INSTITUTO TECNOLOGICO DE PINOTEPA NACIONAL

CARRERA:
ING. GESTION EMPRESARAL.

MATERIA:
INVESTIGACION DE OPERACIONES.

TRABAJO:
METODOS DE PROGRAMACION ENTERA.

FACILITADOR:
ING. A. RUBI SANDOVAL ORTIZ.

ESTUDIANTE:
LOPEZ ORTEGA LUISA

GRADO Y GRUPO:
5TO. A

SANTIAGO PINOTEPA NACIONAL, A 1 DE DICIEMBRE DEL AO 2014.

INTRODUCCIN
Es frecuente al tener que resolver problemas en los cuales las soluciones tienen que
ser valores enteros como por ejemplo: nmeros de unidades a producir por mquina,
nmero de mquinas necesarias, etc.
Parte del problema de la programacin entera radica en la diferencia esencial que
existe la programacin lineal y la entera, en la programacin lineal se maximiza o
minimiza una funcin sobre una regin de factibilidad convexa, mientras que al usar
los mtodos de programacin entera se maximiza una funcin sobre una regin de
factibilidad que generalmente no es convexa. De tal manera que la programacin
entera tiene ms complicaciones que la programacin lineal.
En este tema se presenta un tipo de problemas formalmente similares a los
Problemas de programacin lineal, ya que en su descripcin solo se establecen
expresiones lineales. Sin embargo no responden a problemas lineales ya que algunas
(o todas) las variables del problema toman valores que no estn en un conjunto
continuo. Por ejemplo, pueden ser variables que toman valores 0 o 1 (binarias), o
variables que toman valores enteros no negativos (0,1,2,...), etc. Tras introducir el tipo
de problemas se dedica un importante apartado para presentar las posibilidades de
modelado que esta herramienta proporciona: problemas binarios, problemas de carga
_ja, problemas con restricciones condicionales o con dicotomas, etc. Tras dedicar una
parte importante del tema a presentar estas herramientas de modelado y a plantear
numerosos problemas con ellas se procede a mostrar dos mtodos de resolucin

TEMA 1: INTRODUCCION Y CASOS DE APLICACION DE PROGRAMACION

ENTERA
Programacin lineal (mtodo del simplex) variables continuas Programacin entera:
restriccin adicional: variables han de ser enteras Caso particular: programacin
entera binaria (0/1) Programacin entera mixta: algunas variables han de ser enteras,
otras no. Los problemas de programacin lineal en que se requiere que algunas o
todas las variables tomen valores enteros, son de programacin entera. La
programacin entera ha llegado a ser un rea muy especializada de la ciencia de la
administracin.
Programacin Entera es un trmino general para los modelos de programacin
matemtica que presentan condiciones de integridad (condiciones que estipulan que
algunas o todas las variables de decisin deben tener valores enteros). 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.
Un modelo de programacin entera es un modelo que contiene restricciones y una
funcin objetivo idnticas a las formuladas por planeacin lineal. La nica diferencia
es que una o ms de las variables de decisin tienen que tomar un valor entero en la
solucin final.
Los modelos de Programacin Entera son aquellos donde la totalidad o un
subconjunto de las variables de decisin toman valores enteros. En este sentido la
forma estndar de un modelo de Programacin Entera queda definida de la siguiente
forma:
MODELO 1
Una refinera produce gasolina Corriente, Extra y ACPM para las cuales ha establecido
un precio de venta de $4000, $4500 y $4100 por galn respectivamente. Para la
produccin de estos combustibles, la compaa cuenta con una disponibilidad de 5000
galones de petrleo crudo y 7000 galones de petrleo refinado. Adems se ha
establecido que el costo de galn de petrleo crudo es 3000 y el refinado a 3500. Por
requerimientos de calidad, se sabe que la gasolina corriente debe contener 40% de
petrleo crudo y 60% de petrleo refinado; la gasolina extra debe contener 30% de
petrleo crudo y 70% de petrleo refinado; mientras que el ACPM debe contener 50%
de ambos petrleos. Plantee el modelo de programacin lineal con el fin de obtener el
beneficio de la empresa.

