Ao del Buen Servicio al Ciudadano

UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERA Y ARQUITECTURA
CARRERA ACADMICO PROFESIONAL DE
INGENIERA INDUSTRIAL
TEMA

PROGRAMACIN LINEAL ENTERA

Y PARAMETRICA

PRESENTADO POR:

TELLO MACHACA, EDUARDO ENRIQUE JESUS

PROFESOR:

CORTEZ BOCANEGRA, CARLOS ALBERTO

ASIGNATURA:

INVESTIGACIN DE OPERACIONES I
CICLO: V AULA: LAB 1

LIMA / PER
2017
 [TTULO DEL DOCUMENTO]

ndice
Pg.
Introduccin 3

Captulo I 4
1.1 Introduccin al Estudio de la Programacin Lineal Entera 5
1.2 Formulacin General del Problema de Programacin Lineal Entera 6
1.3 Mtodos de Resolucin de Programacin Entera 7
1.4 Mtodos de Planos de Corte 7
1.5 Mtodos Enumerativos 10
1.6 Mtodos de Branch y Bound 10
1.7 Mtodos de Enumeracin Implcita 18
1.8 Mtodos Heursticos 18

Capitulo II 19
2.1 Introduccin al Estudio de la Programacin Lineal Paramtrica 20
2.2 Conceptos Bsicos 22

2
 [TTULO DEL DOCUMENTO]

Introduccin
La Programacin Lineal corresponde a un algoritmo a travs del cual se resuelven
situaciones reales en las que se pretende identificar y resolver dificultades para
aumentar la productividad respecto a los recursos (principalmente los limitados y
costosos), aumentando as los beneficios. El objetivo primordial de la
Programacin Lineal es optimizar, es decir, maximizar o minimizar funciones
lineales en varias variables reales con restricciones lineales (sistemas de
inecuaciones lineales), optimizando una funcin objetivo tambin lineal.

Los resultados y el proceso de optimizacin se convierten en un respaldo

cuantitativo de las decisiones frente a las situaciones planteadas. Decisiones en
las que sera importante tener en cuenta diversos criterios administrativos como:

Los hechos
La experiencia
La intuicin
La autoridad

3
 [TTULO DEL DOCUMENTO]

Captulo I

4
 [TTULO DEL DOCUMENTO]

1.1 Introduccin al estudio de la programacin lineal entera

La programacin lineal entera surge como respuesta a los problemas de
programacin lineal, donde algunas, o todas las variables de decisin, estn
condicionadas a tomar valores enteros. La condicin de integralidad para las
variables de decisin aparece en una gran cantidad de problemas lineales.
Por ejemplo, una constructora que construye edificios en dos zonas
diferentes de una misma ciudad (zona N y zona S), sabe que para maximizar
sus beneficios debe construir 7,8 edificios en la zona N y 9,3 en la zona B,
sin embargo, esta solucin no es vlida. Ser necesaria una solucin entera.
Existen multitud de ejemplos como ste, como pueden ser los problemas de
seleccin de proyectos, del transporte, de asignacin de servicios, del
viajante, del coste fijo, de distribucin de un presupuesto..., en definitiva, de
todo aquello que no es divisible. Cabra pensar que, puesto que el conjunto
de soluciones factibles de un problema entero es mucho ms reducido que
el del mismo problema lineal con las variables libres de esta condicin, se
podra obtener la solucin simplemente evaluando la funcin objetivo en
dichos puntos. Sin embargo no es fcil conocer explcitamente las soluciones
posibles enteras y habitualmente hay un nmero excesivamente grande de
ellas. Tampoco el redondeo de la solucin ptima del problema lineal
continuo (problema lineal entero sin la restriccin de integralidad para las
variables) conduce a la solucin del problema entero ya que en la mayor
parte de los casos incumple algunas de las restricciones del problema. Se
han desarrollado mtodos especficos para la resolucin de estos
problemas, pero no hay un mtodo de resolucin de problemas lineales
enteros como el algoritmo del Simplex en Programacin Lineal, sino una
coleccin de algoritmos generalmente basados en las particularidades
especficas de cada tipo de problema. Una caracterstica comn a la mayora
5 de estos mtodos de solucin es que comienzan resolviendo el P.L.
Continuo (en adelante P.L.C.) asociado y a partir de su solucin ptima

