Escolar Documentos
Profissional Documentos
Cultura Documentos
IND2209
UNIDAD 1
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2018
Aspectos Generales
Para las Solemnes y controles se puede utilizar lápiz
pasta, corrector, regla y calculadora básica. No esta
permitido intercambiar material durante una
evaluación. Queda estrictamente prohibido el uso de
celulares o equipos de audio durante las evaluaciones.
2
Evaluaciones
Se considera como calculadora básica aquella que permite sólo
las operaciones aritméticas elementales. Excepcionalmente estará
permitido el uso de calculadoras semicientíficas. No se permitirá
el uso de calculadoras “modernas” (Por ejemplo: Texas
Instruments, HP, etc) que permitan graficar y/o almacenar texto.
Solo con un fin referencial se adjunta imagen de lo que se
entiende por una calculadora básica:
3
Contacto
Para cualquier consulta respecto a los contenidos del
curso, evaluaciones, etc, por favor escribir a
francisco.yuraszeck@unab.cl
Horario de Consultas:
Durante o una vez finalizada la clase (de preferencia)
o por correo electrónico. Las consultas enviadas por
este último medio se responderán a la brevedad
(considerar un mayor tiempo de respuesta si las
consultas son enviadas los fines de semana).
4
Contenidos
I. Introducción a la Investigación Operativa
II. Modelos de Programación Matemática
Programación Lineal
Programación Entera
Programación en Redes
5
Introducción
Elementos básicos de un modelo de optimización.
6
Introducción
La Optimización se relaciona con problemas de minimizar o
maximizar una función (objetivo) de una o varias variables,
cuyos valores usualmente están restringidos por ecuaciones
y/o desigualdades.
7
Introducción – Metodología de la IO
Implementación
y control de la Validación
solución
8
Introducción
Hoy en día el uso de modelos de optimización es cada vez más
frecuente en la toma de decisiones.
Links de Interés:
https://www.informs.org/Sites/Getting-Started-With-Analytics
http://www.ichio.cl
http://www.dii.uchile.cl/~ris/
http://www.neos-guide.org/
http://www.gestiondeoperaciones.net/category/programacion_lineal/
9
Introducción: Ejemplo
Supongamos que se dispone de determinadas piezas
para la elaboración de dos productos finales. Se
dispone de 8 “piezas pequeñas” y 6 “piezas grandes”.
Estas piezas son utilizadas para elaborar sillas (usando
2 piezas pequeñas y 1 pieza grande) y mesas (usando
2 piezas de cada tipo).
10
Introducción: Ejemplo
Interesa decidir cuántas sillas y mesas fabricar de modo
de obtener la máxima utilidad, dado un beneficio neto
de U$ 10 por cada silla y de U$16 por cada mesa
fabricada.
11
Introducción: Ejemplo
La solución óptima de este problema se encuentra enumerando
las posibles soluciones factibles a considerar, esto es soluciones
que respetan las restricciones del número de piezas disponibles,
son por ejemplo soluciones factibles, fabricar:
12
Introducción: Ejemplo
El conjunto de puntos factibles (o soluciones factibles) se puede
representar gráficamente en este ejemplo de 2 variables:
14
Introducción: Ejemplo
ii) La función objetivo del problema, que permita tener un
criterio para decidir entre todas las soluciones factibles. En el
ejemplo, maximizar la utilidad dada por:
15
Introducción: Ejemplo
iii) Restricciones del problema, que consiste en definir un
conjunto de ecuaciones e inecuaciones que restringen los valores
de las variables de decisión a aquellos considerados como
factibles. En el ejemplo, respetar la disponibilidad de piezas
para la fabricación de sillas y mesas:
Piezas pequeñas: 2x + 2y 8
Piezas grandes : x + 2y 6
16
Introducción: Ejemplo
En resumen:
Max 10x + 16y
s.a. 2x + 2y 8
x + 2y 6
x 0, y 0
Solución óptima:
17
Introducción
El ejemplo corresponde a un modelo de Programación Lineal.
18
Introducción
Supuestos Básicos de la Programación Lineal:
i) Linealidad
iv) No - negatividad
19
Introducción
Existen numerosos programas computacionales para resolver
diversos problemas de optimización.
