INTRODUCCIN A LA PROGRAMACIN ENTERA

Un enfoque prctico La primera mitad de este trabajo est dedicada a problemas que se pudieran formular y solucionar como problemas de programacin lineal excepto por la particularidad de que se requiere de algunas o todas las variables asuman valores enteros. Dichos problemas se llaman PE (de programacin o programa entero). La programacin entera ha llegado a ser un rea muy especializada de la ciencia de la administracin. En este trabajo introductorio slo ser posible tocarla superficialmente (para ilustrar la importancia del tema, as como uno de los mtodos de resolucin ms tiles). Para empezar, recordemos de los temas anteriores que en los problemas de programacin lineal se permite a las variables tener valores fraccionarios tales como 6.394, y conforme al principio de que todo lo que est permitido ocurre, se deben esperar las respuestas fraccionarias. A pesar de esto, las variables de decisin en el mundo real a menudo deben ser enteras. Por ejemplo, una empresa fabrica costales para alimento de ganado. Una solucin que requiera que se fabriquen 3000.472 costales carece de sentido. En tales situaciones, a menudo se adapta la solucin no entera al requerimiento de enteros simplemente redondeando los resultados al entero ms prximo. Esto produce lo que se llama solucin redondeada. Mediante ese recurso se obtienen soluciones aceptables para el administrador en aquellas situaciones en las que, con sentido prctico, sencillamente no importa el redondeo. Por ejemplo, no hay diferencia significativa, ya sea en la funcin objetivo o en las restricciones, entre producir 19,283.64 y 19,283 costales de alimento Big Bull para ganado. En realidad, probablemente baste para el ajuste de los datos del modelo que satisfaga al administrador una produccin cercana a los 19,000 costales.

Cundo tienen importancia las soluciones enteras Sin embargo, hay muchos problemas importantes en los que esta actitud hacia los requerimientos enteros en los problemas reales simplemente no funciona. Esta complicacin puede deberse a la escala de las variables por considerar. Por ejemplo, si la solucin de un modelo de programacin lineal recomienda que la Boeing construya 11.6 aparatos 747 y 6.8 aparatos 727, el administrador probablemente no quedar contento con la simple medida de tomar la decisin de construir 11 de los primeros y 6 se los segundos, o cualquier otra combinacin redondeada. La magnitud del rendimiento y la asignacin de recursos asociados con cada unidad del problema aconsejan determinar la mejor solucin entera

posible. Con otro ejemplo, se ver que muchos modelos usan variables enteras para indicar decisiones lgicas. Por ejemplo, veremos problemas en los que queramos que X7 sea igual a 1 si vamos a construir un almacn en Kansas City o X7 sea igual a cero si no. Supngase que la solucin de una versin de programacin lineal de este problema produce un valor no entero (por ejemplo, X 7 = 0.38). Vemos que este valor no contiene informacin aprovechable como solucin del problema real. Es claro que no podemos construir 0.38 de un almacn. Es cierto que podemos elegir almacenes de diferentes tamaos, pero en todo caso, o bien tenemos un almacn en Kansas City o no lo tenemos. Se podra suponer que en un caso como ste se tratara de redondear al entero ms prximo (0 en este caso) como forma de salvar la dificultad. Por desgracia, esto no garantiza que se obtenga una buena (y no digamos ptima) solucin. En realidad, veremos que el redondeo no siempre conduce a soluciones factibles en casos como ste. El fondo del asunto es que existen muchos problemas administrativos importantes que seran de programacin lineal si no fuese por el requerimiento de que sean enteros los valores de algunas variables de decisin, en los que no se puede encontrar una buena solucin mediante el uso del mtodo simplex seguido del redondeo de los valores ptimos resultantes para las variables de decisin. Estos problemas deben ser resueltos mediante algoritmos especialmente diseados para resolver problemas de programacin entera. Los cientficos de la administracin han advertido la importancia de los problemas de programacin lineal entera desde hace aos, y se ha dedicado una buena cantidad de trabajo y tiempo para investigar la solucin de estos problemas. Dichos esfuerzos han rendido algunos dividendos y se ha producido un marcado progreso en esta rea durante los ltimos 10 aos. Tambin debe apuntarse que los grandes avances en la tecnologa de la computacin han sido una contribucin crucial para el incremento de la capacidad en la resolucin de estos problemas.

PL contra PE A pesar del impresionante avance en nuestra capacidad para resolver problemas de programacin entera, la tecnologa an dista mucho de la que hay disponible para manejar problemas en los que no es necesario que las variables de decisin sean enteras. Muchos problemas que se resuelven fcilmente como problemas de programacin lineal llegan a ser irresolubles para propsitos prcticos cuando se exige que las variables de decisin sean enteras (es decir, que el tiempo y el costo necesario para los clculos resultan demasiado grandes).

En las siguientes secciones describiremos primero dos clases generales de modelos de programacin lineal entera y usaremos el anlisis grfico para ilustrar la relacin entre la programacin lineal, la programacin lineal entera y el proceso de redondeo de soluciones de programacin lineal como intento de solucin de la programacin entera. Este enfoque grfico provocar una comprensin intuitiva de la naturaleza del problema que estamos confrontando. Despus, volveremos nuestra atencin a una variedad especfica de programas enteros en los que las restricciones de las variables enteras se limitan a 0 o 1. Usando estas variables indicadoras o booleanas podremos formular diversas condiciones lgicas que de otra manera no seran fciles de plantear. Muchos problemas prcticos importantes implican tales condiciones y estudiaremos varias de esas formulaciones. El resto del trabajo se dedicar al tema de la solucin de programacin lineal entera. Para empezar, consideremos el algoritmo de ramificacin y acotamiento que se usa para resolver estos problemas. Despus, volveremos nuestra atencin al tema de programacin lineal entera en la prctica, destacando las consideraciones estratgicas y discutiendo tambin la posibilidad del anlisis de sensibilidad. En las aplicaciones reales, los programas enteros nunca se resuelven a mano. Con el objeto de ajustar el contexto de cmo se puede trabajar con tales problemas en la prctica, ofrecemos en este trabajo, como en otros, varios resultados por computadora. Algunos de ellos se resaltan para destacar la interpretacin numrica. Al observar dichos resultados, revise el problema y su formulacin; pregntese a s mismo si la solucin es intuitivamente plausible y, en caso contrario, trate de explicar por qu. Este tipo de razonamiento analtico puede desarrollarse y juega un papel importante en la funcin administrativa.

TIPOS DE MODELOS DE PROGRAMACIN LINEAL ENTERA

Programacin entera es un trmino general para los modelos de programacin matemtica que presentan condiciones de integralidad (condiciones que estipulan que algunas o todas las variables de decisin deben tener valores enteros). Ya hemos apuntado que los modelos de programacin lineal entera son modelos de programacin lineal que tienen la caracterstica adicional de que algunas de las variables de decisin deben tener valores enteros. Existen diversas clasificaciones de esta categora de modelos.

