Documente Academic
Documente Profesional
Documente Cultură
INGENIERÍA INDUSTRIAL
-MATERIA
INVESTIGACIÓN DE OPERACIONES I
-PROFESORA
ING. ILSE ARIADNA BERNAL MAR
IV SEMESTRE “A”
ÍNDICE
ÍNDICE .............................................................................................................................1
CONCLUSIÓN ...............................................................................................................32
BIBLIOGRAFÍA ..............................................................................................................33
PROGRAMACIÓN ENTERA 1
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
4.1.1. INTRODUCCIÓN.
Es frecuente al tener que resolver problemas en los cuales las soluciones tienen que ser
valores enteros como por ejemplo: números de unidades a producir por máquina, número
de máquinas necesarias, etc. Parte del problema de la programación entera radica en la
diferencia esencial que existe la programación lineal y la entera, en la programación lineal
se maximiza o minimiza una función sobre una región de factibilidad convexa, mientras
que al usar los métodos de programación entera se maximiza una función sobre una
región de factibilidad que generalmente no es convexa. De tal manera que la
programación entera tiene más complicaciones que la programación lineal. En este tema
se presenta un tipo de problemas formalmente similares a los problemas de
Programación Lineal, ya que en su descripción 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 están 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, problemas con restricciones
condicionales o con dicotomías, 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 métodos de resolución. Uno de ellos dedicado a problemas en
los que todas las variables son binarias y otro para problemas generales. Ambos métodos
tienen en común que desarrollan un proceso de enumeración que permite comprobar
explícita o implícitamente todas las soluciones del problema hasta encontrar la óptima, y
entran dentro del tipo de métodos de ramificación y acotación.
PROGRAMACIÓN ENTERA 2
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Programación Entera Pura: Todas las variables de decisión tienen valores enteros.
Programación Entera Mixta (PEM): Algunas de las variables de decisión tienen
valores enteros. Las demás cumplen con la suposición de divisibilidad.
Programación Entera Binaria (PEB): Utiliza variables binarias.
PROGRAMACIÓN ENTERA 3
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
• Método gráfico.
• Método de plano de
Métodos corte.
de solución • Métodos de Lang-
Doing.
• Enumeración implícita.
• Lingo/Lindo
Herramientas • Excel
computacio-
nales • Mpl/Cplex
• TORA
• Puro
Tipos de
• Binario
modelos
• Mixto
• Wagner
Origen • Manner
• Gomory
PROGRAMACIÓN ENTERA 4
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
d) El problema del agente viajero. Este problema concierne en un agente viajero que
saliendo de una terminal de ciudad debe visitar una sola vez n-1 ciudades
diferentes, y regresar al punto de partida. Si el costo de dirigirse a la ciudad j desde
la ciudad i es ( ≠ ), se debe terminar la secuencia de visita de ciudades,
tal que el costo total asociado sea el mínimo. Este problema se presentó por
PROGRAMACIÓN ENTERA 5
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
primera vez en 1960, en un artículo de Miller, Tucker, Zemling, pero hay una
variedad de métodos que resuelven el problema dependiendo del tamaño de n, el
número de ciudades.
PROGRAMACIÓN ENTERA 6
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
g) Problemas con costos fijos. Todos los problemas que en su función de costo
influyen un costo fijo del siguiente tipo
0 , si = 0,
0 ≤ ≤ , j=1,2,…n
Costo total para la variable =f ( )=
+ , si > 0
PROGRAMACIÓN ENTERA 7
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
industrial p.
PROGRAMACIÓN ENTERA 8
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
4.2.1. DEFINICIÓN
El modelo de programación entera es sencillamente la programación lineal solo que con
la característica de que la programación entera tiene una restricción de que todas las
variables sean valores enteros a este tipo de modelos se les llama programación entera
pura.
Esto nos quiere decir que la metodología para resolver los problemas de programación
entera es prácticamente el mismo que para hacer la programación lineal.
