Está en la página 1de 43

INVESTIGACIN OPERATIVA II

Profesor Asociado: Roberto Jimnez Ramrez Magister en Ingeniera Industrial Doctor (c) en Administracin y Direccin de Empresas

2011

Contenido
CAPITULO I ....................................................................................................3 PROGRAMACIN LINEAL ENTERA...................................................................3 Introduccin................................................................................................3 Tipos de modelos .......................................................................................4 Interpretacin grafica..................................................................................6 Ejemplo N 1 Solucin Entera......................................................................6 Comentarios.............................................................................................9 Soluciones redondeadas........................................................................10 Ejemplo N 2: Solucin Entera .................................................................11 Enumeracin..........................................................................................12 Aplicaciones a la variable 0-1................................................................13 Ejemplo N 3: Problema de Presupuesto de Capital de la Protrac.............14 Formulacin de un modelo de PLE.........................................................15 Aproximacin de la PL: Uso de Software WinQSB.................................16 Solucin entera pura: Uso de Software winQSB........................................18 Condiciones lgicas...................................................................................19 No ms de k de entre n alternativas......................................................19 Decisiones dependientes.......................................................................20 Restricciones de aportaciones...............................................................21 Ejemplo N 4 : Problema de ubicacin de los almacenes Steco................22 Consideraciones sobre la formulacin del modelo.................................24 Un modelo de PLEM...............................................................................25 Modelo final...........................................................................................27 Mtodos de programacin entera.............................................................29 Algoritmo de bifurcacin y acotamiento...................................................29

13

CAPITULO I PROGRAMACIN LINEAL ENTERA


Introduccin En este captulo veremos problemas que se podran formular y resolver como problemas de programacin lineal, excepto por la desagradable circunstancia de que se requiere que algunas o todas las variables tomen valores enteros. Dichos problemas se llaman PE (Programacin Entera). La programacin entera ha llegado a ser un rea muy especializada de la ciencia de la administracin. En este curso slo la tocaremos en forma superficial, veremos la importancia del tema y algunos mtodos de resolucin ms tiles.
Vimos en los captulos anteriores que las variables podan

tomar valores fraccionados, tales como 6.34. Pero hay casos en el mundo real que no es posible esto y deben ser enteros.
En el fondo es que existen muchos problemas administrativos

importantes que serian de programacin lineal si no fuera por el requerimiento de que sean enteros los valores de algunas variables de decisin, en los que no se pueden encontrar una buena solucin mediante el uso del mtodo simplex seguido del redondeo de los valores ptimos resultantes para las variables de decisin. Estos problemas deben ser resueltos mediante algoritmos especialmente diseados para resolver problemas de programacin entera.

Tipos de modelos Programacin entera es un trmino general para los modelos de programacin matemtica que presentan condiciones de ser enteros (condiciones que estipulan que algunas o todas las variables de decisin deben tener valores enteros). Existen diversas clasificaciones de esta categora de modelos. Un modelo entero puro (PEP) es, como su nombre lo indica, un problema en el que se exige que todas las variables de decisin tengan valores enteros. Por ejemplo Minimizar Sujeto a 6X1 + 5X2 + 4X3 108X1 + 92X2 + 58X3 576 7X1 + 18X2 + 22X3 83 X1, X2, X3 enteros es un modelo entero puro.
Un problema en el que slo se requiere que algunas variables

tengan valores enteros mientras que otras pueden asumir cualquier nmero no negativos (es decir, cualquier valore continuo) se llama programacin lineal entera-mixta (PLEM) Por ejemplo, supngase que en el problema anterior solo X1 y X2 deben ser enteros y X3 no. El problema resultante es Minimizar Sujeto a 6X1 + 5X2 + 4X3 108X1 + 92X2 + 58X3 576 7X1 + 18X2 + 22X3 83 X1, X2, X3 0 ; X1 y X2 enteros.

En algunos casos se restringe el valor de las variables a 0 1.

Dichos problemas se llaman binarios o programacin lineal entera 0-1. Son de inters debido a que se pueden usar las variables 0-1 para representar decisiones dicotmicas (s o no). Diversos problemas de asignacin, ubicacin de planta, planes de produccin y de construccin, son de programacin lineal entera 0-1. Las variables 0-1 se pueden encontrar tanto en problemas de PEP como PLEM. A menudo se consideran problemas de programacin lineal (PL) que se comienzan como PEP o PLEM, ignorando las restricciones enteras. A estos problemas de PL se les llama aproximaciones en las PEP o PLEM correspondientes.

Interpretacin grafica Ejemplo N 1 Solucin Entera Considrese el siguiente problema Maximizar Sujeto a 18E + E+ 6F F 5 (1)

42.8E + 100F 800 (2) 20E + 6F 142 (3)

30E + 10F 132 (4) E 3F 0 (5)

E y F 0, enteros En el anlisis, E es el numero de los E-9 y F el de los F-9 que la empresa Protrac produce, la Protrac produce equipo pesado para la construccin. Para resolver este problema con el tratamiento grfico, prescribimos tres pasos: 1.2.3.Encuntrese el conjunto factible para la aproximacin de la PL del problema de PLE. Identifique los puntos enteros del inferior del conjunto determinado en el paso 1. Encuntrese, entre los puntos determinados en el paso 2, el que optimiza la funcin objetivo.