20
Introducción
Empleando un software de modelado algebraico (AMPL:
www.ampl.com), el modelo lineal introductorio corresponde
simplemente a:
22
Introducción
Empleando Solver de EXCEL, el ejemplo introductorio
corresponde simplemente a:
23
Introducción
De donde se obtiene la siguiente solución óptima:
25
Actividad en Clases
Variables de Decisión:
Función Objetivo:
Restricciones:
Actividad en Clases
Problema de S.T.
900 Intensificador
800
700
Perfume (P) (100ml)
28
Ejercicio
Con esto, un aviso (de un minuto) en 24 horas de TVN es visto por 500.000 niños
(17 años o menos), 100.000 mujeres adultas y 300.000 hombres adultos, y tiene
un costo de $1.800.000. Por otra parte el objetivo de Mega-Marketing es que al
menos 2.4 millones de niños, 1.8 millones de mujeres y 2.4 millones de hombres
vean su publicidad (si una persona determinada ve la publicidad dos o más veces
se considera como dos o más personas ya que estará más propenso a comprar).
29
INVESTIGACIÓN DE OPERACIONES
IND2209
UNIDAD 2
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2017
i) Problema de Transporte
(Hitchcock, 1941; Kantorovich1942; Koopmans 1947). El
problema consiste en decidir cuántas unidades trasladar
desde ciertos puntos de origen (plantas, ciudades, etc.) a
ciertos puntos de destino (centros de distribución, ciudades,
etc..) de modo de minimizar los costos de transporte, dada
la oferta y demanda en dichos puntos.
Diagrama
C.D.1
X11
Planta 1
X12
X13
X23
C.D.3
Orígenes Destinos
i) Problema de Transporte
Variables de decisión:
Función Objetivo:
21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del Problema
1) No Negatividad: xij 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
Restricciones del Problema
3) Oferta:
P1 : x11 + x12 + x13 ≤ 250
P2 : x21 + x22 + x23 ≤ 400
Función Objetivo:
Maximizar las utilidades netas totales del plan de
producción, dado por:
14.800 x1 + 13.200 x2 + 18.500 x3
Restricciones del Problema
Disponibilidad de fruta
18 x1 + 20 x2 + 25 x3 3.000.000
Calidad
13.5 x1+ 5 x2 600.000
Límites de venta
x1 800.000; x2 50.000; x3 80.000
No Negatividad
x1 0 ; x2 0 ; x3 0
TAREA: Resolver el problema de producción utilizando Solver de Excel
iii) Problema de la Dieta
(Stigler, 1945) este consiste en determinar una dieta de manera
eficiente, a partir de un conjunto dado de alimentos, de modo de
satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente información:
Leche Legumbre Naranjas Requerimientos
(lt) (1 (unidad) Nutricionales
porción)
Niacina 3,2 4,9 0,8 13
Tiamina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
iii) Problema de la Dieta
Variables de decisión:
x1 : litros de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.
Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Restricciones del Problema
Referencias:
http://www.neos-guide.org/content/diet-problem-demo
http://www.gestiondeoperaciones.net/programacion_lineal/problema-de-la-dieta-en-programacion-lineal-
resuelto-con-solver-de-excel/
iv) Problema de Planificación Financiera
Por su parte, las toneladas demandadas que deben ser enviadas a cada puerto,
conjuntamente con los costos de transporte (en dólares por tonelada) se dan en la
siguiente tabla:
http://neos.mcs.anl.gov/neos/solvers/lp:XpressMP/AMPL.html
v) Problema de expansión de la capacidad de
un Sistema de Potencia Eléctrica
Variables de Decisión
xt : cantidad de MW expandidos en planta a
petróleo al inicio del año t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas
al inicio del año t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas
nuevas a petróleo al inicio del año t.
wt : cantidad total de MW disponible en plantas
nuevas a gas al inicio del año t.
v) Problema de expansión de la capacidad de
un Sistema de Potencia Eléctrica
Función Objetivo:
pt x t gt yt
T
Min
t 1
c t z t w t dt
Restricciones: t
z t xk t 20
k 1
t
zt xk t 20
k t 19
v) Problema de expansión de la capacidad de
un Sistema de Potencia Eléctrica
t
w t yk t 15
k 1
t
wt yk t 15
k t 14
wt
0,30 t 1...T
ct zt w t
x t , yt , z t , w t 0
vi) Problema de Dimensionamiento de Lotes
Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
vi) Problema de Dimensionamiento de Lotes
Variables de decisión:
xt : número de unidades elaboradas en el periodo t.