La programación entera mixta (PEM) se ocupa solo cuando algunas de las variables
deben ser enteros y la suposición de divisibilidad se cumple para el resto.
Esto se da cuando algunos datos deben ser enteros como la cantidad de personal dentro
de una empresa ya que no se pueden asignar 2.5 empleados se deben redondear a 3
pero dentro del mismo modelo se asigna el salario ya que puede ser $2000.50 a estos
modelos se les reconoce por (PEM).
A este tipo de problemas de programación entera binaria también se les conoce como
problemas 0-1 de programación entera.
PROGRAMACIÓN ENTERA 9
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Cuando al escoger una opción, no se nos permite escoger otra, se dice que ambas son
mutuamente excluyentes, esta restricción se representa como la sumatoria de ambas ≤
1, ya que eso indica que entre ambas puede haber solo 1 (solo una de las 2) o 0 (ninguna
de ellas).
+ ≤1
En el caso en que una opción solo se pueda escoger habiendo elegido otra con
anterioridad, se dice que son contingentes o condicionales, esta restricción se representa
poniendo que la variable dependiente es ≤ a la variable independiente, de la siguiente
manera:
=
=
Pero para colocar lo anterior como restricción válida para modelación, se debe igualar a
0.
− ≤0
Como paso final para modelar se ponen las restricciones ≤ 1 y ≥ 0 para indicar que solo
entre esos valores pueda estar la optimización.
≤1
≥0
PROGRAMACIÓN ENTERA 10
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Donde:
Ejemplo:
A continuación se presenta un problema del cual se hará el modelaje y se darán los pasos
para desarrollarlo en programación entera binaria.
Aún cuando este problema se puede resolver con un simple razonamiento - construir
fábricas en ambas ciudades, pero ningún almacén—, se formulará como ejemplo.
Sea:
Si se hace la inversión para construir una instalación dada —de manera que la variable
de decisión correspondiente tenga valor de 1—, el valor neto estimado de estas
inversiones aparece en la cuarta columna de la tabla. Si la inversión no se hace —y, por
tanto, la variable de decisión es igual a 0—, el valor presente neto es 0.
PROGRAMACIÓN ENTERA 11
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Variable de Valor
Número de Pregunta Si o No decisión presente Capital
decisión neto requerido
1 ¿Construir la fábrica $9 millones $6 millones
en Los Ángeles?
2 ¿Construir la fábrica $5 millones $3 millones
en San Francisco?
3 ¿Construir el $6 millones $5 millones
almacén en Los
Ángeles?
4 ¿Construir el $4 millones $2 millones
almacén en San
Francisco?
La última columna de la tabla indica el capital que se gastará en las cuatro instalaciones,
y dice que no puede exceder a 10 millones de dólares. Entonces, la primera restricción
sería:
+ ≤1
PROGRAMACIÓN ENTERA 12
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Por tanto, después de escribir de nuevo estas dos restricciones para que todas las
variables queden en el lado izquierdo, el modelo completo de PEB es
Maximizar Z= 9 +5 +6 + 4
s.a
6 +3 +5 + 2 ≤ 10
+ ≤1
- + + ≤0
- + ≤0
≤1
≤0
PROGRAMACIÓN ENTERA 13
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
De manera equivalente las 3 últimas líneas de este modelo se puede sustituir por una
sola restricción.
es binaria para j= 1, 2 ,3 ,4
Excepto por su tamaño pequeño, este ejemplo representa muchas aplicaciones reales
de programación entera en las que las decisiones básicas que se toman son del tipo sí
o no.
Al igual que el segundo par de decisiones de este ejemplo, muchos grupos de decisiones
sí o no son mutuamente excluyentes, tales que sólo una decisión de ese grupo puede
ser sí. Cada grupo requiere una restricción que obligue a la suma de las variables
binarias correspondientes a ser igual a 1 si exactamente una decisión de ese grupo
debe ser sí, o menor o igual a 1 (si cuando mucho una decisión de ese grupo puede ser
sí).