Grfico N 1

Fuente: Elaboracin propia La regin demarcada es el conjunto factible de aproximacin en la programacin lineal y los puntos rojos son los puntos enteros contenidos en este conjunto. Y estos son (3,6); (4,6); (3,5), (4,5); (5,5); (4,4); (5,4); (4,3); (5,3), (6,3); (4,2); (5,2) y (6,2) Para resolver este problema, debemos determinar ahora cual de los puntos factibles produce el valor mayor para la funcin objetivo. Se procede como en el problema de PL, o sea moviendo el contorno de la funcin objetivo cuesta arriba (dado que estamos trabajando con un modelo para maximizar) hasta que ya no sea posible hacerlo ms sin abandonar el conjunto factible.

Grafico N 2

Fuente: Elaboracin propia

Podemos observar que la solucin optima de PLE es el punto E = 6, F = 3. Y como la funcin objetivo es 18E + 6F, la solucin obtenida para sta es un valor optimo de 18(6) + 6(3) = 126. Aqu tambin se ilustran algunos hechos en relacin con la aproximacin de la PL. La solucin optima con la aproximacin de la PL ocurre en la interseccin de las rectas 42,8E + 100F = 800 y 20E+ 6F = 142. Puesto que la interseccin de las dos restricciones no se presenta en un punto entero, la solucin ptima de la aproximacin con la PL no es factible para la PLE. E* = 5.28 y F* = 5.74 con valor optimo (Vo) Vo = 129.48.

Al agregar cualquier restriccin o un problema de programacin matemtica no puede mejorar, y s empeorar, el valor optimo de la funcin objetivo. Por lo tanto, nuestro valor ptimo disminuye sumando las restricciones de enteros.

Comentarios 1.En un problema de maximizacin, el valor ptimo de la aproximacin PL produce siempre una cota superior para el valor ptimo del PLE o PLEM original. Si se agregan restricciones de enteros el valor optimo de la PL, o bien empeorar, o bien quedar igual. En un problema de maximizacin, desminuirlo. 2.En un problema de minimizacin, el valor ptimo de la aproximacin de PL siempre proporciona una cota inferior para el valor ptimo de la PLE o PLEM original. Nuevamente, el agregado de restricciones entera o bien empeora o bien deja igual el valor ptimo de la PL. En un problema de minimizacin, empeorar el valor ptimo significa aumentarlo. empeorar el valor ptimo significa

Soluciones redondeadas Observamos que la solucin ptima de la aproximacin de PL es E* = 5.28 y F* = 5.74. Cada una de esas variables puede ser redondeada al entero superior o inferior, con lo que resultarn cuatro soluciones redondas [(5,5),(5,6),(6,5),(6,6)] vecinas a la solucin optima de la aproximacin de PL.

El hecho general es que con dos variables de decisin hay cuatro soluciones vecinas redondeadas; con n variable de decisin habr 2n de tales puntos.

Dificultades potenciales que pueden surgir cuando se usan soluciones redondeadas. Como vimos al resolver la aproximacin de PL para redondear cada variable al entero ms prximo, obtenemos (5,6), que es infactible. En este caso, (5,5) es el nico punto factible que se puede obtener redondeando (5.28, 5.74). Las dems soluciones, (5,6), (6,6) y (6,5) son infactibles todas. Aqu hay dos hechos importantes.

1.-

Una solucin redondeada no es necesariamente ptima. En este caso, el valor de la funcin objetivo en la nica solucin redondeada factible es 18(5) + 6(5) = 120 Comparando este con el valor optimo 126 de la PLE. Entonces vemos que se produjo una prdida relativa de 6/126, casi del 5%, el usar la solucin redondeada en lugar de la optima.

2.-

Una solucin redondeada no necesariamente est cerca de la solucin de PE ptima. Se tiene la idea intuitiva de que aun cuando una solucin redondeada no sea optima, deba estar cerca de la solucin PE optima. En nuestro ejemplo solo cuatro puntos del conjunto factible [(3,6), (4,6), (3,5) y (4,5)] estn ms lejos de la solucin optima que la solucin redondeada.

Ejemplo N 2: Solucin Entera

Aqu la regin factible es la regin sombreada da el conjunto factible de la aproximacin de PL, los puntos son los enteros y el punto encerrado en un circulo es la nica solucin factible de la PLE. La solucin optima es la aproximacin de PL se indica como el vrtice del conjunto factible en forma de cua. Si comenzramos con la solucin optima de la PL [aproximadamente (3.3,4.7)] y redondesemos despus esto a cualquiera de los cuatro puntos enteros vecinos, obtendramos un punto no factible. Para este ejemplo, ningn redondeo produce factibilidad. Vemos que este procedimiento puede producir ciertos problemas: 1.2.Puede ser que ninguno de los puntos enteros prximos sea factible. Aun cuando uno o ms de los puntos enteros prximos sean factibles. a) b) No necesariamente sern ptimos para la PE. No necesariamente estarn cerca de la solucin ptima de PE.

