U5 Programación Lineal Entera IO

05-06-2018
1er Semestre 2018
© Rafael Favereau Urquiza, 2015 - 2018
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
• Por lo general, las aplicaciones de programación

lineal entera (PLE) caen dentro de dos categorías:
– PLE directa:
 El problema implica la determinación de si se emprende o no un proyecto
(variable binaria o dicotómica, localización).
 La determinación del número óptimo de máquinas necesarias para realizar una
tarea (variable general 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.
• En este sentido, los algoritmos de resolución

difieren a los utilizados en los modelos de PLC.
• Algunos algoritmos de PLE son:
– Branch & Bound
– Branch & Cut
– Planos Cortantes
– Relajación
Lagrangeana
– Etc…
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.
– ¿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}
3
05-06-2018
Gastos ($ millones)/año Rendimiento

Proyecto
1 2 3 ($ millones)
1 5 1 8 20
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)
Max 20x1 + 40x2 + 20x3 + 15x4 + 30x5

s.a. 5x1 + 4x2 + 3x3 + 7x4 + 8x5 ≤ 25
x1 + 7x2 + 9x3 + 4x4 + 6x5 ≤ 25
8x1 + 10x2 + 2x3 + x4 + 10x5 ≤ 25
xj = (0, 1)
• La solución óptima entera (binaria) corresponde a
x1 = x2 = x3 = x4 = 1, x5 = 0, con z = 95 ($ millones).
• Por lo tanto, la solución excluye el proyecto 5 de la
combinación de proyectos.
4
05-06-2018
• Notar los resultados de la optimización continua de PL si
relajamos la condición de xj = (0, 1) a 0 ≤ xj ≤ 1 …
¿Tienen sentido los valores de x1 y x5?

¿Qué pasa si redondeamos la solución?
5
05-06-2018
• 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.
• 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 !!!
– Por lo tanto, dichos recursos podrían ser reinvertidos,

así como el retorno de los proyectos concluidos en el
horizonte de estudio, de haberlos.
6
05-06-2018
• Suponga el siguiente problema de PLE:

– Una empresa está pensando invertir en cuatro proyectos
diferentes, cada proyecto se finaliza a lo más en 3 años.
– Los flujos de caja requeridos en cada año junto con el Valor
Actual Neto (VAN) de cada proyecto, concluidos los años
de ejecución, y las disponibilidades de recursos financieros
se resumen en la siguiente tabla:
Gastos ($ millones)/año VAN
Proyecto
1 2 3 ($ millones)
1 10 8 18 35
2 8 15 0 18
3 6 4 16 24
4 12 0 0 16
Fondos Disponibles
30 15 12
($ millones)
Fuente: Yuraszeck, Francisco, MSc. Profesor Gestión de Investigación de Operaciones.

Proyecto
1 2 3 ($ millones)
1 10 8 18 35
3
8
6
15
4
0
16
18
24
4 12 0 0 16
Fondos Disponibles
30 15 12
($ millones)
– Interesa determinar en cuáles proyectos invertir, de

modo de conseguir el mayor VAN de la inversión.
– Variables de decisión:
Para j = {1, …, 4}
– Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
7
05-06-2018

Proyecto
1 2 3 ($ millones)
1 10 8 18 35
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.
Año 1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30

Año 2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1
Año 3: 18x1 + 16x3 ≤ 12 + s2
x1, x2, x3, x4 = (0, 1); s1, s2 ≥ 0

Proyecto
1 2 3 ($ millones)
1 10 8 18 35
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.
Año 1: 10x1 + 8x2 + 6x3 + 12x4 ≤ 30

Año 2: 8x1 + 15x2 + 4x3 ≤ 15 + 16x4
Año 3: 18x1 + 16x3 ≤ 12 + 18x2
x1, x2, x3, x4 = (0, 1)
8
05-06-2018

Proyecto
1 2 3 ($ millones)
1 10 8 18 35
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.
Año 1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30