---------------

P. CRUDO

P.
REFINADO

PRECIO/GALON

CORRIENTE

40%

60%

$4000

EXTRA

30%

70%

$4500

ACPM

50%

50%

$4100

DISPONIBILIDAD 5000
galones

7000
galones

PRECIO/GALON

$3500

$3000

>Lo primero que hacemos es definir las variables a usar en el modelo de programacin
lineal:
X1= Galn de gasolina corriente; X2= Galn de gasolina extra; X3= Galn de ACPM;
X4= Galn de petrleo crudo; X5= Galn de petrleo refinado.
->Ahora definimos nuestra funcin objetivo, que es:
Zmax= 4000X1+4500X2+4100X3-(3000X4+3500X5)
->Y

las

restricciones

las

que

est

sometido

restriccin de porcentaje de p. crudo:

R1= 0.4X1+0.3X2+0.5X3 5000
Restriccin de porcentaje de p. refinado:

R2= 0.6X1+0.7X2+0.5X3 7000

Restricciones de positividad: X1, X2, X3, X4, X5 0

nuestro

problema

son:

MODELO 2.
Una compaa de petrleo produce tres tipos de gasolina Sper, Normal y Euro. Se
obtienen por la mezcla de tres calidades de crudo que contienen tres componentes A,
B y C. La participacin de esos componentes en la fabricacin de cada crudo es:
Restricciones:
CRUDO

80%

10%

5%

45%

30%

20%

30%

40%

25%

Las especificaciones de los tres tipos de gasolina son:

TIPO
GASOLINA

DE A

SUPER

60%

25%

10%

NORMAL

50%

30%

15%

EURO

40%

35%

20%

Los costos por barril de crudo A, B y C es de $650, $500 y $450 respectivamente. El

presupuesto diario de compras es de $50 millones; la disponibilidad diaria de crudo B
y C se limita respectivamente a 3000 y 7000 barriles. Ciertos acuerdos obligan comprar
al menos 2500 barriles de A por da. Las demandas de las gasolinas Sper y Normal
son de 2000 y 2500 barriles diarios respectivamente, que deben satisfacerse. La
compaa desea maximizar la produccin de gasolina Euro.
DEFINIMOS LAS VARIABLES:

Xij=> i= Tipo de crudo= {A, B, C}; j=Tipo de gasolina= {S, N, E}; en unidades de
barriles. Y como ayuda tenemos de variable C, con respecto a cada componente de
los crudos.
->Nuestra funcin objetivo es, teniendo en cuenta que la empresa desea maximizar la
produccin de gasolina Euro:

Zmax=

->Restricciones de cantidades:

0.8C1+ 0.1C2+ 0.05C3 0.6 (XAS+XBS+XCS)

0.45C1+ 0.3C2+ 0.2C3 0.25 (XAS+XBS+XCS)

0.3C1+ 0.4C2+ 0.25C3 0.1 (XAS+XBS+XCS)

0.8C1+ 0.1C2+ 0.05C3 0.5 (XAN+XBN+XCN)

0.45C1+ 0.3C2+ 0.2C3 0.3 (XAN+XBN+XCN)

0.3C1+ 0.4C2+ 0.25C3 0.15 (XAN+XBN+XCN)

0.8C1+ 0.1C2+ 0.05C3 0.4 (XAE+XBE+XCE)

0.45C1+ 0.3C2+ 0.2C3 0.35 (XAE+XBE+XCE)

0.3C1+ 0.4C2+ 0.25C3 0.2 (XAE+XBE+XCE)

->Restriccin de costos diarios:

XAE+XBE+XCE

650 (XAS+XAN+XAE)+500 (XBS+XBN+XBE)+450 (XCS+XCN+XCE) 50 millones

->Restriccin de disponibilidad diaria de los crudos B y C:

XBS+XBN+XBE 3000 barriles.

XCS+XCN+XCE 7000 barriles.

->Restriccin de demandas de gasolina Sper y Normal:

(XAS+XBS+XCS) 2000 barriles

(XAN+XBN+XCN) 2500 barriles

->Restriccin de mnimo de compras de crudo A:

(XAS+XAN+XAE) 2500 barriles.

->Restriccin de positividad:
Xij0 i= Tipo de crudo= {A, B, C}; j=Tipo de gasolina= {S, N, E}.