Enumeracin Quizs con el ejemplo dado quede la impresin de que es posible realizar la enumeracin de todas las soluciones factibles. Por desgracia, la enumeracin completa no es una forma razonable de resolucin para la mayora de la PLE. Por ejemplo, supngase que tenemos un PLE con un centenar de variables 0-1, en este caso los puntos factibles son 2100 = 1.27x103 puntos.

Aplicaciones a la variable 0-1 Las variables binarias o 0-1 juegan un importante papel en la aplicacin de las PLE y de la PLEM. Estas variables hacen posible incorporar decisiones de si o no, llamadas a veces decisiones dicotmicas, el formato de una programacin matemtica. Dos ejemplos ilustran lo que decimos: 1.En un problema de ubicacin de una planta pondremos Xj = 1 si decidimos ubicar la planta en la localidad j y Xj = 0 si decidimos no hacerlo. 2.En un problema de asignacin de rutas escribimos Xijk = 1 si el camin k va de la ciudad i a la ciudad j o Xijk = 0 si no lo hace.

Ejemplo N 3: Problema de Presupuesto de Capital de la Protrac Una decisin sobre expansin. Muchas firmas toman decisiones sobre inversiones anuales de capital. En forma simple, las decisiones sobre presupuestos del capital es cuestin de escoger entre n alternativas para maximizar el rdito, con sujecin a restricciones sobre el monto del capital invertido a plazos. Como ejemplo, supngase que la mesa de directores de la Protrac afronta el problema que se resume a continuacin Valor Actual del Rdito neto 40 70 80 100 bi Capital requerido en el ao i para la alternativa j 1 2 3 4 5 10 5 20 10 0 30 10 20 50 20 20 10 45 10 27 40 70 10 20 20 40 10 10 20 30

Alternativa (j) Expansin de la planta en Blgica Expansion de la cap. de maq. pq. en E.U. Establecimiento de una nueva planta en Chile Expansin de la cap. de maq. gr. en E.U. Capital disponible en el ao i

Las cantidades de dlares estn en millares. La mesa directiva ha de elegir una o ms de las alternativas. Si deciden expandir la planta Belga, el valor actual del reingreso neto para la firma es de $40000. Este proyecto requiere $10000 de capital el primer ao, $5000 el segundo, etc. La mesa directiva ha presupuestado con anterioridad hasta $50000 como inversiones de capital totales para el ao 1, hasta $45000 en el ao 2, etc.

Formulacin de un modelo de PLE. Este problema puede ser formulado como modelo de PLE en el que todas las variables son del tipo 0-1. Esto se llama PLE 0-1. En concreto, ser Xi = 1 si el proyecto se acepta y Xi = 0 si se rechaza. El problema, entonces ser Maximizar
PRESENTE DE PROYECTOS ACEPTADOS LOS

40X1 + 70X2 + 80X3 + 100X4

VALOR

Sujeto a

10X1 + 30X2 + 10X3 + 5X1 + 20X2 + 20X3 +

20X4 50 10X4 45 40X4 70 en el

Capital requerido Capital disponible en el ao 3 ao 3

20X1 + 10X2 + 27X3 +

10X1 + 10X2 + 20X3 + 20X4 40 10X2 + 10X3 + 20X4 30 Xi = 0 1 ; i = 1, 2, 3, 4.

Aqu la funcin objetivo es el valor total actual de los reingresos netos y cada restriccin controla la cantidad de capital que se usar en cada uno de los cinco periodos.

Aproximacin de la PL: Uso de Software WinQSB Nos acercaremos a este problema resolviendo primero la aproximacin de PL. Resolviendo a travs del programa computacional WinQSB se tiene: VALOR FUNCION OBJETIVO = 200

X1 = 0.7222 X2 = 0.6389 X3 = 0.2778 X4 = 1.0417

Aqu hemos pasado por alto las restricciones Xi = 0 o 1. En su lugar agregamos las restricciones Xi 1, i = 1, 2, 3, 4. Por supuesto, en una PL todas las Xi son siempre no negativas. Por lo tanto, en vez de Xi = 0 o 1, tenemos en la aproximacin a Xi restringida en el intervalo (que es 0 Xi 1). Seria deseable que en la solucin optima cada Xi, en forma fortuita, tomase uno u otro de los valores extremos del intervalo admisible (0 o 1) para que la PLE original quedase resuelto. Por desgracia, como se muestra en la formulacin y resultado anterior, esto slo sucedi con X4; los valores de X1, X2 y X3 son fraccionarios. Ya que X3 debe ser igual a 1 si la Protrac establece una planta en Chile y 0 si no, el resultado X3 = 0.33 carece de significado.

Al tratar de encontrar una solucin al problema de PLE resolviendo la aproximacin de PL y redondeando despus los resultados no funciona bien. Si redondeamos se produce lo siguiente X1 = 1, X2 = 1, X3 = 0, X4 = 1 y esta es una solucin infactible ya que viola la restriccin 1.

