Você está na página 1de 20

1.

Programacin Entera

Tomado de Winston, 2009


Hasta ahora hemos visto los problemas de programacin lineal en el dominio de los reales. Sin embargo, en
muchos modelos algunas o todas las variables de decisin deben ser enteras. Estos modelos son conocidos como
modelos de programacin lineal entera (PLE).
A primera vista podra parecer ms fcil resolver problemas con restriccin de enteros, ya que transforman un
problema continuo en un problema discreto. Sin embargo, los algoritmos que permiten resolver este tipo de
problemas son ms complejos y requieren mucho ms tiempo computacional.
Los modelos de programacin lineal entera se pueden clasificar en:
MODELO
TIPOS DE VARIABLES DE DECISIN
- Completamente entero
Todas son enteras
- Mixto
Algunas, pero no todas son enteras
- Binaria
Todas son binarias (0 1)
EJEMPLO 1
Tradiciones Arequipeas S.A. es una nueva cadena de restaurantes de comida tpica que est planificando
expandirse en Arequipa. An cuando la comida es de alta calidad, la principal atraccin de esta cadena de
restaurantes es su diseo. En la ciudad el interior del local se construy de tal forma de parecerse a una casa de
campo selvtica, mientras que en los distritos aledaos los restaurantes se construyeron idem a una casa de
campo de la sierra.
La compaa dispone de US$2.7 millones para su expansin. Cada restaurante en los distritos aledaos requiere
US$200.000 en inversin, y cada local en la ciudad requiere de US$600.000. Se proyecta que luego de los
gastos, la ganancia neta semanal en los locales de los distritos aledaos (que estarn abiertos las 24 horas) ser
en promedio US$1200. Los restaurantes de la ciudad abrirn slo 12 horas al da, pero debido a una gran
cantidad de clientes durante las horas de trabajo las proyecciones indican que la ganancia neta semanal ser de
US$2000. La compaa desea abrir al menos 2 restaurantes en la ciudad.
Tradiciones Arequipeas S.A. actualmente tiene 19 administradores. Cada local en los distritos aledaos
requerir tres administradores para su funcionamiento las 24 horas, y se cree que con slo un administrador en la
ciudad por restaurante sera suficiente. Tradiciones Arequipeas S.A. desea saber cuntos restaurantes podra
abrir para maximizar su ganancia neta semanal.
Solucin:
Resumiendo el problema, se tiene

Tradiciones Arequipeas S.A. debe decidir cuntos restaurantes debe abrir en los distritos aledaos y en
la ciudad.
Desean maximizar su ganancia total semanal promedio.
La inversin total no puede exceder US$2.7 millones.
Se deben abrir al menos 2 restaurantes en el centro.
Slo se cuenta con 19 administradores.

Un Modelo Matemtico sera:

Mx 1200 X1 + 2000 X2
Sujeto a:
2 X1 + 6 X2 <= 27
X2 >= 2
3 X1 + X2 <= 19
X1, X2 >= 0 y enteros
La solucin real del problema es:
X1 = 87/16, X2 = 43/16, Z = US$ 11900
Surgen naturalmente algunas interrogantes:
Por qu no redondear simplemente los valores de la solucin real?
Posibles resultados del redondeo:
a) Los puntos pueden ser no factibles
b) Los puntos pueden ser factibles pero no ptimos
c) Los puntos pueden ser factibles y ptimos
Veamos los puntos X1 = 6, X2 = 3. Qu sucede?
Nota: Imponer restriccin de enteros agrega dos restricciones al problema: X1 entero y X2 entero. As es que tal
como se ver despus el valor de la funcin objetivo NO podr mejorar. En un problema de maximizacin esto
significa que el valor de la funcin objetivo disminuir o en el mejor de los casos ser el mismo que el valor
ptimo del problema de programacin lineal en el dominio de los reales.
La solucin entera del problema es: X1 = 4, X2 = 3, Z = US$ 10800
ALGORITMO DE RAMIFICACIN Y ACOTAMIENTO
Los problemas de programacin entera pueden resolverse en teora, por medio de la enumeracin de todas las
soluciones posibles y la seleccin de la mejor. En el ejemplo que sigue solo hay dos variables. Pero aun este
sencillo ejemplo tiene 305 combinaciones posibles de soluciones enteras.
Ramificacin y acotamiento es una estrategia de bsqueda sistemtica que reduce mucho el nmero de
combinaciones que se deben examinar. Comienza con la solucin ptima del Simplex en donde se ignoraron las
restricciones de variables enteras. Se selecciona despus una variable con valor no entero y se crean dos ramas
mutuamente excluyentes. Esto da lugar a dos nuevos problemas de PL que se deben resolver. Si ninguna
solucin es entera, se crean ramas y se resuelven nuevos problemas. En cada paso, la solucin que se encuentra
proporciona una cota para esa rama en el sentido de que ninguna otra solucin puede ser mejor. Por ejemplo,
se inicia el proceso con una solucin ptima no entera. Se sabe que no existe ninguna otra solucin no entera que
sea mejor. Un ejemplo ayudara a clarificar este proceso.
Ejemplo: Considrese el siguiente problema de programacin entera:
Maximizar : Z = 60X + 50Y
Restricciones: 2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 18
X, Y = 0,1,2 , ..(enteros)
La grfica de este problema se muestra en la figura siguiente:

La solucin no entera ptima cae en la interseccin de las dos primeras restricciones: X = 7.5, Y = 16.25, Z =
1262.5. Ninguna variable es entera. Tambin puede afirmarse que ninguna otra solucin no entera dar un valor
mayor a 1262.5 para la funcin objetivo.
RAMIFICACIN
Se inicia la ramificacin con cualquiera de las dos variables, seleccinese X que tiene un valor de solucin de
7.5. Como slo son de inters las soluciones enteras, pueden eliminarse todos los valores de X entre 7 y 8. Es
decir, puede dividirse el espacio de soluciones en dos partes, con una X<= 7 y otra con X>= 8, tal como se
muestra en la figura siguiente:
Y

3X + 2Y = 55

20

Y = 18

18
16

X = 16

14
12
10

2X + 4Y = 80

X <= 7

8
6

X >= 8

4
2

10

12

14

16

18

Esto crea dos nuevos problemas de PL uno para cada rama.


