PROGRAMACION

ENTERA

Comenzamos a
las 9:10 am
PROGRAMACION
ENTERA
INGENIERIA INDUSTRIAL

DOCENTE:

LUIS FELIPE AMAYA GONZALEZ

 Objetivos del tema
• Programación lineal entera, programación lineal mixta, modelos
binarios.
• Representaciones gráficas.
• Aproximación
• Solución:
- Solución usando el computador para de modelos enteros
- Falta de análisis de sensibilidad.
• El uso de Variables Binarias.
- Presupuestos de Capital / restricciones para realizar el objetivo.
 Introducción

Muchas veces, algunas o todas las variables de decisión

deben restringirse a valores enteros.
Por ejemplo:
• El número de aeronaves que se compró este año.
• El número de máquinas que necesita para producción.
• El número de viajes que ha realizado un agente de
ventas.
• El número de policía que se asignó a la vigilancia
nocturna.
• Variables enteras son requeridas cuando el modelo
represente una única decisión (no una operación en
proceso).

• Los modelos de Programación Lineal Entera (PLE) son

mucho más difíciles de resolver que los modelos de
Programación Lineal (PL).

• Los algoritmos que resuelven los modelos lineales enteros

no entregan resultados de análisis de sensibilidad.
• Los modelos de PLE pueden clasificarse como sigue:
• Solo de enteros, es decir, todas las variables se
restringen a enteros.

• De variables mixtas - algunas variables son enteras,

pero no todas.

• De binarios- todas las variables son 0 ó 1.

ESTUDIAR……….
 Las complejidades de PLE

• Si un modelo de enteros se resuelve como un modelo lineal

simple, se puede obtener la solución óptima no entera.

• Aproximar a valores enteros puede provocar:

• Soluciones no-factibles
• Soluciones factibles pero no óptimas
• Soluciones óptimas.
• ¿ Por qué no enumerar todos los puntos enteros factibles y
seleccionar el mejor?
• Enumerar todas las soluciones enteras es poco práctico, a causa del
gran número de puntos factibles.

• ¿Siempre se utiliza aproximación? Si, particularmente si

• Los valores de las variables de decisión positivas son relativamente
grandes, y los valores de los coeficientes de la función objetivo son
relativamente pequeños.
• El siguiente ejemplo ilustra un problema de programación entera.
 Restaurante Boxcar_Burguer

• El Boxcar_Burger es una nueva cadena de comida

rápida.
• El local planifica su expansión en el centro y áreas
suburbanas.
• La gerencia desea determinar cuántos restaurantes
abrir en cada área a fin de aumentar al máximo la
ganancia semanal neta.
• Requerimientos y restricciones:
• No más de 19 gerentes pueden ser asignados.
• Por lo menos deben abrirse dos restaurantes en el
centro.
• La inversión total no puede exceder a $2.7 Millones.

Suburbano Centro
Inversión por la ubicación 200,000 600,000
Ganancia diaria 1,200 2,000
Horas de operación 24 horas 12 horas
Número de gerentes necesarios 3 1
 Solución

• Variables de Decisión
• X1 = Número de restaurantes abiertos en lugares
suburbanos.
• X2 = Número de restaurantes abiertos en el centro .

• El modelo matemático se formula a continuación:

 Ganancia semanal neta
Max 1200X1 + 2000X2

ST :

La inversión total no puede exceder $2.7 dólares

2X1 + 6X2  2.7
Por lo menos dos restaurantes en el centro
X2  2
No más de 19 gerentes se pueden asignar
3X1 + X2  19

X1, X2 enteros
no son enteros
mayores que 0negativos
• Restricciones
La inversión total no puede exceder $2.7 millones
 Sensibilidad de un PLE

• En los problemas de programación lineal entera no es

posible realizar el análisis de sensibilidad. Cualquier
cambios en los coeficientes de la función objetivo o en los
coeficientes del lado derecho implicará resolver el problema
nuevamente.
 Programación lineal mixta

 Incluye algunas variables que están restringidas a valores

enteros.

El problema de inversión de Shelly Mednick ilustra esta

situación.
 Problema de inversión de Shelley Medrick

Shelley Mednick ha decidido realizar una inversión.

Ella invertirá en:
-TCS, una compañía de abastecimiento y
comunicaciones y/o
- MFI, un fondo mutuo.