Año 2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1 + 16x4
Año 3: 18x1 + 16x3 ≤ 12 + s2 + 18x2
x1, x2, x3, x4 = (0, 1); s1, s2 ≥ 0
• Supongamos, además, que las inversiones están

sujetas a diferentes condiciones, las cuales se
modelan como restricciones del problema de PLE:
– Se debe invertir en al menos 1 de los 3 primeros
proyectos:
x1 + x 2 + x 3 ≥ 1
– El proyecto 2 no puede ser ejecutado a menos que el
proyecto 3 si sea ejecutado:
x2 ≤ x 3
9
05-06-2018
– Se puede ejecutar el proyecto 3 o 4, pero no ambos:

x3 + x 4 ≤ 1
– No se puede invertir en más de dos proyectos:
x1 + x 2 + x 3 + x 4 ≤ 2
– ¿Qué pasa si deseamos agregar como restricción que
se podría ejecutar el proyecto 3 solo si se ejecutan los
proyectos 1 y 2?
La multiplicación de
¿ x3 ≤ x1*x2 ? variables, aunque sean
binarias, no es lineal !!
Modelos de Cobertura
• Problema de cobertura de conjunto:

– En esta clase de problemas, varias plantas o fuentes
ofrecen servicios que se traslapan a varios centros de
demanda.
– El objetivo es determinar la cantidad necesaria de
fuentes que satisfagan las necesidades de servicio de
cada centro de demanda, al mínimo costo.
– Por ejemplo, se pueden construir plantas de
tratamiento de agua en varios lugares, y cada planta
sirve a un grupo de ciudades.
 El traslape ocurre cuando a una ciudad demandante le da servicio más
de una planta.
10
05-06-2018
• 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?
• El mapa de las calles del campus es el siguiente:
11
05-06-2018
• 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
• 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)
12
05-06-2018
• La solución nos entrega el siguiente mapa de teléfonos de
emergencia:
¿ ?
13
05-06-2018
• 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.
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
• Las distancias en kilómetros desde el centro de operaciones

(COTM) y los clientes son las siguientes:
COTM 1 2 3 4 5
COTM 0 10 12 16 9 8
1 10 0 32 8 17 10
2 12 32 0 14 21 20
3 16 8 14 0 15 18
4 9 17 21 15 0 11
5 8 10 20 18 11 0
14
05-06-2018
Ejercicio
• Determinar el gasto mínimo en combustible diario,

considerando un rendimiento promedio de 10 (km/lt)
de los camiones de TM, y un precio del litro de diesel
de $500.-
• Función Objetivo:
Min (80x1 + 50x2 + 70x3 + 52x4 + 60x5 + 44x6)*500/10
Ruta Clientes x Ruta
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
x 1 + x3 + x 5 + x6 ≥ 1 (asegurar despacho cliente 1)

x 1 + x2 + x 5 ≥1 (asegurar despacho cliente 4)
xj = (0, 1) para j = {1, …, 6}
• El resultado óptimo incluye a las rutas 5 y 6, con un
total de gasto en combustible de $5.200.- diarios.
15
05-06-2018
Modelos de Cargo Fijo

• Problemas del Cargo Fijo:
– El problema de cargo fijo tiene que ver con situaciones en
que la actividad económica incurre en dos tipos de costos:
 Un costo fijo necesario para iniciar la actividad;
 Un costo variable proporcional al nivel de la actividad.
– Por ejemplo, el juego de herramientas y elementos varios
de una máquina antes de iniciar la producción requiere un
costo de preparación fijo, independientemente de cuántas
unidades se fabriquen.
– Una vez completa la preparación de la máquina, el costo
de la mano de obra y del material es proporcional a la
cantidad producida.
• Si F es el cargo fijo, c es el costo unitario variable, y x es el

nivel de producción, la función de costo se expresa como:
• La función C(x) es analíticamente insoluble, ya que implica

una discontinuidad en x = 0 (no lineal).
– El cargo fijo solo deberá gastarse si se utiliza el recurso y, en
caso contrario, no se ejecutará dicho gasto.
• El siguiente ejemplo muestra cómo utilizando variables
binarias el modelo se vuelve analíticamente soluble (lineal).
16
05-06-2018