Rama A:

Rama B:

Maximizar : Z = 60X + 50Y


Restricciones : 2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 18
X <= 7
Maximizar : Z = 60X + 50Y
Restricciones : 2X + 4Y <= 80

20 X

3X + 2Y <= 55
X <= 16
Y <= 8
X >= 8
Ntese que la restriccin original X<=16 se convierte en superflua en la rama A. Ahora debe resolverse cada uno
de los problemas ignorando de nuevo la restriccin de variables enteras.
Un diagrama de rbol es muy til para guardar un registro de las ramas. La solucin para las dos ramas se
muestra en el diagrama de rbol de la figura siguiente:
INICIO
X = 7.5
y = 16.25

z = 1262.5
X <= 7
INICIO
RAMA
A

X >= 8

INICIO
RAMA
B

X=7

X=8

y = 16.5

y = 15.5

z = 1245

z = 1255

Aunque ambas soluciones dan valores enteros de X, dejan a Y con valores no enteros. Ntese tambin que la
funcin objetivo ha disminuido en ambos casos. En este punto puede afirmarse que ninguna solucin entera en la
rama A puede dar un valor de la funcin objetivo mayor que 1245. De igual manera, 1255 es una cota superior
en la rama B.
La ramificacin posterior se muestra en la figura de la pgina siguiente.
Los modelos de programacin lineal correspondientes a cada una de las ramas posteriores del rbol son:
Rama B1:
Rama B2:
Maximizar : Z = 60X + 50Y
Maximizar : Z = 60X + 50Y
S.t.:
2X + 4Y <= 80
S.t.:
2X + 4Y <= 80
3X + 2Y <= 55
3X + 2Y <= 55
X <= 16
X <= 16
Y <= 8
Y <= 8
X >= 8
X >= 8
Y <= 15
Y >= 16
Arbol de ramificacin completa

INICIO
X = 7.5
y=
16.25

z = 1262.5
X <= 7

X >= 8

INICIOA
RAMA

INICIOB
RAMA

X=7

X=8

y = 16.5

z = 1245

y = 15.5

z = 1255

Y <= 16
INICIO A1
RAMA

Y >= 17

Y >= 16

Y <= 15

INICIO
RAMA
A2

INICIO
RAMA B1

INICIO B2
RAMA
No hay
soluciones
factibles

X=7

X=6

X = 8.33

Y = 16

Z = 1220

y = 17

y = 15

z = 1250

Z = 1210

X <= 8
INICIOB1a
RAMA
X=8

X >= 9
INICIO
RAMA
B1b

X=9
Y = 14

X = 15

z = 1230

Rama A1:
Maximizar : Z = 60X + 50Y
S.t.:
2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 8
X >= 8
Y <= 16

Rama A2:
Maximizar : Z = 60X + 50Y
S.t:
2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 8
X >= 8
Y >= 17

Rama B1a:
Maximizar : Z = 60X + 50Y
S.t.:
2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 8
X >= 8
Y <=15
X <= 8

Rama B2b:
Maximizar : Z = 60X + 50Y
S.t.:
2X + 4Y <= 80
3X + 2Y <= 55
X <= 16
Y <= 8
X >= 8
Y <=16
X >= 9

Z = 1240

En este caso se ha tenido que ramificar todo el rbol, pero generalmente no es necesario ya que la solucin
(valor de Z) de una rama puede servir de cota para no seguir extendiendo otras ramas cuyas soluciones sean de

igual o menor valor a la cota. Por ejemplo si la solucin de la rama A hubiera sido Z=1240, entonces no hay la
necesidad de extenderla ya que cualquier solucin debajo de ella es menor que 1240.
Por lo tanto la solucin entera ptima del problema se encuentra en la rama B1b con X=9, Y=14 y Z=1240.
PROGRAMACIN BINARIA
Gran parte de la flexibilidad de modelado obtenida mediante la programacin lineal de enteros se debe al uso de
las variables 0-1. En muchas aplicaciones, las variables 0-1 aportan selecciones o elecciones con el valor de la
variable igual a uno si una actividad correspondiente se efecta e igual a cero si la actividad correspondiente no
se efecta. El diseo de presupuestos de capital de Costos fijos y de sistemas de distribucin y de las
aplicaciones de localizacin de bancos que se presentan en esta seccin utilizan las variables 0-1.
Ejemplo 1: PRESUPUESTO DE CAPITAL
Una empresa Arequipea est pensando en invertir en varios proyectos que tienen necesidades de capital a lo
largo de los siguientes cuatro aos, Ante una limitacin en cada uno de los aos, la administracin deseara
seleccionar los proyectos ms redituables para su desembolso de capital. El valor presente neto estimado de cada
proyecto las necesidades de capital y el capital disponible a lo largo del periodo de cuatro aos aparece en la
siguiente tabla:
PROYECTO

Valor Presente Neto Estimado $90 000

B
$40 000

C
$10 000

D
$37 000

CAPITAL
DISPONIBLE

CAPITAL DEL AO 1
CAPITAL DEL AO 2
CAPITAL DEL AO 3
CAPITAL DEL AO 4

$10 000
$15 000
$20 000
$ 5 000

$10 000

$15 000
$10 000
$10 000
$10 000

$40 000
$50 000
$40 000
$35 000

$15 000
$20 000
$20 000
$15 000

$ 4 000

Donde:
Proyecto A: Expansin de la planta
Proyecto B: Expansin de los almacenes
Proyecto C: Compra de maquinaria nueva
Proyecto D: Nueva investigacin de productos
Definimos nuestras cuatro variables de decisin 0-1 de la manera siguiente:
X1 = 1 si se acepta el proyecto de expansin de planta; = 0 si se rechaza
X2 = 1 si el proyecto de expansin de almacenes se acepta; = 0 si se rechaza.
X3 = 1 si se acepta el proyect de nueva maquinaria; = 0 si se rechaza
X4 = 1 si el nuevo proyecto de investigacin de producto es aceptado; = 0 si es rechazado
La funcin objetivo de la empresa es maximizar el valor presente neto en todos los proyectos aceptados. Ese
problema tiene cuatro restricciones: uno para los fondos disponibles en cada uno de los siguientes cuatro aos.
El modelo de programacin lineal de enteros 0-1, en miles de dlares es como sigue:
Max 90x1 + 40x2 + 10x3 + 37x4
sujeto a:
Restricciones de capital disponible:
15x1 + 10x2 + 10x3 + 15x4 <= 40
20x1 + 15x2
+ 10x4 <= 50
20x1 + 20x2
+ 10x4 <= 40
15x1+ 5x2 + 4x3 + 10x4 <= 35
x1, x2, x3, x4 = 0,1
SALIDA DEL LINDO:
MAX 90x1 + 40x2 + 10x3 + 37x4

