INVESTIGACIÓN OPERATIVA I

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES

PROGRAMACION
ENTERA
EXPOSICION DECIMA SEMANA
Ingeniería de Sistemas

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION

PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO.

MÉTODO DE PLANO CORTANTE
MÉTODO DE ENUMERACIÓN IMPLÍCITA
CERO – UNO.

END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO.

MÉTODO DE PLANO CORTANTE
EJEMPLO DEL ALGORITMO DE
GOMORY --SOLUCION ANALITICA --
EJEMPLO DEL ALGORITMO DE
GOMORY --SOLUCION GRAFICA --

MÉTODO DE ENUMERACIÓN IMPLÍCITA

CERO – UNO.
END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES

MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO.

MÉTODO DE PLANO CORTANTE
MÉTODO DE ENUMERACIÓN IMPLÍCITA
CERO – UNO.

EJEMPLO DE ENUMERACION IMPLICITA

CERO-UNO ADITIVO

EJEMPLO DEL ALGORITMO ADITIVO

END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Un enfoque primitivo de resolución consiste en evaluar cada
una de las combinaciones de valores enteros para las variables
del problema. Pero en este caso, analizar diez variables y diez
valores en un problema tendríamos un número grande (diez mil
millones) de posibles soluciones, lo que hace necesario
planteamientos de solución inteligentes.

Estos se han dirigido por una parte hacia los "métodos exactos",
es decir, aquellos que conducen a una solución óptima exacta
para el problema combinatorio empleando técnicas que
reduzcan la búsqueda de soluciones.
END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Los modelos de programación entera son una extensión de los
modelos lineales en los que algunas variables toman valores
enteros. Con frecuencia las variables enteras solo toman
valores en 0-1 ya que este tipo de variables permiten
representar condiciones lógicas.
Este tipo de modelos permite representar modelos mucho mas
complejos, aunque la resolución de los mismos se complica
excesivamente. No se puede utilizar la suavidad de las
funciones para inferir el comportamiento de las mismas cerca
del óptimo. Siendo así que problemas con una sola decenas de
variables pueden ser casi imposibles de resolver. END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Si se requiere que todas las variables sean enteras, se dice que
se habla de Programación Lineal Entera Pura; si se necesita
que algunas de las variables de decisión sean números enteros,
se tiene un problema de Programación Lineal Entera Mixta.

En algunas aplicaciones, sólo se permite que todas las

variables tomen valores de cero o uno, hablamos en estos
casos de Programación Lineal Entera Binaria (Digital).

END
PROGRAMACION ENTERA

PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES

END
 EL MÉTODO DE RAMIFICACIÓN Y
ACOTACIÓN
• En un problema de Programación Entera con frecuencia
hay un número finito de soluciones factibles posibles.
Entonces, es posible (teóricamente) enumerar y
evaluar cada una de las soluciones enteras factibles con
el fin de encontrar el óptimo.

• Lo más frecuente es el uso del Método De

Ramificación y Acote en el que solamente es necesario
una enumeración parcial, si se aplica sistemáticamente,
en el hallazgo de una solución óptima entera. El método
de Ramificación y Acote es una técnica para el logro de
esto, ya que va eliminado conjuntos de soluciones bajo
consideración
Ejemplo:
X1 = 0 X1 = 1
max Z = 5 X1 + 3 X2 + X3

s.a. : X1 + X2 + X3 ≤ 6
3 X1 + X2 + 4 X3 ≤ 9
X1 ≤ 1 X2 = 0 X2 = 1 X2 = 0 X2 = 1
X2 ≤ 1
X3 ≤ 4

X1 + X2 + X3 ≥ 0 y enteros

X3 = 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
 Minimización
• Considere el siguiente problema de minimización de costos:
• Minimizar Z=X1+ 3X2+5X3
• Sujeto a: X1+X2+X3 ≥ 6.5
• 3X1+X2+4X3 ≥ 9.5
• X1 ≤1
• X2 ≤2
• X3 ≤ 4
• X1, X2, X3 ≥ 0
1.- Resolver el problema como uno de programación lineal ignorando la restricción
entera. Si la solución satisface la restricción entera, tenemos una solución optima
para el problema de programación entera. La solución por programación lineal es:

x1 = 1,
x2 = 2,
x3 = 3.5

Z = 24.5 Como no es un solución entera necesitamos particionar el

conjunto de soluciones
 A

Determinar una solución entera

Factible. Esta solución da una Cota
Paso 3: Compare la Cota inferior del Paso 2 con la
Iteración 0 superior inicial para el Costo
Comparación actual cota superior del costo mínimo
mínimo
Y (el más bajo costo obtenido por una
Eliminación solución entera) para las ramas hasta
aquí investigadas.

