Professional Documents
Culture Documents
Programación Entera
• En muchas aplicaciones, la solución de un problema tiene
sentido solamente si una parte (o todas) las decisiones
toman valores restringidos a números enteros.
• Un problema se define como de programación lineal entera
pura cuando todas las variables son enteras.
• En caso contrario, corresponde a una programación lineal
entera combinada (o mixta), que implica una combinación
de variables enteras y continuas.
• Un problema lineal de programación entera es de la forma:
𝑴𝒂𝒙 𝒛 = 𝒄𝑻 𝒙
𝒔. 𝒂. 𝑨𝒙 ≤ 𝒃
𝒙 ≥ 𝟎, 𝒙𝒋 𝒆𝒏𝒕𝒆𝒓𝒐
2 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
1
05-06-2018
Programación Entera
– PLE transformada:
Cuando la cantidad de unidades a producir dependen de si se ejecuta, o no, un
proyecto.
En la secuencia de dos trabajos A y B en una sola máquina, donde el trabajo A
puede preceder al trabajo B, o viceversa.
Programación Entera
2
05-06-2018
Modelos de Presupuesto
• Presupuesto de capital (o problema de inversión):
– La toma de decisiones de emprender (o no) un proyecto
suele hacerse conforme a consideraciones y prioridades
preestablecidas de presupuesto limitado.
– Ejemplo: Se están evaluando cinco proyectos a lo largo de
un horizonte de planeación de 3 años.
– La siguiente tabla presenta los rendimientos esperados y
los gastos anuales que conllevan:
Gastos ($ millones)/año Rendimiento
Proyecto
1 2 3 ($ millones)
1 5 1 8 20
2 4 7 10 40
3 3 9 2 20
4 7 4 1 15
5 8 6 10 30
Fondos Disponibles
25 25 25
($ millones)
Fuente: Taha, H. A., Investigación de Operaciones, novena edición. Pearson Educación, 2012.
5 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos de Presupuesto
– ¿Cuáles proyectos deben seleccionarse a lo largo del
periodo de 3 años?
– El problema se reduce a una decisión del tipo “sí – no”
para cada proyecto, para lo cual se definen variables
enteras binarias o dicotómicas (0 o 1).
Cada variable binaria actúa como un interruptor de habilitación del
proyecto y, consecuentemente, de sus rendimientos, inversiones y/o
gastos en un periodo, de momento que se ejecuta (o no).
– Variables de decisión: defina la variable binaria xj como:
Para j = {1, …, 5}
6 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
3
05-06-2018
Modelos de Presupuesto 2
3
4
3
7
9
10
2
40
20
4 7 4 1 15
5 8 6 10 30
Fondos Disponibles
25 25 25
• El modelo corresponde a:
($ millones)
Modelos de Presupuesto
4
05-06-2018
Modelos de Presupuesto
• Notar los resultados de la optimización continua de PL si
relajamos la condición de xj = (0, 1) a 0 ≤ xj ≤ 1 …
Modelos de Presupuesto
5
05-06-2018
Modelos de Presupuesto
• Notar además que el conjunto de soluciones factibles es
finito, a diferencia de cualquier modelo de PLC.
– Salvo que el problema sea no acotado.
• Esto ocurrirá generalmente con los problemas de
Programación Lineal Entera (puros).
• En el ejemplo, el total de soluciones factibles no supera el
número de las soluciones binarias (variables restringidas
sólo a valores 0 o 1) que son 𝟐𝒏 = 𝟑𝟐, donde 𝒏 = 𝟓 es el
número de variables del modelo.
– En este caso, las soluciones factibles < 32, ya que 𝒙𝒋 = 𝟏 ∀𝒋 no
satisface las restricciones del problema.
11 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos de Presupuesto
• Reinversión de presupuesto no utilizado y/o
utilidades en el periodo:
– En el problema anterior, la solución óptima no
consume todos los recursos presupuestarios
disponibles por año.