(ao 1)
(ao 2)
(ao 3)
(ao 4)

ST
15x1 + 10x2 + 10x3 + 15x4 <= 40
20x1 + 15x2
+ 10x4 <= 50
20x1 + 20x2
+ 10x4 <= 40
15x1 + 5x2 + 4x3 + 10x4 <= 35
END
INT 4
OBJECTIVE FUNCTION VALUE
1) 140.0000
VARIABLE
X1
X2
X3
X4

VALUE
REDUCED COST
1.000000
-90.000000
1.000000
-40.000000
1.000000
-10.000000
0.000000
-37.000000

ROW SLACK OR SURPLUS


2)
5.000000
3)
15.000000
4)
0.000000
5)
11.000000
NO. ITERATIONS=
9
La solucin de programacin de enteros proveniente deL software LINDO, muestra que la solucin optima es
x1=1, x2=1, x3=1, x4=0, con un valor presente neto total estimado de 140000 dlares, por lo que la compaa
deber invertir en la expansin de la planta, y de los almacenes y en los nuevos proyectos dc maquinaria. El
nuevo proyecto de investigacin de productos deber quedarse a la espera a menos que queden disponibles
fondos de capital adicionales. Los valores de las variables de holgura (Slack or Surplus) muestran que la empresa
tendr disponibles 5000 dlares en el ao 1, 15.000 dlares en el ao 2 y 11.000 dlares en el ao 4. Al
comprobar las necesidades de capital del nuevo proyecto de investigacin de productos, veremos que estn
disponibles suficientes fondos para este proyecto tanto en el ao 2 como en el 4. Sin embargo, la empresa tendra
que encontrar fondos de capital adicionales de 10000 dlares en el ao 1, y de 10000 dlares en el ao 3 para
poder invertir en el nuevo proyecto de investigacin de productos.
Ejemplo 2: COSTOS FIJOS
En muchas aplicaciones, el costo de produccin tiene dos componentes: un costo de puesta en marcha, que es un
cargo fijo que no esta relacionado con el volumen de produccin, y un costo variable, que esta relacionado
directamente con dicho volumen. El uso de las variables 0-1 hace posible la inclusin del costo de puesta marcha
fijo en la mezcla de productos o en el problema de programacin de la produccin.
Ejemplo: Una pequea empresa que produce una variedad de productos qumicos ha ampliado su lnea de
productos para incluir tres productos: un aditivo para combustible, una base disolvente, y un liquido limpiador
de alfombras. Definimos las variables de decisin de la manera siguiente:
x1 = toneladas de aditivo para combustible producidas
x2 = toneladas de base disolvente producidas
x3 = toneladas de fluido para limpiador de alfombras producido
Las contribuciones a la utilidad son 40 dlares por tonelada del aditivo para combustible. 30 dlares por tonelada
para la base disolvente y 50 dlares por tonelada para el lquido limpiador de alfombra. Cada tonelada de aditivo
para combustible requiere 0,4 toneladas de la materia prima 1 y 0.6 toneladas de la materia prima 3. Cada
tonelada de base disolvente requiere de 0.5 toneladas de la materia prima 1, 0.2 toneladas de la materia prima 2 y
0.3 toneladas de la materia prima 3. Cada tonelada de lquido limpiador de alfombras requiere de 0.6 tonelada de
la materia prima 1, 0.1 tonelada de la materia prima 2 y 0.3 toneladas de la materia prima 3. Para el periodo de
produccin siguiente, la empresa tiene una existencia de 20 toneladas de la materia prima 1, cinco toneladas de
la materia prima 2 y 21 toneladas de la materia prima 3 disponibles.
El modelo de programacin lineal del problema es como sigue:
Max 40x1 + 30x2 + 50x3
SUJETO A:

0.4X1 + 0.5X2 + 0.6X3 <= 20 Material 1


0.2X2 + 0.1X3 <= 5
Material 2
0.6x1 + 0.3x2 + 0.3x3 <= 21 Material 3
x1, x2, x3>=0
Esta formulacin no incluye el costo fijo para poner en marcha la produccin de los productos. Suponga que
estn disponibles los siguientes datos relacionados con el costo de puesta en marcha y la cantidad mxima de
produccin de cada uno de los tres productos.
Costo de Puesta
PRODUCTO
en Marcha
Aditivo para combustible
$200
Base disolvente
$ 50
Lquido limpiador de alfombras $400

