TECNOLOGICO SUPERIOR DE PANUCO

EXTENSION PUEBLO VIEJO.

Actividad por evaluar:

INVESTIGACION UNIDAD 3
Nombre del alumno:
ALVARADO CASTRO CHRISTIAN DE JESUS
ANGEL GERARDO FERNANDEZ CASTILLO
IVAN ALEXIS MAYA JIMENEZ

Docente: MARIA ESTHER DANTES.

4to semestre – Ingeniería Industrial

03/06/2023

1
 INDICE

3.1. Introducción y casos de aplicación. ................................... 3

3.2. Definición y modelos de programación entera. ................ 4
3.3. Método gráfico de programación entera. ........................... 6
3.4. Método de ramificación y acotación................................... 8
3.5. Método heurístico para problemas binarios.................... 10
FUENTES DE INFORMACION: .................................................. 13

2
 COMPETENCIAS:

Aplica los algoritmos de programación entera.

3.1. Introducción y casos de aplicación.

Hasta ahora solo se han estudiado problemas de programación lineal en los cuales la
solución satisface las restricciones dadas. Estas restricciones incluyen aditividad
proporcional, divisibilidad y no negatividad. La divisibilidad implica que son permitidas las
soluciones fraccionarias para los problemas lineales. Sin embargo, algunos modelos
requieren que la solución, además de cumplir con todas las restricciones, sea solo de
números enteros. Se considera que los pioneros de la programación entera fueron
Wagner (1950) y Manne (1959). Tradicionalmente estos modelos se han considerado
como subclases de la programación lineal, sin embargo, las variables de decisión que
aparecen en ellos sólo toman valores enteros, por lo que realmente deben considerarse
como problemas de programación entera.

El número de modelos lineales enteros y sus métodos de solución es en la actualidad

bastante extenso. No siempre es admisible que las variables de un PL tomen valores
continuos, pudiendo presentarse dos casos:

• Decisiones dicotómicas (si- no)

. • Decisiones que deben tomarse en unidades discretas.

Si se requiere que todas las variables sean enteras, se habla de Programación Lineal
Entera Pura; si se necesita que solo algunas de las variables de decisión sean números
enteros, se tiene un problema de Programación Lineal Entera Mixta.

En algunas aplicaciones, sólo se permite que todas las variables tomen valores de cero
o uno; se trata en estos casos de Programación Lineal Entera Binaria (Digital).Si se
requiere que solamente algunas de las variables tomen valores de cero o uno, se tiene
un problema de Programación Lineal Entera Binaria Mixta Un ejemplo típico de este
modelo se tiene en cualquier línea de producción enserie, en la cual todas las variables

3
(piezas) son números enteros (no se puede hablar de medias piezas o de ¾ de pieza),
y la solución óptima debe estar formada con números enteros.

3.2. Definición y modelos de 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.

Los modelos de Programación Entera se pueden clasificar en 2 grandes áreas:

Programación Entera Mixta (PEM) y Programación Entera Pura (PEP).

Programación Entera Mixta (PEM):

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). A modo de ejemplo los siguientes artículos que hemos abordado en el Blog dan
cuenta de modelos de Programación Entera Mixta:

✓ Incorporación de Costos Fijos.

✓ Problemas de Localización y Transporte.
✓ Problema de Generación Eléctrica.

Programación Entera Pura (PEP)

En esta categoría encontramos aquellos modelos de Programación Entera que

consideran exclusivamente variables de decisión que adoptan valores enteros o binarios.
Un ejemplo de ello son las siguientes aplicaciones:

4
 ✓ Problema de Asignación
✓ Problema de Corte de Rollos
✓ Selección de Invitados a una Boda
✓ Programación de la Explotación Forestal
✓ Problema de la Mochila

Notar que en los problemas anteriores (PEP) el conjunto de las soluciones factibles (o
dominio de soluciones factibles) es finito. Esto ocurrirá generalmente con los problemas
de Programación Entera (puros).

Adicionalmente resulta interesante hacer un contraste entre las propiedades de un

modelo de Programación Lineal (PL) y uno de Programación Entera (PE). A
continuación, se presentan 2 modelos de optimización que se diferencian únicamente en
que al segundo de ellos (PE) se le exige que las variables de decisión adopten valores
enteros.

En este contexto y dada la naturaleza de los problemas propuestos, el valor óptimo del
Problema Lineal (PL) será una cota superior del valor óptimo del Problema Entero (PE).
También se concluye que el dominio de soluciones factibles de un modelo de
Programación Lineal (cuando existe) representa un conjunto convexo (los problemas de
Programación Lineal son convexos) y en el caso del problema de Programación Entera
Pura su conjunto de soluciones factibles es discreto.