Seleccione una variable para (c) Si la cota inferior excede a la actual

Ramificar. Esta divide el conjunto
Paso 1: de soluciones posibles en dos
Ramificación conjuntos. Seleccione una de las
ramas (seleccionar Uno de los
subconjuntos) para Nuevo análisis.
resolver el problema Programación
apropiado.
superior, entonces elimine esta rama
de las demás consideraciones.
(b) Si la cota inferior es menor que la cota
superior actual y además es solución
entera, entonces se convierte en la
nueva o actual cota superior.

Paso 2:
Acote El costo de la solución obtenida en No
¿Todas
el paso Uno se convierte en la
las ramas
nueva cota inferior del costo Para
han sido
todas las Soluciones de la rama
investigadas?
que está siendo Investigada.
Si

Paso 4:
La solución entera de costo mínimo es
A Terminación
la solución entera factible asociada
con la cota superior más actual.
 X1 = 0.5, x2 = 2, X3 = 4
4 Costo Z = 26.5
Solución no entera: Rama
Cota Superior = 27

X1 = 0 X1 = 1

Solución X1 = 1, X2 = 2, X3 = 4
5 no factible 6
Costo Z = 27
Solución entera: también
solución optima ya que no
hay mas ramas para
investigar
Cota Superior = 27

Solución
optima
Maximización

Max: Z=X1+5X2+7X3+3X4

• Sujeto a
• 7x1+3x2+2x3+4x4 <=15
• 8x1+2x2+3x3+5x4 <=17
• 1x1 <=4
• 1x2 <=4
• 1x3 <=1
• 1x4 <=1

• x1, x2, x3, x4 Todos Enteros.

 Solucion por PL
X1 = 0, x2 = 4, X3 = 1
x4 = 0.25
Utilidad Z = 27.75
Solución no entera: Rama

X4=0 X4=1

Solucion PL Solucion PL
X1 = 0.14, x2 = 4, X3 = 1 X1 = 0, x2 = 3, X3 = 1
x4 = 0 x4 = 1
Utilidad Z = 27.14 Utilidad Z = 25.00
Solución entera Solución entera

X1 =0 1<= x1 <=4

Solucion PL Solucion PL
Solución X1 = 0, X2 = 4, X3 = 1 X1 = 1, X2 = 2, X3 = 1
Entera
Optima X4 =0 X4 = 0
Utilidad Z = 27.00 Utilidad Z = 18
VOLVER
Solución entera Solución entera
 EL MÉTODO DE PLANO CORTANTE O
ALGORITMO DE GOMORY

Igual que en el algoritmo de Ramificación y Acotamiento, el

algoritmo de plano cortante también empieza en la solución óptima de la
Programación Lineal.

Sin embargo, en vez de utilizar la Ramificación y Acotamiento,

modifica el espacio de la solución añadiendo sucesivamente restricciones
especialmente construidas (llamadas cortes).

Ejemplo:
Maximizar Z = 7x1 + 10x2
Sujeto a: -x1 + 3x2 ≤ 6
7x1 + x2 ≤ 35
x1, x2 ≥ 0 y entero
 DESARROLLO ALGEBRAICO

Paso 1

Resolver el problema primal, si la solución es entera, corresponde a la óptima

para el problema de Programación Lineal Entera.

Paso 2

Seleccionar decimales y escoger aquel que tenga la mayor parte

fraccionaria tomando las ecuaciones completas.
Paso 3

Se separan la parte entera, es decir, quedarse solamente con la parte

fraccionaria.

Nota:

Luego de encontrar una solución óptima para el primal, por Simplex

y después de agregarle la primera nueva ecuación al sistema se pasa a
Dual – Simplex, para quitarle la infactibilidad al sistema.

