Clase # 15

PROGRAMACIÓN ENTERA

FORMULACIÓN

17-1
1. PROGRAMACIÓN ENTERA: P.E.

Programación Lineal con la restricción adicional

de que los valores de las variables de decisión son
enteros. (vs suposición de divisibilidad)

 P.E Pura: Todas las variables de decisión tienen

valores enteros.

 P.E Mixta (PEM): Algunas de las variables de

decisión tienen valores enteros. Las demás
toman valores reales o continuos (cumplen con la
suposición de divisibilidad).
17-2
2. PROGRAMACIÓN BINARIA: P.B.
(Programación Dual o Programación 0-1)
Utiliza variables binarias:
Sólo tiene 2 alternativas posibles
1 si la decisión j es si.
Xj =
0 si la decisión j es no.

Las Xj son variables de decisión restringidas a

tomar valores 0,1.
PEM: “Panacea” de la optimización
17-3
 3. Ejemplo 1: Programación Binaria

La CALIFORNIA MANUFACTURING CO.

está analizando la posibilidad de expansión, así:

Fábrica: Construcción de una fábrica en Los

Angeles o en San Francisco, o tal vez en ambas
ciudades
Almacén: Construcción de un almacén a lo
sumo, pero la decisión está restringida a que si
hay almacén en ese sitio tiene que haber fábrica.
Veamos
17-4
 # de Variable VNP Capital
decisión Pregunta sí o no de Beneficio Requerido
decisión ($ millón) ($ millòn)

1 ¿Construir fábrica 9 6
X1
en Los Angeles?

2 ¿Construir fábrica X2 5 3
en San Francisco?
3 ¿Construir almacén X3 6 5
en Los Angeles?

4 ¿Construir almacén X4 4 2
en San Francisco?

Capital disponible: $10 millones

17-5
Formulación del modelo:

Variables de decisión.

La variable de decisión Xj es tal que:

1 se construye.
Xj =
0 no se construye.

j = 1, 2, 3, 4.
17-6
Función objetivo.

Max Z = 9 X1 + 5 X2 + 6 X3 + 4 X4

Como las variables de decisión son

adimensionales, Z tiene unidades de
[$ millones]

17-7
Restricciones

Alternativas mutuamente excluyentes: max 1 almacen

X3 + X 4  1
Alternativas condicionales o contingentes
X3  X1 Se construye el almacén solo
si se construye la fábrica
X4  X2
Capital
6X1 + 3X2 + 5X3 + 2X4  10
disponible
Xj  [0,1] para j= 1, 2, 3, 4.
17-8
El modelo completo será:

Max Z = 9 X1 + 5 X2 + 6 X3 + 4 X4

X3 + X 4  1
-X1 + X3 0

-X2 + X4  0
6X1 + 3X2 + 5X3 + 2X4  10
Xj  [0,1] para j= 1, 2, 3, 4.
17-9
4. VARIABLES AUXILIARES BINARIAS
4.1 Seleccionar una de dos restricciones.
(Eliminar la otra)

Sólo una (cualquiera) de las 2 restricciones

debe cumplirse. La otra puede o no cumplirse,
pero no se requiere que lo haga.
Aplicación práctica:
Casos en que se tienen 2 tipos de recursos
alternativos para un cierto propósito.
Ejemplo: o bien 3 X1 + 2X2  18
o X1 + 4X2  16 Veamos
17-10
 X2
9
8 3 X1 + 2X2 = 18
7
6
5
4
3 X1 + 4X2 = 16
2
1
X1
0 2 4 6 8 10 12 14 16 17-11
 Formulación: Para seleccionar un de las dos
restricciones (Eliminar la otra)
Eliminar la restricción 1 Eliminar la restricción 2

3 X1 + 2X2  18 + M 3 X1 + 2X2  18
X1 + 4X2  16 X1 + 4X2  16 + M
Cual de las dos restricciones eliminar? Quién decide?
El modelo de optimización puede hacerlo!