Adicionalmente según tratamos en el artículo Por qué no aparece el Informe de

Confidencialidad (o Informe de Sensibilidad) en Solver de Excel se debe tener en cuenta
que en la utilización de software para la resolución computacional de los modelos de
Programación Entera no tendremos acceso a los reportes de sensibilidad como en el
caso de la implementación de modelos de Programación Lineal.

De esta forma ante la necesidad de analizar el impacto en los resultados ante la

modificación de los parámetros del problema será necesario reoptimizar ante la
información que brinde el o los nuevos escenarios.

En este sentido en términos abstractos los modelos de Programación Entera imponen

un desafío mayor al momento de la resolución en comparación a las propiedades
simplificadoras que están asociadas a los problemas de Programación Lineal. De esta
forma se espera que el tomador de decisiones sea capaz de evaluar la relación
rigurosidad del modelado con el costo (complejidad) de la resolución del mismo.

5
3.3. Método gráfico de programación entera.
El método grafico se emplea para resolver problemas que presentan solo 2 variables de
decisión. El procedimiento consiste en trazar las ecuaciones de las restricciones en un
eje de coordenadas x1, x2 para tratar de identificar el área de soluciones factibles
(soluciones que cumplen con todas las restricciones).

La solución optima del problema se encuentra en uno de los vértices de esta área de
soluciones creada, por lo que se buscara en estos datos el valor mínimo o máximo del
problema.

Características del método grafico de la programación entera:

✓ Ayuda al administrador a usar mas eficientes sus recursos, distribuyendo

eficazmente los elementos con los que cuenta para la actividad productiva.
✓ Permiten tomar decisiones objetivas y dejar a un lado el modo de pensar o de
sentir.
✓ Arroja soluciones posibles y practicas y le dan un panorama al administrador para
la toma de decisiones.
✓ El método grafico no puede haber más de tres incógnitas
✓ El trazo la función objetivo en el plano cartesiano y se dibujan líneas paralelas.
✓ El trazo la función objetivo en el plano cartesiano y se dibujan líneas paralelas a
este, hasta llegar al punto mas distante en el área de soluciones factibles.

Ejemplo:

Una compañía de auditores se especializa en preparas liquidaciones y auditorias de

empresas pequeñas. Tienen interés en saber cuantas auditorias y liquidaciones pueden
realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo
directo y 320 horas para revisión.

Una auditoria en promedio requiere de 40 horas de trabajo directo y 10 horas de revisión,

además aporta un ingreso de 300 dls.

6
La solución optima siempre se encuentra en uno de los vértices del conjunto de
soluciones factibles. Se analizan estos valores en la función objetivo. El vértice que
representa el valor de la función objetivo será la función optima.

7
3.4. Método de ramificación y acotación.
El método de Branch and Bound (o Ramificación y Acotamiento) es un algoritmo
diseñado para la resolución de modelos de Programación Entera. ... El algoritmo genera
en forma recursiva cotas (o restricciones adicionales) que favorecen la obtención de
valores enteros para las variables de decisión.

✓ De esta forma, ¿qué es el algoritmo de ramificación y acotamiento?

El método de Branch and Bound (o Ramificación y Acotamiento) es un algoritmo

diseñado para la resolución de modelos de Programación Entera. ... El algoritmo genera
en forma recursiva cotas (o restricciones adicionales) que favorecen la obtención de
valores enteros para las variables de decisión.

✓ En consecuencia, ¿qué es el método grafico de programación entera?

La programación entera es el método empleado para resolver problemas que tienen

variables de decisión enteras. Estos modelos se han considerado submodelos de la
programación lineal con la característica de enteridad.

✓ De la siguiente manera, ¿dónde se aplica la programación entera?

Existen múltiples aplicaciones de modelos de Programación Entera como apoyo a la

toma de decisiones. Algunas aplicaciones típicas son problemas de localización de
instalaciones, inclusión de costos fijos, problemas de asignación, problemas de ruteo
vehicular, etc.

El método de ramificación y acotación y acotación, más conocido por su nombre en inglés

Branch and Bound, recibe este nombre precisamente por basar su desarrollo en estas
dos técnicas: la ramificación y la acotación.

Aunque en la actualidad este método emplea técnicas muy sofisticadas para la elección
de variables, nodos, cotas, etc., la idea original del algoritmo es muy sencilla por lo que
tratemos de resumirla brevemente. La aplicación del algoritmo comienza resolviendo el
problema .lineal asociado (PLA), es decir, el problema resultante al eliminar las
condiciones de integridad de las variables. Si la solución al ̈PLA verifica las condiciones
de integridad, ésta será también la solución del problema entero, en caso contrario pasa
a la ramificación del problema.