5
 [TTULO DEL DOCUMENTO]

introducen tcnicas especficas para alcanzar la solucin ptima entera. Los

primeros intentos surgieron en 1958 de la mano de R. Gomory, se trataba
del primer algoritmo finito, conocido como Mtodo de los Cortes de
Gomory. Tan slo dos aos despus, en 1960, A. Lang y A. Doig, a partir
del mtodo de Gomory desarrollaron Los Mtodos de Branch and Bound,
tambin conocidos como mtodos de ramificacin y acotacin. En 1965, E.
Balas desarroll Los Mtodos de Enumeracin Implcita. A pesar de los
avances en el campo de la P.L.E. y aunque la solucin mediante los
algoritmos desarrollados est tericamente garantizada, otros factores como
el nmero de variables y de condiciones que hacen indispensable el uso de
ordenadores restan eficacia a los procedimientos de obtencin de ptimo.
En estos casos otro tipo de mtodos, los algoritmos heursticos,
proporcionan una buena aproximacin a la solucin del P.L.E.

1.2 Formulacin general del problema de programacin

lineal entera
En un problema de programacin lineal entera con n variables y m
restricciones se trata de encontrar el valor de las variables 1 , 2 , , :

Donde, si J es un subconjunto de {1,., }, todas las variables de decisin

estn condicionadas a tomar valores enteros, recibiendo este problema el

6
 [TTULO DEL DOCUMENTO]

nombre de problema de programacin lineal entera pura. Mientras que si J

es 6 un subconjunto propio de {1,., }, slo algunas de las variables de
decisin deben tomar valores enteros, denominndose este problema como
problema de programacin lineal entera mixta. Recibirn el nombre de
problemas de programacin lineal entera cero-uno o problemas binarios,
aquellos problemas en los que las variables de decisin slo podrn tomar
el valor 0 o el valor 1.

Los problemas de programacin lineal entera se pueden clasificar en tres

tipos: problemas directos donde las variables de decisin son variables
cuantitativas, problemas codificados cuyas variables de decisin son
variables cualitativas y se cuantifican mediante variables binarias, y por
ltimo, modelos transformados donde se utilizan variables enteras facilitando
as un mejor estudio del modelo.

1.3 Mtodos de resolucin de problemas de programacin

entera
Analizaremos dos mtodos de resolucin de Problemas Lineales Enteros:
Mtodos Enumerativos y Mtodos de Planos de Corte y haremos algunas
anotaciones sobre los procedimientos de resolucin utilizados en aquellas
situaciones en que dificultades de clculo impiden la implementacin de
algoritmos exactos, los Mtodos Heursticos.

A continuacin describiremos dichos mtodos.

1.4 Mtodos de planos de corte

Los mtodos de planos de corte parten de la resolucin del P.L.C. asociado
al P.L.E. y tienen como objetivo lograr mediante la incorporacin de nuevas
restricciones o planos de corte que las variables de decisin ptimas sean
enteras. Estas nuevas restricciones, restringen el conjunto factible del
7
 [TTULO DEL DOCUMENTO]

problema continuo sin suprimir ninguna solucin posible entera. La

resolucin de los sucesivos P.L.C. generados conforme se van aadiendo
los cortes se realiza mediante el algoritmo del Simplex. La estructura de los
cortes garantiza que la solucin de estos problemas converge a la solucin
del P.L.E.
Podemos distinguir entre, algoritmo fraccional de Gomory y algoritmo todo
entero de Gomory, en funcin de las caractersticas del problema.
Los mtodos de los planos de corte resuelven el problema de la
programacin lineal de la siguiente manera:
Resolucin del problema lineal continuo asociado.
Si la solucin ptima del problema es entera, sta ser la solucin del
problema entero. En caso contrario se elige una de las variables de
decisin que debera ser entera y a partir de ella se construye el corte.
Una vez aadido el plano de corte, se resuelve nuevamente el
problema. Si la solucin ptima obtenida sigue sin ser entera,
debemos repetir los pasos anteriores hasta que dichas variables sean
enteras. Sin embargo, si las variables de decisin resultantes son
enteras, se para el proceso, pues hemos conseguido nuestro objetivo.

Ilustramos el mtodo con un sencillo ejemplo:

8
 [TTULO DEL DOCUMENTO]

Resolvemos el problema continuo asociado por el algoritmo del Simplex:

Aplicando el algoritmo del Simplex entra en la base la variable x y sale la

variable de holgura h2.