Shelley es una inversionista precavida. Ella tiene límites

sobre el nivel de inversión, y definió una meta para la
ganancia anual.
Datos:
• TCS vende actualmente cada acción a $55.
• TCS proyecta vender cada acción a $68 dentro de un año.
• MFI espera obtener 9% de utilidad anual.

• Restricciones:
• La utilidad esperada debe ser de por lo menos $250.
• La cantidad máxima invertida en TCS no debe sobrepasar
un 40% de la inversión total.
• La cantidad máxima invertida en TCS no debe sobrepasar
$750.
  Solución

Variables de decisión
• X1 = Número de acciones a comprar en TCS.
• X2 = Cantidad de dinero que invertirá en MFI.
El modelo matemático:

MAXIMIZAR

Minimize 55X1 + X2

Utilidad anual esperada ST

13X1 + 0.09X2  250

No más de 40% en 55X1  X2  ( X 1  X 2) * 0.4

55X1  750
TCS.
X1, X2  0
No más de $750 X1 integer
en TCS. X2 free.

Entero
MFI

Solución óptima de PL
Inversión total=$1682.99

1009.79

TCS
12.24
 Solución óptima de programación mixta
Inversión total=$1704.44

1044.44

Solución óptima de PL

12
3.5 Programación lineal entera binaria
Las variables binarias toman solamente los valores 0 y 1.
Cualquier situación puede ser modelada por un “si/no”,
“bueno/malo” ,etc., contenido dentro de la categoría
binaria.
Por ejemplo

1 IfSiaunnew health
nuevo plancare planseisadopta
de salud adopted
X  0 If it is not
 si no se adopta
1 Si
If aseparticular
compra elconstraint
edificio must hold
X  0 If itnoissenot
 si compra
 Condominio Salem City

 El condomionio Salem City debe elegir un proyecto de

distribución de fondos de manera tal que la mayoría de la
población se vea beneficiada.

Los datos relevantes y concernientes al condominio en la

ciudad son:
* Estimar el costo de cada proyecto
* Estimar el número de trabajadores permanentes que empleará el
proyecto.
* Encuesta de los 9 proyectos más importantes para la ciudad.
 Distribución de fondos

Salem City debe escoger su proyecto de fondos de manera tal que la

mayoría de la población se vea beneficiada, para ello realiza una
encuesta sobre los 9 proyectos más urgentes.

Resultados de la Encuesta
Proyecto Costo (1000) Trabajos Puntos
X1 Contratar siete nuevos policias $ 400,00 7 4176
X2 Modernizar los cuarteles de policia $ 350,00 0 1774
X3 Comprar dos nuevas patrullas $ 50,00 1 2513
X4 Entregar bonif. a los of. de policia $ 100,00 0 1928
X5 Comprar nuevos eq. para bomberos $ 500,00 2 3607
X6 Contratar un comandante de bomberos$ 90,00 1 962
X7 Invertir en programas deportivos $ 220,00 8 2829
X8 Restaurar la escuela de música $ 150,00 3 1708
X9 Comprar nuevos comp. para la esc. $ 140,00 2 3003
Variables de decisión

* Xj, conjunto de variables binarias que indican si el proyecto j es

seleccionado (Xj = 1) o no (Xj = 0).

j=(0, 1)
Función Objetivo

* Maximizar la cantidad el puntaje para la obtención de fondos del

proyecto.

Restricciones

- Vea el modelo matemático

El modelo matemático
L
Max 4176X1 + 1774X2 + 2513X3 + 1928X4 + 3607X5 + 962X6 + 2829X7 + 1708X8 + 3003X9

ST
La mayor cantidad de fondos a destinar no puede superar los $900.000
400X1 + 350X2 + 50X3 + 100X4 + 500X5 + 90X6 + 220X7 + 50X8 + 140X9  900

El número de nuevos trabajos debe ser por lo menos 10

7X1 + X3 + 2X5 + X6 + 8X7 + 3X8 + 2X9  10
El número de nuevos policías debe ser a lo más 3.
X1 + X2 + X3 + X4  3
Debe comprarse una patrulla o un carro de bomberos

X3 + X5 = 1
se debe restaurar la sala de música o invertir en programas deportivos