…no hay
restricciones
activas !!!
6
05-06-2018
Modelos de Presupuesto
Modelos de Presupuesto 2
3
8
6
15
4
0
16
18
24
4 12 0 0 16
Fondos Disponibles
30 15 12
($ millones)
Para j = {1, …, 4}
– Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
14 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
7
05-06-2018
Modelos de Presupuesto 2
3
4
8
6
12
15
4
0
0
16
0
18
24
16
Fondos Disponibles
30 15 12
($ millones)
• Restricciones:
– Alternativa 1: Reinvirtiendo el dinero no utilizado en
un periodo.
Modelos de Presupuesto 2
3
4
8
6
12
15
4
0
0
16
0
18
24
16
Fondos Disponibles
30 15 12
($ millones)
• Restricciones:
– Alternativa 2: Sin invertir el dinero no utilizado en un
período, pero utilizando el retorno de los proyectos
concluidos.
8
05-06-2018
Modelos de Presupuesto 2
3
4
8
6
12
15
4
0
0
16
0
18
24
16
Fondos Disponibles
30 15 12
($ millones)
• Restricciones:
– Alternativa 3: Reinvirtiendo el dinero no utilizado en
un período y el retorno de proyectos concluidos.
Modelos de Presupuesto
9
05-06-2018
Modelos de Presupuesto
Modelos de Cobertura
10
05-06-2018
Modelos de Cobertura
• Para promover la seguridad en uno de sus campus, el
Departamento de Seguridad Pública de la Universidad
de Arkansas se encuentra en proceso de instalación
de teléfonos de emergencia en lugares seleccionados.
• El departamento desea instalar una cantidad que
minimice los costos de estos aparatos que presten
servicio a cada una de las calles principales.
• ¿Qué condición previa debiera asumirse (no indicada
en el enunciado del problema) para que los costos de
inversión sean mínimos?
21 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos de Cobertura
Fuente: Taha, H. A., Investigación de Operaciones, novena edición. Pearson Educación, 2012.
11
05-06-2018
Modelos de Cobertura
• Variables de decisión:
• Función objetivo:
– Las restricciones del problema requieren que se instale
al menos un teléfono en cada una de las 11 calles
(calles A a K). Por lo tanto, el modelo es:
Min x1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7 + x 8
Modelos de Cobertura
• Restricciones:
x1 + x2 ≥ 1 (calle A)
x2 + x3 ≥ 1 (calle B)
x4 + x5 ≥ 1 (calle C)
x7 + x8 ≥ 1 (calle D)
x6 + x7 ≥ 1 (calle E)
x2 + x6 ≥ 1 (calle F) xj = (0, 1); j = {1, …, 8}
x1 + x6 ≥ 1 (calle G)
x4 + x7 ≥ 1 (calle H)
x2 + x4 ≥ 1 (calle I)
x5 + x8 ≥ 1 (calle J)
x3 + x5 ≥ 1 (calle K)
24 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
12
05-06-2018
Modelos de Cobertura
Modelos de Cobertura
• La solución nos entrega el siguiente mapa de teléfonos de
emergencia:
¿ ?
26 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
13
05-06-2018
Modelos de Cobertura
• Nótese que el problema podría haber incluido en la función
objetivo 𝒛 coeficientes del tipo 𝒄𝒋 que representarían el costo de
instalación de una fuente (teléfono) que entrega servicios en la
intersección 𝒋, u otro tipo de concepto.
• Los problemas de cobertura se caracterizan por:
– Las variables 𝒙𝒋 son binarias;
– Los coeficientes tecnológicos de las restricciones son 0 o 1;
– El lado derecho de cada restricción es de la forma ≥ 1 (estructura de
aseguramiento de servicio);
– La función objetivo normalmente es de minimización (costos).
• Al igual que en los modelos de inversión, se pueden incluir otras
restricciones asociadas a eventos específicos.
