MODELOS DETERMINISTICOS DE LA PRODUCCIN

TALLER PROGRAMACIN BINARIA

REALIZADO POR:

NICOLE MILIPZA BOGOT 20171377035

ANGIE VANNESA ESCOBAR 20171377003
NATALIA OROZCO SALN 20171377005
MICHAEL DAVID NEME 20171377026

BOGOTA D.C.
2017
 EJERCICIO 1. IDENTIFICACIN DE SNTOMAS RELEVANTES

Los profesionales de salud tienen la necesidad de identificar

enfermedades por medio de un conjunto de sntomas, por lo cual se
requiere identificar un nmero mnimo de sntomas para la
identificacin de diferentes tipos de enfermedades, este planteamiento
puede generar un costo mnimo para el proceso de diagnstico. Se
conoce la siguiente informacin:

SINTOMA
ENFERMEDAD
S1 S2 S3 S4 S5 S6 S7 S8
D1 2 3 1 1 1 2 1 2
D2 1 1 1 1 3 1 2 1
D3 3 4 2 3 2 2 3 2
D4 2 2 2 2 2 1 2 3
D5 1 1 1 2 1 1 1 2
Tabla 1. Sntomas asociados a las enfermedades.

ENFERMEDAD SINTOMAS RELEVANTES

D1 2
D2 5
D3 2
D4 2
D5 2, 5
Tabla 2. Sntomas relevantes para las enfermedades.

1. Anlisis y planteamiento de modelo primal :

Inicialmente se reconoce:

i= Enfermedades

j= Sntomas
Xj= 1 si el sntoma j pertenece al grupo mnimo de sntomas

Xj= 0 si el sntoma no pertenece

C(ij)= Sntomas j relacionado a la enfermedad i

C(kj)= Sntomas j relacionado a la enfermedad k

: =
=1

: = [() ()]
=1

1 () ()
[() ()] = { }
0 () = ()

2. Programacin GAMS

V AR I A B L E S
S1, S2, S3, S4, S5, S6, S7, S8, Z ;
BINARY VARIABLES
S1, S2, S3, S4, S5, S6, S7, S8 ;
FREE VARIABLE
Z;
E Q U AT I O N S
F U N C I O N O B J E T I V O , R E S T1 , R E S T2 , R E S T3 , R E S T4 , R E S T 5 , R E S T6 , R E S T7 , R E S T8 ,
R E S T9 , R E S T1 0 ;
FUNCIONOBJETIVO.. S1 + S2 + S3 + S4 + S5+ S6 + S7+ S8 =E= Z ;
R E S T1 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 0 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
R E S T2 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 0 * S 8 = G = 1 ;
R E S T3 . . 0 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
R E S T4 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 1 * S 4 + 0 * S 5 + 1 * S 6 + 0 * S 7 + 1 * S 8 = G = 1 ;
R E S T5 . . 0 * S 1 + 0 * S 2 + 0 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
R E S T6 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
R E S T7 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 0 * S 7 + 1 * S 8 = G = 1 ;
R E S T8 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 1 * S 4 + 0 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
R E S T9 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 0 * S 8 = G = 1 ;
R E S T1 0 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 0 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
MODEL sintomas /ALL/;
S O L V E s i n t o m a s U S I N G m i p MI N I MI Z I N G Z ;
 3. Solucin GAMS

Como se puede apreciar, el resultado que obtenemos no es el ptimo

por lo tanto se debe ajustar la tolerancia con OPTCR=0,0001, ya que
as se ajustara el margen y nos dar la respuesta msptima para el
modelo.

G A MS 2 4 . 8 . 3 r 6 0 2 0 2 R e l e a s e d J a n 2 8 , 2 0 1 7 W I N - V S 8 x8 6 3 2 b i t / MS W in d o ws 0 5 / 2 7 / 1 7
07:54:03 Page 1
G e n e r a l A l g e b r a i c M o d e l i n g S y s t e m
C o m p i l a t i o n