Solucin ptima del problema continuo x = 7/2, y = 0 que no es entera ya

que x=7/2= 3+1/2.

Construimos el corte utilizando la fila correspondiente a x en la tabla del

Simplex:

1/21 = 3 + 1/2 1/21 1/2 y, aadiendo una nueva variable de holgura s,

-1/21 + s = -1/2.

La tabla modificada:

9
 [TTULO DEL DOCUMENTO]

Aplicando el algoritmo Dual del Simplex, sale de la base s y entra h2.

La solucin ptima del problema x=3, y=0.

A continuacin, resolveremos el problema grficamente. En la Grfica 3.1.1.

Se observa el conjunto inicial de soluciones factibles, mientras que, en la

grfica 3.1.2., aplicando el corte de Gomory vemos como el conjunto de

soluciones se ha visto reducido.

1
0
 [TTULO DEL DOCUMENTO]

1.5 Mtodos enumerativos

Los mtodos enumerativos, son aquellos que buscan la solucin ptima de
los problemas de programacin lineal entera, a partir del conjunto de
soluciones factibles enteras, de tal manera que no es necesario examinar
todas las posibles soluciones factibles enteras de manera individual. Dentro
de estos mtodos, podemos distinguir entre los Mtodos de Branch and
Bound o de Ramificacin y Acotacin, y los Mtodos de Enumeracin
Implcita, estos ltimos ideados para problemas lineales enteros con
variables binarias. Analizamos en este trabajo los mtodos Branch and
Bound.

1.6 Mtodos de Branch and Bound

Se pueden aplicar tanto a problemas de programacin lineales enteros puros
como mixtos.
Los mtodos de Branch and Bound (Ramificacin y Acotacin) se
fundamentan en dos procesos, el de acotar y el de ramificar, ambos
diseados con el fin de hallar la solucin entera ptima dentro del conjunto
de soluciones factibles del problema de programacin lineal contino
asociado. En el proceso de Ramificacin, se incluyen restricciones
diseadas para eliminar una parte de la regin factible que no incluya
soluciones enteras, 10 generando sub-problemas del problema dado, de tal
forma que todas las soluciones enteras del problema inicial, estn incluidas
en la unin de las regiones factibles de los sub-problemas generados.
Repitiendo este proceso, un sub-problema dejar de ramificarse, cuando la
solucin ptima es entera; no es factible; o bien no se pueden ramificar ms
problemas.
La Acotacin reduce enormemente la generacin de sub-problemas. El
proceso de Acotacin consiste en fijar como cota superior (en problemas de
mnimos) o inferior (en problemas de mximos), el mejor valor de la funcin
1
1
 [TTULO DEL DOCUMENTO]

objetivo en las soluciones enteras, obtenidas en la resolucin de los sub-

problemas generados hasta el momento, y a partir de la cota se eliminan
todos aquellos sub-problemas, para los cules el valor de la funcin es mayor
o menor que la cota dada en problemas de minimizacin o maximizacin,
respectivamente. En caso contrario se fija en ese mejor valor una nueva cota.
Los mtodos Branch and Bound (Ramificacin y Acotacin) se basan en las
siguientes ideas:
Resolucin del P.L.C. asociado.
Si la solucin cumple con las condiciones de integridad, esa es la
solucin del problema entero.
Si la solucin no cumple las condiciones de integridad, se elige una
variable no entera xi y a partir de ella se divide el problema en dos
nuevos subproblemas con restricciones excluyentes, el primero con
la restriccin xi [xi] +1 y el segundo con xi [xi].
Si al resolver alguno de estos problemas obtenemos una solucin
entera, sta ser un candidato al ptimo del problema lineal y el valor
de la funcin objetivo en esta solucin, una cota. La obtencin de
dicha solucin entera, interrumpe adems los procesos de
Ramificacin, en los que el valor de la funcin objetivo en el ptimo
del correspondiente subproblema, sea o no entera, no supere el valor
de la cota en problemas de mximos o no lo disminuya en problemas
de mnimos.
El proceso de Ramificacin se detiene por el criterio de Acotacin
establecido o por ser un problema no factible.