VOLVER
 EJEMPLO

Maximizar Z = 7x1 + 10x2

Sujeto a: -x1 + 3x2 ≤ 6
7x1 + x2 ≤ 35
x1, x2 ≥ 0 y entero

Resolución:

Standarizando:
Maximizar Z = 7x1 + 10x2 + 0x3 + 0x4
Sujeto a: -x1 + 3x2 + x3 = 6
7x1 + x2 + x4 = 35
x1, x2, x3, x4 ≥ 0 y entero
 PRIMERA TABLA SIMPLEX

Cj 7 10 0 0
Ck Xk bi X1 X2 X3 X4
0 X3 6 -1 3 1 0 Elemento Pivote
0 X4 35 7 1 0 1
Zj 0 0 0 0 0
Cj – Zj 7 10 0 0

SEGUNDA TABLA SIMPLEX

Cj 7 10 0 0
Ck Xk bi X1 X2 X3 X4
Elemento Pivote 10 X2 2 -1/3 1 1/3 0
0 X4 33 22/3 0 -1/3 1
Zj 20 -10/3 10 10/3 0
Cj - Zj 31/3 0 -10/3 0
 TERCERA TABLA SIMPLEX

Cj 7 10 0 0

Ck Xk bi X1 X2 X3 X4

10 X2 7/2 0 1 7/22 1/22

7 X1 9/2 1 0 -1/22 3/22
Zj 133/2 7 10 63/22 31/22
Cj - Zj 0 0 -63/22 -31/22

La solución óptima es: X1 = 9 / 2

X2 = 7 / 2
X3 = 0
X4 = 0
Z = 133 / 2
Información de la tabla simplex óptima:

Ecuación X2: X2 + 7/22 X3 + 1/22 X4 = 7/2

Ecuación X1: X1 – 1/22 X3 + 3/22 X4 = 9/2

Desarrollaremos cortes a partir del reglón de la fuente X1; y del renglón de la

fuente x2.

Renglón X1: X1 – 1/22 X3 + 3/22 X4 = 9/2

Se divide en factores enteros y fraccionales, siempre y cuando el componente

fraccional sea estrictamente positivo.

X1 + ( -1 + 21/22) X3 + (0 + 3/22) X4 = (4 + 1/2)

Luego:

X1 – X3 - 4 = -21/22 X3 – 3/22 X4 + ½
Debido a que X3 Y X4 son no negativos entonces el lado izquierdo debe
satisfacer:
-21/22 X3 – 3/22 X4 + ½ ≤ 0

A partir del renglón fuente 2:

Ecuación X2: X2 + 7/22 X3 + 1/22 X4 = 7/2

Se obtiene: -7/22 X3 – 1/22 X4 + ½ ≤ 0

Se selecciona arbritariamente el corte generado del renglón X2:

-7/22 X3 – 1/22 X4 ≤ - ½

-7/22 X3 – 1/22 X4 + S1 = - ½ (Corte I)

Esta restricción se añade como una restricción secundaria a la tabla simplex

óptima.
 Añadiendo el corte: -7/22 X3 – 1/22 X4 + S1 = - ½

Cj 7 10 0 0 0

Ck Xk bi X1 X2 X3 X4 S1

10 X2 7/2 0 1 7/22 1/22 0

7 X1 9/2 1 0 -1/22 3/22 0
0 S1 -1/2 0 0 -7/22 -1/22 1
Zj 133/2 7 10 63/22 31/22 0

Cj - Zj 0 0 -63/22 -31/22 0

La tabla símplex es óptima, pero no factible. Aplicamos el método simplex dual para
recuperar la factibilidad, lo que nos da:
 X1 X2 X3 X4 S1

Zj 7 10 63/22 31/22 0

S1 0 0 -7/22 -1/22 1
Elemento pivote
COCIENTE - - -9 -31 -

TABLA SIMPLEX DUAL

Cj 7 10 0 0 0

Ck Xk Bi X1 X2 X3 X4 S1

10 X2 3 0 1 0 0 1
7 X1 32/7 1 0 0 1/7 -1/7
0 X3 11/7 0 0 1 1/7 -22/7
Zj 62 7 10 0 1 9

Cj – Zj 0 0 0 -1 -9
Solución obtenida: X2 = 3
X1 = 32/7
X3 = 11/7
Z = 62

La última solución todavía es de no enteros en X1 Y X3.