It : número de unidades de inventario al final del periodo t.
Función objetivo:
Consiste en minimizar los costos de producción y el costo de
mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
vi) Problema de Dimensionamiento de Lotes
2) Restricciones de no negatividad
xt , It 0
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195 Periodo 4
vi) Problema de Dimensionamiento de
Lotes (Resolución Solver de Excel)
vi) Problema de Dimensionamiento de
Lotes (Resolución Solver de Excel)
vii) Problema de Mezcla de Productos
Función objetivo:
UNIDAD 3
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2017
Resolución Gráfica de Modelos de PL
75
Resolución Gráfica de Modelos de PL
76
Resolución Gráfica de Modelos de PL
Enseguida, se estudia el comportamiento de las curvas de nivel
de la función objetivo, fijando la atención en la dirección de
crecimiento de la función (que corresponde a la dirección del
vector gradiente de la función, z(x1,x2) = (3,5)T).
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
77
Resolución Gráfica de Modelos de PL
4 6 x1
78
Resolución Gráfica de Modelos de PL
Notar que se pueden dar otras situaciones en la búsqueda
de una solución óptima para esta clase de problemas:
79
Resolución Gráfica de Modelos de PL
ii) Problema no-acotado sin solución óptima, esto es con una
región de puntos factibles no - acotada.
80
Resolución Gráfica de Modelos de PL
Ejemplo:
4 6
81
Resolución Gráfica de Modelos de PL
82
Resolución Gráfica de Modelos de PL
c1 1
1
c2 2
83
Resolución Gráfica de Modelos de PL
Para c1: c1 1
1 10 c1 20
20 2
Para c2≠0: 15 1
1 15 c 2 30
c2 2
84
Resolución Gráfica de Modelos de PL
85
Resolución Gráfica de Modelos de PL
Primera Restricción.
La mayor variación del coeficiente del lado derecho se alcanza
en x1 = 6 y x2 = 0, de donde se obtiene:
z(6,0) = 15*6 + 20*0 = 90 y b1*= 2*6 + 2*0 = 12
86
Resolución Gráfica de Modelos de PL
z (6,0) z (0,3) 90 60
1 5
b1 b1
*
12 6
87
Resolución Gráfica de Modelos de PL
Segunda Restricción.
La mayor variación del coeficiente del lado derecho se alcanza
en x1 = 0 y x2 = 4, de donde se obtiene:
z(0,4) = 15 * 0 + 20 * 4 = 80 y b1* = 0 + 2 * 4 = 8
88
Resolución Gráfica de Modelos de PL
z (0,4) z (4,0) 80 60
2 5
b2 b2
*
84
89
Resolución Gráfica de Modelos de PL
Ejercicio: Considere el siguiente problema de Programación Lineal:
91
Algoritmos de PL: Método Simplex
En lo que sigue consideremos el siguiente problema
de programación lineal en su forma estándar.
xi 0, i = 1, 2, ..., n y mn
Algoritmos de PL: Método Simplex
Matricialmente escrito como:
Min cTx
sa Ax = b
x0
No existe pérdida de la generalidad al suponer
que un problema viene dado en la forma estándar.
En efecto, si tuviésemos el siguiente problema:
Algoritmos de PL: Método Simplex
P) Max 9u + 2v + 5z
sa 4u + 3v + 6z 50
u + 2v - 3z 8
2u – 4v + z = 5
u,v 0
z IR
u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
Algoritmos de PL: Método Simplex
x1
B D x m
c m
A=
x B
c B
m
xD c D
nm
nm
xn
xB :variables básicas.
m n-m xD :variables no básicas.
cB :costos básicos.
B : es llamada una matriz de base cD :costos no básicos.