La ramificación consiste en dividir cada problema o subproblema en dos nuevos

subproblemas mediante la imposición de restricciones excluyentes, que eliminan
soluciones fraccionarias infactibles para el problema entero. Si al resolver el PLA alguna
variable que ha de ser entera Xi aparece en la solución de dicho problema con un valor
fraccional XBise generan a partir de él dos nuevos subproblemas con una restricción

8
adicional en cada uno de ellos, Xi ≥[XBi]+ 1 en uno y Xi ≤ [XBi] en el otro, siendo [XBi] la
parte entera por defecto de [XBi] (por ejemplo si en la solución óptima al PLA X1=3.5 y
X1ha de ser entera, se generan dos nuevos subproblemas introduciendo X1 ≥ 4 en
uno y X1 ≤ 3 en el otro). Con esto se mantienen todos los posibles valores enteros
que puede tomar la variable xi pero ahora tendremos que resolver dos subproblemas
en vez de uno.

El proceso se repite con las soluciones de los dos subproblemas generados en el

apartado anterior, las cuales darán lugar a dos nuevos subproblemas cada uno y así
sucesivamente. El proceso termina cuando en todos los subproblemas se llega a una
solución entera o infactible. Evidentemente si sólo se utiliza la ramificación el número
de subproblemas a resolver sería muy elevado (crece exponencialmente) por
este motivo la ramificación se combina con la acotación.

La acotación se basa en el hecho de que en un problema de máximo cada vez que

añadimos una nueva restricción a un problema el valor de la función será menor o igual
(para mínimo, mayor o igual) que el obtenido antes de imponer dicha restricción
dado que el conjunto de oportunidades del subproblema será un subconjunto del
problema anterior.

9
3.5. Método heurístico para problemas binarios.
El método heurístico es un conjunto de técnicas para resolver cualquier problema. La
palabra heurística tiene origen griego, y su significado es “inventar, hallar”.

Como método, se basa en reglas empíricas para hallar una solución. Por otra parte, la
heurística de algún modo guía los descubrimientos mediante estrategias específicas o
procedimientos informales, para generar soluciones y elaborar hipótesis.

Este término lo empleó Albert Einstein (1879-1955), en 1905: Sobre un punto de vista
heurístico concerniente a la producción y transformación de la luz, con el que ganó en
1921 el premio Nobel de Física.

El método heurístico está construido sobre el uso de diversos procesos empíricos, es

decir, estrategias basadas en la experiencia, la práctica y la observación de los hechos,
con el fin de llegar a la solución eficaz de un problema determinado.

Fue el matemático húngaro George Pólya (1887-1985) quien popularizó el término con
la publicación de uno de sus libros, llamado How to solve it (Cómo resolverlo).

Durante su juventud, mediante el estudio y comprensión de distintas pruebas

matemáticas, comenzó a plantearse cómo se había llegado a resolver aquellas pruebas.

Esta inquietud lo condujo hacia la argumentación de las mismas a través de distintos

procedimientos heurísticos, que luego enseñó a sus alumnos. Sus estrategias eran:

1. Dibujar un esquema del problema.

2. Razonar a la inversa del problema para encontrar su solución, divisar un plan.

3. En caso de ser una problemática abstracta, tratar de estudiar un ejemplo concreto

llevando a cabo el plan. En principio, abordar el problema en términos generales.

4. Revisar.

Sobre el primer punto, Pólya planteaba que era tan obvio, que a menudo ni se
mencionaba, sin embargo, los estudiantes a veces ven obstaculizados sus esfuerzos por
resolver problemas simplemente porque no los comprenden completamente, o incluso
en parte.

10
Luego, cuando hacía referencia a divisar un plan en su segundo apartado, mencionaba
que había muchas maneras razonables de resolver problemas.

La habilidad en la elección de una estrategia apropiada se aprende mejor resolviendo

muchos problemas. De este modo, la elección de una estrategia será cada vez más fácil.

El tercer paso es generalmente más fácil que diseñar el plan. En general, todo lo que se
necesita es cuidado y paciencia, dado que ya se tienen las habilidades necesarias.
Persistir con el plan que se ha elegido. Si no funciona, desecharlo y elegir otro.

Sobre el cuarto paso, Pólya mencionaba que se puede ganar mucho al tomar el tiempo
para reflexionar y mirar lo que se ha hecho, lo que funcionó y lo que no. Hacer esto
permitirá predecir qué estrategia usar para resolver problemas futuros.

El método heurístico en la enseñanza.

El método heurístico es un método de descubrimiento para comprender la ciencia

independientemente del profesor. Los escritos y la enseñanza de H.E. Armstrong,
profesor de química en el City and Guilds Institute (Londres), han tenido mucha influencia
en la promoción de la enseñanza de ciencias en la escuela.