PRODUCCION
MAXIMA
50 Ton
25 Ton
40 Ton

La flexibilidad de modelado que se tiene con las variables 0-1 se puede utilizar para incorporar los costos de
puesta en marcha, que son fijos en el modelo de produccin. Definimos las variables 0-1 como sigue:
y1 = 1 si se produce aditivo para combustible
= 0 si no se produce
y2 = 1 si se produce base disolvente
= 0 si no se produce
y3 = 1 si se produce el lquido limpiador de alfombras
= 0 si no se produce
Utilizando estas Variables, el costo total de puesta en marcha es:
200y1 + 50y2 + 400y3
Por lo que la funcin objetivo del problema incluido el costo de puesta en marcha es:
Max 40x1 + 30x2 + 50.x3 - 200y1 50y2 400y3
Ahora debemos escribir las restricciones de la capacidad de produccin de tal manera que si una variable de
puesta en marcha es igual a cero, no se permita la produccin. Cuando una variable de puesta en marcha sea
igual a uno, se permite la produccin hasta la cantidad mxima. En el caso del aditivo para combustible,
agregamos la siguiente restriccin:
x1 <= 50y1
Note que si y1 = 0, no se permite la produccin del aditivo para combustible (x1<=0). Sin embargo, si y1= 1, la
produccin del aditivo para combustible se permite hasta su nivel mximo (X1<=50). Podemos pensar de una
variable de puesta en marcha como de un interruptor. Cuando est desconectado (y1=0), no se permite la
produccin; cuando esta conectado (y1=1), se permite la produccin.
Las restricciones similares de capacidad de produccin para la base disolvente y el lquido de limpieza de
alfombras son:
x2<= 25y2 y
x3<= 40y3
Pasando todas las variables al lado izquierdo de la restriccin nos da el siguiente modelo de cargos fijos para el
problema.
Max 40x1+30x2+ 50x3 200y1 50y2 400y3
Sujeto a:
0.4x1 + 0.5x2 + 0.6x3 <= 20 materia prima 1
0.2x2 + 0.1x3 <= 5 materia prima 2
0.6x1 + 0.3x2 + 0.3x3 <= 21 materia prima 3
x1 50y1 <= 0 mximo x1
x2 25y2 <= 0 mximo x2
x3 40y3<= 0 mximo x3
x1, x2, x3 >=0; y1, y2 , y3 = 0, 1
SALIDA DEL LINDO:
Max 40x1 + 30x2 + 50x3 - 200y1 - 50y2 - 400y3

St
0.4x1 + 0.5x2 + 0.6x3 <= 20
0.2x2 + 0.1x3 <= 5
0.6x1 + 0.3x2 + 0.3x3 <= 21
x1 - 50y1 <= 0
x2 - 25y2 <= 0
x3 - 40y3 <= 0
end
int y1
int y2
int y3
OBJECTIVE FUNCTION VALUE
1)
1350.000
VARIABLE VALUE
REDUCED COST
Y1
1.000000
200.000000
Y2
1.000000
50.000000
Y3
0.000000
-266.666656
X1
25.000000
0.000000
X2
20.000000
0.000000
X3
0.000000
0.000000
ROW SLACK OR SURPLUS
2)
0.000000
3)
1.000000
4)
0.000000
5)
25.000000
6)
5.000000
7)
0.000000
NO. ITERATIONS=

43

Utilizando el software LINDO obtenemos la solucin ptima de 25 toneladas de aditivo para combustible, 20
toneladas de base disolvente y cero toneladas de liquido limpiador de alfombras. El valor de la funcin objetivo
incluyendo los costos de puesta en marcha es de 1,350 dlares. El costo de puesta en marcha del aditivo para
combustible y la base disolvente es $200 +$50 = 250 dlares.
Al establecer y3 = 0 se ha evitado el costo ms elevado de puesta en marcha de 400 dlares para el lquido
limpiador de alfombras.
La clave para el desarrollo de modelos de cargo fijo es la introduccin de una variable de 0-1 para cada cargo
fijo y la especificacin de un limite superior para la variable correspondiente de produccin. Por lo tanto se
puede utilizar una restriccin de la forma xi<=Myi para permitir la produccin cuando y1=1 y no permitiese
cuando y1= 0. El valor de M, debe ser lo suficientemente grande para que permita niveles razonables de produc cin pero no demasiado grandes. La investigacin ha demostrado que al seleccionar valores de M demasiado
elevados se har ms lento el procedimiento de solucin.
Ejemplo 3: SISTEMAS DE DISTRIBUCION
PepsiCola opera una planta en San Luis con una capacidad anual de 30 000 unidades. El producto se embarca a
centros regionales de distribucin localizados en Boston, Atlanta y Houston. Debido a un incremento anticipado
en la demanda, PepsiCola planea aumentar la capacidad construyendo una nueva planta en una o ms de las ciu dades siguientes: Detroit, Toledo, Denver o Kansas City. El costo fijo anual estimado y la capacidad anual, de las
cuatro plantas propuestas son corno sigue:
Planta Propuesta
Detroit
Toledo
Denver
Kansas City

Costo Fijo Anual


$175 000
$300 000
$375 000
$500 000

Capacidad Anual
10 000
20 000
30 000
40 000

10

El grupo de planeacin a largo plazo de la empresa ha desarrollado pronsticos de la demanda prevista anual en
los centros de distribucin como sigue:
Centro de Distribucin
Boston
Atlanta
Houston

DEMANDA ANUAL
30 000
20 000
20 000

El costo de embarque por unidad de cada una de las plantas a cada uno de los centros de distribucin aparece en
la tabla siguiente:
Localizacin
de la Planta
DETROIT
TOLEDO
DENVER
KANSAS CYTI
SAN LUIS

CENTROS DE DISTRIBUCION
BOSTON ATLANTA HOUSTON
5
2
3
4
3
4
9
7
5
10
4
2
8
4
3

Una representacin del red de sistema de distribucin potencial de PepsiCola aparece en la figura siguiente:
Plantas

10

1
Detroit

Centros de
distribucion

2
3

20

1
Boston

2
Toledo

30

3
4
9

30

2
Atlanta

3
Denver

20

10
4

40

4
Kansas

3
Houston

20

4
3

30

Capacidades

5
San Luis
Rutas de
distribucion

Demandas

Se muestra la localizacin de cada planta potencial; tambin se muestran las capacidades y las demandas en
miles de unidades. Esta representacin de red es para un problema de transpone con una planta en las cuatro
localizaciones propuestas. Sin embargo, todava no se ha tomado la decisin sobre que nueva planta o plantas se
debern construir.
Veamos cmo se pueden utilizar las variables 0-1 a fin de desarrollar un modelo para escoger las mejores
localizaciones de planta y para determinar cunto embarcar de cada planta a cada centro de distribucin.
Podemos utilizar las variables 0-1 siguientes para representar la decisin de construccin de planta.
Y1= 1 si se construye una planta en Detroit;
= 0 si no se construye.