Algoritmos de PL: Método Simplex
De este modo, el sistema Ax = b equivale a:
BxB D xD b
BxB b D xD
1 1
xB B b B D xD
Criterio de optimalidad:
c x c x c x
T T
B B
T
D D
c B b B D x c x
T 1 1 T
B D D D
c B b c c B D x
T 1 T T 1
B D B D
valor vector de
actual costos
función reducidos.
objetivo
Algoritmos de PL: Método Simplex
La ecuación que define cada uno de los costos
reducidos es:
rj c j cBT B 1A j
y1 0 y1 p
y y
B 1b
20
B 1 Ap
2p
ym 0 ym p
y se debe calcular:
yk 0 yi0
Min / yip 0 xk deja la base
ykp yip
Algoritmos de PL: Método Simplex
La tabla del Método Simplex mantiene la siguiente estructura:
Donde:
I: Matriz Identidad
0: Costos reducidos asociados a las variables básicas
B: Matriz de variables básicas
D: Matriz de variables no básicas
b: Lado derecho
Cb: Coeficientes en la función objetivo asociados a las variables básicas
Cd: Coeficientes en la función objetivo asociados a las variables no básicas
Ejemplo
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Algoritmos de PL: Método Simplex
Usamos como variable entrante a la base x5 (pues
su costo reducido r5<0).
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Como
min{40/(5/3),10/(2/3),30/(1/3)}=10/(2/3)=15,
la variable x2 deja la base actual.
Algoritmos de PL: Método Simplex
Actualizando, queda la siguiente tabla final:
x1 x2 x3 x4 x5
1 -5/2 ½ 0 0 15
0 3/2 -1/2 1 0 15
0 -1/2 ½ 0 1 25
0 30 10 0 0 2100
x 1 15
x 2 0
x B x 4 15 xD
x 3 0
x 5 25
Min -2x1 - x2
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x4 = 1
x1,x2, x3, x4 0
Método Simplex de dos Fases
Fase 1: Min x5
sa: 10x1 + 10x2 +x3 =9
10x1 + 5x2 - x 4 + x5 = 1
x1,x2, x3, x4, x5 0
Método Simplex de dos Fases
donde:
x 1 0
x 3 9
xB x D x 2 0
x 5 1
x 4 0
Método Simplex de dos Fases
Luego se hace cero el costo reducido de la
variable x5 en la tabla anterior, y queda la
siguiente tabla para iniciar el uso de Simplex.
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
Método Simplex de dos Fases
Usamos como variable entrante a x1 ( pues r1 <
0).
x1 x2 x3 x4 x5
10 10 1 0 0 9
10 5 0 -1 1 1
-10 -5 0 1 0 -1
x 2 0
x 1 1/ 10
xB x D x 4 0
x 3 8
x 5 0
Método Simplex de dos Fases
Una vez obtenida la solución óptima del
problema en la Fase 1, con valor óptimo 0,
tomamos x1 y x3 como variables básicas
iniciales para la Fase 2.
Fase 2:
x1 x2 x3 x4
0 5 1 1 8
1 ½ 0 -1/10 1/10
-2 -1 0 0 0
Método Simplex de dos Fases
En la tabla hacemos 0 los costos reducidos de
variables básicas
x1 x2 x3 x4
0 5 1 1 8
1 ½ 0 -1/10 1/10
0 0 0 -1/5 1/5
UNIDAD 4
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2017
Dualidad en Programación Lineal
Consideremos un ejemplo de producción de 2 productos
finales que hacen uso de tres recursos escasos
(máquinas), cuyas disponibilidades en horas
corresponden a los lados derechos de las restricciones
del siguiente modelo:
x1* = 15 0 0 1 -5/2 ½ 15
x2* = 25
1 0 0 3/2 -1/2 15
z = v(p) = 2100
0 1 0 -1/2 ½ 25
Obs: Donde x3, x4, x5
Variables de holgura del problema P). 0 0 0 30 10 2100
Dualidad en Programación Lineal
En lo que sigue, combinaremos las distintas restricciones
del problema, ponderando por los valores no-negativos
1, 2 y 3 cada una, respectivamente, de modo de
obtener la mejor cota superior del valor óptimo del
problema P). Vale decir:
2 1 + 2 + 3 40
1 + 2 + 3 3 60
Dualidad en Programación Lineal
D) Min 70 1 + 40 2 + 90 3
sa: 2 1 + 2 + 3 40
1 + 2 + 3 3 60
1, 2, 3 0
Dualidad en Programación Lineal
Este problema se conoce como el problema “Dual” D)
asociado al problema “Primal” P).