1
2
 [TTULO DEL DOCUMENTO]

Podemos resumir este mtodo de resolucin de problemas de programacin

lineal as:

Siguiendo con el ejemplo del punto 2.1. Planteado ahora en trminos de

mnimo, para una mejor comprensin del mtodo, obtenemos la solucin
aplicando el mtodo de Branch and Bound:
1
3
 [TTULO DEL DOCUMENTO]

Resolvemos el problema continuo asociado por el algoritmo del Simplex:

Aplicando el algoritmo del Simplex entra en la base la variable y, y sale la

variable de holgura h1.

Volviendo a aplicar el algoritmo del Simplex entra en la base la variable x, y

sale la variable de holgura h2.

1
4
 [TTULO DEL DOCUMENTO]

La solucin ptima para dicho problema es = 7/4, = 7/4, = 7/4.

Seleccionaremos, por ejemplo, la variable = 1,75.

Consideramos dos problemas (Fase de Ramificacin):

1. 1
Problema:

Solucin ptima: = 1, = 1, = 1. Solucin entera, por tanto, paramos.

Cota Superior = 1.
2. 2

1
5
 [TTULO DEL DOCUMENTO]

Problema:

Resolviendo el problema mediante el mtodo del Simplex obtenemos la

solucin ptima:
= 2, = 1.5, = 1.
Ramificamos en y, al ser una variable no entera.
2.1. 1

1
6
 [TTULO DEL DOCUMENTO]

Problema:

El mtodo simplex nos proporciona la solucin ptima: = 2, = 1, = 0.

Solucin entera, por tanto, paramos.

2.2. 2

1
7
 [TTULO DEL DOCUMENTO]

Problema:

No hay regin factible, por lo tanto, paramos.

1
8
 [TTULO DEL DOCUMENTO]

1.7 Mtodos de Enumeracin Implcita

Los mtodos de enumeracin implcita, estn basados en la lgica, y es por
ello, que son considerados como mtodos heursticos. Mediante dichos
mtodos se logra la resolucin de problemas lineales enteros, prescindiendo
de analizar todas las soluciones posibles. Se aplica a problemas de
programacin lineal entera, donde las variables de decisin son variables
binarias, es decir, slo pueden tomar el valor 0 o el valor 1. El algoritmo que
se ha utilizado para la resolucin de estos mtodos, es el algoritmo adictivo
de Balas, el cual tuvo su origen en 1965. Al centrar nuestro trabajo en el
estudio de variables de decisin no binarias, no realizaremos un estudio ms
exhaustivo de los mtodos de enumeracin implcita.

1.8 Mtodos Heursticos

Los mtodos heursticos surgen como respuesta a la complejidad para la
resolucin de problemas, los cules requieren soluciones en un tiempo
limitado, sin necesidad de ser soluciones ptimas, basta con que se
1
9
 [TTULO DEL DOCUMENTO]

aproximen al valor ptimo. La resolucin de este tipo de problemas se lleva

a cabo a travs de algoritmos heursticos o algoritmos aproximados, los
cules, al contrario que el resto de algoritmos analizados (algoritmos
exactos), proporcionan siempre una solucin factible al problema. Estos
algoritmos estuvieron expuestos a numerosas crticas debido a su escasa
rigidez matemtica. Sin embargo, gracias a su gran aportacin a problemas
cotidianos, fueron poco a poco admitidos entre los mtodos de resolucin de
P.L.E. Al igual que ocurra con los mtodos de enumeracin implcita, y a
pesar de la gran utilidad de los mtodos heursticos a la hora de la resolucin
de 18 problemas enteros, no los desarrollaremos con mayor profundidad a
lo largo de nuestro trabajo.

2
0
 [TTULO DEL DOCUMENTO]

Captulo II

2
1
 [TTULO DEL DOCUMENTO]

2.1 Introduccin al Estudio de la Programacin Lineal

Paramtrica

Se refiere al estudio sistemtico de los cambios en la solucin ptima cuando

cambia el valor de muchos parmetros al mismo tiempo, dentro de un
intervalo. Por el contrario, la programacin lineal paramtrica (o
programacin paramtrica en forma ms corta) se refiere al estudio
sistemtico de los cambios en la solucin ptima cuando cambia el
valor de muchos parmetros al mismo tiempo, dentro de un intervalo. Este
estudio proporciona una extensin muy til al anlisis de sensibilidad; por
ejemplo, se puede verificar el efecto de cambios simultneos en parmetros
"correlacionados", causados por factores exgenos tales como el estado de
la economa. Sin embargo, una aplicacin ms importante es la
investigacin de los trueques entre los valores de los parmetros. por
ejemplo, si los valores de representan la ganancia unitaria de las
actividades respectivas, es posible aumentar el valor de alguna a
costa de disminuir el de otras mediante un intercambio apropiado de
personal y equipo entre las actividades. De manera parecida, si los
valores de representan las cantidades disponibles de los respectivos
recursos, es imposible aumentar alguna si se est de acuerdo en disminuir
algunas otras.