Programas enteros puros Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se exige que todas las variables de decisin tengan valores enteros. Por ejemplo, Min 6x1 + 5x2 + 4x3 s.a. 108x1 + 92x2 + 58x3 576 7x1 + 18x2 + 22x3 83 x1 , x2 , x3 0 y enteros

Programas enteros mixtos Es un modelo entero puro. Sin las restricciones de que x1 , x2 y x3 sean enteros (o sea las condiciones de integralidad) sera un problema de programacin lineal. Un problema en el que slo se requiere que algunas variables tengan valores enteros mientras que otras pueden asumir cualquier nmero no negativo (es decir, cualquier valor continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo, supngase que en el problema anterior slo x1 y x2 deben ser enteros y x3 no. El problema resultante es Min 6x1 + 5x2 + 4x3 s.a. 108x1 + 92x2 + 58x3 576 7x1 + 18x2 + 22x3 83 x1 , x2 , x3 0; x1 y x2 entero

Programas enteros 0-1 En algunos problemas se restringe el valor de las variables a 0 y 1. Dichos problemas se llaman binarios o programas lineales enteros 0-1. Son de particular inters debido a que se pueden usar variables 0-1 para representar decisiones discotmicas (si o no). Diversos problemas de asignacin, ubicacin de plantas, planes de produccin y elaboracin de cartera, son de programacin lineal entera 0-1. Se estudiarn con algn detalle ms adelante. Como veremos, las variables 0-1 se pueden encontrar tanto en problemas de PLE como en los de PLEM. En este trabajo consideraremos con frecuencia el problema de programacin lineal (PL) resultante de grabar restricciones de integralidad en un PL. A este problema

de PL se le llama relajacin PL del PLE o del PLEM o simplemente problema relajado. Por ejemplo, si descartamos la frase enteros del PLE presentado, el PL resultante es la relajacin PL del programa original entero.

INTERPRETACIONES GRFICAS
En temas anteriores vimos que se obtiene una comprensin sustancial de la naturaleza y la solucin de los problemas de PL mediante el examen del anlisis grfico de un problema con dos variables de decisin. El mismo enfoque es til para un problema PE, sobre lo cual volveremos nuestra atencin en este tema.

Resolucin del problema de PLE: Considrese una versin modificada del problema de PROTRAC relativo a E y F analizados en los anteriores temas. En particular, considrese el problema

Para una descripcin detallada, vase la seccin 2.2. En sntesis, E es el nmero de los E-9 y F el de los F-9 que PROTAC ha decidido producir. La funcin objetivo es la utilidad en trminos de la decisin de produccin. La restriccin (1) refleja una necesidad para cumplir un compromiso previo. Las restricciones (2) y (3) son limitantes del tiempo de produccin de los departamentos A y B, respectivamente. La restriccin (4) representa en parte un acuerdo sindical y la (5) se impone debido un criterio del administrador relativo a la adecuacin de la mezcla de produccin. El nico cambio importante entre (8.2) y el problema de PL de la seccin 2.2 es la palabra "entero" como veremos el efecto de esta simple palabra es profundo.

Para resolver este problema con el enfoque grfico, prescribimos tres pasos:

1. Encuntrese el conjunto factible de la relacin PL del problema de PLE. 2. Identifquense los puntos enteros dentro del conjunto determinado en el paso 1. 3. Encuntrese, entre los puntos determinados en el paso 2, el que optimizan la funcin objetivo.

Los dos primeros pasos han sido realizados ya en la figura 8.1. La regin sombreada es factible de la relajacin de PL y los puntos oscuros son puntos enteros contenidos en este conjunto. Este conjunto de puntos enteros es de soluciones factibles del PL. En otras palabras, ah slo 13 soluciones factibles para el problema de PLE. Estos son los puntos (3.6), (4.6), (3,5), (4,5), (5,5), (4,4), (5,4), (4,3), (5,3), (6,3), (4,2), (5,2) y (6,2).

Para resolver este problema, debemos determinar ahora cul de los puntos factibles produce el valor mayor para la funcin objetivo. Procederemos como en un problema de PL, o sea moviendo el contorno de la funcin objetivo en direccin ascendente (dado que estamos trabajando con un modelo de maximizacin) hasta que ya no sea posible hacerlo ms sin abandonar el conjunto factible.

En la figura 8.2. Se presenta el resultado de este proceso. Vemos que la solucin ptima del PLE es el punto E=6, F = 3. Dado que la funcin objetivo es 18E+6F esta solucin producen valor ptimo de 18(6) + 6(3) = 126.

Relajacin PL Podemos usar la figura 8.2. para ilustrar algunos hechos importantes en relacin con la relajacin PL. Observar los primero que la solucin ptima del problema relajado ocurre en la interseccin de las rectas 42.8 E +100 F = 800 y 20 en las 6F = 142.

Este resultado se obtiene trasladando hacia arriba el contorno de la funcin objetivo hasta donde sea posible mientras se converse una interseccin con el conjunto factible del problema relajado. Puesto que en la interseccin de las dos restricciones no se presenta en un punto entero, la solucin ptima del problema relajado PL no es factible para el PLE. Para encontrar la solucin ptima (es decir, los valores ptimos de las variables de decisin) del problema relajado, buscamos la interseccin de las dos restricciones vinculadas. Resolviendo este sistema de dos ecuaciones con dos incgnitas se obtiene E*= 5.28, F*= 5.7 cuatro. Entonces, el valor ptimo de la funcin objetivo, que llamaremos VO, para el problema relajado es 18(5.28) + 6(5.74) = 129.48. Comparando estos dos valores ptimos (126 del PLE y 129.48 el problema relajado), vemos que el VO de la relajacin PL es mayor que el de PLE original. Este hecho es un caso especial. Fenmeno que observamos en nuestras primeras discusiones de la programacin lneal. Se pens en crear un PLE o un PLEM a partir de una relajacin PL y agregar las restricciones de enteros. Sabemos que cualquier es restriccin que se agregue a un problema de programacin matemtica no puede mejorar, y si empeora, el valor ptimo de la funcin objetivo. Por lo tanto, nuestro valor ptimo disminuye con la adicin de las restricciones de enteros. Con esta observacin quedamos preparados para hacer los siguientes comentarios:

1. En un problema de maximizacin, el VO del problema relajado constituye siempre una cota superior para el VO del PLE o PLEM original. Si se agregan restricciones de enteros, el VO del PL, o bien empeorar, o bien quedara igual. En un problema de maximizacin, empeorar el VO significa disminuirlo. 2. En un problema de minimizacin, el VO del problema relajado siempre proporciona una cota inferior para el VO del PLE o PLEM original. Nuevamente, el agregado de restricciones enteras o bien empeorar o bien deja igual el VO del PL. En un problema de minimizacin, empeorar el V o significa aumentarlo.