• Tres compañías telefónicas me ofrecen suscribirme a su servicio de
telefonía de larga distancia internacional.
– Movistar cobra una cuota fija de $1.600.- por mes, más $25.- por minuto.
– Entel cobra $2.500.- por mes, pero reduce el costo por minuto a $21.-
– Claro cobra una cuota fija mensual de $1.800.-, y $22.- por minuto.
• Usualmente ocupo en promedio 200 minutos de llamadas de larga
distancia internacional al mes, para llamar a mis hijas que viven en
Toronto, Canadá.
• Suponiendo que:
– El cargo fijo mensual solo se paga si se realiza al menos una llamada en el
periodo;
– Que puedo repartir el tráfico entre las tres compañías como me plazca;
– Que hay tormentas solares que afectan al servicio de VoIP a través de
Internet y solo puedo llamar a través de las compañías indicadas;
• ¿Cómo debería utilizar las tres compañías para minimizar mi recibo
telefónico mensual de larga distancia internacional?

x1: minutos de LDI mensual en Movistar.
x2: minutos de LDI mensual en Entel.
x3: minutos de LDI mensual en Claro.
y1: 1 si utilizo minutos en Movistar, 0 sino.
y2: 1 si utilizo minutos en Entel, 0 sino.
y3: 1 si utilizo minutos en Claro, 0 sino.
• Podemos asegurar que 𝒚𝒋 = 𝟏 cuando 𝒙𝒋 es estrictamente
positiva a través de la siguiente relación:
𝒙𝒋 ≤ 𝑴 ∗ 𝒚𝒋 con j = {1, 2, 3}
• Donde el valor de 𝑴 arbitrario debe seleccionarse muuuuy
grande, suficientemente como para no restringir
artificialmente el valor final de la variable 𝒙𝒋 .
17
05-06-2018
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.
• Notar que 𝒚𝟑 = 𝟏 es información

redundante porque 𝒙𝟑 > 𝟎 entrega
el mismo conocimiento.
• La única razón para utilizar las

variables 𝒚𝒋 se explica por la cuota
mensual fija, imposible de modelar
en un problema de PL tradicional.
• En este ejemplo en particular, se

utilizó M = 200 que corresponde al
máximo valor posible de 𝒙𝒋 , para
cualquier compañía.
18
05-06-2018
Modelos de Inventario
• Supongamos que se desea tener lotes de compra de

un producto dado, para satisfacer demandas que
fluctúan en el tiempo sobre un horizonte de
planificación dividido en T períodos.
• Asumimos como datos conocidos:
– Una estimación de la demanda 𝒅𝒕 con t = {1, ..., T};
– Los costos asociados a la compra de una unidad, 𝒑𝒕 ;
– Los costos asociados al mantenimiento de una unidad en
inventario en cada período t, 𝒉𝒕 ;
– Los costos fijos asociados a la gestión de compra en el
período t, 𝒔𝒕 .
• No se permiten unidades faltantes (demanda

pendiente).
𝑥𝑡 : número de unidades compradas en t.
𝐼𝑡 : nivel de inventario al final del periodo t.
𝑦𝑡 : 1, si se ejecuta una compra en el periodo t;
0, en caso contrario.
con t = {1, …, T}
19
05-06-2018
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
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.
20
05-06-2018
𝑥𝑖𝑗 : el número de unidades elaboradas en la planta j.
para satisfacer al cliente i, con j = {1, …, n} e i = {1, …, m}.
𝑛 𝑛 𝑚 𝑛 𝑚
𝑀𝑖𝑛 𝑐𝑗 ∗ 𝑦𝑗 + 𝑣𝑗 ∗ 𝑥𝑖𝑗 + 𝑡𝑖𝑗 ∗ 𝑥𝑖𝑗

𝑗=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1
Costos de Costos de Costos de
Instalación Producción Transporte
• Restricciones
– Demanda del cliente 𝒊:
𝑛
𝑥𝑖𝑗 = 𝑑𝑖 ∀ 𝑖 = {1, … , 𝑚}
𝑗=1
– Producción de las variables 𝒙𝒊𝒋 asociado a la instalación de

las planta 𝒋:
𝑚
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}
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
𝒙𝒊𝒋 : total toneladas de basura transportadas de la
fuente 𝒊 al depósito 𝒋, con 𝑖 = {1, …, m} y 𝑗 = {1, …, n}.
𝑛 𝑛 𝑚
𝑀𝑖𝑛 𝑓𝑗 ∗ 𝑦𝑗 + 𝑐𝑖𝑗 ∗ 𝑥𝑖𝑗