27 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Ejercicio
• Transportes Mujica (TM) despacha cargas a diario a 5
clientes, para lo cual ha estudiado 6 rutas posibles de
entrega. Ruta Clientes x Ruta
1 1, 2, 3, 4
• Los camiones de TM solo tienen 2 4, 3, 5
3 1, 2, 5
espacio suficiente para las cargas 4 2, 3, 5
para cada ruta (debe ir y volver). 5
6
1, 4, 2
1, 3, 5
14
05-06-2018
Ejercicio
• Función Objetivo:
Min (80x1 + 50x2 + 70x3 + 52x4 + 60x5 + 44x6)*500/10
Ejercicio 1
2
1, 2, 3, 4
4, 3, 5
3 1, 2, 5
4 2, 3, 5
5 1, 4, 2
• Sujeto a: 6 1, 3, 5
15
05-06-2018
16
05-06-2018
17
05-06-2018
• Función objetivo:
Min 25x1 + 21x2 + 22x3 + 1600y1 + 2500y2 + 1800y3
• Sujeto a:
x1 + x2 + x3 = 200
x1 ≤ 200y1
x2 ≤ 200y2
x3 ≤ 200y3
xj ≥ 0; yj = (0, 1)
• Las variables 𝒚𝒋 transformaron un problema lineal continuo
en uno entero mixto (PEC), necesario para hacerse cargo de
la discontinuidad de C(x) para x = 0.
35 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
18
05-06-2018
Modelos de Inventario
Modelos de Inventario
con t = {1, …, T}
38 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
19
05-06-2018
Modelos de Inventario
• Función objetivo:
𝑇
𝑀𝑖𝑛 (𝑠𝑡 ∗ 𝑦𝑡 + 𝑝𝑡 ∗ 𝑥𝑡 + ℎ𝑡 ∗ 𝐼𝑡 )
𝑡=1
• Sujeto a:
𝑥𝑡 + 𝐼𝑡−1 − 𝐼𝑡 = 𝑑𝑡 con t = {1, …, T}
I0 = inventario inicial
𝑥𝑡 ≤ 𝑀𝑡 ∗ 𝑦𝑡 con t = {1, …, T}
Mt = cte. suficientemente grande
39 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos de Transporte
• Problema de Transporte y Localización.
– Se tiene un conjunto de m clientes que demandan 𝒅𝒊
unidades de un producto determinado (exacta).
– Una compañía desea satisfacer esas demandas desde un
cierto conjunto de plantas elegidas de n potenciales
lugares donde se podrían instalar.
– Sean 𝒄𝒋 los costos asociados a la instalación de la planta 𝒋,
𝒗𝒋 el costo unitario de producción de la planta 𝒋, y 𝒕𝒊𝒋 el
costo de transporte de una unidad desde la planta 𝒋 al
cliente 𝒊.
– Se desea decidir cuáles plantas abrir, y el tamaño de cada
una, de modo de satisfacer las demandas estimadas.
40 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
20
05-06-2018
Modelos de Transporte
• Variables de decisión:
𝑥𝑖𝑗 : el número de unidades elaboradas en la planta j.
para satisfacer al cliente i, con j = {1, …, n} e i = {1, …, m}.
• Función objetivo:
𝑛 𝑛 𝑚 𝑛 𝑚
Modelos de Transporte
• Restricciones
– Demanda del cliente 𝒊:
𝑛
𝑥𝑖𝑗 = 𝑑𝑖 ∀ 𝑖 = {1, … , 𝑚}
𝑗=1
𝑥𝑖𝑗 ≤ 𝑀𝑗 ∗ 𝑦𝑗 ∀ 𝑗 = {1, … , 𝑛}
𝑖=1
con 𝑴𝒋 arbitrario suficientemente grande (p. ej., capacidad
máx. de producción planta 𝒋), con 𝒙𝒊𝒋 ≥ 𝟎 e 𝒚𝒋 = {𝟎, 𝟏}
42 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
21
05-06-2018
Ejercicio
• Suponga que hay un conjunto de 𝒎 fuentes que generan
basura.