Solucin entera pura: Uso de Software winQSB Utilizando el programa WinQSB y usando cdigos de programacin entera se tiene el siguiente resultado VALOR FUNCION OBJETIVO X1 = 1 X2 = 1 X3 = 1 X4 = 0 = 190.0

Condiciones lgicas Un importante uso de las variables 0-1 consiste en imponer restricciones que surgen de condiciones lgicas veamos algunos ejemplo. No ms de k de entre n alternativas Supngase Xi = 0 o 1, La restriccin X1 + X2 + .. + Xn k Implica que cuando ms k alternativas de n posibilidades pueden ser seleccionadas. Es decir, ya que cada Xi puede ser solamente 0 o 1, la restriccin anterior dice que no ms de k de ellas pueden ser iguales a 1. Supongamos que para el caso de la Protrac, que no ms de un proyecto extranjero ser aceptado. Por esta razn, la mesa directiva quiere descartar una decisin que incluya la expansin en Blgica y una nueva planta en Chile. Agregar la restriccin X1 + X 3 1 para i = 1,..,n

Decisiones dependientes Se pueden usar variables 0-1 para forzar una relacin de dependencias entre dos o ms decisiones. Supongamos, por ejemplo, que el administrador no desea elegir la opcin k a menos que se elija primero la opcin m. La restriccin Xk X m (*) da vigencia a esta condicin. Ntese que si m no es seleccionada, entonces Xm = 0. La ecuacin (*) obliga entonces a que Xk sea igual a cero (o sea que la opcin k no ser seleccionada). Por otra parte, si m es seleccionada, Xm = 1; entonces, por la expresin (*) tendremos que Xk 1. Esto deja al programa en libertad de elegir Xk = 1 o Xk = 0. Por ejemplo, supngase que el administrador de la Protrac piensa que, si van a expandirse dentro de los Estados Unidos, su posicin competitiva implica que definitivamente deben expandir la capacidad en maquinas grandes. Agregando la restriccin X2 X 4 0 a la PLE se asegura que el modelo no puede optar por expandir la capacidad en mquinas pequeas a menos que haya elegido expandir la capacidad en maquinas grandes. En forma anloga, supngase que la mesa directiva decide: si vamos a expandir nuestra capacidad domestica, debemos expandir ambas lneas. Agregando la restriccin X4 X 2 = 0 a la PLE, ya que implica que X4 y X2 deben tener el mismo valor. Xk X m 0

Restricciones de aportaciones Considere a un administrador financiero que tiene las siguientes restricciones
(1)Si compra la obligacin j, debe comprar al menos 20

acciones.
(2)No puede comprar mas de 100 acciones de la

obligacin j. Sea Xj el nmero de acciones de la obligacin j que compra. La restriccin si se compra j debern comprarse al menos 20 acciones se llama cantidad mnima de aportacin o cantidad de la tanda. Hagamos hincapi que este tipo de restriccin no se puede construir en un modelo de PL. La restriccin 20 Xj 100 no funciona puesto que insiste en que Xj debe ser, por lo menos, 20. Queremos que sea o bien Xj = 0 o 20 Xj 100. Para lograr esto necesitamos usar una variable 0-1, digamos yj, para la obligacin j. La variable yj tiene la siguiente interpretacin: Si yj = 1, se comprar la obligacin j. Si yj = 0 no se comprar la obligacin j. Considrese ahora las dos restricciones Xj 100yj Xj 20yj (**) (***)

Vemos que si yj = 1, entonces (**) y (***) implican que 20 Xj 100. Por otra parte si yj = 0, entonces (**) implica que Xj 0. Las dos desigualdades juntas implican que Xj = 0. Entonces, si yj = 1, con lo que se compra j, y 0 cuando no, tenemos la condicin apropiada para Xj.

Ejemplo N 4 : Problema de ubicacin de los almacenes Steco. Con el objeto de ahorrar capital, la Steco, comerciante al por mayor de acero, alquila sus almacenes regionales. El alquiler mensual del almacn i es Fi. Adems, el almacn i puede manejar un mximo de Ti camiones al mes. Hay cuatro distritos de ventas y la demanda mensual acostumbrada del distrito j es de dj camiones cargados. El costo medio de enviar un camin del almacn i al distrito j es Cij. La Steco quiere saber cules almacenes alquilar y cuantos camiones enviar de cada almacn a cada distrito. En la figura siguiente se ilustra una representacin esquemtica del problema FIGURA N1
COSTO MENSUAL DE ALQUILER DE ALMACENES

FA

FB

FC

CAPACIDAD (EN CAMIONES CARGADOS)

TA

TB

TC

ALMACENES

DISTRITOS

DEMANDA MENSUAL

d1

d2

d3

d4

Los datos del problema se presentan en la figura siguiente:

Tabla N 1: Costos Unitarios Costo por camin Almacn (Cij) Distrito de ventas 1 2 3 4 A 170 40 70 160 B 150 195 100 10 C 100 240 140 60 Demanda mensual (camiones 100 90 110 60 cargados) Fuente: Elaboracin propia

Capacidad Mensual (numero de camiones) 200 250 300

Costo mensual del alquiler 7750 4000 5500

Por ejemplo, vemos en la tabla que alquilar el almacn A cuesta $7750 el mes y que desde l se pueden despachar hasta 200 camiones en ese lapso. Adems la demanda mensual en el distrito de venta 1 es de 100 camiones. Los nmeros del cuerpo de la tabla representan los costos de enviar un camin del almacn i al distrito de ventas j. Por ejemplo, el costo de enviar un camin de B a 3 de $100.