𝑗=1 𝑗=1 𝑖=1
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}
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.
23
05-06-2018
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
• Se desea determinar cual es la asignación de los

profesores a los cursos, de tal manera que cada profesor
dicte un curso y cada curso tenga un profesor, y que el nivel
total de satisfacción de las preferencias sea máximo.
para i, j = {1, …, 5}
5 5
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑝𝑖𝑗 ∗ 𝑦𝑖𝑗

𝑖=1 𝑗=1
donde 𝒑𝒊𝒋 corresponde a la preferencia de los alumnos de
que el profesor i dicte el ramo j, para i, j = {1, …, 5}
24
05-06-2018
• Restricciones
5
𝑦𝑖𝑗 = 1 (un solo profesor por ramo)

𝑗=1
para i = {1, …, 5}
5
𝑦𝑖𝑗 = 1 (un solo ramo por profesor)

𝑖=1
para j = {1, …, 5}
con 𝑦𝑖𝑗 = {0, 1}
25
05-06-2018
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.
26
05-06-2018
• En particular, se tiene un pedido de 800 rollos de 30 cm de

ancho, 500 rollos de 45 cm y 1.000 rollos de 50 cm.
• Dada las características de los rollos demandados por los
clientes, existen 6 configuraciones de corte longitudinal de
rollos de 100 cm de ancho, que se muestra a continuación:
– Esquema 1: 30 – 30 – 30 Pérdida: 10
– Esquema 2: 30 – 45 Pérdida: 25
𝒙𝒋 : cantidad de rollos cortados vía esquema 𝒋,
con 𝒋 = {1, …, 6}
6
𝑀𝑖𝑛 𝑝𝑗 ∗ 𝑥𝑗
𝑗=1
Con 𝒑𝒋 las pérdidas por corte vía esquema 𝒋,

con 𝒋 = {1, …, 6}
27
05-06-2018
• 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
¿Es la mejor solución que podemos alcanzar?

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
Ejercicio
• La población de las unidades vecinales 1 a la 6 se

estima en la siguiente tabla, de un total de 2.640
habitantes. Unidad
Población
Vecinal
1 200
2 600
3 450
4 550
5 360
6 480
• Formule un modelo de PLE que contribuya a decidir

en cuál de las unidades vecinales de Pelotillehue
estacionar permanentemente las ambulancias.
– Suponga que el consejo municipal es pobre pero honrado, y no existe el tráfico de influencias,
nueras, fideicomisos “ciegos”, boletas “ideológicamente” falsas, gráficos sin escala, ni congreso.
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
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
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
– Aseguramiento de coberturas por unidad vecinal:
x1 + x2 + x3 ≥1 (asegurar cobertura UV 1)
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)
xj = {0, 1}
30
05-06-2018
Ejercicio
Ejercicio
• ¿Qué significa el hecho que el total de la

población sea de 2.640 personas?.
• ¿Tiene sentido evitar que ambas ambulancias queden en
la misma unidad vecinal (si fuese el caso)?
• ¿Cómo cambia su modelo si no se acepta que una
unidad vecinal quede sin ser atendida por una
ambulancia?
• ¿Qué haría si este modelo resulta infactible?
• ¿Cómo cambia su modelo si se acepta que una unidad
vecinal quede sin ser atendida por una ambulancia?
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).
𝑥𝑖,𝑡 : MW que produce el generador i en el horario t.
Modelos Eléctricos
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)
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
Modelos Eléctricos
34
05-06-2018
Modelo en Red
• El mapa adjunto representa las carreteras para ir desde el

pueblo 1 al pueblo 8.
• Existen carreteras de doble vía (hasta 120 [km/h]) y de
vía simple (hasta 60 [km/h]).
Modelo en Red
• Cada tramo entre pueblos paga peaje, salvo que su pago

se encuentre liberado por el uso (pago) de algún tramo
anterior.
• Formule un modelo de PLE que
permita decidir que rutas tomar
para minimizar el tiempo de
viaje del pueblo 1 al pueblo 8
(asumiendo que viaja al límite
máximo de velocidad),
considerando que se tiene un
presupuesto de $4.900.-
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
𝑑𝑜𝑛𝑑𝑒 𝐴 = 1,2 , 2,3 , 3,5 , (5,8)