xj 0 j 1,2,..., m
Relaciones de Dualidad
m
D) Min bi i
i 1
m
sa : aiji c j j 1,2,..., n
i 1
i 0 i 1,2,..., m
Relaciones de Dualidad
Lo que se puede expresar en forma matricial como:
P) Max cTx
sa: Ax b
x0
D) Min bT
sa: AT c
0
Relaciones de Dualidad
Notar que D) corresponde de manera equivalente a:
Max -bT
sa: -AT -c
0
De modo que su dual resulta ser:
D) Min -cTx
sa: -A x -b
x0
es decir, el dual del dual es el problema primal (o uno
equivalente).
Teorema de Dualidad Débil
Si x IRn, es una solución factible del problema
primal P) y IRm, una solución factible del problema
dual D), entonces:
n m
c x c j x j bi i b T
T
j 1 i 1
n m
Además: v(P) c x * c j x j * bi i * b T v(D)
T
j1 i 1
D) Max 5 1 + 6 2
sa: 1 + 22 3
21 + 22 4
31 + 2 5
1, 2 0
Ejemplo
1 2 3 4 5
3 3
1 2 1 0 0 3 x B 4 4
2 2 0 1 0 4 5 5
0
3 1 0 0 1 5 xD 1
2 0
-5 -6 0 0 0 0
1 2 3 4 5
2 3 / 2
xB 4 1
½ 1 ½ 0 0 3/2
1 0 -1 1 0 1
5 7 / 2
5/2 0 -1/2 0 1 7/2
1 0
-2 0 3 0 0 9 xD
3 0
1 2 3 4 5
0 1 1 -1/2 0 1 1 1
x B 2 1
1 0 -1 1 0 1
0 0 2 -5/2 1 1 5 1
0 0 1 2 0 11 3 0
xD
4 0
Sol. óptima de D):
1* = 1; 2* = 1; v(D) = 11
Sol. óptima de P):
x1* = 1; x2* = 2; x3* = 0; v(P) = 11
Método Simplex Dual
Resolver el siguiente modelo mediante el Método
Simplex Dual.
Max {-bj/yij con yij>0} <= D <= Min {-bj/yij con yij<0}
Ejemplo: Intervalo variación Lado Derecho
2) ¿Qué ocurre con la actual solución óptima si se
agrega una nueva variable al problema ?
rk ck cBT B 1Ak
donde k es el índice de la nueva variable y Ak su
respectiva columna en la matriz de coeficientes. Si se
cumple que rk0 se conserva la actual solución óptima.
rD cD cBTB1D 0 o equivalentemente
T 1
rj c j cBB A j 0 "j
0
c i c i i cB cB i 1 cB ie i
0
Si el incremento es cualquiera en el siguiente intervalo, se
conserva la misma solución óptima:
rj rj
Max / yij 0 i Min / yij 0
yij yij
donde rj es el costo reducido de la respectiva variable no básica
en la actual solución óptima y los coeficientes yij denotan las
entradas en la tabla final del Simplex asociadas a la variable
básica xi (cuyo costo cambia) y la respectiva variable no básica
xj
Ejemplo: Cambio Parámetros Función Objetivo
http://www.metodosimplex.com/analisis-de-sensibilidad-o-postoptimal-metodo-simplex/
INVESTIGACIÓN DE OPERACIONES
IND2209
UNIDAD 5
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2017
Modelos de Programación Entera
En muchas aplicaciones, la solución de un problema
tiene sentido solamente si una parte o todas las
decisiones toman valores restringidos a números enteros.
P) Max cTx
s.a. A x = b
x 0, xj entero (j Є Ĵ)
Modelos de Programación Entera
En este sentido los algoritmos de resolución de los modelos
de Programación Entera difieren a los utilizados en los
modelos de Programación Lineal.