• La cantidad de basura generada en la fuente 𝒊 es de 𝒂𝒊
toneladas.
• Se busca seleccionar los centros de depósito de la basura, de
entre n potenciales candidatos.
• La capacidad del depósito 𝒋 es de 𝒃𝒋 toneladas.
• El (potencial) centro de depósito 𝒋 tiene un costo de
construcción 𝒇𝒋 .
• Por último, sean 𝒄𝒊𝒋 los costos de transportar una tonelada de
basura desde la fuente 𝒊 al (potencial) centro de depósito 𝒋.
• Formule un modelo de PLE que permita escoger los centros
de depósito y la política de transporte de basura que
43 minimiza los costos totales. Investigación de Operaciones, IND2209
© Rafael Favereau Urquiza, 2015 - 2018
Ejercicio
• Variables de decisión:
𝒙𝒊𝒋 : total toneladas de basura transportadas de la
fuente 𝒊 al depósito 𝒋, con 𝑖 = {1, …, m} y 𝑗 = {1, …, n}.
• Función objetivo:
𝑛 𝑛 𝑚
22
05-06-2018
Ejercicio
• Restricciones:
– Generación de basura de la fuente i a transportar:
𝑛
𝑥𝑖𝑗 = 𝑎𝑖 ∀ 𝑖 = {1, … , 𝑚}
𝑗=1
– Capacidad de recibir basura en la planta j desde las
diferentes fuentes i dada su apertura:
𝑚
𝑥𝑖𝑗 ≤ 𝑏𝑗 ∗ 𝑦𝑗 ∀ 𝑗 = {1, … , 𝑛}
𝑖=1
con 𝒙𝒊𝒋 ≥ 𝟎 e 𝒚𝒋 = {𝟎, 𝟏}
45 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos de Asignación
• Problema de Asignación.
– Un departamento de ingeniería industrial de una
universidad ubicada en el cerro Los Placeres desea
determinar cual es la mejor asignación de profesores para
un conjunto de cursos a dictar el próximo semestre.
– Cada profesor debe dictar uno de los siguientes cursos:
Optimización, Economía, Investigación Operativa, Gestión
de Operaciones, y Evaluación de Proyectos.
– Se ha consultado a los alumnos del departamento respecto
de que preferencia tienen de que estos profesores dicten
cada uno de estos cursos.
– La siguiente tabla muestra estas preferencias, donde 10 es
máxima preferencia y 1 es la mínima.
46 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
23
05-06-2018
Modelos de Asignación
Profesores
Cursos Rafa Lucho Jaime Pancho Oscar
Optimización 8 9 6 10 3
Economía 6 6 10 4 9
Investigación Operativa 10 8 5 10 4
Gestión de Operaciones 10 9 4 8 5
Evaluación de Proyectos 5 4 9 3 9
Modelos de Asignación
• Variables de decisión:
para i, j = {1, …, 5}
• Función objetivo:
5 5
24
05-06-2018
Modelos de Asignación
• Restricciones
5
para i = {1, …, 5}
5
Modelos de Asignación
25
05-06-2018
Modelos de Asignación
Modelos de Producción
• Problema Corte de Rollos.
– Una industria que fabrica y distribuye papel en rollos desea
determinar la mejor forma de realizar el proceso de corte.
– Los rollos de papel que se producen tienen un ancho de
100 cm; sin embargo, los clientes demandan rollos de 30
cm, 45 cm y 50 cm de ancho.
– Por lo tanto, al cortar los rollos de 100 cm se incurre en
una pérdida de material que depende de la configuración
de corte elegido (ancho) para los rollos.
– Se desea determinar la forma de efectuar el corte
longitudinal (de que ancho), de manera que se satisfaga
la demanda minimizando la pérdida total de material.