𝑦 𝐵 = { 1,4 , 4,3 , 3,7 , 7,8 , 7,6 , 6,8 , 5,6 , 2,5 }
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:
𝑃𝑖𝑗 ∗ 𝑦𝑖𝑗 ≤ 4.900

𝑖𝑗 ∈ 𝐴∪𝐵
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
Modelo en Red
37
05-06-2018
Solución de Problemas de PLE

• Un algoritmo de programación entera comienza con
un relajamiento continuo “con la esperanza” de que
la estrategia óptima sean valores enteros.
– La solución también es óptima para el problema entero, ya que
se trata de la mejor solución entre todas las soluciones
factibles, incluyendo las enteras.
• En cualquier otro caso, la solución continua establece
una cota del valor óptimo.
• En ocasiones, será tentador redondear la solución
relajada a valores enteros, sin embargo, no
necesariamente es factible después de redondearla.
• Considere el siguiente problema:

Max x2
s.a. – x1 + x2 ≤½
x1 + x2 ≤3½
x1, x2 ≥ 0, enteras
• La solución relajada del PLE es 𝒙𝟏 , 𝒙𝟐 = (𝟑 𝟐 , 𝟐)
por lo que resulta natural redondearla a sus valores
enteros 𝒙𝟏 , 𝒙𝟐 = 𝟏, 𝟐 𝑜 𝟐, 𝟐 , donde en ambos
casos obtenemos el mismo valor óptimo de 𝒛 = 𝟐.
38
05-06-2018

Soluciones
redondeadas infactibles
(2,2)
(1,2)
(3/2, 2) Solución óptima del

relajamiento de PL
Soluciones óptimas
Región factible del enteras
relajamiento de PL
• Peor aun, cuando una solución óptima relajada se

pueda redondear con éxito, no existen garantías
de que ésta sea la solución óptima del problema
de programación entera.
Max x1 + 5x2
s.a. x1 + 10x2 ≤ 20
x1 ≤2
x1, x2 ≥ 0; x1, x2 enteras
39
05-06-2018

Solución infactible
Solución óptima del
relajamiento de PL
Solución óptima PLE
Solución redondeada
Ramificación y Acotamiento
• El algoritmo Branch & Bound encuentra el óptimo

entero (único o múltiple) generando diferentes
problemas (ramificación), dividiendo el conjunto de
soluciones factibles (acotamiento) .
• Considere el siguiente problema binario de PLE:
Max 9x1 + 5x2 + 6x3 + 4x4
s.a. 6x1 + 3x2 + 5x3 + 2x4 ≤ 10
x 3 + x4 ≤1
–x1 + x3 ≤0
–x2 + x4 ≤0
xj = (0, 1) para j = {1, …, 4}
40
05-06-2018
• 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.
• 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.
41
05-06-2018
– Ya que los coeficientes y variables son enteras, el

óptimo entero podrá ser a lo más z = 16, entregando
una cota superior al problema de PLE donde z ≤ 16.
– Similarmente obtendremos las cotas para cada nodo,
donde en el primero (x1 = 1) podemos agregar la
restricción x1 ≥ 1 para el relajamiento en PL, y para el
segundo (x1 = 0) agregamos la restricción x1 ≤ 0.
– Luego, las soluciones óptimas relajadas a PLC de cada
nodo son:
 Para x1 = 1 (x1, x2, x3, x4) = (1, 4/5, 0, 4/5) con z = 16,2.
 Para x1 = 0 (x1, x2, x3, x4) = (0, 1, 0, 1) con z = 9.
– Las cotas que se obtienen son entonces:

 Cota del nodo con x1 = 1  z ≤ 16
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
• Un nodo se agota (y no se iterará en lo sucesivo),

en uno de los siguientes tres casos:
– Cuando encontramos una solución entera (como en el
caso de x1 = 0), estableciendo una solución de apoyo.
 Ya que corresponde a una solución relajada, seguir iterando por
ésta rama solo dará resultados inferiores o, a lo más, iguales.
– Cuando encontramos una solución o cota de menor
valor que la actual solución de apoyo, puesto que tales
nodos no pueden tener soluciones factibles mejores
que la actual.
– Cuando encontramos una solución no factible.
• 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
• En el nodo x2 = 1, ya que 0 ≤ xj ≤ 1, además de la

restricción x1 ≥ 1 agregamos la restricción x2 ≥ 1.
• En dicho caso, obtenemos que:
– (x1, x2, x3, x4) = (1, 1, 0, ½), con z = 16.
• En el nodo x2 = 0, ya que 0 ≤ xj ≤ 1, además de la
restricción x1 ≥ 1 agregamos la restricción x2 ≤ 0.
• En dicho caso, obtenemos que:
– (x1, x2, x3, x4) = (1, 0, 4/5, 0), con z = 13,8.
– Las cotas que se obtienen son entonces:
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)
44
05-06-2018
• Ambos nodos deben seguir siendo analizados, ya que

ninguno cumple con los criterios de detención.
• Iteramos nuevamente, siguiendo la rama de la cota
mayor z ≤ 16.
• En dicho caso generamos dos nuevos nodos para la
variable x3 = 1 y x3 = 0.
• Siguiendo los pasos anteriores, tenemos para el
primer nodo x3 = 1 que la solución es infactible (no
cumple con la primera restricción).
• Para el segundo nodo x3 = 0 obtenemos que:
– (x1, x2, x3, x4) = (1, 1, 0, ½) con z = 16.
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
• Los nodos (1, 0, x3, x4) y (1, 1, 0, x4) siguen bajo

consideración, pero continuamos con esta última
rama por ofrecer una cota mayor que la primera.
• En la 4ta iteración, como la variable x4 es la última, al
fijar su valor tenemos una solución.
– Si x4 = 0, (x1, x2, x3, x4) = (1, 1, 0, 0) es una solución factible,
con z = 14.
– Si x4 = 1, (x1, x2, x3, x4) = (1, 1, 0, 1) es una solución
infactible, y se descarta.
• En este punto, hemos encontrado una nueva solución de

apoyo con (x1, x2, x3, x4) = (1, 1, 0, 0), y z = 14.
• Esta nueva solución es mejor que la actual solución de
apoyo (x1, x2, x3, x4) = (0, 1, 0, 1) con z = 9, por lo que
descartamos la anterior.
• Simultáneamente, el nodo (1, 0, x3, x4) con z ≤ 13 no ofrece
un mejor valor que la nueva solución de apoyo, por lo que
también queda descartada.
• Finalmente, ya que no quedan nodos que analizar, la
prueba de optimalidad indica que la actual solución de
apoyo es la óptima, y el problema termina aquí.
46
05-06-2018
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
• El método Branch & Bound general de

maximización considera los siguientes pasos:
• Paso 0:
– Hacer P0 (todo), la relajación continua del PLE original.
• Paso 1:
– Seleccionar un problema no resuelto Pi (nodo) y resolver
relajándolo a su versión de PLC, agotándolo cuando:
 Se encuentra una solución entera (nueva solución de apoyo).
 El problema se torna infactible.
 Que no provea un valor mejor que la actual solución de apoyo.
47
05-06-2018
– Si el problema Pi resulta agotado y da solución

entera, mejorar el valor de la actual solución de
apoyo, de corresponder.
– Si todos los problemas están agotados, parar.
– La solución óptima de PLE corresponde a la
solución entera asociada a la actual solución de
apoyo que entrega la cota superior de v(PLE), si
existe (si no existe entonces la PLE es infactible)
– Si el problema no está agotado, pasar al paso 2.
• 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
48
05-06-2018
• Considere el siguiente
problema de PLE:
Max 21x1 + 11x2
21x1 + 11x2 = 39
s.a. 7x1 + 4x2 ≤ 13 solución relajada
x1, x2 ≥ 0; x1, x2 enteros