Soluciones redondeadas Hemos observado que la solucin ptima del problema relajado es E*= 5.28 y E*= 5.74. Cada una de estas variables puede redondearse al entero superior o inferior, con lo que resultarn cuatro soluciones redondeadas ((5, 5), (5, 6), (6, 5), (6, 6)1 vecinas a la solucin ptima del problema relajado. El hecho general es que con dos variables de decisin hay cuatro soluciones redondeadas vecinas; con n variables de decisin habr 2n de tales puntos. Vamos a examinar con ms detalle algunas de las dificultades potenciales que pueden surgir cuando se usan soluciones redondeadas. Nos referiremos a la figura 8.2. Si resolvemos el problema relajado y redondeamos cada variable al entero ms prximo, obtenemos (5, 6), que es infactible. En este caso, (5, 5) es el nico punto factible que se puede obtener redondeando (5.28, 5.74). Las dems soluciones, (5, 6), (6, 6) y (6, 5) son infactibles todas. Este problema ilustra dos hechos importantes relacionados con soluciones redondeadas. 1. Una solucin redondeada no es necesariamente ptima. En este caso, el valor de la funcin objetivo en la nica solucin redondeada factible es 18(5) + 6(5) = 120 Comprese esto con el valor ptimo 126 del PLE. Entonces vernos que se produjo una prdida relativa de 6/126, casi el 5%, al usar la solucin redondeada en lugar de la ptima.

2. Una solucin redondeada no necesariamente est cerca de la solucin ptima del PE. Los estudiantes con frecuencia tienen una idea intuitiva que aun cuando una solucin redondeada no sea ptima, debe estar cerca de la solucin ptima del PE. Refirindonos otra vez a la figura 8.2, vemos que la solucin ptima no es uno de los puntos enteros inmediatamente vecinos a la solucin ptima del PE, En realidad, slo cuatro puntos del conjunto factible [(3,6), (4,6), (3,5) y (4,5)] estn ms lejos de la solucin ptima que la solucin redondeada, Resulta difcil reclamar que en este ejemplo la solucin redondeada est "cerca" de la solucin ptima del PE.

En la figura 8.3 presentamos otro PLE que ilustra un problema adicional an ms concluyente asociado con las soluciones redondeadas. En esta figura la regin

sombreada es el conjunto factible del problema relajado los puntos son los enteros y el punto encerrado en un crculo es la nica solucin factible PLE. La solucin ptima del problema relajado se indica en el extremo del tringulo formado por el conjunto factible. Ntese que si comenzramos con la solucin ptima del PL [aproximadamente (3.3, 4.7)] y redondesemos despus esto a cualquiera de los cuatro puntos enteros vecinos, obtendramos un punto no factible. Es decir, para este ejemplo, ningn redondeo produce factibilidad.

FIGURA 8.3 Todas las soluciones redondeadas son infactibles.

En sntesis, hemos observado que una forma intuitivamente atrayente de abordar un PLE consiste en resolver la relajacin PL del problema original y redondear despus la solucin al punto entero vecino. Vimos tambin que este procedimiento puede producir ciertos problemas, En concreto:

1. 2. a. b.

Puede ser que ninguno de los puntos enteros prximos sea factible. Aun cuando uno o ms de los puntos enteros prximos sean factibles, No necesariamente sern ptimos para el PE. No necesariamente estarn cerca de la solucin ptima del PE.

Enumeracin Se ha usado el procedimiento grfico para ilustrar algunas ideas importantes en relacin con los programas lineales enteros. Sin embargo, a veces una figura como la 8.1 ofrece a los estudiantes una perspectiva errnea sobre la dificultad de resolver un PLE. Dado que hay slo 13 puntos factibles en el PLE de PROTRAC, el estudiante puede tener la impresin de que es factible hacer una lista razonable de los puntos factibles, evaluar la funcin objetivo para cada uno de ellos y elegir el mejor; es decir, resolver el problema por enumeracin completa. En este caso, se puede hacer as. Por desgracia, la enumeracin completa no es una forma razonable de resolucin para la mayora de los PLE. Por ejemplo, supngase que tenemos un PLE con un centenar de variables 0-1. En este caso, los puntos factibles llegaran a ser 2100, que significa 1.27 x 1030 puntos factibles. El tiempo que se requiere para enumerar todos estos puntos llevara ms de una vida, aun con la computadora ms rpida. Resulta interesante comparar el mtodo de enumeracin para los PLE con el algoritmo simplex para los PL. Como hemos visto, el algoritmo simplex puede ser imaginado como un modo de registrar los vrtices y evaluar en ellos la funcin objetivo. Tambin es verdad que puede haber miles de millones de vrtices en el conjunto factible en un PL grande. Sin embargo, lo importante del asunto es que no se determinan todos los vrtices. En realidad, el algoritmo simplex es muy eficiente. Procede en forma tal que el valor de la funcin objetivo mejora en cada vrtice sucesivo. Una vez que no es posible ninguna mejora, el proceso se detiene e indica que la solucin ptima ha sido alcanzada. En esto no hay comparacin con los algoritmos para los PLE. Existen mtodos, que se examinaran posteriormente, que son mejores que la enumeracin completa, pero que no son capaces de eliminar grandes nmeros de soluciones alternativas tan rpida y efectivamente como lo hace el algoritmo simplex con los programas lineales.

APLICACIONES DE LAS VARIABLES 0-1

Las variables binarias o 0-1 juegan un importante papel en la aplicacin de los PLE y los PLEM. Estas variables hacen posible incorporar decisiones s o no, llamadas a veces decisiones dicotmicas, en un formato de programacin matemtica. Dos rpidos ejemplos ilustraran lo que queremos decir. 1. En un problema de ubicacin de una planta pondremos xj = 1 si decidimos ubicar la planta en la localidad j y xj = 0 si decidimos no hacerlo. 2. En un problema de asignacin de rutas escribimos xijk = 1 si el camin k va de la ciudad i a la ciudad j y xijk = 0 si no lo hace.

As, puede verse en estos ejemplos que el uso de las variables 0-1 proporciona una nueva herramienta formulacional. Veremos en esta seccin algunos ejemplos de cmo se usan las variables 0-1 para tomar decisiones dicotmicas en diversas aplicaciones. Veremos tambin cmo se pueden manejar para satisfacer varios tipos de condiciones lgicas. Presupuesto del capital: Una decisin sobre expansin Muchas firmas toman decisiones sobre inversiones anuales de capital. En las grandes empresas, con frecuencia las decisiones son la culminacin de un largo proceso que empieza con recomendaciones de departamentos individuales y continua a lo largo de diversas confrontaciones empresarias y divisionales. No es raro realizar una seleccin final entre las mejores alternativas en la mesa de los directores. En las empresas pequeas el proceso no es tan sofisticado, pero las decisiones sobre presupuesto del capital son an una parte fundamental de la evaluacin anual para el futuro de la empresa. En su forma ms simple, las decisiones sobre presupuesto de capital son cuestin de escoger entre n alternativas para maximizar el beneficio con sujecin a restricciones sobre el monto del capital invertido a plazos. Como ejemplo especfico, supngase que FIGURA 8.4 Problema de presupuesto capital

El consejo directivo de PROTRAC afronta el problema que se resume en la figura 8.4. Las cantidades en dlares estn en millares en esta figura. El consejo directivo ha de elegir una o ms de las alternativas. Si deciden expandir la planta belga, el valor actual del beneficio neto para la firma es de $40,000. Este proyecto requiere $10,000 de capital el primer ao, $5,000 el segundo, etc. El consejo

directivo ha presupuestado con anterioridad hasta $50,000 corno inversiones de capital totales para el ao 1, hasta $45,000 en el ao 2, etc.

