Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap1 FORMULACIONES
Cap1 FORMULACIONES
LAURENCE A. WOSLEY
FORMULACIONES
Cap 1
05/11/2020 1
CONTENIDO
1. Formulaciones
1.1 Introducción
1.2. Qué es programación entera?
1.3. Formulación Ips y BIPs
1.4. La explosión combinatoria
1.5. Formulación entera mixta
1.6. Formulaciones alternativas
1.7.Formulaciones buenas e ideales.
1.8. Notas
1.9. Ejercicios
05/11/2020 2
1.1. Introducción
Existe una gran variedad de problemas que pueden ser formulados y resueltos
usando la programación entera.
05/11/2020 3
2. Programación de la tripulación en las aerolíneas.
3. Planeación de la producción.
5. Telecomunicaciones.
05/11/2020 5
6. Manejo en Tierra de Aeronaves (Ground Holding of Aircrafts)
Dados diferentes aeropuertos, una lista de vuelos, y la capacidad de cada
aeropuerto en cada periodo, la función de las condiciones del clima y
predicciones, el problema es decidir cuales planes retrasar y por cuanto tiempo,
teniendo en cuenta el numero de pasajeros, los vuelos en conexión, el tiempo
esperado hasta condiciones de mejora, entre otras, con el objetivo de minimizar
los costos del Avión y los inconvenientes del pasajero.
7. Problemas de Corte
Ya sean cortes de longitudes de papel de rollos, plástico de hojas largas
rectangulares, o patrones para hacer ropa, el problema esta en cada caso para
seguir determinadas reglas de corte, satisfacer la demanda, y minimizar el
desperdicio.
05/11/2020 6
1.1. Que es programación entera?
Suponga que se tiene un problema de programación lineal.
𝒎𝒂𝒙 { 𝑐𝑥 : 𝐴𝑥 ≤ 𝑏 , 𝑥 ≥ 0 }
Donde:
A es una matriz m*n.
b un vector columna m-dimensional
c un vector fila n-dimensional.
x Un vector columna n-dimensional de variables desconocidas.
Casos
05/11/2020 7
Donde:
A es m*n. h es un vector fila 1*p ,
G es m*p. y es un vector columna p*1
c es un vector fila 1*n x es un vector columna n*1
05/11/2020 8
Problema combinatorio de optimización
05/11/2020 9
Problema del Agente Viajero para 4 Ciudades
No Factibles (1-2)
(1-2) (2-3)
(1-2) (2-3) (3-1) (4,4)
(1-2) (2-1) (3,4) (4,1)
Problema Resourse Constrained Project Scheduling Problem (RCPSP)
tienen 30 actividades =1,…,30,
Se
Tiempo de inicio de cada actividad.
Dado que los problema de I.P. son similares a los L.P. la teoría de L.P. es
fundamental para resolver problema de I.P.
3 𝑥1− 2 𝑥 2=− 4
4
3
50
𝑥 1+31 𝑥 2=250
FO: z=3.28 2
1
1. 00 𝑥 1+0.64 𝑥2=1
0
0 1 2 3 4 5 6
1. Defina las que parecen ser las variables necesarias (es importante hacer
la distinción entre los datos y las variables).
2. Use las variables para definir un conjunto de restricciones para que los
puntos factibles correspondan a las soluciones factibles del problema.
05/11/2020 13
1. Definición de variables .
, y
𝑛
∑ 𝑥 𝑖𝑗=1 𝑝𝑎𝑟𝑎 𝑖=1 , … .. 𝑛
𝑗=1
𝑛
∑ 𝑥 𝑖𝑗=1 𝑝𝑎𝑟𝑎 𝑗=1 , ….. 𝑛
𝑖=1
(0,1)
05/11/2020 14
2. Definición de la función objetivo.
El costo de la asignación es minimizado
𝑛 𝑛
min ∑ . ∑ 𝑐 𝑖𝑗 𝑥 𝑖𝑗
𝑖=1 𝑗=1
Hay un presupuesto b disponible para invertir en n proyectos bajo
consideración. Se tiene que es el desembolso para el proyecto j, y es el
retorno esperado de la inversión. La idea es maximizar el retorno sin
exceder el presupuesto que se tiene.
05/11/2020 15
EL PROBLEMA DE LA MOCHILA (Caso de las inversiones)
1. Definición de variables .
<=b
=0 de otra manera.
𝑛
∑ 𝑎 𝑗 𝑥 𝑗 <=b
𝑗=1
(0,1)
3. Definición de la función objetivo.
El retorno esperado es maximizado
𝑛
∑ 𝑐𝑗𝑥 𝑗
𝑗=1
05/11/2020 16
PROBLEMA DEL CONJUNTO DE COBERTURA (THE SET COVERING
PROBLEM)
𝑠𝑒𝑎
𝑁 ={ 1 ,… .. 𝑛 } el conjunto de potenciales depósitos.