Entonces seleccionamos X1 como el renglón fuente

X1 + 1/7 X4 – 1/7 S1 = 32/7

X1 + (0 + 1/7) X4 – (-1 + 6/7) S1 = (4 + 4/7)

El corte asociado es:

-1/7 X4 – 6/7 S1 + 4/7 ≤ 0

-1/7 X4 – 6/7 S1 ≤ -4/7
-1/7 X4 – 6/7 S1 + S2 = -4/7 , S2 ≥ 0 (Corte II)
Añadiendo el Corte II:
-1/7 X4 – 6/7 S1 + S2 ≤ -4/7 , S2 ≥ 0
Cj 7 10 0 0 0 0
Ck Xk Bi X1 X2 X3 X4 S1 S2
10 X2 3 0 1 0 0 1 0
7 X1 32/7 1 0 0 1/7 -1/7 0
0 X3 11/7 0 0 1 1/7 -22/7 0
0 S2 -4/7 0 0 0 -1/7 -6/7 1
Zj 62 7 10 0 1 9 0
Cj - Zj 0 0 0 -1 -9 0

Aplicando el método dual simplex:

X1 X2 X3 X4 S1 S2

Zj 7 10 0 1 9 0

S2 0 0 0 -1/7 -6/7 1
Elemento pivote

COCIENTE - - - -7 -63/7 -
 TABLA SIMPLEX DUAL

Cj 7 10 0 0 0 0
Ck Xk bi X1 X2 X3 X4 S1 S2
10 X2 3 0 1 0 0 1 0
7 X1 4 1 0 0 0 -1 1
0 X3 1 0 0 1 0 -4 1
0 X4 4 0 0 0 1 6 -7
Zj 58 7 10 0 0 3 7
Cj - Zj 0 0 0 0 -3 -7

La solución óptima (X1 = 4, X2 = 4, Z = 58) es toda entera.

VOLVER
MÉ TOD O DE LO S PLA NOS
COR TA NTES DE GO MO RY

I).METODO GRÁFICO

Ejemplo:
Max: Z = X1 + 5 X2
S.A
X1 + 10X2 < 20
X1 < 2
Xj > 0 y entero; j=1, 2
 METÓDO GRÁFICO

Solución Óptima Continua (No

Entera): X1=2; X2=9/5; X3=0;
X4=0
X2
Z=11

Óptimo(2,9/5)

1
X1
2 5 10 20
Región Factible
Óptimo de la Solución Entera o Real
con Z = 10
En el punto (2,0)

Óptimo de la Solución Continua

En el punto (2,9/5)

X1
2.) METODO ALGEBRAICO
Éste método sirve para solucionar problemas
de más de dos (2) variables.
Algoritmo

2. Encontrar la solución, empleando el método

simplex.
3. Si la solución es entera, entonces estamos en el
óptimo.
4. Si no es entera, introducir una restricción nueva
para la variable no entera, que tenga la mayor parte
fraccional (Quebrar empates arbitrariamente) y
resolver el nuevo problema mediante el método
dual simplex.
 Nueva restricción a partir de la restricción actual
que tenga la variable cuyo valor en su parte
fraccional sea mayor.
a) Escriba cada constante como la suma de: Un
número entero de cualquier signo y una fracción
no negativa, menor que uno (1).
b) Cambiar la ecuación trasladando los coeficientes
enteros al lado derecho.