TEMA 2: MODELOS DE PROGRAMACION ENTERA Y BINARIA

EJEMPLO 1.-Problema Inclusin Costos Fijos: Usted ha sido designado por el gerente
de su empresa para decidir cmo distribuir su trfico telefnico en el prximo mes,
seleccionando entre 3 proveedores posibles y asignando la cantidad de trfico
(minutos) que desee en cada caso, es decir, puede repartir el trfico en 1, 2 o 3
proveedores a su antojo y su decisin slo depender de los costos de cada
alternativa.
El proveedor 1 cobra un cargo fijo mensual de US$50 y el costo por minuto a red fija
es de US$0,02 y a celular de US$0,12. El proveedor 2 tiene un cargo fijo mensual de
US$60, con un costo por minuto de US$0,015 y US$0,15 a red fija y celular
respectivamente. Finalmente el proveedor 3 tiene un cargo fijo mensual de US$40 con
un costo por minuto a red fija de US$0,03 y a celular de US$0,14. Si usted llama por
uno de estos proveedores (aunque hable slo un minuto) deber pagar el cargo fijo.
Asuma que la cantidad de minutos que la empresa consume mensualmente es de
30.000 para red fija y 18.000 para celular. Formule y resuelva un modelo de
Programacin Entera que permita decidir cmo distribuir el trfico telefnico mensual
de la forma ms econmica para la empresa.

Dada la Solucin por cualquier mtodo de Programacin Lineal, tenemos: X1= 30.000,
X2, X3 = 0, Y1= 18.000, Y2, Y3 = 0,Z1=1, Z2, Z3 = 0.
Con una Funcin objetivo de Minimizar = $276.050
Lo cual significa que Se debe hacer llamadas solamente con el proveedor 1

EJEMPLO 2.- Considere que usted dispone de un capital de 21.000 dlares

para invertir en la bolsa de valores. Un amigo le recomienda 2 acciones que en el
ltimo tiempo han estado al alza: Accin A y Accin B. La Accin A tiene una
rentabilidad del 10% anual y la Accin B del 8% anual. Su amigo le aconseja tener una
cartera equilibrada y diversa y por tanto le recomienda invertir un mximo de 13.000
dlares en la Accin A y como mnimo 6.000 dlares en la Accin B. Adems la
inversin en la Accin A debe ser menor o igual que el doble de la inversin destinada
a la Accin B. Usted quiere formular y resolver un modelo de Programacin Lineal que
permita obtener la poltica de inversin que permita obtener la mxima rentabilidad
(inters) anual.
Variables
x
=
dlares
y = dlares invertidos en Accin B.

de
invertidos

en

Decisin:
Accin
A.

Funcin Objetivo: Se busca maximizar la rentabilidad anual que resulta de invertir en

los
2
tipos
de
acciones.
Maximizar 0.1x + 0.08y
Restricciones: Considera las recomendaciones de su amigo.
x + y 21.000

13.000

Se puede invertir como mximo 21.000 dlares en total

Invertir como mximo 13.000 dlares en Accin
A

y 6.000

Invertir como mnimo 6.000 dlares en Accin B

x - 2y 0

Inversin en A debe ser menor o igual que el doble de

la inversin en B

x0, y0

No Negatividad

Solucin ptima: X = 13.000 Y = 8.000. Valor ptimo V (P) = 1.940 dlares

TEMA 3: METODO DE BIFURCACION Y ACOTACION

El paso inicial consiste en resolver este problema como si fuese un modelo de

programacin lineal (relajacin continua). Si la solucin de dicho problema llegara a
respetar las condiciones de integralidad para las variables de decisin, sta ya sera
la solucin ptima del problema entero.
Si bien este procedimiento se puede extender a problemas de mayor dimensin,
utilizamos un modelo en 2 variables para poder representar los pasos del algoritmo

grficamente. El grfico a continuacin muestra dicha resolucin:

La solucin ptima del problema lineal asociado (que llamaremos P0)
es X1=2,8 yX2=1,6 con valor ptimo V (P0)=20,8. Claramente esta solucin no cumple
las condiciones de integralidad para las variables de decisin por tanto es necesario
generar cotas o restricciones adicionales de modo de poder obtener soluciones
enteras. Para ello debemos seleccionar una de las 2 variables de decisin con valores
fraccionarios para poder generar cotas. En estricto rigor es indistinto cul de ellas
seleccionemos debido a que el mtodo nos debe llevar a conclusiones similares (aun
cuando la cantidad de pasos requeridos o rapidez de convergencia cambie). En
nuestro ejemplo generaremos cotas adicionales para la variable X1 aproximando su
valor actual al entero inferior ms cercano (P1) y entero superior ms cercano (P2).
La resolucin grfica del problema 1 (P1) nos da como solucin ptima X1=2 y X2=2
que es una solucin entera. El valor ptimo del problema 1 es V (P1)=20.

Notar que V (P1) <V (P0) lo cual es natural dado que el dominio de soluciones factibles
del P1 es menor al P0.