3 X1 + 2X2  18 + My
y  [0,1]
X1 + 4X2  16 + M (1-y)
17-12
4.2 Deben cumplirse K de N restricciones. K < N
Seleccionar K de N restricciones
(Eliminar N – K restricciones)
Se tienen N restricciones del tipo:

f1 ( x1 , x2 , ........., xn )  d1

f2( x1 , x2 , ........., xn )  d2

Veamos
17-13
La formulación equivalente del requerimiento de
que K de estas restricciones se deban cumplir será:

f1 ( x1 , x2 , ........., xn )  d1+ My1

f2( x1 , x2 , ........., xn )  d2 + My2

N
fN
Yi = 0 indica que la
(i=1x1 y,i x=2 N-K  dN + My
, ........., xn )restricción N
se cumple
yi  [0,1] para i = 1, 2, ..., N.
17-14
4.3 Una función que toma uno de N valores posibles

Considere la situación en la que una función

dada tome cualquiera de N valores posibles, así:

f ( x1 , x2 , ..., xn ) = d1 , o d2 , ..., o dN

En el caso especial en que f(x) sea lineal, se tiene:

N
f (x1, x2, ..., xn ) =  ajXj = d1 o d2 ... dN
j=1

sigue
17-15
Un modelo que asigna el valor a la función:

N
f ( x1 , x2 , ........., xn ) =  dj yj
j=1
N
i=1 yi = 1
yi  [0,1] para i= 1,2,....., N.

17-16
4.4 El Problema de costo fijo vs costos variables.

Es bastante común incurrir en un costo fijo cuando se

emprende una actividad.
Por ejemplo: Cuando se inicia una corrida de un lote
de producción y deben prepararse las instalaciones o
existen algunos costos fijos (y otros variables).
El costo total de la actividad j puede representarse
por una función de la forma:

kj + cjXj si Xj > 0
fj (Xj) =

0 si Xj = 0sigue
17-17
La F. O.: Minimizar Z = f1(x1)+ f2(x2) + ... + fn(xn)
Puede expresarse como:
n
Min Z = j=1(cjXj + kjYj)
Usando variables auxiliares binarias

1 si Xj > 0
Yj =
0 si Xj = 0 .
s. a. Restricciones originales
Restricción adicional:
Xj  MYj Yj binaria
17-18
5. Ejemplo 2: P.E.M

La división de investigación y desarrollo de una

compañía manufacturera ha desarrollado 3 nuevos
productos y dispone de 2 plantas para fabricarlos.

Se quiere evitar la diversificación excesiva de la línea

de productos y por ello solo se fabricarán máximo 2
de los 3 productos desarrollados, y sólo se utilizará
una de las plantas.

sigue
17-19
 Horas por unidad
de Producto
Horas disponibles
1 2 3 por semana

1 3 4 2 30
Planta
2 4 6 2 40
Ganancia
5 7 3 Miles de US$
unitaria
Ventas
potenciales 7 5 9 Unidades por semana

Pasemos ahora a formular el modelo

17-20
Variables de decisión.

Xj: Tasa de producción del producto j

j = 1, 2, 3

Función objetivo.

Max Z = 5X1 + 7X2 + 3X3

17-21
Restricciones

3X1+ 4X2 + 2X3  30 Planta 1

4X1+ 6X2 + 2X3  40 Planta 2

X1 7 producto 1
X2 5 producto 2
X3  9 producto 3
Xj  0 para j = 1, 2, 3.
17-22
 ¿Notó UD algo raro

en la formulación del modelo?

Faltan restricciones !!!

CUÁLES?
Pueden usarse variables binarias para formular
adecuadamente algunas restricciones.
Veamos
17-23
Recuerde que sólo se pueden fabricar hasta 2 de
los 3 productos.
Se introducen 3 variables auxiliares binarias:
y1, y2, y3 tales que:

1 si Xj > 0 se puede cumplir

Yj = (se puede producir j)

0 si Xj = 0 se debe cumplir
(no se puede producir j)
para j = 1, 2, 3.
sigue
17-24
Con la ayuda de la M grande puede obtenerse:

X 1  M y1
X 2  M y2

X3  My3

y1+ y2 + y3  2

yi es binaria para i = 1, 2, 3

17-25
Recuerde que sólo se puede utilizar una de
las 2 plantas.

Se introduce la variable binaria y4 tal que:

1 si 4X1+ 6X2 + 2X3  40

Y4= Debe cumplirse (se elige la planta 2)

0 si 3X1+ 4X2 + 2X3  30

Debe cumplirse (se elige la planta 1)

sigue
17-26
Con la ayuda de la M grande puede obtenerse:

3X1+ 4X2 + 2X3  30 + My4

4X1+ 6X2 + 2X3  40 + M (1- y4)

y4 es binaria

La formulación del modelo completo será:

17-27
 Max Z = 5X1 + 7X2 + 3X3
s.a
X1  7
X2  5
X3  9
X1 - My1  0
X2 - My2  0
X3 - My3  0
y1+ y2 + y3  2
3X1+ 4X2 + 2X3 - My4  30
4X1+ 6X2 + 2X3 - M(1- y4)  40

yi es binaria para j = 1, 2, 3, 4 Xj  0 para todo j

17-28