52 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
26
05-06-2018
Modelos de Producción
Modelos de Producción
• Variables de decisión:
𝒙𝒋 : cantidad de rollos cortados vía esquema 𝒋,
con 𝒋 = {1, …, 6}
• Función objetivo:
6
𝑀𝑖𝑛 𝑝𝑗 ∗ 𝑥𝑗
𝑗=1
27
05-06-2018
Modelos de Producción
• Restricciones:
3𝑥1 + 𝑥2 + 𝑥6 = 800 (rollos pedido 30 cm)
𝑥2 + 2𝑥3 + 𝑥4 = 500 (rollos pedido 45 cm)
𝑥4 + 2𝑥5 + 𝑥6 = 1.000 (rollos pedido 50 cm)
𝑥𝑗 ≥ 0; 𝑥𝑗 𝑒𝑛𝑡𝑒𝑟𝑜
Modelos de Producción
28
05-06-2018
Ejercicio
• El Concejo Municipal de Pelotillehue está interesado en
ubicar un máximo de dos ambulancias en las unidades
vecinales de la comuna.
• El propósito es maximizar el número de residentes que
pueden ser alcanzados por una ambulancia en situaciones
de emergencia, en un tiempo máximo de 5 minutos.
• La comuna ha sido subdividida en 6 unidades vecinales, y
los tiempos promedio estimados (en minutos) para ir de
una unidad vecinal a otra, se resumen en la siguiente tabla:
1 2 3 4 5 6
1 0 2 3 6 8 10
2 2 0 6 4 7 6
3 3 6 0 3 4 8
4 6 4 3 0 2 2
5 8 7 3 3 0 3
6 10 6 8 2 3 0
57 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Ejercicio
29
05-06-2018
1 2 3 4 5 6
1 0 2 3 6 8 10
Ejercicio 2
3
2
3
0
6
6
0
4
3
7
4
6
8
4 6 4 3 0 2 2
5 8 7 3 3 0 3
• Variables de decisión: 6 10 6 8 2 3 0
• Función objetivo:
𝑀𝑎𝑥 1250𝑥1 + 1350𝑥2 + 1560𝑥3 + 2240𝑥4 + 1840𝑥5 + 1390𝑥6
• Restricciones: Unidad
Población
Vecinal
– Límite de ambulancias: 1
2
200
600
6 3 450
4 550
𝑥𝑗 ≤ 2 5
6
360
480
𝑗=1
59 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
1 2 3 4 5 6
1 0 2 3 6 8 10
Ejercicio 2
3
2
3
0
6
6
0
4
3
7
4
6
8
4 6 4 3 0 2 2
5 8 7 3 3 0 3
6 10 6 8 2 3 0
x1 + x2 + x3 ≥1 (asegurar cobertura UV 1)
x1 + x2 + x4 ≥1 (asegurar cobertura UV 2)
x1 + x3 + x4 + x5 ≥1 (asegurar cobertura UV 3)
x 2 + x 3 + x 4 + x 5 + x6 ≥1 (asegurar cobertura UV 4)
x3 + x4 + x5 + x6 ≥1 (asegurar cobertura UV 5)
x4 + x5 + x6 ≥1 (asegurar cobertura UV 6)
xj = {0, 1}
60 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
30
05-06-2018
Ejercicio
Ejercicio
31
05-06-2018
Modelos Eléctricos
• Problema de generación eléctrica.
– CGE abastece de electricidad a tres ciudades, para lo cual dispone de
cuatro generadores que son utilizados para proporcionar la potencia
eléctrica requerida.
– El generador principal es empleado las 24 horas del día, pero los otros
tres generadores (G1, G2 y G3) están disponibles para generar la
potencia adicional cuando la demanda así lo requiere.
– Considerar que se incurre en un costo de arranque cada vez que uno
de estos generadores comienza a operar, los cuales son de: US$6.000
para G1; US$5.000 para G2; y de US$4.000 para G3.