Un modelo de PLE para la presupuestacin de capital en PROTRAC

Este problema puede formularse corno modelo de PLE en el que todas las variables son del tipo 0-1. Esto se llama PLE 0-1. En concreto, ser xi = 1 si el proyecto se acepta y xi = 0 si se rechaza. El problema, entonces ser

La relajacin PL

Aqu el objetivo es el valor presente total de los beneficios netos y cada restriccin controla la cantidad de capital que se usar en cada uno de los cinco periodos.

Enfrentaremos este problema resolviendo primero la relajacin PL. La formulacin y solucin aparecen en la figura 8.5. Ntese que al trabajar con el problema relajado de un PLE 0-1 pasamos por alto las restricciones xi = 0 o 1. En lugar de ellas, agregamos las restricciones xi 1, i = 1, 2, 3, 4 (como se muestra en la figura 8.5), Por supuesto, en un PL todas las xi son siempre no negativas. Por lo tanto, en vez de xi = 0 o 1, tenemos el problema relajado a xi restringida en el intervalo (que es 0 xi 1), Sera deseable que en la solucin ptima cada xi en forma fortuita, tomase uno u otro de los valores extremos del intervalo admisible (0 o 1) para que el PLE original quedase resuelto. Por

FIGURA 8.5 Relajacin PL del problema de presupuestacin de Capital de la PROTRAC

Desgracia, como se muestra en la figura 8.5, esto slo sucedi con x4; los valores de x1, x2 y x3 son fraccionarios. Ya que x3 debe ser igual a 1 si PROTRAC establece una planta en Chile y 0 si no, el resultado x3 = 0.33 carece de significado. Obsrvese que tratar de encontrar una solucin al problema de PLE resolviendo el problema relajado y redondeando despus los resultados no funciona bien. Las reglas usuales de redondear "al entero ms prximo" (es decir, redondear los nmeros 0.499 a 0 y los nmeros 0.500 a 1) produce la solucin x1 = 1, x2 = 1, x3 = 0, x4 = 1. Una rpida verificacin revelara que esa solucin es infactible ya que viola por completo la primera restriccin. Solucin entera pura, para obtener la solucin entera ptima en el problema de presupuesto de capital de PROTRAC debemos dirigirnos a un cdigo de programacin entera (en este caso, a un programa de cmputo que use un algoritmo especialmente diseado para resolver los PLE 0-1). La formulacin y solucin del PLE aparecen en la figura 8.6. Ntese que las cuatro restricciones que requieren que sea xi 1 han sido descartadas. En este programa particular (LINDO), la frase "INTEGER-VARIABLES = 4" indica que las cuatro son variables 0-1. La solucin muestra que el administrador deber aceptar las tres primeras alternativas; x4 es ahora igual a cero, mientras que en el problema relajado era igual a 1. Ntese tambin que ahora el valor de la funcin objetivo es 190. Esto representa una reduccin de 10 (5%) del valor ptimo de la funcin objetivo obtenido en el problema relajado. En la prctica, bien puede uno estar interesado en resolver programas de enteros con cientos

de variables 0-1. Despus de ver este pequeo ejemplo y los problemas asociados con el tratamiento mediante la relajacin, se puede apreciar la importancia, an mayor, para problemas grandes y ms complejos, de contar con algoritmos especiales para resolver problemas de PE.

Condiciones lgicas Un uso importante de las variables 0-1 consiste en imponer restricciones que surgen de condiciones lgicas. En seguida se citan varios ejemplos.

FIGURA 8.6 Modelo de PLE del problema de presupuesto de capital de la PROTRAC

No ms de k de entre n alternativas. Supngase xi = 0 o 1, para i = 1, , n. La restriccin. x1 + x2 + + xn k Implica que cuando ms k alternativas de n posibilidades pueden seleccionarse. Es decir, ya que cada xi puede ser slo 0 o 1, la restriccin anterior dice que no ms de k de ellas pueden ser iguales a 1. Para los datos de la figura 8.4, supngase que no es aceptable ms de un proyecto forneo. Por esta razn, la mesa directiva quiere descartar una decisin que incluya la expansin en Blgica y una nueva planta en Chile. Agregar la restriccin

x1 + x3 1 Al PLE de la figura 8.6 implica que la solucin puede contener a lo ms una de las alternativas del extranjero. Decisiones dependientes. Se pueden usar variables 0-1 para forzar una relacin de dependencia entre dos o ms decisiones. Supngase, por ejemplo, que el administrador no desea elegir la opcin k a menos que se elija primero la opcin m. La restriccin x1 xm
(8.3)

x xm 0 Da vigencia a esta condicin. Ntese que si m no es seleccionado, entonces x m = 0. La ecuacin (8.3) obliga entonces a que xk sea igual a cero (o sea que la opcin k no ser seleccionada). Por otra parte, si m es seleccionada, xm = 1; entonces, por la expresin (8.3) tendremos que xk 1. Esto deja al programa en libertad de elegir xk = 1 o xk = 0. Por ejemplo, considrese otra vez la figura 8.4 y supngase que el administrador de PROTRAC piensa que, si van a expanderse dentro de los Estados Unidos, su posicin competitiva implica que definitivamente deben expandir la capacidad de las mquinas grandes. Agregando la restriccin x2 x4 0 Al PLE en la figura 8.6 se asegura que el modelo no puede optar por expandir la capacidad de las mquinas pequeas a menos que haya elegido expandir la capacidad de las mquinas grandes. En forma anloga, supngase que la mesa directiva decide: Si vamos a expandir nuestra capacidad domstica, debemos expandir ambas lneas. Agregando la restriccin x2 x4 = 0 Al PLE en la figura 8.6 se hace valer esta condicin, ya que implica que x 4 y x2 deben tener el mismo valor. Restricciones en el tamao de lote. Considere a un administrador financiero que tiene las siguientes restricciones: (1) si compra la obligacin j, debe comprar al menos 10 acciones; (2) no puede comprar ms de 100 acciones de la obligacin j. Sea xj el nmero de acciones de la obligacin j que compra. La restriccin si se compra j debern comprarse al menos 20 acciones se llama restriccin al

tamao mnimo de lote o tamao de tanda. Ntese que no se puede construir tal restriccin en un modelo de PL. Las restricciones 20 xj 100 No funcionan puesto que insisten en que xj debe ser, por lo menos, 20. Queremos que sea o bien xj = 0 o 20 xj 100. Para lograr esto necesitamos usar una variable 0-1, digamos yj, para la obligacin j. La variable yj tiene la siguiente interpretacin: Si yj = 1, se comprar la obligacin j. Si yj = 0, no se comprar la obligacin j.