Anlogamente la resolucin grfica del problema 2 (P2) determina que X1=3 y X2=4/3
con V (P2)=20 segn se observa a continuacin:

Luego no sera del todo necesario seguir desarrollando el algoritmo dado que si
generamos cotas para la variable X2 del P2 en ningn caso podramos obtener una
solucin entera con valor ptimo superior a 20 (actual solucin entera de P1) y

por tanto podramos concluir que X1=2 y X2=2 es la solucin ptima del
problema entero. No obstante el siguiente diagrama muestra los pasos adicionales
en caso que quisiera agregar cotas adicionales a partir del P2.
Un argumento similar al expuesto previamente en este caso explicara la no necesidad
de seguir ramificando el P21. Se propone al lector verificar que se obtiene la misma
solucin ptima si luego del P0 ramificamos a travs de X2 agregando las restricciones
X2<=1 y X2>=2.

2.-EJEMPLO Resuelva el siguiente modelo de programacin entera a travs del

algoritmo de ramificacin y acotamiento

El primer paso consiste en resolver el problema sin considerar las condiciones de

integralidad, es decir, asumiendo que es un modelo de Programacin Lineal. El
siguiente grfico muestra la resolucin grfica donde el rea en verde corresponde al
dominio de soluciones factibles asociado al problema lineal lo que se denomina la
relajacin continua del problema entero. Adicionalmente, slo con el objetivo de ilustrar
se han marcado con azul las posibles soluciones enteras para este problema. En este
sentido resulta evidente que el dominio de soluciones factibles del problema entero es
un subconjunto del dominio del problema lineal y esto en el caso de un problema de
maximizacin determina que el valor ptimo del problema lineal ser una cota superior
del valor ptimo del problema entero

La
relajacin
continua
(Problema
P0)
nos
da
como
solucin
ptima X1=20/9 y X2=14/9 con valor ptimo V (P0)=319,1. Dado que al menos una
variable de decisin toma valor fraccionario se debe buscar una aproximacin a valor
entero. En este caso en particular con 2 soluciones fraccionarias como criterio se
puede seleccionar aquella con un mayor impacto (coeficiente) en la funcin objetivo,
sin embargo, no importando cul de ellas se seleccione en un inicio los resultados
sern los mismos.
En consecuencia, seleccionaremos X1 y aproximaremos los resultados (20/9=2,222)
al entero superior e inferior ms cercano. Esto genera 2 su problema que llamaremos
P1 y P2 respectivamente. El problema P1 es similar a P0 pero considera como
restriccin adicional X1<=2. Al resolver dicho problema se obtiene X1=2 y X2=7/4 con
V (P1)=380. El problema P2 es similar a P0 pero adicionalmente tiene la restriccin
X1>=3, con solucin ptima X1=3 y X2=0 y V (P2)=360. Este nodo (P2) se agota y
slo el P1 puede generar nuevos nodos.
Cabe destacar que un nodo o su problema se agota en las siguientes situaciones: 1)
Se alcanza una solucin entera, 2) El problema es infactible, 3) Se obtiene una solucin
fraccionaria pero no es necesario continuar dado que sta no es mejor (en trminos
de valor de la funcin objetivo) que una solucin entera que se ha alcanzado
previamente.
Continuando con el procedimiento el P1 genera 2 nuevos nodos. P11 (similar a P1 con
la restriccin adicional X2<=1) con solucin X1=2 y X2=1 y V (P11)=320. El problema
P12 (similar a P1 con la restriccin adicional X2>=2) con solucin X1=12/7 y X2=2 y V
(P12)=365,7.
Slo P12 genera nuevos nodos: P121 (similar a P12 con la restriccin adicional X1<=1)
con solucin X1=1 y X2=21/8 y V (P121)=330. Adicionalmente el problema P122

(similar a P12 con la restriccin adicional X1>=2) resulta ser infactible al no existir
solucin.

Finalmente, si bien se puede continuar ramificando (generando nodos).

problema P121 esto no es necesario dado que el valor ptimo slo podr ir
disminuyendo (dado que cada vez se resuelve un problema sobre un dominio de
soluciones factibles menor) y por tanto en ningn caso se podr obtener una solucin
entera mejor que la que ya se dispone (P2). Por tanto X1=3 y X2=0 es solucin
ptima del problema entero con valor ptimo V (PE)=360. Se recomienda verificar
que se obtienen los mismos resultados ramificando inicialmente por X2 en vez de X1.