➢ Planos Cortantes
➢ Relajación Lagrangeana
➢ Etc…
Referencia: http://www.gestiondeoperaciones.net/category/programacion-entera/
i) Problema de Inversión
Una empresa está pensando invertir en cuatro
proyectos diferentes, cada proyecto se finaliza a lo más
en 3 años. Los flujos de caja requeridos en cada año
junto con el Valor Presente Neto de cada proyecto,
concluidos los años de ejecución, y las disponibilidades
de recursos financieros se resumen en la siguiente tabla:
i) Problema de Inversión
Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
i) Problema de Inversión
Restricciones (tres alternativas):
1) Reinvirtiendo el dinero no utilizado en un período:
Año1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30
Año2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1
Año3: 18x1 + 16x3 12 + s2
xi {0,1} i = 1,2,3,4
i) Problema de Inversión
2) Sin invertir el dinero no utilizado en un período, pero
utilizando el retorno de los proyectos concluidos:
Año1: 10x1 + 8x2 + 6x3 + 12x4 30
Año2: 8x1 + 15x2 + 4x3 15 + 16x4
Año3: 18x1 + 16x3 12 + 18x2
xi {0,1} i = 1,2,3,4
i) Problema de Inversión
3) Reinvirtiendo el dinero no utilizado en un período y,
también el retorno de proyectos concluidos:
Año1: 10x1+ 8x2+ 6x3+ 12x4+ s1 = 30
Año2: 8x1+ 15x2+ 4x3 + s2 = 15 + s1 + 16x4
Año3: 18x1 + 16x3 12 + s2 + 18x2
xi {0,1} i = 1,2,3,4
i) Problema de Inversión
Notar que el conjunto de las soluciones factibles es
finito. Esto ocurrirá generalmente con los problemas de
Programación Entera (puros). En el ejemplo, el número
de soluciones factibles no supera el número de las
soluciones binarias del problema (variables restringidas
sólo a valores 0 o 1) que son 24 = 16, dado el número
de variables utilizadas, de hecho las soluciones factibles
son menos de 16 pues en particular xi=1 para
i=1,2,3,4 no satisface las disponibilidades de capital
en cualquiera de las tres alternativas.
i) Problema de Inversión
Supongamos que adicionalmente la inversión efectuada
requiera nuevas restricciones.
Se debe invertir en al menos 1 de los 3 primeros
proyectos:
x1 + x2 + x3 1
El proyecto 2 no puede ser tomado a menos que el
proyecto 3 si sea tomado:
x2 x3
i) Problema de Inversión
Se puede tomar el proyecto 3 o 4 pero no ambos:
x3 + x4 1
No se puede invertir en más de dos proyectos:
x1 + x2 + x3 + x4 2
ii) Inclusión de Costos Fijos
Supongamos que se desea tener lotes de compra de un
producto dado, para satisfacer demandas que fluctúan en
el tiempo sobre un horizonte de planificación dividido en T
períodos.
Asumimos conocidos: una estimación de la demanda dt con t
= 1, 2, ..., T, los costos asociados a la compra de una
unidad pt, los costos asociados al mantenimiento de una
unidad en inventario de cada período ht y los costos fijos
asociados a la gestión de compra en el período t , st.
Observación: No se permite unidades faltantes (demanda
pendiente).
ii) Inclusión de Costos Fijos
Variables de decisión
xt: número de unidades compradas en t.
It : nivel de inventario al final del período t.
1, si se hace una compra en el periodo t
yt
0, sin o
con t: 1, 2, ..., T
ii) Inclusión de Costos Fijos
Función objetivo
T
Min st y t p t x t h t It
t 1
Restricciones
xt + It-1 - It = dt t = 1, 2, ..., T
I0 = inventario inicial
xt Mt yt t = 1, 2, ..., T
Mt = cte. grande
Actividad en Clases
Tres empresas telefónicas pidieron que me suscribiera a su
servicio de larga distancia dentro del país. MaBell cobra
US$16 fijos por mes, más US$0,25 por minuto. PaBell cobra
US$25 por mes, pero el costo por minuto se reduce a
US$0,21. Y con PhoneBell, la tarifa fija es de US$18 y el
costo por minuto de US$0,22. Suelo hacer un promedio de
200 minutos de llamadas de larga distancia al mes.
Suponiendo que no pague el cargo fijo si no hago llamadas
y que puedo repartir a voluntad mis llamadas entre las tres
empresas, ¿Cómo debo repartir las llamadas entre las tres
empresas para minimizar la cuenta telefónica mensual?
iii) Transporte y Localización
Si se tiene un conjunto de m clientes que demandan di
unidades de un producto determinado. Una compañía
desea satisfacer esas demandas desde un cierto conjunto de
plantas elegidas de n potenciales lugares donde se
instalarán.