Considrense ahora las dos restricciones xj 100yj xj 100yj

(8.4) (8.5)

Vemos que si yj = 1, entonces (8.4) y (8.5) implican que 20 xj 100. Por otra parte, si yj = 0, entonces (8.4) implica que xj 0. De igual manera, (8.5) supone que xj 0. Las dos desigualdades juntas implican que xj = 0. Entonces si yj = 1, cuando se compra j, y 0 cuando no, tenemos las condiciones apropiadas para xj. Cmo podemos estar seguros de que yj = 1 si se compra la obligacin j? La desigualdad (8.4) (xj 100yj) lo garantiza. Vemos en esta desigualdad que no se pueden tener ambos: xj > 0 y yj = 0. Por lo tanto, si xj > 0, yj debe ser igual a 1. Hemos visto que las desigualdades (8.4) y (8.5) juntas garantizan la restriccin del tamao mnimo de lote. K de m restricciones. Michi Gaas, un estudiante de intercambio proveniente del Oriente Medio vino a la universidad a realizar estudios avanzados. Su asesor le dijo que cualquiera que intentara obtener un doctorado en historia tena que cumplir con, por lo menos, dos de los siguientes criterios: Tiene que ser soltero, rico o loco. Lamentablemente Michi era pobre y casado. De hecho, antes de casarse pas varios aos buscando una novia que fuera alta, morena, hermosa y rica. Por ltimo, frustrado, se dijo, Tres de cuatro no est mal y la mujer que escogi (la que lo escogi a l) no era rica. Estos son ejemplos de problemas en los que se tienen que satisfacer k de m restricciones. En notacin general supngase que el supergrupo de m restricciones sea gi (x1, , xn) bi, i = 1, , m

Ahora introduzca m nuevas variables yi 0-1 y suponga que se selecciona U tan grande que, para cada i, gi (xi, , xn) U para cada x que satisface cualquier

grupo de las desigualdades tomadas de la m anteriores. Entonces las siguientes m + 1 restricciones expresan la condicin deseada.

UNA SITUACIN DE PE: PROBLEMA DE UBICACIN DEL ALMACEN DE STECO-FORMULACIN Y ANLISIS POR COMPUTADORA
Con el objeto de ahorrar capital, la Steco, comerciante al mayoreo de acero, alquila sus almacenes regionales. El alquiler mensual del almacn i es F i. Adems, el almacn i puede manejar un mximo de Ti camiones al mes. Hay cuatro distritos de ventas y la demanda mensual acostumbrada de distrito j es de dj camiones cargados. El costo medio de enviar un camin del almacn i al distrito j es cij. La Steco quiere saber cules almacenes alquilar y cuntos camiones enviar de cada almacn a cada distrito. En la figura 8.7 se ilustra una representacin esquemtica del problema. Los datos del problema se presentan en la figura 8.8. FIGURA 8.7 Problema de ubicacin de almacenes

FIGURA 8.8 Datos de ubicacin de almacenes

Por ejemplo, vemos en esta tabla que alquilar el almacn A cuesta $7750 al mes y que desde l se pueden despachar hasta 200 camiones en ese lapso. Adems, la demanda mensual en el distrito de ventas 1 es de 100 camiones. Los nmeros del cuerpo de la tabla representan los costos de enviar un camin del almacn i al distrito de ventas j. Por ejemplo, el costo de enviar un camin de B a 3 es de $100. Consideraciones sobre la formacin del modelo Si se quiere abordar este problema mediante un modelo de programacin matemtica, se debe decidir primero cules variables (si existen) se trataran como enteras y cules (si hay algunas) se tratarn como continuas. La decisin de alquilar o no un almacn en particular parece requerir una variable 0-1, puesto que el consto de alquilar un almacn i no vara con el nivel de la actividad (por ejemplo, con el nmero de camiones enviados desde l). Supongamos, entonces, Yi = 1 si se alquila el almacn 1, Yi = 0 si no.

A primera vista parece tambin adecuado considerar el nmero de camiones enviados del almacn al distrito como una variable entera. Despus de todo, los camiones son entidades enteras y no tiene sentido hablar de enviar un tercio de camin de aqu para all. Sin embargo, existen diversos factores que nos persuadirn de considerar el nmero de camiones como una variable continua, a saber: 1.- Este es un modelo de planeacin, no un sistema detallado de operacin. En la verdadera operacin, las demandas de los distritos varan. El administrador tiene que idear mtodos para manejar esta incertidumbre. Los camiones asignados a un

distrito especifico pueden estar ubicados entre distritos adyacentes sobre una base de segn se necesite diariamente, o la Steco podra usar acarreadores comunes para satisfacer el exceso de demanda. En todo caso, el nmero de camiones que indique la solucin de nuestro problema de programacin matemtica que vayan del almacn i al distrito j es slo una aproximacin de lo que realmente ocurre en un da dado. As, considerando estas entidades como variables continuas y redondeando al entero ms prximo para determinar cuntos camiones enviar a cada almacn, se tendr una respuesta til y una buena aproximacin al costo promedio de operacin mensual. 2.- Considerar al nmero de camiones como variable entera hara el problema mucho ms difcil de resolver. Esto es un simple reflejo del hecho general de que entre ms variables haya, mayor ser la dificultad para resolver un PLE. 3.- Claro est que cuesta mucho ms el alquiler de un almacn que el envo de un camin desde el almacn al distrito de ventas. La magnitud relativa de estos costos implica otra vez que es relativamente ms importante la decisin de alquilar o no alquilar considerada como variable entera, en oposicin a la de los camiones. Para ilustrar este punto, ntese que cuesta $5,500 mensuales alquilar el almacn C y solo $60 el envo de un camin del almacn C al distrito de ventas. 4. Supngase que el problema se modela como PL. Si yc = 0.4 en la solucin ptima, redondear a 0 ocasiona un cambio en el VO (valor ptimo de la funcin objetivo) de $2,200 en tanto que si xc4 = 57.8, el costo de redondear hacia arriba o hacia abajo tiene un efecto de menos de $60. En sntesis, en este ejemplo hay argumentos que sugieren poca ventaja en considerar como entero el nmero de camiones. Procederemos a formular el problema de ubicacin de almacenes para el Steco como un PLEM, con lo que tendremos una agradable sorpresa. El modelo mixto de PLE Para elaborar el model del problema de la Steco como PLEM, hagamos
Yi = 1 si se alquila el almacn i, yi = 0 si no; A, B, C xij = nmero de camiones enviados del almacn i al distrito j;

i = A, B, C; j = 1,,4 Construyamos ahora el modelo mediante el desarrollo de cada una de sus partes. Consideremos, para empezar, la funcin objetivo. La expresin 170xA1 + 40xA2 + 70xA3 + + 60xC4 Es el costo total asociado a los camiones y

7750yA + 4000yB + 5500yc Es el costo total de alquiler. Por lo tanto, la funcin objetivo es Min 7750yA + 4000yB + 5500yc + 170xA1 + + 60xC4 Consideremos ahora las restricciones. Debemos tomar en cuenta tanto la demanda como la capacidad. Las siguientes restricciones garantizan que la demanda ser satisfecha en el distrito de ventas 1. xA1 + xB1 + xC1 = 100 Se requieren cuatro restricciones como esta (una por cada distrito) para garantizar que se satisfaga la demanda. La restriccin xA1 + xA2 + x xA3 + xA4 200yA or xA1 + xA2 + x xA3 + xA4 200yA 0

