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. 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.
3.1. Introducción y casos de aplicación.

Los primeros intentos para resolver un problema de programación lineal entera

surgieron de la metodología utilizada en la resolución de problemas de
programación lineal. El primer algoritmo finito fue dado por R. Gomory y se
denominó Método de los planos de corte.

Los avances teóricos en la resolución de programación lineal entera han sido

importantes, si bien no se ha visto correspondido en la eficacia del cómputo. Esto
es debido a los errores de redondeo cometidos en las sucesivas iteraciones y
acumulados en el cómputo que realizan los ordenadores.

Un problema de Programación Entera es un problema de programación lineal en el

cual algunas de las variables, o todas, tienen que ser números enteros no negativos.
El objetivo de la Programación Lineal Entera es encontrar el valor de la función que
denominada función objetivo.

Max (Min) z = c1 x1 + c2 x2 + … + cn xn

Un problema de programación entera en el cual solamente algunas de las variables

tienen que ser números enteros, se llama un problema de programación entera
mixta. Por ejemplo:

max Z = 3x1 + 2x2

St x1 + x2  5

X1, x2  0 ; x1 entero

Por lo tanto, la relajación programación lineal es una versión menos restringida, o

más relajada, de la programación entera.

Esto significa que la región factible para cualquier programación entera tiene que
estar incluida en la región factible de la relajación programación lineal
correspondiente.
3.2. Definición y modelos de programación entera.

Tipos de modelos de Programación Entera:

Programación Entera es un termino general para los modelos de programación

matemática que presentan condiciones de integridad (condiciones que estipulan
que algunas o todas las variables de decisión deben tener valores enteros). Ya
hemos apuntado que los modelos de programación lineal entera son modelos de
programación lineal que tienen la característica adicional de que algunas de las
variables de decisión deben tener valores enteros. Existen diversas clasificaciones
de esta categoría 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 decisión tengan valores enteros. Por ejemplo

Min 6×1 + 5×2 + 4×3

s.a. 108×1 + 92×2 + 58×3 >= 576

7×1 + 18×2 + 22×3 >= 83

x1, x2, x3 ><0 y enteros

Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean
enteros (o sea las condiciones de integralidad) seria un problema de programación
lineal

Programas Enteros Mixtos

Un problema en el que solo se requieren que algunas variables tengan valores

enteros mientras que otras pueden asumir cualquier numero no negativo (es decir,
cualquier valor continuo) se llama programación lineal entera mixta (PLEM). Por
ejemplo, supóngase que en el problema anterior solo x1 y x2 deben ser enteros y
x3 no. El problema resultante es:
Min 6×1 + 5×2 + 4×3

s.a. 108×1 + 92×2 + 58×3 >= 576

7×1 - 18×2 + 22×3 >= 83

x1, x2, x3 >=0; x1 y x2 enteros

Programas Enteros 0–1

En algunos problemas se restringe el valor de las variables a 0 o 1. Dichos

problemas se llaman binarios o programas lineales enteros 0–1. Son de particular
interés debido a que se pueden usar las variables 0–1 para representar decisiones
dicotómicas (sí o no). Diversos problemas de asignación, ubicación de plantas,
planes de producción y elaboración de cartera, son de programación lineal entera
0–1.
3.3. Método gráfico de programación entera.

El método gráfico es una forma fácil y rápida para la solución de problemas de

Programación Lineal, siempre y cuando el modelo conste de dos variables. Para
modelos con tres o más variables, el método gráfico es imposible.

Consiste en representar geométricamente las restricciones, condiciones técnicas y

función objetivo.

Los pasos necesarios para realizar el método son:

1. hallar las restricciones del problema

2. Las restricciones de no negatividad Xi ≥ 0 confían todos los valores posibles.

3. sustituir ≥ y ≤ por (=) para cada restricción, con lo cual se produce la ecuación de
una línea recta.

4. trazar la línea recta correspondiente a cada restricción en el plano. La región en

cual se encuentra cada restricción, el área correspondiente a cada restricción lo
define el signo correspondiente a cada restricción (≥ o ≤) se evalúa un punto antes
y después de la recta trazada, el punto que cumpla con la inecuación indicara el
área correspondiente

5. el espacio en el cual se satisfacen las tres restricciones es el área factible

Cada punto situado en la frontera del espacio del área factible, es decir que
satisfacen todas las restricciones, representa un punto factible.

6. Las líneas paralelas que representan la función objetivo se trazan mediante la

asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en
la cual crece o decrece el valor de la función objetivo.

