Luego de implementar en Solver el modelo de Programación Entera anterior
se alcanzan los siguientes resultados:
pág. 31
Investigación
CONCLUSIÓN
En conclusión, los diferentes métodos de programación entera son herramientas poderosas
que nos permiten resolver problemas de optimización en diversas áreas de aplicación. Estos
métodos son especialmente útiles cuando se enfrentan restricciones y decisiones que
requieren que las variables de decisión sean enteras.
La enumeración exhaustiva, aunque poco eficiente para problemas grandes, es útil para
problemas pequeños o cuando se necesita una solución exacta. Los métodos de corte de
plano pueden mejorar la eficiencia al agregar restricciones adicionales para eliminar
soluciones no enteras, pero pueden seguir siendo costosos computacionalmente.
El método de ramificación y acotamiento es ampliamente utilizado debido a su capacidad para
encontrar soluciones óptimas y su eficiencia en muchos casos. Sin embargo, en problemas
complejos, puede requerir mucho tiempo de cómputo.
Los métodos de programación entera mixta son útiles cuando se pueden permitir variables
continuas, lo que puede reducir la complejidad del problema y mejorar la eficiencia de la
resolución. Además, los métodos de relajación y redondeo pueden proporcionar soluciones
factibles en un tiempo más corto, aunque no garantizan la óptima.
En general, los métodos de programación entera nos permiten abordar problemas de
optimización con restricciones y decisiones enteras, lo que puede ser crucial en áreas como la
planificación de la producción, la logística, la asignación de recursos y muchas otras
aplicaciones. Estos métodos nos ayudan a encontrar soluciones óptimas o cercanas a lo
óptimo, optimizando la utilización de recursos, minimizando los costos y maximizando los
resultados deseados.
Es importante seleccionar el método más adecuado según las características del problema, la
eficiencia computacional requerida y los recursos disponibles. Además, el uso de técnicas
avanzadas, combinación de métodos o enfoques híbridos puede ser necesario para abordar
problemas más complejos y obtener soluciones de mayor calidad en un tiempo razonable. En
última instancia, los métodos de programación entera nos brindan herramientas valiosas para
la toma de decisiones y la optimización en diversos contextos.
pág. 32
Investigación
REFERENCIAS BIBLIOGRAFICAS
pág. 33
Investigación