Punto óptimo
=1
=0
=0
=0
PROGRAMACIÓN ENTERA 14
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
X1 X2 X3 X4 S1 S2 S3 S4 S5 BFS
Z(max) 0 4 3 5 0 0 0 0 9 9
S1 0 -3 -1 -4 1 0 0 0 -6 4
S2 0 0 1 1 0 1 0 0 0 1
S3 0 1 2 1 0 0 1 0 1 1
S4 0 -1 0 1 0 0 0 1 0 0
X1 1 1 1 1 0 0 0 0 1 1
PROGRAMACIÓN ENTERA 15
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
7 + ≤ 35
, ≥ 0 y enteros.
7 7 + + + + = =3535
, , , , , , ≥ ≥0 0y yenteros.
enteros.
PROGRAMACIÓN ENTERA 16
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Tablas SIMPLEX
10 Solución
-1 3 1 0 6
7 1 0 1 35
0 0 0 0
- 7 10 0 0
10 Solución
10 −1 3 1 1
3
0 2
22 0 −1 3 1 33
3
− 10 3 10 10
3
0
- 31 0 − 10 3 0
3
PROGRAMACIÓN ENTERA 17
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
10 Solución
0 1 7 1 7
22 22 2=
1 0 − 1 22 3
22
9
2=
7 10 63 31
22 22
- 0 0 − 63 22 − 31 22 133
2=
La solución óptima es Z= , = , = , = 0, = 0.
Gráfica:
Observamos que nuestras soluciones óptimas no son números enteros, para esto, si bien
es donde proseguimos con el método de Gomory. En base a la información que nos arroja
nuestra tabla óptima, podemos reescribirla de la siguiente manera.
1
Z + 63 22 + 31 22 = 66 2 (ecuación Z)
1
+ 7 22 + 1 22 =3 2 (ecuación )
1
- 1 22 + 3 22 =4 2 (ecuación )
PROGRAMACIÓN ENTERA 18
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Una vez que tenemos la información de la tabla ordenada en las ecuaciones anteriores,
debemos escoger una de estas ecuaciones, con la condición de que siempre el lado
derecho sea fraccionario. En caso del ejemplo, las 3 ecuaciones cumplen con la
condición.
La ecuación de restricción que elijamos, será nuestra fila origen (o renglón de fuente),
con la cual generaremos un corte.
9 1
Z + (2 + ) + (1 + ) = (66 + )
22 2
Paso 2: Los componentes enteros los moveremos al lado izquierdo y los componentes
fraccionarios al lado derecho. Obtenemos:
19 9 1
Z +2 +1 – 66 = − − + (1)
22 22 2
Como y son no negativas y todas las fracciones son positivas por construcción, el
lado derecho debe satisfacer la siguiente desigualdad:
19 9 1
− − + ≤ (2)
22 22 2
Paso 3: Ahora, como el lado izquierdo de la ecuación (1), es un valor entero por
construcción, el lado derecho también debe de ser entero. Por lo tanto deducimos que
(2) puede ser reemplazada con una desigualdad:
19 9
− − 22 + ≤ 0
22
PROGRAMACIÓN ENTERA 19
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Este resultado de justifica porque un valor entero menor que una fracción positiva
necesariamente debe ser ≤ 0.
La última desigualdad es el corte deseado, y representa una condición necesaria
(más no suficiente) para obtener una solución entera. Esta desigualdad se conoce como
corte fraccionario porque todos sus coeficientes son fracciones.
Antes de demostrar cómo se implementa el corte fraccionario en la tabla óptima,
se demostrará como también podremos construir los cortes a partir de las otras 2
ecuaciones de restricción.