1 VARIABLES
2 S1, S2, S3, S4, S5, S6, S7, S8, Z ;
3
4 BINARY VARIABLES
5 S1, S2, S3, S4, S5, S6, S7, S8 ;
6
7 FREE VARIABLE
8 Z;
9
1 0 E Q U A TI O N S
11 F U N C I O N O B J E TI V O , R E S T1 , R E S T2 , R E S T3 , R E S T4 , R E S T5 , R E S T6 , R E S T7 ,
R E S T8 , R
E S T9 , R E S T1 0 ;
12
1 3 F U N C I O N O B J E TI V O . . S 1 + S 2 + S 3 + S 4 + S 5 + S 6 + S 7 + S 8 = E = Z ;
1 4 R E S T1 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 0 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
1 5 R E S T2 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 0 * S 8 = G = 1 ;
1 6 R E S T3 . . 0 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
1 7 R E S T4 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 1 * S 4 + 0 * S 5 + 1 * S 6 + 0 * S 7 + 1 * S 8 = G = 1 ;
1 8 R E S T5 . . 0 * S 1 + 0 * S 2 + 0 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
1 9 R E S T6 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
2 0 R E S T7 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 0 * S 6 + 0 * S 7 + 1 * S 8 = G = 1 ;
2 1 R E S T8 . . 1 * S 1 + 1 * S 2 + 0 * S 3 + 1 * S 4 + 0 * S 5 + 1 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
2 2 R E S T9 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 1 * S 4 + 1 * S 5 + 1 * S 6 + 1 * S 7 + 0 * S 8 = G = 1 ;
2 3 R E S T1 0 . . 1 * S 1 + 1 * S 2 + 1 * S 3 + 0 * S 4 + 1 * S 5 + 0 * S 6 + 1 * S 7 + 1 * S 8 = G = 1 ;
24
25
2 6 MO D E L s i n t o m a s / A L L / ;
27
2 8 S O L V E s i n t o m a s U S I N G m i p MI N I MI Z I N G z ;

C O MP I L A TI O N TI ME = 0.015 SECONDS 2 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

- - - - F U N C I O N O B J E TI V O = E =

FUNCIONOBJETIVO.. S1 + S2 + S3 + S4 + S5 + S6 + S7 + S8 - Z =E= 0 ; (LHS = 0)

- - - - R E S T1 = G =

R E S T1 . . S 1 + S 2 + S 5 + S 6 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T2 = G =

R E S T2 . . S 1 + S 2 + S 3 + S 4 + S 5 + S 7 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )
- - - - R E S T3 = G =

R E S T3 . . S 2 + S 3 + S 4 + S 5 + S 6 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T4 = G =

R E S T4 . . S 1 + S 2 + S 4 + S 6 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T5 = G =

R E S T5 . . S 4 + S 5 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T6 = G =

R E S T6 . . S 1 + S 2 + S 3 + S 4 + S 5 + S 6 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T7 = G =

R E S T7 . . S 1 + S 2 + S 3 + S 4 + S 5 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T8 = G =

R E S T8 . . S 1 + S 2 + S 4 + S 6 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T9 = G =

R E S T9 . . S 1 + S 2 + S 3 + S 4 + S 5 + S 6 + S 7 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

- - - - R E S T1 0 = G =

R E S T1 0 . . S 1 + S 2 + S 3 + S 5 + S 7 + S 8 = G = 1 ; ( L H S = 0 , I N F E S = 1 * * * * )

MO D E L S TA T I S TI C S

BLOCKS OF EQUATIONS 11 S I N G L E E Q U A TI O N S 11
BLOCKS OF VARIABLES 9 SINGLE VARIABLES 9
N O N Z E R O E L E ME N T S 70 DISCRETE VARIABLES 8

G E N E R A TI O N T I ME = 0.234 SECONDS 3 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

E XE C U TI O N TI ME = 0.234 SECONDS 3 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

S O L V E S U M M A R Y

MO D E L s i n t o m a s OBJECTIVE Z
TYPE MI P D I R E C TI O N MI N I MI Z E
SOLVER CPLEX FROM LINE 28

* * * * S O L V E R S T A TU S 1 Normal Completion
* * * * MO D E L S T A TU S 1 Optimal
* * * * O B J E C TI V E V A L U E 2.0000

R E S O U R C E U S A G E , L I MI T 0.125 1000.000
I T E R A TI O N C O U N T, L I MI T 4 2000000000

IBM ILOG CPLEX 2 4 . 8 . 3 r 6 0 2 0 2 R e l e a s e d J a n 2 8 , 2 0 1 7 V S 8 x8 6 3 2 b i t / MS W i n d o ws

Cplex 12.6.3.0
 LOW ER LEVEL UPPER MA R G I N A L

---- EQU FUNCIONOB~ . . . -1.000

---- EQU REST1 1.000 1.000 +INF .
---- EQU REST2 1.000 2.000 +INF .
---- EQU REST3 1.000 2.000 +INF .
---- EQU REST4 1.000 2.000 +INF .
---- EQU REST5 1.000 1.000 +INF .
---- EQU REST6 1.000 2.000 +INF .
---- EQU REST7 1.000 2.000 +INF .
---- EQU REST8 1.000 2.000 +INF .
---- EQU REST9 1.000 2.000 +INF .
---- EQU REST10 1.000 1.000 +INF .