Cumple dos propsitos. Garantiza que la capacidad del almacn A no ser excedida y obliga a alquilar el almacn A si se quiere enviar algo de l. Para ver esto, recurdese que yi o en su caso yA debe ser igual a 0 o 1, suponga primero que yA = 1. La desigualdad anterior queda as xA1 + xA2 + x xA3 + xA4 200 Es decir, no ms de un total de 200 camiones pueden ser enviados desde el almacn A. Este tipo de restriccin de capacidad es el que se ha visto previamente en los modelos de transporte. Considrese ahora el caso en el que y A es 0. Entonces, la desigualdad queda en xA1 + xA2 + x xA3 + xA4 0 Es decir, no pueden ser enviados artculos del almacn A. Esta restriccin garantiza as que no se puede enviar nada desde el almacn A a menos que sea yA = 1. Ntese que cuando yA = 1, el trmino 7750yA de la funcin objetivo se iguala a 7750. En consecuencia, vemos que nada se enviar fuera del almacn A a menos que aceptemos el costo del alquiler mensual de ese almacn en particular. En el modelo se necesitan tres de tales restricciones, una por cada almacn. En la figura 8.9 se muestran el modelo completo y su solucin. Anlisis de la informacin de salida Una rpida observacin del resultado muestra que los valores ptimos de todas las asignaciones de camiones son nmeros enteros, aun cuando habamos decidido en la formulacin dejar que las variables fuesen continuas. Fue una simple coincidencia?

FIGURA 8.9 Problema de ubicacin de almacenes de la Steco

La respuesta es no. Aqu est la razn: Comenzamos con un problema de ubicacin de almacenes. Ntese que una vez que decidimos qu almacn alquilar, el problema de encontrar la asignacin ptima de los camiones es un PL llamado problema de transporte. En temas pasados vimos que si la oferta disponible en cada almacn y la demanda de cada distrito son enteros, entonces la solucin ptima del problema de transporte ser entera. Tenemos ahora suficiente informacin para concluir que la solucin ptima del problema de ubicacin de almacenes con ofertas y demandas enteras incluye siempre una asignacin de camiones enteros. El argumento contiene dos pasos: (1) en la solucin ptima se debe alquilar un conjunto de almacenes; (2) cada conjunto posible de almacenes alquilados produce una ubicacin entera de camiones. Se advierte ahora que entonces hubiese sido cndido y costoso requerir como restricciones adicionales que las xij fuesen enteros. La moraleja es: Nunca pagues por una mercanca gratuita.

EL PROBLEMA DE ASIGNACIN Y UN TEOREMA SOCIAL

El problema de asignacin se ha estudiado en las secciones 7.5, 7.6 y 7.7. A continuacin se presenta una aplicacin: Supngase que existen n hombres y n mujeres y que c ij es una medida (por ejemplo en una escala de uno a diez) del placer mutuo que obtienen el i hombre y la j mujer como promedio, por cada unidad de tiempo (por ejemplo, por da) que pasan juntos. Supngase que xij es la parte de su tiempo que el hombre i pasa con la mujer j. Supngase que los hombres y las mujeres no hacen otra cosa ms que pasar el tiempo juntos. Para maximizar la felicidad total solucione

GRFICAS FEYSITA TE AMO Obsrvese el significado de las restricciones: 1. Las primeras n restricciones dicen que el tiempo de cada hombre est absorbido por completo por las mujeres. 2. Las siguientes n restricciones dicen que el tiempo de cada mujer est absorbido por completo por los hombres En temas anteriores se afirm que puesto que el problema de asignacin es un caso especial del modelo de transporte y puesto que los datos del lado derecho son enteros, habr una solucin ptima entera pura al problema de asignacin (al igual que sucedi con el modelo de transporte en el ejemplo de Steco). Por consiguiente nuestro problema de acoplamiento tiene una solucin ptima con cada xij = 0 o 1, lo que significa que, en forma ptima, cada hombre se acopla con una mujer y viceversa. Por lo tanto tenemos la prueba de que la monogamia es una disposicin social ptima. Sin embargo hay que tener cuidado. Si se reemplaza Max con Min en la funcin objetivo Se obtiene una solucin ptima 0-1! (La propiedad de integralidad no tiene nada que ver con el hecho de si la funcin objetivo se maximiza o se minimiza). Por lo tanto tambin queda probado que la monogamia minimiza la felicidad total!

EL ALGORITMO DE RAMIFICACIN Y ACOTAMIENTO

Enfoque general El enfoque de ramificacin y acotamiento es en la actualidad el mtodo de propsito general ms eficiente para resolver problemas de PLE y PLEM. En realidad, el algoritmo de ramificacin y acotamiento, no es un algoritmo especifico diseado para resolver un problema concreto. Ms bien es un enfoque general

para solucin de problemas, un tratamiento que debe ser adaptado al escenario especifico. La idea general es hacer una particin del conjunto de soluciones factibles de un problema dado en subconjuntos menores que no se traslapen. Entonces, se calculan lmites para el valor de la mejor solucin en cada subconjunto. Despus, el algoritmo de ramificacin y acotamiento hbilmente nos permite eliminar del anlisis ciertos subconjuntos. De esta manera se enumeran parcialmente (en oposicin a la enumeracin total) todas las soluciones factibles existentes. Un ejemplo de PLE Comencemos con un problema especfico, al que por conveniencia nos referiremos como (P1) MAX x1 + 5x2 s.a. 11x1 + 6x2 66 5x1 + 50x2 225 x1 , x2 0 y enteros (P1)

En la siguiente discusin se da til aprovechar el mtodo grfico analizado en la seccin 8.3. Solucin del problema relajado Paso 1 El primer paso consiste en resolver el problema relajado de (P1). Si la suerte nos acompaa, obtendremos directamente una solucin ptima, ya que siempre ser cierto que si la solucin del problema relajado satisface la restriccin de enteros, ser la solucin ptima. Usemos ahora la tcnica de resolucin grfica, para la solucin del problema relajado de (P1) y comprobemos nuestra suerte. La figura 8.10 muestra (mediante el sombreado) el conjunto factible del problema relajado de (P1). Los puntos en la regin sombreada son los puntos factibles que tambin satisfacen las condiciones de integralidad. Ntese que hay 27 de dichos puntos, incluyendo los de los ejes, como (0,4), (4,0), que son factibles. La figura 8.10 presenta tambin el vrtice ptimo del PL. Para encontrar los valores numricos ptimos de las variables de decisin, despejamos el punto en el que las dos restricciones activas se intersectan. Es decir, resolvemos el sistema 11x1 + 6x2 = 66 y 5x1 + 50x2 = 225

FIGURA 8.10 El problema relajado de (P1)

GRAFICA FEY

Para obtener x1 y x2. Esto produce x*1 = 3.75, x*2 = 4.25. Ya que estos valores no son enteros, no habremos resuelto (P1). Sin embargo, habremos obtenido alguna informacin sobre el problema. En concreto: 1.- Recuerde que el smbolo VO representa el valor ptimo de la funcin objetivo. Al encontrar el VO del problema relajado establecemos una cota superior para el VO del problema (P1). Llamemos U a esta cota. En consecuencia, dado que la funcin objetivo es x1 + 5x2, sabemos que