Sean cj los costos asociados a la instalación de la planta j ,
vj el costo unitario de producción de la planta j y tij el costo
de transporte de una unidad desde la planta j al cliente i.
Se desea decidir cuáles plantas abrir y el tamaño de cada
una de modo de satisfacer las demandas estimadas.
iii) Transporte y Localización
Variables de decisión:
xj 1
ij di
2) Relacionar variables de producción con las asociadas a
la apertura de plantas (variables binarias):
m
x
i 1
ij M j yj
Referencia: http://www.neos-guide.org/content/cutting-stock-problem
¿Es la mejor solución que podemos alcanzar?
Actividad en Clases
El Concejo de una determinada municipalidad está
interesado en ubicar dos ambulancias en una zona
recientemente urbanizada, con el propósito de
maximizar el número de residentes que pueden ser
alcanzados por una ambulancia en situaciones de
emergencia en un tiempo máximo de 5 minutos. Esta
zona ha sido subdividida en 6 unidades territoriales y
los tiempos promedio estimado (en minutos) para ir de
una unidad territorial a otra se resumen en la siguiente
tabla:
Actividad en Clases
x 1* = 2 x 2* = 2
x1 = 13/6
x2 = 8/3
Resolución de Modelos de PE
A partir de esta última solución podemos redondear los
valores que no salieron enteros, en el ejemplo:
x1 = 2
x2 = 3
la cual no es una solución factible de PLE), de modo que
desde el punto de vista de una resolución numérica no
es suficiente con resolver la relajación continua.
Resolución de Modelos de PE
Todavía podrían resultar soluciones factibles de PLE),
pero no necesariamente óptimas. Por ejemplo:
Referencia: http://www.gestiondeoperaciones.net/programacion-entera/ejemplo-del-
algoritmo-de-branch-and-bound-ramificacion-y-acotamiento/
INVESTIGACIÓN DE OPERACIONES
IND2209
UNIDAD 6
FACULTAD DE INGENIERÍA
UNIVERSIDAD ANDRÉS BELLO
INVESTIGACIÓN DE OPERACIONES
Primer Semestre 2017
Modelos de Redes
Existe una multitud de situaciones, en investigación de
operaciones, que se pueden modelar y resolver como
redes (nodos conectados por ramas). Algunas encuestas
recientes informan que hasta el 70% de los problemas
de programación matemática en el mundo real se
pueden representar como modelos relacionados con
redes.
Variables de Decisión:
Función Objetivo:
Problema del Camino Más Corto
Restricciones: (1) garantiza que sólo un nodo (entre el 2 y el 3) pueda ser el
que se visita a continuación de comenzar en el nodo 1.
(2) determina que si se visito el nodo 2 después del nodo 1,
entonces necesariamente el nodo 5 será visitado después del nodo
2.
(3) permite verificar que si el nodo 3 fue visitado luego del nodo
1, entonces a continuación se visita el nodo 4 o el nodo 6 (sólo uno
de ellos).
(4) establece que si el nodo 5 fue visitado luego del nodo 2,
entonces el nodo 7 debe ser visitado luego del nodo 5.
(5) garantiza que si el nodo 4 fue visitado luego del nodo 3,
entonces a continuación se visita uno de los siguientes nodo: 7, 8 o
6.
(6) indica que si el nodo 6 fue visitado inmediatamente luego de
estar en el nodo 3 o 4, a continuación se visita el nodo 8.
(7) determina que si el nodo 7 fue visitado inmediatamente luego
de estar en el nodo 4 o 5, a continuación se visita el nodo 8.
(8) asegura que ya sea el nodo 7, 4 o 6 sea el último en visitar
previo a terminar la ruta en el nodo 8.
Problema del Camino Más Corto
Al implementar en Solver el problema anterior se
alcanzan los siguientes resultados:
Referencia:
http://www.gestiondeoperaciones.net/programacion-entera/ejemplo-del-
problema-del-flujo-maximo-en-programacion-entera-resuelto-con-solver/