Documente Academic
Documente Profesional
Documente Cultură
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
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
---------------
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
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%
DE A
SUPER
60%
25%
10%
NORMAL
50%
30%
15%
EURO
40%
35%
20%
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:
XAE+XBE+XCE
->Restriccin de positividad:
Xij0 i= Tipo de crudo= {A, B, C}; j=Tipo de gasolina= {S, N, E}.
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
de
invertidos
en
Decisin:
Accin
A.
13.000
y 6.000
x - 2y 0
x0, y0
No Negatividad
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.
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.
OPERARIOS
MAQUINAS
1
Antonio
10
14
16
13
Bernardo
12
13
15
12
Carlos
12
12
11
Diego
14
13
18
16
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).
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
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.
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.
CONCLUSION
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