7. la solución óptima puede determinarse al observar la dirección en la cual

aumenta la función objetivo, se procede a graficar la función objetivo, si es un
problema de minimización la solución óptima es el primer punto factible que toque
la función Z, y si por lo contrario es un problema de maximización, será entonces el
último de los puntos factibles que toque la función Z
Hay principalmente cuatro tipos de problemas, de única solución, múltiples
soluciones, solución no acotada y no factible, a continuación, hay un ejemplo de

cada caso, en el cual se puede observar la comparación de la solución obtenida con

el método gráfico, y la solución obtenida con el método simplex.
3.4. Método de ramificación y acotación.

A partir de la solución del PLA:

La ramificación consiste en dividir cada problema en dos nuevos sub problemas,

obtenidos mediante la imposición de restricciones excluyentes que dividen el
conjunto de oportunidades del problema original en dos partes, pero eliminando en
ambas partes la solución no entera del problema original.

Si xbi no entero, entonces se generan a partir de dicho valor dos restricciones xi ≤

[xbi] y xi ≥ [xbi]+1 (siendo [xbi] la parte entera por defecto de xbi ), que añadidas
cada uno por separado al problema original, da lugar a dos nuevos sub problemas.

Por ejemplo, la variable x1 tiene que ser entera, pero en la solución anterior (PLA u
otro), la variable vale: x1 = 6.8. Esta solución no es válida, ya que no es admisible
un valor fraccional, por tanto, se introducirán las siguientes restricciones: x1≤ 6 y
x1≥ 7, de forma que se ha eliminado una porción del conjunto donde no hay
soluciones enteras, pero se mantienen las enteras:

Así se prosigue con todas las variables hasta que sean enteras.

Si al proceso de ramificación no se mejora de alguna forma, llegaríamos a analizar

TODAS las soluciones enteras (Enumeración Total). Por eso, se añade la fase de
Acotación, esta tiene que ver con el valor de la función objetivo.

A medida que se va ramificando se obtienen soluciones enteras y otras que no lo

son.

No podemos asegurar que la primera solución entera obtenida sea la solución

óptima, sino que es necesario comprobar si existen otras soluciones enteras o no.

El análisis del PLA: Ramificación se realiza siempre a partir de aquel problema que

tiene el mejor valor de la función objetivo, y siempre que exista alguna solución (no

entera) con un valor de la función objetivo

Ejemplo: (Maximización)

* Solución del PLA: FO: 5487,33 (Solución no entera)

Primera Ramificación:

Problema 1: FO: 5340, 75 (solución no entera)

Problema 2: FO: 5425.10 (solución no entera).

Segunda Ramificación:

A partir del problema 2, por tener un mejor valor de la función objetivo:

Problema 21: FO: 5405, 30 (solución no entera)

Problema 22: FO: Infactible.

Como no hay solución entera hemos de seguir ramificando: ¿Por dónde? Problema
22

tiene mejor valor que problema 1.

Tercera ramificación:

A partir del problema 21

Problema 211: FO = 5350 (solución entera)

Problema 212 F= = 5385.25 (solución no entera).

¿La solución del problema 211 (5350) es la óptima?

3.5. Método heurístico para problemas binarios.

En Investigación de Operaciones, una heurística es una técnica de resolución de

problemas de optimización (conformada por una regla o un conjunto de reglas) que
busca buenas soluciones a un costo computacional razonable, sin garantizar
optimalidad. Una característica de los métodos heurísticos es que pueden encontrar
una solución de alta calidad pero que no necesariamente es la óptima, e incluso, en
muchos casos no se llega a establecer lo cerca que está una solución heurística de
la solución óptima.

En una primera aproximación puede parecer que existen serios inconvenientes

relacionados al uso de los métodos heurísticos, sin embargo, es necesario enfatizar
que muchas técnicas heurísticas brindan soluciones muy buenas en la práctica.

Cabe destacar el interés creciente por el estudio y aplicación de procedimientos

heurísticos en Investigación de Operaciones, pasando de ser considerados pobres
herramientas a instrumentos fundamentales y, en muchos casos, imprescindibles
para la resolución práctica de un problema.

El uso de un procedimiento heurístico en lugar de un procedimiento exacto para

resolver un problema está especialmente indicado cuando:

1. El problema es de una naturaleza tal que no se conoce algún método exacto para
su resolución.

2. Aunque existe un método exacto para resolver el problema, su uso es

computacionalmente muy costoso.