Consideraciones sobre la formulacin del modelo Si se que abordan este problema mediante un modelo de programacin matemtica, se debe decidir primero cuales variables (si existen se trataran como enteras y cuales (si hay algunas) se tratarn como continuas.

La decisin de alquilar o no un almacn en particular parece requerir una variable 0-1, puesto que el costo de alquilar un almacn i no vara con el nivel de la actividad (por ejemplo, con el nmero de camiones enviados desde l) yi = 1 si se alquila el almacn i yi = 0 si no

En primera instancia parece adecuado considerar el nmero de camiones enviados del almacn al distrito como una variable entera. Hay varios factores que indican considerar el numero de camiones como una variable continua, a saber: 1.Este es un modelo de planeacin, no un sistema detallado de operacin. En este caso, el nmero de camiones que indique la solucin de nuestro problema de programacin matemtica que vayan del almacn i al distrito j es slo una aproximacin de lo que realmente ocurra en un da dado. Considerar el nmero de camiones como variable entera hara el problema mucho ms difcil de resolver. Claro est que cuesta mucho ms el alquiler de un almacn que el envi de un camin desde el almacn al distrito de ventas. La magnitud relativa de estos costos implica otra vez que es relativamente ms importante la decisin de alquilar o no alquilar considerada como variable entera, en oposicin a lo de los camiones.

2.3.-

Un modelo de PLEM Para elaborar el modelo del problema de la Steco, hagamos yi = 1 si se alquila el almacn i yi = 0 si no se alquila el almacn i i = A, B, C. Xij = nmero de camiones enviados del almacn i al distrito j i = A, B, C ; j = 1,.., 4.

Construyamos ahora el modelo mediante el desarrollo de cada una de sus partes. Para empezar, la funcin objetivo La expresin

170XA1 + 40XA2 + 70XA3 + 160XA4 + 150XB1 + 195XB2 + 100XB3 + 10XB4 + 100XC1 + 240XC2 + 140XC3 + 60XC4 es el costo total asociado a los camiones y 7750yA + 4000yB + 5500yC es el costo de los alquileres. Por lo tanto, la funcin objetivo es

Minimizar

7750yA + 4000yB + 5500yC + 170XA1 + ..+ 60XC4.

Consideremos ahora las restricciones. Se debe tomar en cuenta tanto la demanda como la capacidad. Para el distrito de venta 1 XA1 + XB1 + XC1 = 100 Para el distrito de venta 2 XA2 + XB2 + XC2 = 90 Para el distrito de venta 3 XA3 + XB3 + XC3 = 110 Para el distrito de venta 4 XA4 + XB4 + XC4 = 60

La restriccin XA1 + XA2 + XA3 + XA4 200 yA O XA1 + XA2 + XA3 + XA4 - 200 yA 0 Cumple dos propsitos. Garantiza que la capacidad del almacn A no ser excedida y obliga a alquilar el almacn A si se quiere enviar algo de l. Las dems restricciones son XB1 + XB2 + XB3 + XB4 250 yB XC1 + XC2 + XC3 + XC4 300 yC Anlisis de la salida computada

Modelo final Minimizar 7750yA + 4000yB + 5500yC + 170XA1 + 40XA2 + 70XA3 + 160XA4 + 150XB1 + 195XB2 + 100XB3 + 10XB4 + 100XC1 + 240XC2 + 140XC3 + 60XC4.

Sujeto a 2.3.4.5.6.7.8.XA1 + XB1 + XC1 = 100 XA2 + XB2 + XC2 = 90 XA3 + XB3 + XC3 = 110 XA4 + XB4 + XC4 = 60 - 200 yA + XA1 + XA2 + XA3 + XA4 0 - 250 yB + XB1 + XB2 + XB3 + XB4 0 - 300 yC + XC1 + XC2 + XC3 + XC4 0 yi 1 i = A, B, C VARIABLES ENTERAS = 3 Esto significa que las tres primeras variables de la funcin objetivo (YA, YB, YC) tienen valores 0 o 1. Demanda en 1

Restriccin de la oferta del almacn A

VALOR DE LA FUNCION OBJETIVO = 38150 VARIABLES YA YB YC XA1 XA2 XA3 XA4 VALOR 1.00 0.00 1.00 0.00 90.00 110.00 0.00 VARIABLE XB1 XB2 XB3 XB4 XC1 XC2 XC3 XC4 VALOR 0.00 0.00 0.00 0.00 100.00 0.00 0.00 60.00