Ejemplo: Max: Z = X1 + 5X2

Max: Z = X1 + 5 X2 C.S.R.
S.A X1 + 10X2 + X3 = 20
X1 + 10X2 < 20 X1 + X4 = 2
X1 < 2 Xj > 0 Y Entero; j=1, 2, 3,4
Xj > 0 Y ENTERO; j=1, 2
A continuación solucionamos el problema por el método simplex,
tal como se haría si el problema fuese de programación lineal continua.
A.1) PRIMERA TABLA SIMPLEX

Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
0 X3 20 1 10 1 0 2
0 X4 2 1 0 0 1 No
Zj 0 0 0 0 0
Cj - Zj 1 5 0 0
VARIABLE QUE ENTRA: X2
VARIABLE QUE SALE: X3
A.2)SEGUNDA TABLA SIMPLEX

Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
5 X2 2 1/10 1 1/10 0 20

0 X4 2 1 0 0 1 2

Zj 10 -5/10 0 5/10 0

Cj - Zj 5/10 0 -5/10 0

VARIABLE QUE ENTRA: X1

VARIABLE QUE SALE: X4
A.3) ULTIMA TABLA SIMPLEX

Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
5 X2 9/5 0 0 1/10 -1/10 20 Ecuacion
(1)
1 X1 2 1 1 0 1 2

Zj 11 1 5 1/2 1/2
Cj - Zj 0 0 -1/2 -1/2
Solución Óptima Continua (No Entera): X1=2; X2=9/5; X3=0; X4=0
Z=11
ECUACION 1 (Fila 1) .-Para construir la nueva restricción; ya que tiene la
Variable (X2), cuyo valor de su parte fraccional es Mayor.
 Cálculo de la nueva restricción, a partir de la Ecuación 1

X2 + 1/10X3 – 1/10X4 = 9/5

•Remplazamos cada constante por la suma de un número

entero de cualquier signo y una fracción no negativa
menor que uno (1).

(1+0)X2 + (0+1/10)X3 + (-1+9/10)X4 = (1+4/5)

Simplificando

X2 + 1/10X3 – X4 + 9/10X4 = 4/5 + 1 ;

positivo

Trasladamos los términos con coeficiente entero, al lado

derecho.
1/10X3 + 9/10X4 = 4/5 + 1 – X2 + X4
positivo entero

Fíjese que el lado izquierdo subrayado debe ser positivo y el

lado derecho subrayado, debe ser entero, luego podemos
asegurar que:

1/10X3 + 9/10X4 > 4/5 ; Multiplicando por (-1) ;

-1/10X3 – 9/10X4 < -4/5 ;

Adicionando una variable de holgura (S1)

-1/10X3 – 9/10X4 + S1 = -4/5

Esta restricción se añade como una restricción secundaria a la

tabla simplex Óptima de la PL, como sigue a Continuación
B.1) PRIMERA TABLA SIMPLEX DUAL

Cj 1 5 0 0 0
b/a
Ck Xk bi X1 X2 X3 X4 S1
5 X2 9/5 0 0 1/10 -1/10 0 -18
1 X1 2 1 1 0 1 0 2
0 S1 -4/5 0 0 -1/10 -9/10 1 8/9
Zj 11 1 5 1/2 1/2 0
Cj - Zj 0 0 -1/2 -1/2 0
(Cj - Zj)/arj no no 5 5/9 no
arj = son los coeficientes de las variables de la nueva restricción insertada.

NOTA: Para hallar el elemento pivote en esta tabla Simplex Dual se toma en cuenta
El valor fraccional de la fila [(Cj - Zj)/arj]. Por ello tomamos la columna de 5/9
B.2) ULTIMA TABLA SIMPLEX DUAL

Cj 1 5 0 0 0

Ck Xk bi X1 X2 X3 X4 S1
5 X2 17/9 0 1 1/9 0 -1/9
1 X1 10/9 1 0 -1/9 0 10/9
0 X4 8/9 0 0 1/9 1 -10/9
Zj 95/9 1 5 4/9 0 5/9
Cj - Zj 0 0 -4/9 0 -5/9

X1 = 10/9 = 1 + 1/9 ; X2 = 17/9 = 1 + 8/9 ; X3 = 0 ; X4 = 8/9 ; S1 = 0 ;

Z = 95/9 = 10,5555555
 Escogemos la variable básica con mayor parte fraccionaria,
en caso de empate, escoja al azar. Escojo X4

1/9X3 + X4 – 10/9S1 = 8/9

Entonces: (0+1/9)X3 + (1+0)X4 + (-2+8/9)S1 = 8/9

1/9X3 + X4 –2S1 + 8/9S1 = 8/9 8/9 – X4 + 2S1

Positivo Entero
Se sabe que:
1/9X3 + 8/9S1 > 8/9; ahora multiplicamos por (-1)
-1/9X3 – 8/9S1 < -8/9;