Deben invertirse en programas deportivos o X7 - X8 = 0

restaurar la sala de música antes de

comprar nuevos computadores X7 - X9  0

CONTINUA
 *Tres de las siguientes 5 restricciones deben ser satisfechas

Por lo menos $250.000 deben guardarse (no usar más de $650.000)

400X1+ 350X2 + 50X3 + 100X4 + 500X5 + 90X6 + 220X7 + 50X8 + 140X9  650
Se requieren al menos 3 policias y debe comprarse el equipo de bomberos
X1+ X2 + X3 + X4 + X5 + X6  3
Se deben contratar siete nuevos policias
X1 = 1
Al menos 15 nuevos trabajos se deben crear (no 10)

7X1+ X3 + 2X5 + X6 + 8X7 + 3X8 + 2X9  15

Tres proyectos de educación se deben financiar.

X7 + X8 + X9 = 3
La condición que al menos 3 de las 5 restricciones deben cumplirse puede ser
representado por una variable binaria

Yi = 1 si la restricción es considerada
0 si no es considerada

CONTINUA
3.6 Incluyendo Cargos Fijos

El modelo de programación lineal no incluye un costo fijo

dentro de sus consideraciones. Se asume que este costo no
puede ser calculado, lo cual no siempre es verdadero.

En un problema de cargo fijo se tiene:

Costo Total = CX + F si X>0
0 si X = 0

donde :
C es una variable de costo, y F es el costo fijo
Electrónica GLOBE, INC

Electrónica GLOBE fabrica dos tipo de control remoto G50 y

G90.

GLOBE tiene 4 fabricas y 3 centros de distribución.

Cada planta opera bajo sus propias condiciones, por lo cual

tienen diferentes costos fijos de operación, costos de
producción, tasa de producción y horas de producción
disponibles.
Ultimamente la demanda ha disminuido por lo cual la
gerencia esta pensando en cerrar una o más de las plantas.

La gerencia desea:

* Desarrollar una óptima política de distribución

* Determinar que planta cerrar (si es que existe alguna)
 Datos

Costos de producción, tiempo, disponibilidad

xi Costo fijo Costo de prod. por 100 Tiempo de prod (hr/100) Hr disponib.
Planta por mes G50 G90 G50 G90 por mes
Philadelphia 40 1000 1400 6 6 640
St. Louis 35 1200 1200 7 8 960
New Orleans 20 800 1000 9 7 480
Denver 30 1300 1500 5 9 640
Proyección de la demanda mensual

zi
Demanda
Cincinnati Kansas City San Franc.
G50 2000 3000 5000
G90 5000 6000 7000
* Costo de transporte por 100 unidades

Cincinnati Kansas San

City Francisco
Philadelphia $200 300 500
St.Louis 100 100 400
New Orleans 200 200 300
Denver 300 100 100

* Al menos el 70% de la demanda en cada centro de distribución se debe

satisfacer

* Precio de venta unitario

- G50 = $22 ; G90= $28

Variables de decisión
Xi = cientos de G50 producidos en la planta i
Zi = cientos de G90 producidos en la planta i
Xij = cientos de G50 transportados desde la planta i hasta la
distribuidora j
Zij= cientos de G90 transportados desde la planta i hasta la
distribuidora j

Identificación de lugares

Planta Distribuidora
Ubicación i Ubicación j
Philadelphia 1 Cincinnati 1
St.Louis 2 Kansas City 2
New Orleans 3 San Francisco 3
Denver 4
 GLOBE Electrónica
Modelo Nº 1 :
Todas las plantas operativas
Función Objetivo
* La gerencia desea maximizar la ganancia neta
* La ganancia bruta por 100 u = 22(100) - (costo de prod. por 100)
* La ganancia neta por 100 unidades producidas en la planta i y
transportadas a la distribuidora j =
Ganancia Bruta - Costo de transporte por 100 u
* Max 1200X1+1000X2+1400X3+ 900X4
+1400Z1+1600Z2+1800Z3+1300Z4
- 200X11 - 300X12 - 500X13
- 100X21 - 100X22 - 400X23
- 200X31 - 200X32 - 300X33
Ganancia Bruta - 300X41 - 100X42 - 100X43
- 200Z11 - 300Z12 - 500Z13
- 100Z21 - 100Z22 - 400Z23
0 - 200Z31 - 200Z32 - 300Z33
G5
- 300Z41 - 100Z42 - 100Z43

Costo de Transporte G90