Una rpida observacin al resultado muestra que los valores ptimos de todas las asignaciones de camiones son nmeros enteros, aun cuando habamos decidido en la formulacin dejar que las variables fuesen continuas. Fue una simple coincidencia? NO. La razn es que se empez con un problema de ubicacin de almacenes. Y una vez que se decidi qu almacn alquilar, el problema de encontrar la asignacin ptima de los camiones es una PL llamado problema de transporte. Como ya vimos cuando se estudio el mtodo de transporte, que si la oferta disponible en cada almacn y la demanda de cada distrito son enteros, entonces la solucin optima del problema de transporte ser entera. MORALEJA: GRATUITA NUNCA PAGUES POR UNA MERCANCIA

Minimizar

7750A + 4000B + 5500C + 170D +40E + 70F + 160G + 150H + 195I + 100J + 10K + 100L + 240M + 140N + 60P (2) D + H + L = 100 (3) E + I + M = 900 (4) F + J + N =110 (5) G + K + P = 60 -200A + D + E + F + G 0 -250B + H + I + J + K 0 -300C + L + M + N + P 0 (9) A 1 (10) B 1 (11) C 1

(6) (7) (8)

Mtodos de programacin entera Los mtodos de programacin entera se pueden clasificar como ( 11 ( 11 mtodos de corte mtodos de bsqueda

Los mtodos de corte, que se desarrollan principalmente para problemas lineales enteros, comienzan con el ptimo continuo. Sumando sistemticamente restricciones secundarias especiales, que representan bsicamente condiciones necesarias de integridad, el espacio de soluciones continuo se modifica de manera gradual hasta que su punto extremo optimo continuo satisface las condiciones enteras. Los mtodos de bsqueda se originan a partir de la idea directa de enumerar todos los puntos enteros factibles. La idea bsica es la de desarrollar pruebas sutiles que consideren solo una (pequea) porcin de los enteros factibles en forma explicita pero que tomen en cuenta automticamente los puntos restantes de manera implcita. El mtodo de bsqueda ms sobresaliente es la tcnica de ramificar y acotar. Tambin comienza con el optimo continuo, pero parte sistemticamente el espacio de soluciones en subproblemas suprimiendo partes que no contengan puntos enteros factibles. Un caso especial de los mtodos de bsqueda se aplica cuando todas las variables enteras son binarias. La propiedad binaria de las variables simplifica mucho el procedimiento de bsqueda. Algoritmo de bifurcacin y acotamiento Enfoque general El tratamiento de bifurcacin y acotamiento es en la actualidad el mtodo de propsitos generales ms eficiente para resolver problemas de PLE y PLEM. En realidad, el algoritmo de bifurcacin y acotamiento no es un algoritmo especfico diseado para resolver un problema concreto. Ms bien es un enfoque general del problema por resolver, un tratamiento que debe ser adaptado al escenario especifico. La idea general es hacer una particin del conjunto de soluciones factibles de un problema dado en subconjuntos menores que no se traslapen. Entonces, se calculan lmites para el valor de la mejor solucin.

Despus, el algoritmo de bifurcacin y acotamiento con destreza nos permite eliminar del anlisis ciertos subconjuntos. De esta manera se enumera parcialmente entre todas las soluciones factibles existentes.

EJEMPLO DE PLE Comencemos llamaremos (P1) con un problema especifico, el cual

Maximizar Sujeto a

X1 + 5X2 11X1 + 6X2 66 5X1 + 50X2 225 X1, X2 0 enteros

(P1)

Paso 1 El primer paso consiste en resolver la aproximacin de PL del (P1). Si la suerte nos acompaa, obtendremos directamente una solucin ptima, ya que siempre ser cierto que si la solucin de la aproximacin de PL satisface la restriccin de enteros, ser la solucin optima. Usando la tcnica de resolucin grafica para la aproximacin de la (P1).

En la figura podemos ver el conjunto factible de dicha aproximacin. Los puntos negros son los que satisfacen la condicin de enteros. (hay 27 de dichos puntos). La solucin aproximada es X1* = 3.750 X2* = 4.125 Funcin objetivo = 24.375

Como estos valores no son enteros no se ha resuelto (P1). Solo tenemos alguna informacin
( 11 El valor ptimo de PL es una cota superior para el

(P1). Llamemos U a esta cota. Sabemos entonces que: Vo para (P1) 3.75 + 5(4.125) = 24.375 = U
( 11 Si tomamos la solucin ptima de PL y redondeamos

a X1 = 3, X2 = 4 obtendremos una solucin factible del problema (P1). Si evaluamos ahora la funcin objetivo para este punto (o para cualquier otro punto factible). Tendremos una cota inferior del valor ptimo del problema (P1). Llamemos F a ese valor. Por lo tanto Valor optimo (P1) 3 + 5(4) = 23 = F El valor de F puede ser o no el valor optimo del problema (P1). No se puede decir por ahora. Lo que sabemos es que 23 Vo 24.375.