ADICIONANDO UNA VARIABLE DE HOLGURA (S1)

-1/9X3 – 8/9S1 + S2 = -8/9

C.1) PRIMERA TABLA SIMPLEX DUAL

Cj 1 5 0 0 0 0 b/a
Ck Xk bi X1 X2 X3 X4 S1 S2
5 X2 17/9 0 1 1/9 0 -1/9 0 17
1 X1 10/9 1 0 -1/9 0 10/9 0 -10
0 X4 8/9 0 0 1/9 1 -10/9 0 8
0 S2 -8/9 0 0 -1/9 0 -8/9 1 8
Zj 95/9 1 5 4/9 0 5/9 0
Cj - Zj 0 0 -4/9 0 -5/9 0
(Cj - Zj)/arj no no 4 no 5/8 no
C.2) ULTIMA TABLA SIMPLEX DUAL

Cj 1 5 0 0 0 0

Ck X k bi X1 X2 X3 X4 S1 S2
5 X2 2 0 1 1/8 0 0 -1/8

1 X1 0 1 0 -1/4 0 0 5/4
0 X4 2 0 0 1/4 1 0 -5/4

0 S1 1 0 0 3/8 0 1 -9/8

Zj 10 1 5 3/8 0 0 5/8
Cj - Zj 0 0 -3/8 0 0 -5/8
La Solución Optima Entera es Cuando:
X1 = 0
X2 = 2
X3 = 0
X4 = 2
S1 = 1
S2 = 0

Max: Z = X1 + 5 X2
Remplazando:

Z = 0*(X1) + 5*(2) Z = 10

VOLVER
 PROGRAMACION LINEAL ENTERA BINARIA

Las situaciones en las que las decisiones aparecen como alternativas son
las más frecuentes con las que nos enfrentamos.

La noción de tipo binario la utilizamos en nuestros razonamientos y en

nuestras acciones: todo o nada, blanco o negro, abierto o cerrado, existe o no
existe, 0 o 1, verdadero o falso, prendido o apagado, muerto o vivo, entre otros.

Los dos métodos más usuales para solucionar problemas de

Programación Lineal Entera Binaria son

Enumeración Implícita Cero – Uno

Método Aditivo de Egon Balas.
Algoritmo de Enumeración
Implícita Cero_Uno
El primer algoritmo especial 0_1,llamado el algoritmo
aditivo fue desarrollado en 1965,unos años después
del desarrollo del de R y A.
El diseño del método heurística de sondeo en el
algoritmo aditivo requiere la presentación del
problema [0_1] en una forma conveniente que
satisfaga las siguientes requerimientos:
3. La función objetivo es de tipo de minimización, con
todos los coeficientes no negativos.
4. todas las restricciones deben ser del tipo (<=), con
todas los lados derechos negativos , de ser
necesario. Después, estas ecuaciones se convierten
en inecuaciones, utilizando variables de holgura .
Ejemplo 1
Convertir el problema 0_1 para satisfacer los
requerimientos iniciales del algoritmo aditivo.
Maximice z = 3X1-5X2
Sujeto A:
X1+ X2 = 5
4X1 + 6X2 >=4
X1,X2 >=0
Primero convertimos el problema a uno de minimización con todas las
restricciones (<=)como sigue.
(h) Multiplique Z por -1 para obtener la minimización de W = -3X1+ 5X2
(i) Convierte las ecuaciones de restricciones del tipo (<=)para obtener
X1+ X2<=5 y –X1-X2<=-5.
(c) Multiplique la segunda restricción por -1 para obtener -4X1-6X2<=-4
• Utilizando las holguras S1,S2,S3para las tres restricciones, el el
problema se escribe como.

W = - 3X1 + 5X2
Minimice

X1+ X2 +S1 = 5
- X1 - X2 + S2 = - 5
- 4X1 - 6X2 + S3 = - 4
X1,X2 =(0 ,1)
S1 ,S2 ,S3 >=0
• Para asegurarse de que los coeficientes
de la funcion objetivo son no negativo,
sustituya Xj = 1 – Xj* para cualquier Xj con
coeficiente negativo en la funcion objetivo.
Por consiguiente , sustituimos X1= 1-X1*y
ajustamos el lado derecho de las
restriccionesconforme a ello . Ahora el
algoritmo aditivo trata con X1* y X2.