11

Y2 =1 si se construye una planta en Toledo;


= 0 si no se construye.
Y3 =1 si se construye una planta en Denver;
= 0 si no se construye.
Y4 = 1 si se construye una planta en Kansas City;
= 0 si no se construye
Las variables que representan la cantidad que se embarca de cada sitio potencial de planta a cada centro de
distribucin se define de igual manera que en el problema de transpone.
Xij = Unidades embarcadas en miles de la planta i al centro de distribucin j
i = 1,2,3,4,5 y ;j = 1.2.3
Utilizando los costos de embarque mostrados anteriormente, el costo anual de transpone en miles de dlares, se
escribe de la siguiente forma:
5x11 + 2x12 + 3x13 + 4x21 + 3x22 + 4x23 + 9x31 + 7X32 +5x33 + I0x41 + 4x42 + 2x43 +8x51 + 4x52 + 3x53
El costo fijo anual de la operacin de la nueva planta o plantas en miles de dlares se escribe de la siguiente
forma:
175y1 + 300y2 + 375y3 + 500y4
Note que las variables 0-1 se definen de tal manera que el costo fijo anual antes citado para la operacin de las
plantas nuevas solamente se calcula si la planta o plantas en realidad son construidas (es decir si yi = 1). Si la
planta no se construye, yi = 0 y el costo correspondiente fijo anual es 0 dlares.
La funcin objetivo de PepsiCola es la suma del costo anual de transpone ms el costo fijo anual de operacin de
las plantas recin construidas.
Consideremos ahora las restricciones de capacidad en las cuatro plantas propuestas. Utilizando Detroit como
ejemplo, escribimos la restriccin siguiente:
X11 + x12 + x13 <= 10 y1
Si se construye la planta de Detroit y1 = 1 y la cantidad total que se embarque de Detroit a los tres centros de
distribucin deber ser menor o igual a la capacidad de 10 mil unidades de Detroit. Si la planta de Detroit no se
construye y1 = 0 dar como resultado una capacidad de 0 para Detroit. En este caso, todas las variables que
correspondan a los embarques de Detroit debern ser igual a cero x11=0; x12=0; x13=0. Al colocar todas las
variables del lado izquierdo de las restricciones, obtenemos la siguiente restriccin de capacidad para Detroit:
X11 + x12 + x13 10y1 <= 0 capacidad de Detroit
De manera similar, la restriccin por capacidad de la planta propuesta en Toledo se puede escribir
X21 + x22 + x23 20y2 <=0 capacidad de Toledo
Se pueden escribir restricciones similares para las plantas propuestas en Denver y en Kansas City. Note que dado
que la planta ya existe en San Luis, no definimos una variable 0-1 para esta. Su restriccin de capacidad se puede
escribir como sigue:
X51 + x52 + x53 <= 30 capacidad de San Luis
Se necesitaran tres restricciones de demanda, una para cada uno de los centros de distribucin. La restriccin de
demanda para el centro de distribucin de Boston con unidades en miles se escribe de la forma:
X11 + x21 + x31 + x41 + x51 = 30 demanda de Boston
Aparecern restricciones similares para los centros de distribucin de Atlanta y de Houston. Et modelo completo
del problema de diseo del sistema de distribucin de PepsiCola es como sigue:
Min 5x11 + 2x12 + 3x13 + 4x21 + 3x22 + 4x23 + 9x31 +7x32 + 5x33 + 10x41 + 4x42 + 2x43 + 8x51 + 4x52 +
3x53 +175y1 + 300y2 + 375y3 + 500y4
Sujeto a:
X11 + x12 + x13 10y1 <=0 Capacidad de Detroit
X21 + x22 + x23 20y2 <=0 Capacidad de Toledo
X31 + x32 + x33 30y3 <=0 Capacidad de Denver
X41 + x42 + x43 40y4 <=0 Capacidad de Kansas

12

X51 + x52 + x53 <=30 Capacidad de San Luis


X11 + x21 + x31 + x41 + x51 = 30 Demanda de Boston
X12 + x22 + x32 + x42 + x52 = 20 Demanda de Atlanta
X13 + x23 + x33 + x43 + x53 = 20 Demanda de Houston
Xij >=0 para todas las i y todas las j;
y1 , y2 , y3 , y4 =0,1
SALIDA DE LINDO:
Min 5x11 + 2x12 + 3x13 + 4x21 + 3x22 + 4x23 + 9x31+7x32 + 5x33 + 10x41 + 4x42 + 2x43 + 8x51+
4x52 + 3x53 + 175y1 + 300y2 + 375y3 + 500y4
S.t.
X11 + x12 + x13 - 10y1 <=0
X21 + x22 + x23 - 20y2 <=0
X31 + x32 + x33 - 30y3 <=0
X41 + x42 + x43 - 40y4 <=0
X51 + x52 + x53 <=30
X11 + x21 + x31 + x41 + x51 = 30
X12 + x22 + x32 + x42 + x52 = 20
X13 + x23 + x33 + x43 + x53 = 20
end
int y1
int y2
int y3
int y4
OBJECTIVE FUNCTION VALUE
1) 860.0000
VARIABLE VALUE REDUCED COST
Y1
0.000000
145.000000
Y2
0.000000
220.000000
Y3
0.000000
375.000000
Y4
1.000000
500.000000
X11
0.000000
0.000000
X12
0.000000
1.000000
X13
0.000000
4.000000
X21
0.000000
0.000000
X22
0.000000
3.000000
X23
0.000000
6.000000
X31
0.000000
1.000000
X32
0.000000
3.000000
X33
0.000000
3.000000
X41
0.000000
2.000000
X42
20.000000
0.000000
X43
20.000000
0.000000
X51
30.000000
0.000000
X52
0.000000
0.000000
X53
0.000000
1.000000
ROW SLACK OR SURPLUS
2)
0.000000
3)
0.000000
4)
0.000000
5)
0.000000
6)
0.000000
7)
0.000000
8)
0.000000
9)
0.000000
NO. ITERATIONS=
34