• La solución de relajación
continua del PLE entrega los
siguientes resultados:
– (x1, x2) = (13/7, 0)
– z = 39
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
49
05-06-2018
• Se deben desarrollar las ramas cuyas cotas sean

iguales a la actual solución de apoyo, ya que existe
la posibilidad de que existan soluciones múltiples.
• Ejercicio:
– Resuelva el siguiente problema de PLE:
Max 5x1 + 8x2
s.a. x1 + x 2 ≤6
5x1 + 9x2 ≤ 45
• Ejercicio:
– Resuelva el siguiente problema de PLE:
Min 3x1 – x2
s.a. x1 + 3x2 ≤8
2x1 + x2 ≥4
50
05-06-2018
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
• 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.
• Muestre cuál sería el árbol de ramificación al que da lugar la aplicación

del Método de Branch & Bound para este problema, con la
correspondiente solución óptima y valor óptimo alcanzado en cada nodo
del árbol y solución final del problema.
51

U5 Programación Lineal Entera IO

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

U5 Programación Lineal Entera IO

Uploaded by

Copyright:

Available Formats

05-06-2018

1er Semestre 2018

© Rafael Favereau Urquiza, 2015 - 2018

• Por lo general, las aplicaciones de programación

3 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

• En este sentido, los algoritmos de resolución

Gastos ($ millones)/año Rendimiento

Max 20x1 + 40x2 + 20x3 + 15x4 + 30x5

8 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

9 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

¿Tienen sentido los valores de x1 y x5?

– Por lo tanto, dichos recursos podrían ser reinvertidos,

• Suponga el siguiente problema de PLE:

13 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

Gastos ($ millones)/año VAN

– Interesa determinar en cuáles proyectos invertir, de

Gastos ($ millones)/año VAN

Año 1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30

15 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

Gastos ($ millones)/año VAN

Año 1: 10x1 + 8x2 + 6x3 + 12x4 ≤ 30

16 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

Gastos ($ millones)/año VAN

Año 1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30

17 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

• Supongamos, además, que las inversiones están

18 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

– Se puede ejecutar el proyecto 3 o 4, pero no ambos:

19 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

• Problema de cobertura de conjunto:

• El mapa de las calles del campus es el siguiente:

22 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

23 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

25 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

• Las distancias en kilómetros desde el centro de operaciones

• Determinar el gasto mínimo en combustible diario,

29 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

Ruta Clientes x Ruta

x 1 + x3 + x 5 + x6 ≥ 1 (asegurar despacho cliente 1)

Modelos de Cargo Fijo

Modelos de Cargo Fijo

• Si F es el cargo fijo, c es el costo unitario variable, y x es el

• La función C(x) es analíticamente insoluble, ya que implica

Modelos de Cargo Fijo

Modelos de Cargo Fijo

Modelos de Cargo Fijo

Modelos de Cargo Fijo

• Notar que 𝒚𝟑 = 𝟏 es información

• La única razón para utilizar las

• En este ejemplo en particular, se

• Supongamos que se desea tener lotes de compra de

• No se permiten unidades faltantes (demanda

𝑀𝑖𝑛 𝑐𝑗 ∗ 𝑦𝑗 + 𝑣𝑗 ∗ 𝑥𝑖𝑗 + 𝑡𝑖𝑗 ∗ 𝑥𝑖𝑗

– Producción de las variables 𝒙𝒊𝒋 asociado a la instalación de

𝑀𝑖𝑛 𝑓𝑗 ∗ 𝑦𝑗 + 𝑐𝑖𝑗 ∗ 𝑥𝑖𝑗

• Se desea determinar cual es la asignación de los

47 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑝𝑖𝑗 ∗ 𝑦𝑖𝑗

𝑦𝑖𝑗 = 1 (un solo profesor por ramo)

𝑦𝑖𝑗 = 1 (un solo ramo por profesor)

50 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

51 © Rafael Favereau Urquiza, 2015 - 2018 Investigación de Operaciones, IND2209

• En particular, se tiene un pedido de 800 rollos de 30 cm de