VOLVER
 problema binario(0_1) resuelto a
través del del algoritmo aditivo
• Maximice W =3Y1+ 2Y2-5Y3 -2Y4+3Y5
• Sujeto a
Y1 + Y2 + Y3 + Y4 + Y5 <=4
7Y1 + 3Y3 - 4Y4 + 3Y5 <=8
11Y1 - 6Y2 + 3Y4 - 3Y5 >=3
Y1,Y3,Y2,Y4,Y5 = (0,1)
1.- Multiplique la función objetivo por -1
2.- Multiplique la tercera restriccion por -1
3.- añade las variables de holgura S1,S2,S3 para convertir las
tres en ecuaciones
4.- Sustituya Y1=1-X1, Y2= 1- X2 , Y5= 1- X5, Y3= X3, Y4= X4
para obtener todos los coeficientes objetivos en positivos.
• Ahora tenemos:
Minimice
Z*= 3X1+ 2X2+ 5X3+ 2X4+ 3X5- 8
Ignoremos la constante -8 y remplazemos Z*+8 con Z, de
manera que :
Minimice Z= 3X1+ 2X2+ 5X3+ 2X4+ 3X5
Sujeto a
-X1-X2+X3+2X4-X5+S1=1
-7X1+3X3-4X4-3X5+S2=-2
11X1-6X2-3X4-3X5+S3=-1
X1, X2, X3, X4, X5=(0,1)
Resumen de la ecuación
Solución Básica
factible X1 X2 X3 X4 X5 S1
S2 S3 Solución

S1 -1 -1 1 2 -1 1
0 0 1
S2 -7 0 3 -4 -3 0
1 0 -2
S3 11 -6 0 -3 -3 0
0 1 -1

Coeficientes
Objetivos 3 2 5 2 3
• Dada la solucion binaria inicial toda cero,
la solucion de la holgura es:
(S1,S2,S3) =(1,-2,-1),Z=0
Si todas las variables fuesen no negativas
concluiriamos que la solución binaria toda
cero es optima.
• La variable de ramificación debe tener el potencial de reducir la no
factibilidad de las holguras.
• Se excluye X3 y consideramos a X1,X2,X4,X5 como las variables
de ramificación
• La selección de la variable de ramificacion entre las candidatas
X1,X2,X4,X5,se basa en la medida de no factibildad de la holgura ;
esta medida se basa.
• por ejemplo cuando determinamos X1=1 obtenemos S1= 1-(-1)= 2
,S2= -2-(-7)=5,y
S3= -1-11= -12 Asi I1=-12,I2=-2 I4=-1,y I5=0
Como I5 produce la medida mas pequeña de no factibilidad se
sellecciona X5 como variable de ramificacion: X5=1,X5=0; se crea
los nodos 1y 2el nodo 1 produce los valores de holgura
(S1,S2,S3)=
(2,1,2)y Z=3
 Z=0

X5=0 X5=1

2 1
Z = 3(Sondeada)
• Para las variables X2 y X4 calculamos las
medidas de factibilidad como:
I2=-2, I4=-1
Por consiguienteX4 es la variable de
ramificacion del nodo 2
 Z =0
0

X5=0 X5=1

Z =0 1
2

X4=0 X4=1

4
Z =0 Z =2 (sondeado)
3

(S1,S2,S3)=(-1,2,-1), Z =2
 Z=0
0

X5=0 X5=1
Z=0
2
1

X4=0 X4=1 Z=3(sondeada)

4 3
Z=0 Z=2(sondeada)

X2=0 X2=1
6 5

Z=0(sondeada) Z=2(sondeado)
• Ahora se han sondeado todos lo nodos
pendientes . la solución optima esta
asociada con el nodo 1, X5=1,z = 3,Y
TODAS LAS DEMAS VARIABLES CERO.
en términos de las variables originales , la
solución es Y1= Y2 =1 y Y3= Y4 = Y5=0
con W = 5

VOLVER