13

La solucin optima del LINDO indica que se debe llevar a cabo la construccin de una planta en Kansas City (y4
= 1); se embarcarn 20000 unidades de Kansas City a Atlanta (x42= 20); 20,000 de Kansas City a Houston (x43
= 20) y 30.000 de San Luis a Boston (x51 = 30). Note que el costo total de esta solucin incluyendo el costo fijo
de 500000 dlares para construir la planta en Kansas City es de 860.000 dlares.
Este modelo bsico se puede ampliar para aceptar sistemas de distribucin que impliquen embarques directos de
plantas a almacenes de las plantas a los puntos de menudeo y para varios productos. Utilizando las propiedades
especiales de las variables 0-1, el modelo tambin se puede expandir para aceptar una diversidad de restricciones
de configuracin en las localizaciones de la planta. Por ejemplo suponga en otro problema el lugar 1 era en
Dallas y el 2 era en Fort Worth. Una empresa quizs no desee ubicar plantas tanto en Dallas como en Fort Worth
dado que estas ciudades estn muy cercanas entre s. Para evitar este resultado. se puede agregar la siguiente
restriccin al modelo:
y1 + y2 1
Esta restriccin permite que y1 y2 sean iguales a uno, pero no ambos. Si hubiramos escrito la restriccin en
forma de igualdad, hubiera sido necesario que la planta se localizara ya sea en Dallas o en Fort Worth.
Ejemplo 4:

LOCALIZACIN DE SUCURSALES BANCARIAS:

El departamento de planeacin a largo plazo del Banco Argentino XYZ est considerando la expansin de sus
operaciones a una regin de 20 ciudades (vea la figura siguiente):

Actualmente, XYZ no tiene una oficina importante de negocios en ninguna de las 20 ciudades. De acuerdo con
las leyes bancarias de Argentina, si un banco establece una oficina principal en cualquier ciudad, se puede
establecer sucursales bancarias en dicha ciudad y en cualquier ciudad adyacente. Sin em bargo, para establecer
una nueva oficina principal, XYZ debe obtener aprobacin para un nuevo banco del superintendente de bancos
del estado o adquirir un banco existente.
La tabla siguiente enlista las 20 ciudades de la regin y las ciudades adyacentes. Por ejemplo, la ciudad 1 es
adyacente a las ciudades 2, 12 y 16; la ciudad 2 es adyacente a las ciudades 1, 3 y 12; y as sucesivamente.

14

Como un paso inicial en su planeacin; XYZ deseara determinar el nmero mnimo de oficinas principales
necesarias para efectuar negocios en toda la regin de las 20 ciudades. Un modelo de programacin lineal de
enteros 0-1 se puede utilizar para resolver este problema de XYZ. Definimos las variables de la siguiente
manera:
Xi = 1 si se establece un PPB en el condado i;
= 0 de lo contrario
Para minimizar el nmero de oficinas principales necesarias, escribimos la funcin objetivo de la forma:
Mn x1 + x2 + . . . + x20
El banco puede localizar sucursales en una ciudad si ste contiene una oficina principal o es adya cente a otra
ciudad que tenga una oficina principal; por lo que existir una restriccin para cada ciudad. Por ejemplo, la
restriccin para la ciudad 1 es:
x1 + x2 + x12 + x16 1

Ciudad 1

Note que la satisfaccin de esta restriccin garantiza que se coloque una oficina principal en la ciudad 1 o bien
en una o ms de las ciudades adyacentes. Esta restriccin garantiza, por lo tanto, que XYZ ser capaz de colocar
sucursales bancarias en la ciudad 1.
El enunciado completo del problema de localizacin de bancos es:
Mn x1 + x2 +

+ x20
sujeto a
x1 + x2 + x12 + x16
1 Ciudad 1
x1 + x2 + x3 + x12 1 Lake
:
:
x11 + x14 + x19 + x20
1 Ciudad 20
xi = 0,1 i = 1, 2, , 20
Para resolver esta formulacin de problema con 20 variables y 20 restricciones utilizamos LINDO. En la figura
siguiente mostramos una parte del resultado por computadora. Utilizando este resultado, vemos que la solucin
ptima requiere de oficinas principales de negocios en las ciudades 1, 11 y 12. Con oficinas principales en estas
tres ciudades XYZ puede colocar sucursales bancarias en la totalidad de las 20 ciudades.

15

Problemas de Horarios
Para utilizar el trabajo como recurso lo ms eficiente posible, es importante analizar los requerimientos de mano
de obra varias veces al da. Esto es especialmente cierto en grandes compaas en las cuales las demandas de los
clientes son repetitivas, pero cambian significativamente durante diferentes horas. Por ejemplo, se necesitan ms
operadores telefnicos durante el horario comprendido desde el medio da hasta las 2:00p.m. y tambin desde la
media noche hasta las 2:00 a.m. Sin embrago, muchos de estos operadores deben estar en servicio desde
tempranas horas de la maana. Dado que dichos empleados normalmente trabajan jornadas de 8 horas de trabajo,
sera posible planificar sus horarios de trabajo de tal manera que una simple jornada pueda cubrir dos o ms de
estos periodos pico de demanda. Mediante el diseo de horarios inteligentes, la productividad del operador
incrementara, generando un grupo de trabajo menos numeroso, y una reduccin de gastaos de nmina. Entre
otros ejemplos en el cual los modelos de horario de empleados tienen bastante utilidad se encuentran los
conductores de autobuses, controladores de trfico areo, y las enfermeras. El siguiente es un ejemplo de
problema y desarrollo de un modelo de programacin lineal para el horario de trabajo de enfermeras.
Los hospitales enfrentan constantemente problemas con el horario de trabajo de sus enfermeras. Un modelo de
planificacin de horarios es un problema de programacin de enteros para minimizar el nmero total de
trabajadores sujeto a un nmero especfico de enfermeras durante cada perodo del da.