Tenemos que descubrir si se puede hallar una solucin mejor. Para hacerlo bifurquemos. La informacin relativa a la resolucin bifurcacin y acotamiento se sintetiza en su forma tpica en un diagrama de rbol. El primer nodo es Mejor cota superior actual (MCSA) = 24.375 Mejor cota inferior actual (MCIA) = 23.000 U = 24.375 F = 23.000 X1* = 3.75 X2* = 4.125 1

Numero de nodo PASO 2 Procedemos a dividir el problema (P1) en dos mas cortos. En este caso, bifurquemos X1. sta es una eleccin arbitraria. El proceso de bifurcacin aprovecha la circunstancia de que en la solucin optima del problema (P1), o bien X1 3 o bien X1 4. Por qu es cierto esto? Por que no hay valores enteros en la regin que se elimina al obligar a X1 que sea 3 o 4.

Y dado que X1 debe ser entero, no habremos eliminado ningn punto del conjunto factible del problema (P1). No obstante, habremos eliminado puntos (o sea, valores no enteros) del conjunto factible por aproximacin de PL del problema. En realidad, vemos que el valor optimo de X1, en el problema aproximado de (P1), no es ni 3 ni 4 y, por lo tanto, el punto optimo actual ha sido (intencionalmente eliminado mediante el proceso de ramificacin). Este proceso crea dos nuevos problemas.

Maximizar Sujeto a

X1 + 5X2 11X1 + 6X2 66 5X1 + 50X2 225 X1 3

(P2)

X1, X2 0 enteros

Maximizar Sujeto a

X1 + 5X2 11X1 + 6X2 66 5X1 + 50X2 225 X1 4

(P3)

X1, X2 0 enteros

Esta figura revela dos hechos interesantes 1.Hemos partido en dos piezas el conjunto factible de (P1) y eliminado una regin que no contiene puntos enteros. (La regin eliminada esta diagonalizada. Las rectas de acotamiento no pertenecen a la regin eliminada). Todas las soluciones enteras factibles de (P1) estn contenidas ahora o bien en (P2) o en (P3). Dado que las funciones objetivos de (P1), (P2) y (P3) son idnticas, se sigue que la solucin ptima de (P2) o la de (P3) deben ser la solucin ptima de (P1), el problema original de la PLE. Entonces podemos olvidar (P1) y considerar solamente (P2) y (P3).

2.-

El tratamiento de bifurcacin y acotamiento procede a resolver las aproximaciones de los problemas (P2) y (P3). Las soluciones ptimas son: (P2) U = 24.00 (P3) U = 22.333

Ya indicamos que la solucin optima de (P1) est en (P2) o en (P3); as es que el valor ptimo de (P1) debe ser al mximo de los valores de U proporcionados por estos dos nodos. Y ya que el nodo 2 produce un U = 24 y el nodo 3 un U = 22.333 nuestra mejor cota actual es 24.00

FIGURA # 3 MCSA = 24.00 MCIA = 23.00 U = 24.375 F = 23.00 X1* = 3.75 X2* = 4.125 1 X1 4 X1 3 U = 24.00 X1* = 3.00 X2* = 4.20 2 U = 22.33 X1* = 4.00 X2* = 3.667 3

Dado que ni el nodo 2 ni el 3 tienen solucin entera, no hemos obtenido una nueva solucin factible. Para decidir qu haremos en seguida consideremos los nodos del pie de nuestro rbol, en este caso los nodos 2 y 3. Observemos que la cota superior del nodo 3 es 22.333 y que el valor actual de la MCIA es 23.00. Por lo tanto, hemos encontrado ya una mejor solucin que la que hubiramos podido obtener en el conjunto factible para (P3). Por lo tanto, podemos ignorar a (P3) y concentrar nuestros esfuerzos en (P2). Para continuar consideremos ahora (P2). Todava no conocemos la solucin optima de (P2), ya que an no tenemos un valor entero para X2*, lo abordaremos con el mtodo rama-limite, por lo que debemos ramificar otra vez. La variable X1 es entera en la solucin ptima del problema (P2). Por lo tanto, debemos ramificar a X2, lo que haremos usando las restricciones X2 4 o X2 5. Al hacerlo, reemplazaremos el problema (P2) por lo siguiente. Maximizar Sujeto a X1 + 5X2 11X1 + 6X2 66 5X1 + 50X2 225 X1 X2 3 4 (P4)

X1, X2 0 enteros Maximizar Sujeto a X1 + 5X2 11X1 + 6X2 66 5X1 + 50X2 225 X1 X2 3 5 (P5)

X1, X2 0 enteros

Al comparar las figuras # 2 y # 1 se advierten varios hachos importantes. 1.2.El problema (P3) se conserva sin cambios (exactamente como estaba en al figura # 1). No se ha tenido en cuenta un conjunto adicional de puntos no enteros, incluso la solucin ptima de la aproximacin de PL del problema (P2). (La nueva rea eliminada que perteneca al conjunto factible de la aproximacin de PL del problema (P1) tiene doble diagonalizado). El conjunto restringido de la aproximacin de PL del problema (P5) est vaco. No hay puntos que satisfagan las restricciones 5X1 + 50X2 225, X1 0, X2 5. Esto significa tambin que (P5) no tiene solucin factible, por lo que podemos olvidarnos ahora de l. (Esto se indica poniendo una T bajo el nodo correspondiente, en este caso el # 5). Podemos ver aqu que un modelo termina cuando: 1.2.Su U es MCIA, o Representa un problema infactible.