VO de (P1) 3.75 + 5(4.125) = 24.375 = U 2.- Como puede verse en la figura 8.10, si tomamos la solucin ptima del problema relajado y redondeamos a x1 = 3,x2 = 4 (despreciando las fracciones) obtendremos una solucin factible del problema (P1). Si evaluamos ahora la funcin objetivo en este punto (o en cualquier otro punto factible), tendremos una cota inferior del VO del problema (P1). Llamemos F a ese valor. Por lo tanto VO de (P1) 3 + 5 (4) = 23 = F

El valor de F (es decir, 23) puede ser o no el VO del problema (P1). No podemos decirlo por ahora. Lo que sabemos es que 23 VO 24.375. Tendremos que descubrir si se puede hallar una solucin mejor. Para hacerlo ramificamos. La informacin relativa a una solucin de ramificacin y acotamiento se sintetiza en su forma tpica en un diagrama de rbol. El primer nodo de dicho diagrama aparece en la figura 8.11. Este nodo luce un poco diferente de los otros nodos de nuestro rbol, ya que colocamos los valores de nuestra mejor cota superior actual (MCSA) y de nuestra mejor cota inferior actual (MCIA) del VO arriba de este nodo. FIGURA 8.11 Nodo correspondiente a (P1)

GRAFICA FEY

Ramificacin Paso 2 Procedamos a dividir el problema de (P1) en dos ms pequeos. En este ejemplo ramificamos x1. Esta es una eleccin arbitraria. Igualmente podramos ramificar a x2. El proceso de ramificacin aprovecha la circunstancia de que en la solucin ptima del problema (P1), o bien x1 3 o bien x1 4. Por qu es cierto esto? Porque no hay valores enteros en la regin que se elimina al obligar a x1 que sea 3 o 4. Los valores eliminados de x1 son 3 < x1 < 4. Y dado que x1 debe ser un entero, no habremos eliminado ningn punto del conjunto factible del problema (P1). No obstante, habremos eliminado puntos (O sea, valores no enteros) del conjunto factible del problema relajado. En realidad, vemos que el valor ptimo de x1, en el problema relajado, no es ni 3 ni 4, por lo tanto, el punto ptimo actual ha sido (intencionalmente) eliminado mediante el proceso de ramificacin. Este proceso crea uno de los dos nuevos problemas al agregar la restriccin x1 3 al problema (P1). El otro nuevo problema aparece al agregar la restriccin x1 4 al mismo. Por lo tanto, tenemos

CUADRO FEY

En la figura 8.12 se muestran esos dos problemas. La figura 8.12 revela dos hechos interesantes: 1.- Hemos partido en dos piezas al conjunto factible de (P1) y eliminado una regin que no contiene puntos enteros. La regin eliminada est marcada con diagonales. Las rectas de la frontera no pertenecen a la regin eliminada. 2.- Todas las soluciones enteras factibles de (P1) estn contenidas ahora o bien en (P2) o en (P3). Dado que las funciones objetivo de (P1), (P2) y (P3) son

idnticas, se sigue que o bien la solucin ptima de (P2) o bien la de (P3) debe ser la solucin ptima de (P1), el problema original de PLE. Entonces, podemos olvidar (P1) y considerar solamente (P2) y (P3). El enfoque de ramificacin y acotamiento procede a resolver los problemas relajados de (P2) y (P3). Las soluciones optimas se muestran en la figura 8.12. En el problema (P2), el valor ptimo de la funcin objetivo del problema relajado proporciona el valor de U (en concreto, 24.00). Para (P3), obtenemos U = 22.333. Ya hemos observado que la solucin ptima de (P1) est en (P2) o en (P3); as es que el VO de (P1) debe ser el mximo de los valores de U proporcionados por estos dos nodos. Y ya que el nodo 2 produce una U de 24.00 y el nodo 3 produce una U de 22.333, nuestra mejor cota superior actual es 24.00. Por lo tanto podemos cambiar el valor de la MCSA que est arriba del nodo 1. Para cambiar el valor de MCIA, tendramos que obtener un punto que sea factible en (P1) y que tenga un valor de la funcin objetivo > 23.00, nuestra MCIA. Dado que ni el nodo 2 ni el 3 tienen solucin entera, no hemos obtenido una nueva solucin factible. [Aunque en este problema podemos redondear los nodos 2 y 3 para obtener nuevas soluciones factibles para el problema (P1), la investigacin de puntos factibles puede ser difcil, por lo que preferimos presentar un procedimiento que no incluya una solucin factible para cada nodo.] Por lo tanto, el valor de MCIA quedar como estaba. FIGURA 8.12 Problema (P2) y (P3)

CUADRO FEY

Creando un rbol La figura 8.13 incorpora la informacin de (P2) y (P3) en un diagrama de decisin llamado rbol. Para decidir qu haremos enseguida consideremos los nodos del pie de nuestro rbol, en este caso los nodos 2 y 3. Ntese que la cota superior del nodo 3 es 22.333 y que el valor actual de la MCIA es 23.00. Por lo tanto, hemos encontrado ya una mejor solucin que la que hubiramos podido obtener en el conjunto factible para (P3). Por lo tanto, podemos ignorar (P3) y concentrar nuestros esfuerzos en (P2). Para indicar que (P3) ha sido eliminado de nuestra consideracin ahora, ponemos una T debajo de (P3) en la figura 8.13, que significa que ha terminado esa rama concreta del rbol. En general, si despus de calcular el valor de U para un nodo encontramos que U MCIA, entonces dicho nodo podr eliminarse de posteriores consideraciones. Esto se representar mediante una T escriba abajo del nodo, que indica que esta rama del rbol habr terminado. Ya para continuar consideremos ahora (P2). Todava no conocemos la solucin ptima de (P2), ya que an no tenemos el valor entero para x*2. Puesto que (P2) es un PLE, lo abordaremos con el mtodo ramificacin-acotamiento, por lo que debemos ramificar otra vez. La variable x1 es entera en la solucin ptima del problema (P2). Por FIGURA 8.13 rbol con tres nodos correspondientes a (P1), (P2) y (P3) Por lo tanto debemos ramificar x2, lo que haremos usando las restricciones x2 4 o x2 5. Al hacerlo, reemplazamos al problema (P2) con los siguientes: IMAGEN AMOYSITO Advirtase que las restricciones del problema (P4) son las mismas que las de (P1), a saber 11x1 + 6x2 66 5x1 + 50x2 225 Ms la restriccin que hemos agregado para definir el problema (P2) (o sea x 1 3), ms la restriccin que agregamos ahora para definir (P4) (o sea x 2 4). Se puede dar a (P5) una interpretacin similar. El resultado de esta ramificacin aparece en la figura 8.14 y el nuevo rbol se muestra en la figura 8.15. FIGURA 8.14 Problemas (P3), (P4) y (P5)