– Estos generadores se utilizan por separado, únicamente de la
siguiente manera:
Se puede poner en operación a las 6am y funcionar 8 horas continuas (hasta las
2pm); o 16 horas continuas (hasta las 10pm);
O, alternativamente, puede ponerse en funcionamiento a las 2pm y funcionar 8
horas continuas (hasta las 10pm).
Modelos Eléctricos
• Los pronósticos para el día de mañana indican la necesidad de
contar con 3.200 MW adicionales entre las 6am y las 2pm,
necesidad que se eleva a 5.700 MW adicionales entre las 2pm y
las 10pm (demanda "exacta").
• G1 puede proporcionar hasta 2.400 MW; G2 hasta 2.100 MW; y
G3 hasta 3.300 MW (capacidades máximas).
• El costo por MW utilizado durante cualquier periodo de 8 horas
es de US$8 para G1; US$9 para G2; y US$7 para G3.
• Formule y resuelva un modelo de Programación Entera para
determinar los niveles óptimos de operación de cada generador
para el día de mañana, que minimice los costos totales,
satisfaciendo los requerimientos de potencia eléctrica requerida
64
adicional. © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
32
05-06-2018
Modelos Eléctricos
• Índices:
i: # generador, con i = 1, 2, 3.
t: # periodo (t=1, de 6am a 2pm; t=2 de 2pm a 10pm).
• Variables de decisión:
𝑥𝑖,𝑡 : MW que produce el generador i en el horario t.
Modelos Eléctricos
• Función objetivo:
Minimizar
6.000*(z1,1 + z1,2) +
5.000*(z2,1 + z2,2) + Costos arranque 𝑮𝒊
4.000*(z3,1 + z3,2) +
8*(x1,1 + x1,2) +
9*(x2,1 + x2,2) + Costos variables 𝑮𝒊
7*(x3,1 + x3,2)
66 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
33
05-06-2018
Modelos Eléctricos
• Restricciones:
x1,t ≤ 2.400*y1,t
x2,t ≤ 2.100*y2,t Capacidad 𝐺𝑖 por periodo
x3,t ≤ 3.300*y3,t
x1,1 + x2,1 + x3,1 = 3.200 (demanda en t = 1)
x1,2 + x2,2 + x3,2 = 5.700 (demanda en t = 2)
zi,1 ≥ yi,1
Detectar si 𝐺𝑖 opera en t=1;
zi,2 ≥ yi,2 – yi,1 t=2; o en ambos periodos
xi,t ≥ 0
67 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelos Eléctricos
34
05-06-2018
Modelo en Red
Modelo en Red
35
05-06-2018
Modelo en Red
• Variables:
𝑥𝑖𝑗 : 1 𝑠𝑖 𝑠𝑒 𝑢𝑡𝑖𝑙𝑖𝑧𝑎 𝑡𝑟𝑎𝑦𝑒𝑐𝑡𝑜 𝑖 → 𝑗, 0 𝑠𝑖𝑛𝑜.
𝑦𝑖𝑗 : 1 𝑠𝑖 𝑠𝑒 𝑝𝑎𝑔𝑎 𝑝𝑒𝑎𝑗𝑒 𝑒𝑛 𝑡𝑟𝑎𝑦𝑒𝑐𝑡𝑜 𝑖 → 𝑗, 0 𝑠𝑖𝑛𝑜.