3.-

ARBOL COMPLETO
MCSA = 23.00 MCIA = 23.00 U = 24.375 F = 23.00 X1* = 3.75 X2* = 4.125 1 X1 3 X1 4

FIGURA # 4

U = 24.00 X1* = 3.00 X2* = 4.20 2 X2 4 X2 5

U = 22.33 X1* = 4.00 X2* = 3.667 3

U = 23.00 X1* = 3 X2* = 4 4

Infactible

Ahora, solo necesitamos concentrarnos en el problema (P4) y resolver su aproximacin de PL, como se muestra en la figura 4. Se revela que la solucin optima de sta, en concreto (X1* = 3, X2* = 4), es entera. Esto significa que (X1* = 3, X2* = 4) es la solucin optima de (P4). Por esta razn, (P4) es otro nodo terminal de nuestro rbol y en la figura 4 se ha colocado una T bajo ese nodo. Entonces hay una tercera causa de terminacin 1.Su U es MCIA

2.3.-

Representa un problema infactible, o La aproximacin de PL produce una solucin para el problema entero representado por ese nodo.

Observando la figura #4, vemos que el valor de la MCSA ha cambiado del que tena en la figura # 3. La rama del nodo 2 produjo un problema infactible (nodo 5) y un problema con U = 23.00 (nodo 4). De modo que la mejor cota superior actual (MCSA) se reduce de 24.00 a 23.00. En el nodo 4 tenemos tambin una solucin entera. Por lo tanto, este punto es una solucin factible del problema (P1). Produce un valor de 23.00 para la funcin objetivo. Como la mejor cota inferior actual es 23.00, no cambiamos la MCIA. En general, cuando han sido terminados todos los nodos, el mtodo de bifurcacin y acotacin estar completado.

La solucin ptima del problema original (P1) ser la que establezca la MCIA. En este caso, la MCIA es 23.00 y en consecuencia (X1* = 3, X2* = 4) ser la solucin optima para el (P1). A la terminacin, como en la figura # 4 siempre ser el caso de que MCIA = MCSA.

Problemas para desarrollar 1.- Problema de cargo fijo He sido abordado por tres compaas de telfonos para que me suscriba a su servicio de larga distancia. Abell cobrar una tarifa fija de 16 dlares al mes, ms 0.25 centavos por minutos. Bbell cobrar 25 dlares al mes, pero reducir el costo por minuto a 0.21 centavos.

En cuanto a Cbell, la tarifa mensual fija es de 18 dlares y el costo por minuto es de 0.22 centavos. Generalmente hago un promedio de 200 minutos de llamadas de larga distancia al mes. Suponiendo que no pague la tarifa fija, a menos de que haga las llamadas y de que pueda dividir mis llamadas entre las tres compaas, segn me parezca, cmo debo utilizar los servicios de las tres compaas para minimizar mi cuenta mensual de telfono?

2.- Problema del vendedor viajero El programa de produccin diaria de la compaa Arcoiris incluye lotes de pinturas blanca (B), amarilla(A), roja (R) y negra (N). Debido a que Arcoiris utiliza las mismas instalaciones para los cuatro tipos de pinturas, es necesaria una limpieza a fondo de los lotes. La siguiente tabla resume el tiempo de limpieza en minutos cuando el color designado en el regln va seguido del color designado en la columna. Por ejemplo, cuando el blanco va seguido por el amarillo, el tiempo de limpieza es de 10 minutos. Debido a que un color no se puede seguir a s mismo, se asigna a las entradas correspondientes un tiempo de preparacin infinito. Determine la secuencia ptima para la produccin diaria de los cuatro colores, que minimizar el tiempo total de limpieza asociada.
Pintura actual Blanca Amarilla Negra Roja El tiempo de limpieza dado para la siguiente pintura es Blanca Amarilla Negra Roja 10 17 15 20 19 18 50 44 25 45 40 20

3.- Problema de cobertura de conjunto Con el fin de promover la seguridad de los estudiantes, el Departamento de Seguridad de la Universidad de A se encuentra en proceso de instalar telfonos de emergencia en ubicaciones selectas dentro de sus instalaciones. El departamento quiere instalar un nmero mnimo de telfonos, siempre y cuando cada una de las principales calles del campus cuente por lo menos con un telfono. 2 En la Figura se proporciona el mapa de las principales (A-K) en la universidad.
1 Calle A Calle I Calle B 3

Calle F Calle C 4 Calle F

Calle K

Calle G
6 Calle E

Calle J

Calle H 7

Calle D

= 5.67