L OW E R LEVEL UPPER MA R G I N A L

---- VAR S1 . . 1.000 1.000

---- VAR S2 . 1.000 1.000 1.000
---- VAR S3 . . 1.000 1.000
---- VAR S4 . 1.000 1.000 1.000
---- VAR S5 . . 1.000 1.000
---- VAR S6 . . 1.000 1.000
---- VAR S7 . . 1.000 1.000
---- VAR S8 . . 1.000 1.000
---- VAR Z -INF 2.000 +INF .

* * * * R E P O R T S U MMA R Y : 0 NONOPT
0 INFEASIBLE
0 UNBOUNDED

E XE C U TI O N TI ME = 0.000 SECONDS 2 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

U S E R : G A MS D e ve l o p m e n t C o r p o r a t i o n , W as h i ng t o n , D C G 8 7 1 2 0 1 / 0 0 0 0 C A - A N Y
Free Demo, 202-342-0180, sales@gams.com, www.gams.com DC0000

* * * * F I L E S U M MA R Y
 RESULTADOS

Los resultados obtenidos fueron, de acuerdo a la anterior

programacin propuesta en el software GAMS, en el fichero de
solucin se encontr que la respuesta en estado del modelo fue
ptima, el estado de la solucin fue terminado con normalidad,
minimizando la funcin objetivo en trminos de Z:

Resultado
Variables Valor
S1 0
S2 1
S3 0
Variables de S4 1
Valor binario
decisin S5 0
S6 0
S7 0
S8 0
Funcin objetivo Z 2 Valor final

De donde podemos determinar que la cantidad mnima de sntomas

para identificar las 5 enfermedades diferentes son 2: S2 y S4, que
proporcionan el costo mnimo para el proceso de diagnstico,
disminuyendo a 2 sntomas el diagnstico.
 EJERCICIO 2.MODELO DE LOCALIZACIN DE PLANTAS
PRODUCTIV AS

Una empresa considera la construccin de plantas productivas para

suministrar un determinado producto a 7ciudades. La demanda de
cada una de esas ciudades puede estimarse mediante factores
demogrficos y sociales.

Estas estimaciones se muestran en la siguiente tabla:

Tabla 3. Demandas de las ciudades

Un determinado estudio estadstico ha identificado 6 posibles

localizacionespara las plantas industriales. Se supone que todas las
plantas tienen las mismas caractersticas. La capacidad mxima de
produccin de cada planta es de 6 unidades. Se considera que el
coste de recobrar la inversin a lo largo delhorizonte de estudio de
una planta es 10 unidades monetarias.

La siguiente tabla muestra el beneficio obtenido por vender a la ciudad

i, unaunidad de producto fabricado en la planta localizada en j.

Tabla 4. Beneficios en funcin de las localizaciones

Ha de determinarse el nmero de plantas y sus localizaciones, de
forma tal que se suministre la demanda de las ciudades y el beneficio
obtenido sea mximo.

1. Anlisis y planteamiento de modelo primal :

Primeramente es necesario plantear mediante el modelo primal la

funcin objetivo y las restricciones con las cuales se fundamenta el
problema a solucionar. De modo que se pueda establecer el anlisis
mediante la herramienta GAMS y dar la solucin ptima.

Datos a considerar:
- i: consumidores (7 ciudades).
- j: localizacin de planta en el lugar j (6 posibles lugares).
- Fj: coste de recobrar la inversin a lo largo del horizonte de
estudio de una planta es 10 unidades monetarias.