{
min ∑ 𝑐 𝑗 :∪ 𝑗 ∈𝑇 𝑆 𝑗 =𝑀
𝑇 ⊆ N 𝑗 ∈𝑇 }
05/11/2020 17
Se tiene entonces que para decidir cuales son los centros de servicio a escoger
de tal manera que se cubran todas las regiones y se logre un costo mínimo, se
puede usar la siguiente ecuación que representa un COP.
.
{
min ∑ 𝑐 𝑗 :∪ 𝑗 ∈𝑇 𝑆 𝑗 =𝑀
𝑇 ⊆ 𝑁 𝑗 ∈𝑇 }
desea escoger un subconjunto T de centros de servicio (CS) de tal manera que la suma de
Se
los costos de instalación de los CS que pertenece a T sea mínimo, y que la unión de todos los
sea igual a M (Todas las regiones).
Recuerde que los son subconjuntos de M y que cada representa las regiones que pueden ser
servidas por el centro j.
05/11/2020 18
El Set Covering Problem, también se puede formular como un BIP. A continuación se
ilustra la formulación del problema anterior como un problema de programación Binaria.
Para facilitar la descripción, considere una matriz A de incidencia de ceros y unos,
de tal manera que =1 si (es decir si el centro j puede atender la región i y =0 de
otra manera.
1. Definición de variables .
si se selecciona el depósito j; de otra manera
2. Definición de las restricciones.
Al menos un centro debe servir la región i
(0,1)
𝑛
min ∑ 𝑐 𝑗 𝑥 𝑗
𝑗=1
05/11/2020 19
EL PROBLEMA DEL AGENTE VIAJERO( TSP)
Un vendedor (agente viajero) debe visitar cada una de n ciudades
exactamente una vez, y después retornar a su punto de inicio. El tiempo en
viajar de la ciudad i a la ciudad j es Encuentre al orden en el que el debería
hacer su tour para finalizar lo más rápido posible. A continuación se formula
como un BIP.
1. Definición de variables .
, y
𝑗: 𝑗≠ 𝑖
Llega a la ciudad j exactamente una vez
𝑖: 𝑖 ≠ 𝑗
05/11/2020 20
Subtours
2
1 3
6
5
7
8
4
05/11/2020 21
La restricción anterior se puede reemplazar por la siguiente representación
(restricciones de eliminación de subtours)
LA EXPLOSIÓN COMBINATORIA
Varios de los problemas que hemos visto son en todo sentido combinatorios
ya que la solución óptima es un subconjunto de un conjunto finito. En
principio estos problemas pueden ser resueltos por enumeración. Es decir
que se necesita contar el número de soluciones posibles.
05/11/2020 22
problema de asignación: Hay una correspondencia uno a uno entre las
El
asignaciones y permutaciones de . Por tanto hay n! soluciones.
problema de la mochila y de cobertura: en los dos casos el número de
El
subconjuntos es .
El problema del agente viajero: Empezando de la ciudad 1, el agente
tiene n-1 elecciones por hacer. Para la siguiente ciudad hay n-2 ciudades
posibles, y así sucesivamente. Por tanto hay (n-1)! tours factibles.
La tabla 1.1 muestra algunas funciones que crecen rápidamente. Por ejemplo
el TSP con n=101 ciudades tiene aproximadamente 9,33*10^157 tours.
05/11/2020 23
1.2. Formulaciones de programación
entera mixta.
Suponga que se necesita modelar una función típica no lineal de costo con carga fija.
Por ejemplo cuando se tienen que producir una cantidad de ítems x, existe un costo
fijo f de preparar las máquinas (independientemente de cuanto se produzca). Este
costo solo debe ser cargado si x>0, de lo contrario no es necesario preparar las
máquinas y el costo fijo por tanto sería cero.
h(x)=f+ px si 0<x≤Cy h(x)=0 si x=0
05/11/2020 24
Localización de instalaciones con capacidad ilimitada.
Uncapacitated Facility Location (UFL)
Dado un conjunto de depósitos potenciales , y un conjunto M de clientes, se tiene
un costo fijo asociado con el uso del depósito j y un costo de transporte si toda la
orden del cliente se entrega desde el depósito j. El problema es decidir que
depósitos abrir y cuales sirven a cada cliente para minimizar el costo total.
1. Definición de variables .
𝒚 𝒋 =1 𝑠𝑖 𝑠𝑒 𝑎𝑏𝑟𝑒 𝑒𝑙 𝑑𝑒𝑝𝑜𝑠𝑖𝑡𝑜
𝑗 , 𝑦 𝑗=0 , 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎.
𝒙𝒊𝒋 𝑒𝑠𝑙𝑎 𝑓𝑟𝑎𝑐𝑐𝑖 ó 𝑛 𝑑𝑒 𝑙𝑎𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒𝑙 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑖 𝑠𝑎𝑡𝑖𝑠𝑓𝑒𝑐h𝑎 𝑑𝑒𝑙 𝑑𝑒𝑝𝑜𝑠𝑖𝑡𝑜 𝑗.