El rbol final Al comparar las figuras 8.14 y 8.12 se advierten varios hechos importantes: FIGURA 8.15 rbol completo 1. El problema (P3) se conserva sin cambios (exactamente como estaba en la figura 8.12). 2. No se ha tenido en cuenta un conjunto adicional de puntos no enteros, incluso la solucin ptima del problema relajado de (P2). La nueva rea eliminada que perteneca al conjunto factible del problema relajado de (P1) est marcado como una doble diagonal. 3. El conjunto factible del problema relajado de (P5) es vaco. No hay puntos que satisfagan las restricciones 5x1 + 50x2 225, x1 0, x2 5. Esto significa tambin que (P5) no tiene solucin factible, por lo que podemos olvidarnos ahora de l. Esto se indica poniendo una T, en la figura 8.15, abajo del nodo 5, lo que da por terminada otra rama del rbol. Vemos ahora que hay dos causas de terminacin. Un nodo termina cuando: 1. Su U es MCIA, o 2. Representa un problema no factible. Por lo tanto, slo necesitamos concentrarnos en el problema (P4), y la resolucin del problema relajado de ste, como se muestra en la figura 8.14, revela que su solucin ptima, en concreto (x*1 = 3, x*2 = 4), es entera. Esto significa que (x*1 = 3, x*2 = 4) es la solucin ptima de (P4). Por esta razn, (P4) es otro nodo terminar de nuestro rbol y en la figura 8.15 hemos colocado en concordancia una T debajo de ese nodo. Entonces, tenemos la ilustracin de la tercera causa de terminacin. En sntesis, un nodo termina cuando. 1. Su U es MCIA 2. Representa un problema no factible, o 3. El problema relajado produce una solucin para el problema entero representado por ese nodo. Refirindonos otra vez a la figura 8.15, observemos que el valor de la MCSA ha cambiado del que tena en la figura 8.13. La rama del noso 2 produjo un problema no factible (nodo 5) y un problema con U = 23.00 (nodo 4). De modo que la mejor cota superior actual (MCSA) se reduce de 24.00 a 23.00. En el nodo 4 tenemos tambin una solucin entera. Por lo tanto, este punto es una solucin factible del problema (P1). Produce un valor de 23.00 para la funcin objetivo. Puesto que nuestra mejor cota inferior actual es 23.00, no cambiamos la MCIA. En general, cuando han sido terminados todos los nodos, el mtodo ramificacin y acotacin estar completado. La solucin ptima del problema original (P1) ser la que establezca la MCIA. En este caso, la MCIA es 23.00 y en consecuencia (x*1 = 3, x*2 = 4) ser la solucin ptima para (P1). A la terminacin, como en la figura 8.15, siempre se cumplir que MCIA = MCSA.

PLE El procedimiento de ramificacin y acotamiento antes descrito puede ser fcilmente modificado para que funcione en PLEM. Considere una ligera modificacin al PLE analizado con anterioridad. En particular, suponga que el problema es Max x1 + 5x2 s.a. 11x1 + 6x2 66 5x1 + 50x2 225 x1 0 y entero, x2 0 El nico cambio con respecto al problema anterior, es que ya no se exige que x2 sea entera (o sea que x2 puede ser cualquier nmero no negativo). Para resolver se empieza como antes con el problema relajado en la figura 8.10. Dado que x*1 no es entero (toma valor 3.75), obtenemos el valor inicial de F redondeando x*1 a 3. Al valor de x2 se le permite conservar la fraccin en 4.125. Por lo tanto, obtenemos F = 3 + 5 (4.125) = 23.625. Como antes, MCSA = 24.375, pero ahora ser MCIA = 23.625. Ramifiquemos ahora a x1, como en el caso anterior, mediante la introduccin de las restricciones x1 3 o x1 4. Esto produce la figura 8.12. En esta figura puede leerse la siguiente informacin. 1. El nodo 2 produce una U de 24.00 y el nodo 3 una U de 22.333; por lo tanto, el MCSA ser de 24.00. 2. La solucin ptima para el nodo 2 tiene un valor entero para x1; as es que ser una solucin factible para (P1). De esto sigue que: a) Alcanzamos una mejor cota inferior actual nueva de 24.00, b) El nodo 2 est terminado 3. En el nodo 3, U MCIA; terminndose as el nodo 3. Puesto que ambos nodos han sido terminados, la solucin ptima ser la que produzca la MCIA. Entonces, x*1 = 3.00 y x*2 = 4.20 ser la solucin ptima. Resumen del mtodo de ramificacin y acotamiento Sinteticemos la aplicacin a PLE. La adaptacin para PLEM ser obvia. En lo sucesivo, la frase resolver un nodo significa resolver el problema relajado correspondiente al nodo. Un nodo resuelto ser aqul para el que se haya hecho esto. En caso contrario, el nodo est no resuelto. 1. Dibuje un nodo correspondiente al PE original y resulvalo. El VO del problema relajado ser el valor de U en ese nodo. Si la solucin ptima es entera pura, ser tambin la ptima del PE. En caso contrario, sese cualquier mtodo para encontrar un punto factible del PE y desgnese como F el valor de la funcin objetivo en ese punto. Igulese a U la mejor cota superior actual (MCSA) y la mejor cota inferior actual (MCIA) a F. 2. Comience con cualquier nodo que no haya sido terminado. Desde este nodo (el padre) ramifique para crear los dos nodos no resueltos (los sucesores) con la propiedad de que la solucin ptima con uno de los PE sucesores ser la solucin ptima del PE padre. Se puede lograr la

ramificacin tomando cualquier componente fraccional, digamos x*i. De la solucin ptima del problema relajado del nodo padre. Sea [x*i] el truncamiento de x*i a su parte entera. Entonces, [x*i] + 1 ser el entero inmediato mayor que x*i. Un nodo sucesor ser el problema del padre aumentado con la restriccin xi [x*i]. El otro nodo sucesor se formar aumentando al problema del padre la restriccin xi [x*i] + 1. Entonces, o bien se escoge otro nodo resuelto y se repite, o bien se continua con el paso 3. 3. Comience con cualquier nodo no resuelto y trate de resolverlo. El VO del problema relajado ser el valor de U en ese nodo. Escriba una T debajo de ese nodo y termine esa rama, si el problema relajado no es factible o si U MCIA, o si la solucin ptima es entera pura. Si la solucin ptima es entera pura, evale la funcin objetivo en este punto; compare la MCIA con F. Si F > MCIA, ponga MCIA = F. Si la rama no est terminada, o bien repita el paso 3 o contine con el paso 2. Si el nodo est terminado, vaya al paso 4. 4. Si todos los nodos estn terminados, la solucin ptima de PE original ser la solucin entera pura que produjo el valor de la MCIA. En este punto resulta conveniente hacer la observacin de que para problemas muy grandes el mtodo de ramificacin y acotamiento puede concluir antes de que todos los nodos hayan sido terminados. El nodo que produzca la MCIA producir una solucin aproximada para el PLE original. En este caso, la MCIA ser menor que la MCSA y la diferencia MCSA MCIA indicar la precisin de la aproximacin.