Funcin Objetivo: La funcin objetivo se puede definir bajo los

parmetros expuestos en la problemtica

7 6 6
MAZ COSTO

PLANTA=
=1 =1 =1

N N plantas Beneficio x Cantidad del Costo fijo Variable de

ciudades en la venta del producto de de construccin
destino (i) localizacin consumidor planta (j) al construir de planta (j)
(j) (i) de consumidor la planta
bienes de la (i) (j)
planta (j)

El planteamiento de la funcin objetivo es el siguiente:

= 4,01 1 + 4,0 1 2 + 3,51 3 + 1,31 4 + 0,51 5 1,01 6

4,52 1 + 4,5 2 2 + 5,02 3 + 3,02 4 + 1,02 5 + 0,01 6
2,53 1 + 2,5 3 2 + 4,03 3 + 5,03 4 + 1,53 5 + 1,53 6
0,54 1 + 4,2 4 2 + 3,54 3 + 3,34 4 + 5,04 5 + 3,34 6
1,05 1 + 3,5 5 2 + 4,55 3 + 5,55 4 + 4,05 5 + 4,05 6
0,56 1 + 1,5 6 2 + 1,56 3 + 1,86 4 + 5,56 5 + 4,56 6
3,57 1 0,5 7 2 + 0,07 3 + 1,37 4 + 3,07 5 + 2,07 6
101 102 103 104 105 106
 Restricciones:

Demanda del consumidor:

6

=
=1

Sector consumidor: Al consumidor i no se le puede suministrar

desde j, a menos que haya una planta en j donde cada planta j
tiene una capacidad mxima de producir 6 unidades.

6
=1

j= 1,,7.

Es decir el consumidor i se puede tomar desde j, siempre y

cuando haya una planta en la ubicacin de j, implica que:

1 si se construye la planta j
=
0 en otro caso

0 ; = 1, ,7; = 1, ,6.
El planteamiento para las restricciones de acuerdo a la demanda de
consumidor i es el siguiente:

- 1 = 1 1 + 1 2 + 1 3 + 1 4 + 1 5 + 1 6 = 1,5
- 2 = 2 1 + 2 2 + 2 3 + 2 4 + 2 5 + 2 6 = 2,0
- 3 = 3 1 + 3 2 + 3 3 + 3 4 + 3 5 + 3 6 = 3,0
- 4 = 4 1 + 4 2 + 4 3 + 4 4 + 4 5 + 4 6 = 4,0
- 5 = 5 1 + 5 2 + 5 3 + 5 4 + 5 5 + 5 6 = 3,5
- 6 = 6 1 + 6 2 + 6 3 + 6 4 + 6 5 + 6 6 = 1,0
- 1 = 7 1 + 7 2 + 7 3 + 7 4 + 7 5 + 7 6 = 2,0

Restricciones de acuerdo a la capacidad de las plantas j, y la

condicin para la construccin y de las plantas j que puedan abastecer
al consumidor i:

- 1 = 1 1 + 2 1 + 3 1 + 4 1 + 5 1 + 6 1 + 7 1 61
- 2 = 1 2 + 2 2 + 3 2 + 4 2 + 5 2 + 6 2 + 7 2 62
- 3 = 1 3 + 2 3 + 3 3 + 4 3 + 5 3 + 6 3 + 7 3 63
- 4 = 1 4 + 2 4 + 3 4 + 4 4 + 5 4 + 6 4 + 7 4 64
- 5 = 1 5 + 2 5 + 3 5 + 4 5 + 5 5 + 6 5 + 7 5 65
- 6 = 1 6 + 2 6 + 3 6 + 4 6 + 5 6 + 6 6 + 7 6 66

Seguidamente se presenta el planteamiento y la solucin por la

herramienta GAMS, necesariamente debe ser de programacin entera
binaria. Ya que no es lgico decir que se construir una parte decimal
de cada planta de produccin, y es binaria ya que nos asocia un valor
a las posibilidades ya sea 1 si la situacin tiene lugar o, se utiliza 0
para referenciar que en otro caso se debe optar por otro objeto.
 2. ProgramacinGAMS