• Función Objetivo:
– Minimizar el tiempo de viaje dado por:
𝐷𝑖𝑗 ∗ 𝑥𝑖𝑗 𝐷𝑖𝑗 ∗ 𝑥𝑖𝑗
𝑀𝑖𝑛 +
120 60
𝑖𝑗 ∈ 𝐴 𝑖𝑗 ∈ 𝐵
Modelo en Red
• Restricciones:
– Balance de Nodos:
𝑥12 + 𝑥14 = 1 𝑥12 = 𝑥25 + 𝑥23
𝑥23 + 𝑥43 = 𝑥35 + 𝑥37 𝑥14 = 𝑥43
𝑥25 + 𝑥35 = 𝑥56 + 𝑥58 𝑥56 + 𝑥76 = 𝑥68
𝑥37 = 𝑥76 + 𝑥78
– Costos en Peajes:
36
05-06-2018
Modelo en Red
– Peajes a pagar:
𝑦12 = 𝑥12 𝑦14 = 𝑥14 𝑦23 = 𝑥23
𝑦35 = 𝑥35 𝑦58 = 𝑥58 𝑦78 = 𝑥78
𝑦25 ≥ 𝑥25 − 𝑦12 𝑦43 ≥ 𝑥43 − 𝑦14
𝑦37 ≥ 𝑥37 − 𝑦23 𝑦56 ≥ 𝑥56 − 𝑦25 − 𝑦35
𝑦76 ≥ 𝑥76 − 𝑦37 𝑦68 ≥ 𝑥68 − 𝑦56 − 𝑦76
– Variables:
𝑥𝑖𝑗 , 𝑦𝑖𝑗 ∈ 0,1 ∀ 𝑖, 𝑗 ∈ 𝐴 ∪ 𝐵
73 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Modelo en Red
37
05-06-2018
38
05-06-2018
(2,2)
(1,2)
Soluciones óptimas
Región factible del enteras
relajamiento de PL
39
05-06-2018
Solución redondeada
Ramificación y Acotamiento
40
05-06-2018
Ramificación y Acotamiento
• Ramificación:
– La idea es dividir recursivamente el conjunto de
soluciones factibles fijando dos nuevos problemas
reducidos (nodos) o subproblemas, uno para x1 = 1 y
otro para x1 = 0.
Ramificación y Acotamiento
• Acotamiento:
– Para cada nodo (en forma independiente) buscamos una
cota que muestre el nivel de precisión de su mejor
solución factible, relajándolo a un problema de PLC.
– En este caso (binario), el relajamiento se obtiene
eliminando las restricciones que dificultan el uso de un
problema de PLC normal.
En este caso, haciendo 0 ≤ xj ≤ 1.
– Utilizando cualquier método de PLC (p. ej. simplex),
obtenemos un resultado para la versión relajada del PLE:
(x1, x2, x3, x4) = (5/6, 1, 0, 1) con z = 16,5.
82 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
41
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
z ≤ 16
Todo x = (5/6, 1, 0, 1)
x1 = 1 x1 = 0
z ≤ 16 z≤9
x = (1, 4/5, 0, 4/5) x = (0, 1, 0, 1)
42
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
• En este caso, seguimos iterando con el nodo de x1 = 1 ya
que no cae en ninguna de los casos anteriores.
• Ejecutamos la iteración 2, donde creamos dos nuevos
nodos a partir del anterior.
• Se fija x1 = 1, y analizamos para x2 = 1 y x2 = 0.