2
2
 [TTULO DEL DOCUMENTO]

2.2 Conceptos Bsicos

Una vez que se haya resuelto un PPL, puede ser que uno o varios
parmetros de la formulacin original, como los precios unitarios o
disponibilidad de los recursos cambien, dando origen a un nuevo problema"
Es necesario en este caso volver a resolver el problema desde el principio?

La respuesta es no, el anlisis de sensibilidad permite ahorrar interacciones,

al resolver un nuevo problema partiendo de la solucin ptima del problema
original.

El nuevo problema puede diferir del original en uno o varios de los siguientes
cambios que pueden ocurrir simultneamente:

1. Cambio en el vector b, o sea, cambios en la disponibilidad de recursos-

2. Cambios en el vector c, o sea, cambios en los precios o costos unitarios

3. Cambios en la matriz A, o sea, cambios en los coeficientes tecnolgicos

aij

4, cambios en el vector X, o sea, cambios en el nmero de actividades, cuyo

nivel debe decidirse.

5. Cambios en el nmero de restricciones del sistema lineal a optimizarse.

El anlisis de sensibilidad permite establecer criterios para sostener si la

solucin actual sigue siendo ptima cuando se han modificado algunos
parmetros del PL.

ANLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA FUNCIN

OBJETIVO

2
3
 [TTULO DEL DOCUMENTO]

Mientras un coeficiente te la funcin objetivo cae dentro de algn intervalo

alrededor de su valor original (y los dems coeficientes no cambian) la
solucin ptima actual sigue siendo ptima. Sin embargo, el valor de la
funcin objetivo cambia.

Si el coeficiente de inters no pertenece al intervalo permisible, entonces

debe encontrarse una nueva solucin ptima ejecutando el PL desde el
inicio.

La parte OBJ COEFICIENT RANGES de la salida del paquete informtico

LINDO, da el intervalo de valores para los valores de la funcin objetivo.

Costo reducido

Para cualquier VNB el costo reducido de la variable es la cantidad en la cual

hay que mejorar el coeficiente de la funcin objetivo de la VNB para que
sta sea VB en alguna solucin ptima para el PL.

ANLISIS DE SENSIBILIDAD DE LAS RESTRICCIONES DEL LADO

DERECHO (LD)

El anlisis de sensibilidad se puede aplicar a los cambios del LD de las

restricciones (recursos).

Si el valor cambiado del LD queda entre ros valores de los RTGHTHAND

SIDE RANGES dado en la salida de LINDO, la base actual permanece
ptima, y se puede usar el valor del listado de LINDO para el precio dual de
la restriccin y determinar como un cambio en el LD de la restriccin modifica
el valor de la funcin objetivo z.

2
4
 [TTULO DEL DOCUMENTO]

Precio sombra (DUAL)

Es la proporcin de cambio en el valor de la funcin objetivo por unidad de

incremento en el valor del LD de una restriccin dentro del intervalo de
sensibilidad.

Si se aumenta el LD de la i- sima restriccin en bi, entonces (suponiendo

que la base actual permanece ptima) el nuevo valor ptimo de z para un PL
de maximizacin es:

(Nuevo valor ptimo de z) = (Valor ptimo anterior de z) + (Precio de sombra

de la restriccin i) bi.

Para un PPL de minimizacin se tiene:

(Nuevo valor ptimo de z) = (valor ptimo anterior de z) (Precio de sombra

de la restriccin i) b.

Signos de los precios sombra

Una restriccin tendr un precio sombra no positivo

Una restriccin tendr un precio sombra no negativo

Una restriccin = tendr un precio sombra positivo, negativo o cero.

2
5
[TTULO DEL DOCUMENTO]

2
6