Perodo

Turno del Da

1
2
3
4
5
6
7
8

8:00 - 10:00
10:00 - 12:00
12:00 - 02:00
02:00 - 04:00
04:00 - 06:00
06:00 - 08:00
08:00 - 10:00
10:00 - 12:00

Nmero Requerido
de Enfermeras
10
8
9
11
13
8
5
3

Dado que cada enfermera trabaja jornadas de 8 horas diarias, el/ ella puede comenzar a trabajar al comienzo de
cualquiera de los primeros cinco perodos: 8:00, 10:00, 12:00, 2:00 4:00. En este ejemplo, no consideramos los
perodos que comienzan a en horas impares tales como las 9:00, 11:00, etc. Adicionalmente, no se necesita
ninguna enfermera que comience a trabajar despus de las 4:00, dado que su horario se extendera hasta despus
de la media noche cuando no son necesarias. Cada perodo es de 2 horas, por lo tanto cada enfermera que se
presente a trabajar en el perodo t trabajar tambin t + 1, t + 2, y t + 3 --- es decir, 8 horas consecutivas. La
pregunta es: Cuantas enfermeras se deben reportar a trabajar durante cada perodo de forma tal de cumplir los

16

requerimientos especificados en la tabla anterior? Para modelar este problema, dejemos que X t sea la variable de
decisin la cual denota el nmero de enfermeras que comenzaran a trabajar en el perodo t. La fuerza laboral
total, la cual deseamos minimizar es Xt. Durante el perodo de tiempo 1, por lo menos 10 agentes deben estar al
servicio, por lo tanto debemos tener X 1 10. Similarmente, los requerimientos en el perodo 2 solo pueden ser
cubiertos por X1 + X2 8. De esta forma, escribimos los requerimientos para los perodos restantes. Estos son:
X1
+
X1
+
X2
X2
+
X3
X3
+
X4
+
X5
Todas las variables son enteros.

X2
+
+
X4

+
X3
X4

+
+
+X5

X5

X3
X4
X5

9,

11,
13,
8,
5,

3,

Note que X1 no es incluida en la restriccin para el perodo de tiempo 5, dado que las enfermeras que comienzan
en el perodo 1 no estn trabando para el perodo 5. Adicionalmente, observe que podra ser necesario tener un
nmero mayor de enfermeras que el requerimiento en algunos perodos. Por ejemplo, vemos que la primera
restriccin muestra que el nmero de enfermeras que comienzan a trabajar en el perodo 1 debe ser por lo menos
10. Todas estas enfermeras estarn trabajando para el perodo 2, pero solo 8 agentes las requieren. Por lo tanto
igualmente si X2 = 0, existirn 2 enfermeras extras trabajando durante el perodo 2.
Enfermeras Requeridas por Turno
Comienzo de Turno

8-10

10-12

12- 2

2- 4

4- 6

6- 8

8-10

Enfermeras Requeridas

10

11

13

Enfermeras Asignadas

10

10

18

20

13

13

Variable

X1

X2

X3

X4

X5

X6

X7

Enfermeras Comenzando
en Turno
10
Total de Enfermeras
23
Requeridas

Aplicaciones al Mercadeo
Suponga que existen 5 peridicos diferentes que son publicados en cierto pas, cada peridico cubre algunas de
las nueve regiones del pas, tal y como es mostrado en la tabla siguiente

# de
Peridico

Regin
Cubierta

Costo por
Publicidad

Beneficios por
Publicidad

1
2
3
4
5

1,2,3
2,3,6
4,5,6
5,7,8
6,8,9

3
4
3
7
5

12
10
14
19
16

El problema del gerente de mercadeo es encontrar el costo mnimo total de forma tal que la publicidad alcance a
todas las reas del pas. Este problema puede ser formulado como una programacin lineal de tipo 0- 1:

17

Minimizar C = 3y1 + 4y2 + 3y3 + 7y4 + 5y5


s.a.
y1

(Regin 1)

y1 + y2

(Regin 2)

y1

(Regin 3)

y3

(Regin 4)

y3 + y4

(Regin 5)

(Regin 6)

y4

(Regin 7)

y4 + y5
y5
yj = 0 1, para todos los j's

1
1

(Regin 8)
(Regin 9)

+ y2

y2 + y3

+ y5

La solucin ptima es hacer publicidad en los peridicos 1, 3, 4, y 5 con un costo total de $18,00. Esta solucin
es el costo mnimo asociado con la cobertura en cada una de las nueve reas.
APLICACIONES PROPUESTAS:

1.- Arequipa est pensando en reubicar varias subestaciones de polica para obtener una mejor vigilancia en
reas de alta delincuencia. Las ubicaciones bajo consideracin junto con las reas que pueden ser cubiertas a
partir de dichas ubicaciones se dan en la tabla siguiente:
Ubicacin potencial
de las subestaciones
A
B
C
D
E
F
G

reas cubiertas
1,5,7
1.2. 5. 7
1,3.5
2.4.5
3,4,6
4,5,6
1,5.6.7

Formule un modelo de programacin de enteros que se pudiera utilizar para encontrar el nmero mnimo de
localizaciones necesarias a fin de proporcionar cobertura para todas las reas.

2.- Una empresa desea determinar el plan de inversiones para el prximo ao, y dispone de los siguientes
proyectos:
Proyecto I : Construir un nuevo depsito
Proyecto II : Recuperar el depsito antiguo
Proyecto III: Automatizar el depsito nuevo
Proyecto IV: Comprar una fbrica de producto A
Proyecto V : Reformar el almacn de productos terminados de la empresa.
El Valor actual Neto (VAN) y la inversin requerida para cada proyecto es:
PROYECTO
I
II
III
IV
V

VAN
(millones $)
5.0
4.5
5.5
9.5
1.5

Capital requerido
(millones $)
7.0
3.0
4.2
7.1
0.9

Entre los proyectos presentados, las alternativas I y II son mutuamente excluyentes, as como IV y V. El proyecto
III, a su vez depende de la realizacin del proyecto I. La empresa dispone de 20 millones de dlares para invertir
en estos proyectos. Formule el modelo matemtico de programacin entera para determinar el plan ptimo de

18

inversiones.