1
Ecuación : − 1 22 + 3 22 =4 2
21 3 1
+ (−1 + 22 ) + (0 + 22) = (4 + 2)
21 3 1
− − + ≤0
22 22 2
Ecuación : + 7 22 + 1 22 =3
7 1 1
+ (0 + 22 ) + (0 + 22) = (3 + 2)
PROGRAMACIÓN ENTERA 20
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Cualquiera de estos tres cortes puede usarse en la primera iteración del método de
Gomory. Seleccionando arbitrariamente el corte generado con la ecuación , podemos
rescribir en forma de ecuación como:
7 1 1
− − + = − ; ≥0
22 22 2
10 Solución
0 1 7 1 0
22 22
1 0 − 1 22 3
22
0
0 0 − 7 22 − 1 22 1
−
- 0 0 − 63 22 − 31 22 0 =
Paso 5: La tabla es óptima pero no factible. Para esto, aplicamos el método simplex dual,
para recuperar la factibilidad.
Para encontrar que columna es la que “entra” y que fila “sale”, dividiremos el renglón
- entre el renglón , y tomaremos el valor absoluto más pequeño y esa será nuestra
PROGRAMACIÓN ENTERA 21
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
fila que “entra”. Después, tomaremos el renglón que acabamos de agregar y será nuestro
renglón pivote.
10 Solución
0 1 7 1 0
22 22
1 0 − 1 22 3
22
0
0 0 − 7 22 − 1 22 1
−
- 0 0 − 63 22 − 31 22 0 =
*Resultado 0 0 9 31 0
de la división
*valor más
pequeño.
Paso 6: Ahora que ya tenemos nuestra fila que sale y columna que entra, comenzamos
a pivotear por el método SIMPLEX, y obtenemos la siguiente tabla de optimidad:
10 Solución
0 1 0 1 1
11
1 0 0 1 −1 7
7
0 0 1 −1 7 − 22 7
- 0 0 0 − 1 11 16
7
PROGRAMACIÓN ENTERA 22
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Paso 7: Regresamos al paso 4, agregando un segundo corte a esta última tabla óptima,
de la misma manera que agregamos el primer corte, sólo que en este caso, como ya
elegimos la ecuación , podemos elegir la ecuación como nuestro corte.
Nuestra tabla quedaría de la siguiente manera:
10 Solución
0 1 0 1 1 0
11
1 0 0 1 −1 7 0
7
0 0 1 −1 7 − 22 7 0
0 0 1 1 −6 7 1 −
7
- 0 0 0 − 1 11 16
7
0
PROGRAMACIÓN ENTERA 23
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Resolvemos de la misma manera que cuando agregamos el primer corte, y nos quedaría
la siguiente tabla:
10 Solución
0 1 0 0 1 0
1 0 0 0 -1 1 4
0 0 1 0 -4 1 1
0 0 0 1 6 -7 4
0 0 0 0 3 7 58
Observamos en nuestra tabla y todas nuestras soluciones así como nuestro punto
óptimo, nos arroja números enteros. Por lo tanto el Método de Gomory se detiene y el
problema estar terminado.
PROGRAMACIÓN ENTERA 24
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Paso 1: Resuélvase el problema entero por medio del método simplex de la programación
lineal. Si la solución es entera, pare, se ha conseguido la solución óptima. Si no, continúe
en el paso 2.
Paso 2: Escójase arbitrariamente una variable entera cuyo resultado en el paso 1 sea
fraccional e igual a .
PROGRAMACIÓN ENTERA 25
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Paso 5: Selecciónese aquel programa lineal que tenga el máximo (en el caso de
minimización el mínimo) valor de la función objetivo. Si las variables enteras tienen valor
entero, se ha convertido en la solución óptima. Si no, regresa al paso 2 con la estructura
del problema lineal resuelto en este paso.
Ejemplo:
Solución
0 1 0.75 -0.5 1.25
1 0 -0.25 0.5 3.25
0 0 0.25 1.5 18.75
PROGRAMACIÓN ENTERA 26
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Tenemos nuestras soluciones óptimas con valores todos decimales, por lo tanto,
nuestro problema no esta resuelto. Los valores como nos indica la tabla son =
. y = . .