3. Se prefiere abordar, por medio de heurísticas, una representación más ajustada

del problema planteado que una versión menos realista de tal problema que pueda
resolverse de forma exacta. Es decir, se prefiere resolver de forma aproximada un
modelo ajustado a la realidad que resolver de forma exacta un modelo aproximado
de la realidad. En este sentido, los métodos heurísticos son más flexibles que los
métodos exactos, permitiendo la incorporación de condiciones de difícil
modelización.
4. Se desea aumentar la eficiencia de un procedimiento exacto. En ese caso un
método heurístico puede proporcionar una buena solución inicial de partida o

participa en un paso intermedio del procedimiento, como por ejemplo, las reglas de
selección de variables de entrada en el método simplex, o el establecimiento de
cotas en el algoritmo de ramificación y acotamiento.

5. Se tiene que resolver repetidas veces un mismo problema, probablemente con

datos distintos. En estas circunstancias se requiere un procedimiento eficiente de
resolución que suministre de forma rápida una solución suficientemente buena.
Estas situaciones se presentan, por ejemplo, al tener que determinar diariamente
valores de las variables de interés.
3.6. Uso de software (WIN QSB,TORA, DS for Windows, LINGO,
LINDO, Y OTROS)

El software TORA de optimización es un programa basado en Windows® que tiene

por objeto usarse con muchas de las técnicas presentadas en el libro Investigación
de Operaciones de TAHA . TORA es una aplicación muy simple, con una interfaz
gráfica de baja calidad. Una de las ventajas de TORA es que puede utilizarse en
procesadores de 32 y 64 bits, hoy por hoy su principal desventaja es que deberá
ajustarse la configuración de pantalla para adecuarse a sus ajustes de presentación
de 800 x 600 y 1024 x 768 pixeles. Se recomienda el segundo ajuste, porque
produce una distribución más proporcionada de la pantalla.

Al igual que para cualquier otro método de resolución, el primer paso para resolver
un problema de programación lineal (PL) consiste en el modelamiento matemático,
y es en esta fase en la que el profesional de Ingeniería Industrial debe desarrollar
su mayor habilidad y destreza. Los pasos para resolver un problema de PL se
encuentran en el módulo de programación lineal.

El PROBLEMA

Un herrero con 80 Kg. de acero y 120 Kg. de aluminio quiere hacer bicicletas de
paseo y de montaña que quiere vender, respectivamente a 20.000 y 15.000 pesos
cada una para sacar el máximo beneficio. Para la de paseo empleará 1 Kg. De acero
y 3 Kg. de aluminio, y para la de montaña 2 Kg. de ambos metales. ¿Cuántas
bicicletas de paseo y de montaña deberá fabricar para maximizar las utilidades?

EL MODELO MATEMÁTICO

Acero Aluminio Precio de Venta

Bicicleta de paseo (x) 1 kg 3 kg $ 20.000

Bicicleta de montaña (y) 2 kg 2 kg $ 15.000

Disponibilidad 80 kg 120 kg

Declaración de variables
x = Cantidad de bicicletas de paseo a producir

y = Cantidad de bicicletas de montaña a producir

Restricciones de capacidad

Aluminio:

x + 2y <= 80

Acero:

3x + 2y <= 120

Función Objetivo

Zmax = 20000x + 15000y

Conclusión:

Aparentemente ha surgido una nueva etapa en la metodología de solución de

problemas de PE, con una serie de artículos publicados en la década de 1980. El
nuevo enfoque algorítmico involucra la combinación de pre procesado automático
del problema, generación de cortaduras y las técnicas de ramificación y
acotamiento. Continúa la investigación en esta área.

A veces los problemas prácticos de PE son tan grandes que no se pueden resolver
ni con los últimos algoritmos. En estos casos, es común aplicar el método símplex
nada más a la soltura de PL y después redondear la solución a una solución entera
factible. Este enfoque no suele ser satisfactorio porque puede ser difícil (o imposible)
encontrar una solución etera factible de esta manera. Y aun encontrándola, puede
estar muy alejada del óptimo. Esto es cierto en especial cuando se manejan
variables binarias e incluso variables enteras generales con valores pequeños.
FUENTES CONSULTADAS “Bibliografías”

(PROGRAMACION ENTERA)

(Definicion Y Modelos De Programacion Entera, s.f.)

(INVESTIGACION DE OPERACIONES 1 , s.f.)

(PROGRAMACION LINEAL ENTERA)

(M., 2009)

(PROGRAMACIÓN LINEAL EN TORAPROGRAMACIÓN LINEAL EN TORA, s.f.)