TEMA 4: METODO HUNGARO

1.-EJEMPLO:

OPERARIOS

MAQUINAS
1

Antonio

10

14

16

13

Bernardo

12

13

15

12

Carlos

12

12

11

Diego

14

13

18

16

Aplicando el mtodo Hngaro tenemos:

OPERARIOS

MAQUINAS
1

10

14

16

13

12

13

15

12

12

12

11

14

16

18

16

Restamos 10, 12, 9 y 14 (costos mnimos de cada fila) de cada elemento en cada una de las
filas correspondientes:

D
0
2
4
2
En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran
todos los ceros (Mtodo de Flood):

En la matriz anterior trazamos el menor nmero de lneas (3), de manera tal que cubran
todos los ceros (Mtodo de Flood):

Solucin ptima Unica: A-1, B-4, C-3 y D-2.Lo anterior quiere decir que Antonio
va a laborar en la mquina 1 (10 horas), Bernardo en la mquina 4 (12 horas),
Carlos va a trabajar en la mquina 3 (12 horas) y Diego en la mquina 2 (16 horas).

La combinacin ptima de los recursos para este problema de minimizacin de

asignacin es de 50 horas, resultantes de adicionar las asignadas a cada uno de los
operarios en cada una de las mquinas. Dicho valor corresponde al valor ptimo de la
funcin objetivo.

2.- EJEMPLO:

PASO 1
Encontramos el menor elemento de cada fila

PASO 2
Construimos una nueva matriz con las diferencias entre los valores de la matriz original
y
el
elemento
menor
de
la
fila
a
la
cual
corresponde.

www.ingenieriaindustrialonline.com
PASO 3

En la matriz construida en el paso anterior se procede a efectuar el paso 1 esta vez en

relacin a las columnas, por ende escogemos el elemento menor de cada columna.
Igualmente construimos una nueva matriz con la diferencia entre los valores de la
matriz 2 y el elemento menor de la columna a la cual corresponde cada valor.

PASO 4
En este paso trazaremos la menor cantidad de combinaciones de lneas horizontales
y verticales con el objetivo de cubrir todos los ceros de la matriz de costos reducidos.

Como se puede observar el menor nmero de lneas horizontales y/o verticales

necesarias para cubrir los ceros de la matriz de costos reducidos es igual a 2, por ende
al ser menor que el nmero de filas o columnas es necesario recurrir al paso 5.
PASO 5
En este paso seleccionamos el menor elemento de los elementos no subrayados.

Luego se procede a restarse de los elementos no subrayados y a adicionarse a los

elementos ubicados en las intersecciones de las lneas, en este caso existe una nica
interseccin (3).

Ahora ya efectuado este paso pasamos al paso 4.

www.ingenieriaindustrialonline.com

Ahora observamos cmo se hace necesario trazar tres lneas (la misma cantidad de
filas o columnas de la matriz) por ende se ha llegado al tabulado final, en el que por
simple observacin se determina las asignaciones ptimas.

Por ende la asignacin que representa el menor costo para la jornada de

mantenimiento preventivo determina que el Equipo 1 realice el mantenimiento
de la Mquina 1, el Equipo 2 realice el mantenimiento de la Mquina 3 y el Equipo
3 realice el mantenimiento de la Mquina 2, jornada que tendr un costo total de
17 unidades monetarias.

CONCLUSION

En algunos casos se requiere que la solucin ptima se componga de valores enteros

para algunas de las variables. La resolucin de este problema se obtiene analizando
las posibles alternativas de valores enteros de esas variables en un entorno alrededor
de la solucin obtenida considerando las variables reales. Muchas veces la solucin
del programa lineal truncado est lejos de ser el ptimo entero, por lo que se hace
necesario usar algn algoritmo para hallar esta solucin de forma exacta. El ms
famoso es el mtodo de 'Ramificar y Acotar' o Branch and Bound por su nombre en
ingls. El mtodo de Ramificar y Acotar parte de la adicin de nuevas restricciones
para cada variable de decisin (acotar) que al ser evaluado independientemente
(ramificar) lleva al ptimo entero.

BIBLIOGRAFIA
Hillier, F.-Lieberman, G. (1991) "Introduccin a la investigacin de
operaciones". Mcgraw-Hill
Prawda Witemberg, J. (1980) "Mtodos y modelos de investigacin de
operaciones". Limusa.
Taha, H. (1991) "Investigacin de operaciones". Alfaomega.
http://www.eumed.net/libros/2006c/216/1j.htm