𝑛
∑ 𝑥 𝑖𝑗=1 𝑝𝑎𝑟𝑎𝑖=1 , …, 𝑚 .
𝑗=1
La suma de las fracciones que atienden los depósitos para cada cliente i debe ser igual a
uno para que se satisfaga la demanda total del cliente.
05/11/2020
Relación entre y
+
05/11/2020 26
Tamaño de Lote con capacidad de producción y almacenamiento
ilimitadas. Uncapacitated Lot Sizing (ULS)
1. Definición de variables.
𝒙𝒕 Cantidad producida en el periodo t.
𝒔 𝒕 Inventario al final del periodo t.
𝒚 𝒕 si se produce en t, de otra manera.
05/11/2020 27
El modelo matemático (MIP) es el siguiente:
𝑛 𝑛 𝑛
𝑚𝑖𝑛 ∑ 𝑝𝑡 𝑥 𝑡 + ∑ h𝑡 𝑠 𝑡 + ∑ 𝑓 𝑡 𝑦 𝑡
𝑡=1 𝑡 =1 𝑡 =1
, para t=1,…,n.
Note que no existe limite superior para x; por tanto se puede usar un valor muy
grande, es decir C=M, o calcularlo con base en los datos .
Si entonces podemos establecer una cota superior para x como sigue:
Note que sumando las ecuaciones de balance desde 1 hasta t se obtiene la
ecuación: = - y reemplazando este valor en la función objetivo se obtiene:
= + …+ y =
05/11/2020 28
Prueba de que =
=0
+
+
+
-- = 0
= -
=
+ 𝐾
+
+……
=(
05/11/2020 29
ALTERNATIVAS DISCRETAS O DISYUNCIONES
se tiene que:
Si
: Son los tiempos de procesamiento. Para i=1,2.
: Son los tiempos de inicio. Para i=1,2.
Entonces note que cualquiera de los trabajos puede preceder al otro, es decir
que puede ser que:
( precede a )
O se puede dar que:
( precede a )
Para especificar esta situación se utiliza la disyunción con la ayuda de una
variable binaria lo que se define a continuación.
05/11/2020 30
Suponga que satisface a y que ó
𝑥2
Restricciones.
2
𝑎
𝒙 ≤ 𝑏2
𝑥1
Introduciendo las variables binarias para i=1,2. Entonces si para i=1,2, se toman las siguientes
restricciones:
para i=1,2.
𝑦 1+ 𝑦 2 =1 , 𝑦 𝑖 ∈ { 0,1 } 𝑝𝑎𝑟𝑎 𝑖 =1,2.
05/11/2020 32
1.6. Formulaciones Alternativas
En esta sección se examinarán formulaciones alternativas y se tratará de entender
por qué algunas pueden ser mejores que otras. Primero es necesario precisar que
es una formulación.
Definición 1.1 Un subconjunto de descrito por un conjunto
finito de restricciones lineales es un poliedro.
05/11/2020 33
4
3
𝑃1
2
0
0 1 2 3 4
𝑋
={ ( 0,0,0,0 ) , ( 1,0,0,0 ) , ( 0,1,0,0 ) , ( 0,0,1,0 ) , ( 0,0,0,1 ) , ( 0,1,0,1 ) ,(0,0,1,1) }
0
0 1 2 3 4
Cuando una formulación es ideal cada punto extremo es entero así que el IP se
puede resolver como un LP. (ya que al resolver sobre un poliedro el punto óptimo
siempre va a estar en un punto extremo)
05/11/2020 37
Definición 1.3 Dado un conjunto X Rn, el casco convexo de X denotado conv(X) se define
como:
para i=1,……..,t. t sobre todos los subconjuntos de X.
05/11/2020 38
Preposición1.2 Los puntos extremos de Conv(X) están en X
Así que dadas todas las formulaciones P posibles para X, la formulación ideal Conv(X)
tiene la propiedad de que X⊆Conv(X)⊆P para todas las formulaciones P. Es decir que
la mejor formulación se puede encontrar si se encuentra Conv(x) ya que está
contenido en todas las demás.
05/11/2020 39
Formulaciones para el Problema UFL (Uncapacitated Facility Location)
Sea la formulación dada anteriormente en las diapositivas 25 y 26, con una sola
restricción para cada j como sigue:
y sea otra formulación pero en vez de una sola restricción, con m restricciones
para cada j:
𝑥 𝑖𝑗 ≤ 𝑦 𝑗 𝑝𝑎𝑟𝑎𝑖 ∈ 𝑀 p ara cada j
Note que si cada punto (x,y) satisface las restricciones para entonces sumando
sobre se muestra que también se satisfacen las restricciones
. Entonces ⊆ .
05/11/2020 40
Búsqueda de un Punto en P1 que no está en P2
05/11/2020 42
Referencias
[2] Nadjib Brahimi , Stephane Dauzere-Peres, Najib M. Najid & Atle Nordli. Single Item
Lot Sizing Problems, European Journal of Operational Research, 168 (2006) 1-16
05/11/2020 43