3.- Una empresa organizadora de eventos sociales est considerando la instalacin de un sistema de seguridad
de cmaras de video para reducir sus primas de seguro. Un diagrama de los ocho salones de exhibicin que
utiliza la empresa para sus exposiciones aparece en la figura siguiente:

Las aperturas entre habitaciones o salones estn numeradas del 1 al 13. Una empresa especializada en seguridad
ha propuesto que se instalen cmaras de dos direcciones en algunas de las aperturas de los salones. Cada c mara
tiene la capacidad de vigilar los dos salones entre los cuales se localiza. Por ejemplo. si una cmara se localiza en
la apertura nmero 4: quedaran cubiertos los salones 1 y 4; si se lo realizara una cmara en la apertura 11,
quedaran cubiertos los salones 7 y 8, Y as sucesivamente. La administracin ha decidido no colocar un sistema
de cmaras a la entrada de los salones de exhibicin. El objetivo es proporcionar cobertura de seguridad para los
ocho salones utilizando un nmero mnimo de cmaras de dos direcciones.
a)

Formule un modelo de programacin lineal de enteros 0-1 que le permita a la


administracin de la empresa determinar las ubicaciones de los sistemas de cmaras.

b)

Suponga que la administracin desea cobertura adicional de seguridad para el saln


7. Especficamente, la administracin desea que el saln 7 est cubierto por dos cmaras. Cmo tendra
que cambiar su modelo segn fue formulado en el inciso (a) para que acepte esta restriccin de poltica?

4.- Se desea planear la produccin de 2000 unidades de cierto producto que se fabrica en 3 mquinas. La
informacin necesaria se resume en la siguiente tabla:
Mquina
1
2
3
4

Costo de
preparacin
100
300
200
150

Costo unitario
de produccin
10
2
5
7

Capacidad
(unid)
600
800
1200
1000

El objetivo es minimizar el costo total de produccin del lote requerido, formule el problema como un problema
de programacin entera.

5.- Transaltisa S.A. considera cinco inversiones. La inversin 1 proporcionar un valor actual neto (VAN) de
16000 dlares; la inversin 2 un VAN de 22000 dlares; la inversin 3 un VAN de 12000 dlares; la inversin 4
un VAN de 8000 dlares; y la inversin 5 un VAN de 7000 dlares. Cada inversin requiere cierto flujo de caja

19

en el momento actual: la inversin 1, 5000 dlares; la inversin 2, 7000 dlares; la inversin 3, 4000 dlares; la
inversin 4, 3000 dlares; y la inversin 5, 2000 dlares respectivamente. Se dispone de 16000 dlares para la
inversin. Formule un modelo matemtico de programacin binaria cuya solucin dir a Transaltisa S.A. cmo
maximizar el VAN obtenido de las inversiones. Tome en cuenta las siguientes restricciones:
1.
2.

Transaltisa S.A. puede invertir en a lo ms tres inversiones.


Si Transaltisa S.A. invierte en la inversin 2, no podr invertir en la inversin 4.

6.- Una compaa est considerando siete grandes inversiones de capital. Cada inversin se puede hacer slo
una vez. Estas inversiones difieren en la ganancia estimada a largo plazo (valor presente neto) que generarn, as
como la cantidad de capital requerido, como se muestra en la siguiente tabla (en millones de dlares):

Ganancia estimada
Capital requerido

1
17
43

2
10
28

Oportunidad de inversin
3
4
5
6
7
15
19
7
13
9
34
48 17
32 23

Se dispone de $100 millones de dlares como capital total para estas inversiones. Las oportunidades de
inversin 1 y 2 son mutuamente excluyentes, lo mismo que 3 y 4. Ms an, la oportunidad 3 no se podr
aprovechar a menos que se invierta en una de las dos primeras oportunidades. El objetivo es elegir la
combinacin de inversiones de capital que maximice la ganancia estimada a largo plazo (valor presente neto).
Formule un modelo de programacin binara para este problema.

7.- Resolver los siguientes Modelos de Programacin Lineal Entera empleando el Algoritmo de Ramificacin y
acotamiento.
a)

c)

Max 60X+50Y
ST
2X+4Y80
3X+2Y55
X16
Y18
X,Y0 Y ENTERO

b)

Max 8X+7Y
ST
2X+0.5Y12
4X+7Y36
X,Y0 Y ENTERO

Max 5x1+3x2
St
10x1+16x2<=96
7x1+11x2<=77
x1,x2>=0 y entero

8.- La empresa FRURED, S.A., est plantendose donde instalar una serie de factoras desde las que
producir y distribuir sus productos de derivados de las frutas. Despus de analizar las posibles
ubicaciones y de negociar con los ayuntamientos respectivos la urbanizacin y las subvenciones a
conseguir, tiene disponible la siguiente informacin:
Posibles localizaciones: Silla, Sagunto, Alzira, Xativa y Valencia.
Los costes de instalacin en cada una de las posibles ubicaciones es: Silla, 12500000.
Sagunto, 10750000. Alzira, 9975000. Xativa, 11250000. Valencia, 11750000.
La capacidad de produccin de las factoras es: Silla, 1500. Sagunto, 1750. Alzira, 1700. Xativa,
1600. Valencia 1250.
Los mercados
Sevilla.

que debe

abastecer

son: Valencia,

Barcelona,

Madrid,

Bilbao, Zaragoza,

Las demandas de los diferentes mercados es de: Valencia, 480. Barcelona, 356. Madrid, 251.
Bilbao, 349. Zaragoza, 598. Sevilla, 326.

20

Los costes de transporte y distribucin son los que se recogen en la tabla siguiente:

SILLA
SAGUNTO
ALZIRA
XATIVA
VALENCIA

VAL
10
62
62
35
5

BAR
62
10
40
63
12

MAD
110
63
60
96
55

BIL
35
63
35
10
40

ZAR
62
40
70
35
60

SEV
100
86
54
67
45

Si por razones de estrategia comercial la empresa quiere instalar tres factoras, determine el modelo matemtico
respectivo que establezca donde se debe instalar las factoras de forma que el costo total sea mnimo.

Você também pode gostar