Para crear los subproblemas, notemos que el valor = . se encuentra entre los
valores enteros 1 y 2. Por lo tanto, estos nuevos valores son los que tendrán cada
restricción en los subproblemas. Nos quedarían de la siguiente manera.
≤
≥
Subproblema (1)
Max Z= 5 + 2 + + Max Z= 5 + 2 + + +
Sujeto a Sujeto a
2 + 2 + = 9 2 + 2 + =9
3 + + = 11 3 + + = 11
≤1 + =1
, , , ≥0 , , , , ≥0
PROGRAMACIÓN ENTERA 27
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Subproblema (2)
Max Z= 5 + 2 + + Max Z= 5 + 2 + + +
Sujeto a Sujeto a
2 + 2 + = 9 2 + 2 + =9
3 + + = 11 3 + + = 11
≥2 − =2
, , , ≥0 , , , , ≥0
Paso 3: Resolvemos por método SIMPLEX los subproblemas (1) y (2), y obtendremos
las siguientes tablas óptimas.
Subproblema (1)
Solución
0 -1.33 1 -0.67 0.33
1 -0.33 0 0.33 3.33
0 0.33 0 1.67 18.67
Subproblema (2)
Solución
0 -2 -1.5 1 1.5
1 1 0.5 0 2.5
0 3 2.5 0 16.5
PROGRAMACIÓN ENTERA 28
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Paso 5: Debido a que nuestro problema es maximización, la mejor función objetivo hasta
el momento corresponde a la tabla del subproblema (1) (Z= 18.67, = . , = . )
y como son soluciones no enteras regresamos al paso 2. La estructura seleccionada es
el subproblema (1).
-Iteración 2.
Max Z= 5 + 2 + + Max Z= 5 + 2 + + + +
Sujeto a
Sujeto a
2 + 2 + = 9
3 + + = 11 2 + 2 + =9
≤1 3 + + = 11
≤3 + =1
, , , ≥0 + =3
, , , , , ≥0
PROGRAMACIÓN ENTERA 29
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Y el subproblema (4):
Max Z= 5 + 2 + + Max Z= 5 + 2 + + +
Sujeto a +
Sujeto a
2 + 2 + = 9
3 + + = 11 2 + 2 + =9
≤1 3 + + = 11
≥4 + =1
, , , ≥0 − =4
, , , , , ≥0
Subproblema (3):
Solución
-2 -2 1 0 1
-3 -1 0 1 1
5 2 0 0 17
Paso 4: Por ser una solución entera se incluye en el análisis.
Paso 5: Por ser el mejor valor de la función objetivo y además, ser entero, es la solución
óptima, por lo tanto:
Z= 17, = , = , = , =
PROGRAMACIÓN ENTERA 30
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
Por último, para poder visualizar de mejor manera el proceso, como se mencionaba con
anterioridad, utilizaremos una representación gráfica constituida por una red con
estructura de “árbol”.
≤1 ≥2
Z= 18.67, = 3.33
, = 1, = 0.33
=0
Z= 16.5, = 2.5 , = 2, =0
= 1.5
≤3 ≥4
Z= −∞ Problema inconsistente
Z= 17, =3, = 1, =1
=1
Solución óptima
PROGRAMACIÓN ENTERA 31
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
CONCLUSIÓN
Se obtuvieron las ideas precisas de como poder modelar los distintos tipos de
problemas que se dan en industrias, transportes y cualquier problema donde se
requiera una optimización de los recursos o disminución de costos.
PROGRAMACIÓN ENTERA 32
INSTITUTO TECNOLÓGICO SUPERIOR DE POZA RICA 4°
INVESTIGACIÓN DE OPERACIONES I Semestre
“A”
BIBLIOGRAFÍA
Gallagher Charles A., Watson Hugh J., MÉTODOS CUANTITATIVOS PARA LA TOMA
DE DECISIONES EN ADMINISTRACIÓN, McGRAW-HILL,
PROGRAMACIÓN ENTERA 33