z ≤ 16
Todo x = (5/6, 1, 0, 1)
z ≤ 16
x1 = 1 x1 = 0
x = (1, 4/5, 0, 4/5)
z=9
x = (0, 1, 0, 1)
solución de apoyo //
x2 = 1 x2 = 0
43
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
– Las cotas que se obtienen son entonces:
Cota del nodo con x2 = 1 z ≤ 16
Cota del nodo con x2 = 0 z ≤ 13
z ≤ 16
Todo x = (5/6, 1, 0, 1)
z ≤ 16
x1 = 1 x1 = 0
x = (1, 4/5, 0, 4/5)
z=9
x = (0, 1, 0, 1)
x2 = 1 x2 = 0 solución de apoyo //
z ≤ 16 z ≤ 13
x = (1, 1, 0, ½) x = (1, 0, 4/5, 0)
88 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
44
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
z ≤ 16
Todo x = (5/6, 1, 0, 1)
z=9
z ≤ 16
x1 = 1 x1 = 0 x = (0, 1, 0, 1)
x = (1, 4/5, 0, 4/5)
solución de apoyo //
z ≤ 16 z ≤ 13
x2 = 1 x2 = 0
x = (1, 1, 0, ½) x = (1, 0, 4/5, 0)
x3 = 1 x3 = 0
infactible z ≤ 16
x = (1, 1, 0, ½)
45
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
46
05-06-2018
Ramificación y Acotamiento
z ≤ 16
Todo x = (5/6, 1, 0, 1)
z ≤ 16 z=9
x1 = 1 x1 = 0
x = (1, 4/5, 0, 4/5) x = (0, 1, 0, 1) //
z ≤ 16 z ≤ 13
x2 = 1 x2 = 0
x = (1, 1, 0, ½) x = (1, 0, 4/5, 0) //
z ≤ 16
x3 = 1 x3 = 0
x = (1, 1, 0, ½)
infactible
z = 14
x4 = 1 x4 = 0 x = (1, 1, 0, 0)
solución óptima //
infactible
93 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
Ramificación y Acotamiento
47
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
• Paso 2:
– Seleccionar una de las variables enteras xj = µj, cuyo
valor en la solución óptima de Pi no sea entero.
– Eliminar la región correspondiente a:
entero(µj) < µj < entero(µj) + 1
– Crear dos nuevos nodos de programación lineal que
incorporen en Pi dos restricciones mutuamente
excluyentes, una para cada nodo, y volver al paso 1:
xj ≤ entero(µj) nodo 1
xj ≥ entero(µj) +1 nodo 2
96 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
48
05-06-2018
Ramificación y Acotamiento
• Considere el siguiente
problema de PLE:
Max 21x1 + 11x2
21x1 + 11x2 = 39
s.a. 7x1 + 4x2 ≤ 13 solución relajada
Ramificación y Acotamiento
x = (13/7, 0)
Todo z ≤ 39
x = (1, 3/2)
z ≤ 37
x1 ≤ 1 x1 ≥ 2
infactible
x = (1, 1)
z = 32 x = (5/7, 2)
solución de
x2 ≤ 1 x2 ≥ 2 z ≤ 37
apoyo 1 // Por lo tanto, la solución
del PLE corresponde a:
x = (0, 13/4)
x1 = 0 x1 = 1
x1 = 0
z ≤ 35
infactible
x2 = 3
z = 33
x = (0, 3)
z = 33
x2 ≤ 3 x2 ≥ 4
solución óptima // infactible
98 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209
49
05-06-2018
Ramificación y Acotamiento
Ramificación y Acotamiento
• Ejercicio:
– Resuelva el siguiente problema de PLE:
Min 3x1 – x2
s.a. x1 + 3x2 ≤8
2x1 + x2 ≥4
x1, x2 ≥ 0; x1, x2 enteros
50
05-06-2018
Ramificación y Acotamiento
x = (4/5, 12/5)
Todo z≥0
Relajación Continua:
x1 = 4/5; x2 = 12/5
x1 ≤ 0
infactible x = (1, 7/3)
x1 ≥ 1
z ≥ 2/3
x = (1, 2) x2 ≤ 2
z=1
solución de apoyo 1 //
solución óptima //
x2 ≥ 3
infactible
Ramificación y Acotamiento
• Considere un problema de PLE mixta en las variables binarias 𝒙𝟏 , 𝒙𝟐 y 𝒙𝟑
y la variable real 𝒙𝟒 . La siguiente tabla muestra la solución óptima del
problema 𝒙 = (𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 ) y su respectivo valor óptimo 𝒛 de cada uno
de los problemas de maximización a que da lugar la relajación del valor
entero de la variables binarias indicadas por un guion (-) y/o de acuerdo
al valor 0 o 1 en que se ha fijado la respectiva variable.
51