Él era un gran defensor de un tipo especial de formación de laboratorio (entrenamiento

heurístico). Aquí, el estudiante procede al descubrimiento de forma independiente, por lo
tanto, el maestro no proporciona ayuda ni guía en este método.

El profesor plantea un problema para los estudiantes y luego se queda a un lado mientras
descubren la respuesta.

El método requiere que los estudiantes resuelvan una serie de problemas

experimentales. Cada estudiante tiene que descubrir todo por sí mismo y no se le dice
nada. Los estudiantes son llevados a descubrir hechos con la ayuda de experimentos,
aparatos y libros. En este método, los estudiantes se comportan como investigadores.

En el método heurístico administrado por etapas, se da una hoja de problemas con una
instrucción mínima al estudiante y se le requiere que realice los experimentos
relacionados con el problema en cuestión.

Debe seguir las instrucciones e ingresar en su cuaderno un relato de lo que ha hecho y

los resultados alcanzados. Él debe también poner abajo su conclusión. De esta manera,
se le guía a la investigación desde la observación.

Ventajas del método heurístico

– Desarrolla el hábito de planteamientos e investigación entre los estudiantes.

11
– Desarrolla el hábito de autoaprendizaje y autodirección. Desarrolla actitudes
científicas entre los estudiantes, haciéndolos veraces y honestos para que aprendan
cómo llegar a las decisiones por las experimentaciones reales.

– Es un sistema psicológicamente sólido de aprendizaje, ya que se basa en la premisa

“aprender haciendo”.

– Desarrolla en los estudiantes un hábito de diligencia.

– En este método la mayor parte del trabajo se hace en la escuela, por lo que el
profesor no tiene que preocuparse de asignar tareas para el hogar.

– Proporciona la posibilidad de una atención individual por parte del profesor y de

contactos más estrechos.

– Estos contactos ayudan a establecer relaciones cordiales entre el profesor y el

estudiante.

Desventajas del método heurístico

– El método espera del profesor una gran eficiencia y trabajo duro, experiencia y
entrenamiento.

– No es adecuado para principiantes. En las primeras etapas, los estudiantes necesitan

orientación suficiente que, si no se les da, puede generar disgusto para los alumnos.

– En este método se pone demasiado énfasis en el trabajo práctico que puede llevar a
un estudiante a formar una idea equivocada de la naturaleza de la ciencia en su
conjunto. Crecen en la creencia de que la ciencia es algo que debe hacerse en el
laboratorio.

12
FUENTES DE INFORMACION:

Bibliography
López, A. E. (2020, JULIO 01). Casos practicos de Analisis Costo Beneficio. Retrieved
from Casos practicos de Analisis Costo Beneficio: https://www.studocu.com/es-
mx/document/instituto-tecnologico-superior-de-occidente-del-estado-de-
hidalgo/ingenieria-economica/casos-practicos-de-analisis-costo-
beneficio/8131152

Bibliography
Estrada, A. (2021, 12 21). COURSE HERO. Retrieved from COUUSE HERO:
https://www.coursehero.com/file/77793273/UNIDAD-3-PROGRAMACION-
ENTERApdf/

López, A. E. (2020, JULIO 01). Casos practicos de Analisis Costo Beneficio. Retrieved
from Casos practicos de Analisis Costo Beneficio: https://www.studocu.com/es-
mx/document/instituto-tecnologico-superior-de-occidente-del-estado-de-
hidalgo/ingenieria-economica/casos-practicos-de-analisis-costo-
beneficio/8131152

Bibliography
ANONIMO. (2020, 08 15). Gestión de Operaciones. Retrieved from Gestión de
Operaciones: https://www.gestiondeoperaciones.net/programacion-entera/que-
es-la-programacion-
entera/#:~:text=Un%20modelo%20de%20Programaci%C3%B3n%20Entera%20
es%20aquel%20cuya,del%20alcance%20de%20los%20modelos%20de%20Pro
gramaci%C3%B3n%20Lineal.

Estrada, A. (2021, 12 21). COURSE HERO. Retrieved from COUUSE HERO:

https://www.coursehero.com/file/77793273/UNIDAD-3-PROGRAMACION-
ENTERApdf/

López, A. E. (2020, JULIO 01). Casos practicos de Analisis Costo Beneficio. Retrieved
from Casos practicos de Analisis Costo Beneficio: https://www.studocu.com/es-
mx/document/instituto-tecnologico-superior-de-occidente-del-estado-de-
hidalgo/ingenieria-economica/casos-practicos-de-analisis-costo-
beneficio/8131152

13