OPTION
OPTCR=0.0001

V AR I A B L E S
* C a d a va r i a b l e C i L j , e s l a r e l a c i n d e l b e n e f i c i o a o b t e n e r d e u n a p l a n t a ( j ) p o r u n a
ciudad (i)*
C1L1, C1L2,C1L3,C1L4,C1L5,C1L6,C2L1,C2L2,C2L3,C2L4,C2L5,C2L6 , C3L1, C3L2,
C3L3, C3L4, C3L5, C3L6,
C4L1,C4L2,C4L3,,C4L5,C4L6,C5L1,C5L2,C5L3,C5L4,C5L5,C5L6,C6L1 ,C6L2, C6L3, C6L4,
C 6 L 5 , C 6 L 6 , C 7 L 1 , C 7 L 2 , C 7 L 3 , C 7 L 4 , C 7 L 5 , C 7 L 6 , Y1 , Y2 , Y3 , Y 4 , Y 5 , Y6 , Z ;
* L a s v a r i a b l e s Y , c o r r e s p o n d e n a l c o s t o d e c o n s t r u c c i n d e c a d a p l a n t a e n l a l o c a l i za c i n
(j)*

FREE VARIABLE
Z;

POSITIVE VARIABLES
C1L1, C1L2,C1L3,C1L4,C1L5,C1L6,C2L1,C2L2,C2L3,C2L4,C2L5,C2L6, C3L1, C3L2,
C3L3, C3L4, C3L5, C3L6,
C4L1,C4L2,C4L3,,C4L5,C4L6,C5L1,C5L2,C5L3,C5L4,C5L5,C5L6,C6L1,C6 L2, C6L3, C6L4,
C6L5, C6L6, C7L1,C7L2,C7L3,C7L4,C7L5,C7L6,

BINARY VARIABLES
Y1 , Y2 , Y3 , Y 4 , Y5 , Y6 ;
* S i e s 1 , s e c o n s t r u ye l a p l a n t a y s i e s 0 n o s e h a c e y s e t o m a o t r a o p c i n *

E Q U AT I O N S
O B J E T I V O , D E MA N D A 1 , D E MA N D A 2 , D E MA N D A 3 , D E MA N D A 4 , D E MA N D A 5 , D E MA N D A 6 ,
D E MA N D A 7 ,
CAPACIDAD1,CAPACIDAD2,CAPACIDAD3,CAPACIDAD4,CAPACIDAD5,CAPACIDAD6;

OBJETIVO..Z=E= 4.0*C1L1 + 4.0*C1L2 + 3.5*C1L3 + 1.3*C1L4 + 0.5*C1L5 - 1.0*C1L6 +

4.5*C2L1 + 4.5*C2L2 + 5.0*C2L3 + 3.0*C2L4 + 1.0*C2L5 + 0.0*C2L6 +
2.5*C3L1 + 2.5*C3L2 + 4.0*C3L3 + 5.0*C3L4 + 1.5*C3L5 + 1.5*C3L6 +
0.5*C4L1 + 4.2*C4L2 + 3.5*C4L3 + 3.3*C4L4 + 5.0*C4L5 + 3.3*C4L6 +
1.0*C5L1 + 3.5*C5L2 + 4.5*C5L3 + 5.5*C5L4 + 4.0*C5L5 + 4.0*C5L6 +
0.5*C6L1 + 1.5*C6L2 + 1.5*C6L3 + 1.8*C6L4 + 5.5*C6L5 + 4.5*C6L6 -
3.5*C7L1 - 0.5*C7L2 + 0.0*C7L3 + 1.3*C7L4 + 3.0*C7L5 + 2.0*C7L6 -
1 0 * Y1 - 1 0 * Y2 - 10*Y3 - 10*Y4 - 10*Y5 - 1 0 * Y6 ;

*Restricciones de demand a por ciudad, del consumidor i*

D E MA N D A 1 . . C 1 L 1 + C 1 L 2 + C 1 L 3 + C 1 L 4 + C 1 L 5 + C 1 L 6 =E= 1.5;
D E MA N D A 2 . . C 2 L 1 + C 2 L 2 + C 2 L 3 + C 2 L 4 + C 2 L 5 + C 2 L 6 =E= 2.0;
D E MA N D A 3 . . C 3 L 1 + C 3 L 2 + C 3 L 3 + C 3 L 4 + C 3 L 5 + C 3 L 6 =E= 3.0;
D E MA N D A 4 . . C 4 L 1 + C 4 L 2 + C 4 L 3 + C 4 L 4 + C 4 L 5 + C 4 L 6 =E= 4.0;
D E MA N D A 5 . . C 5 L 1 + C 5 L 2 + C 5 L 3 + C 5 L 4 + C 5 L 5 + C 5 L 6 =E= 2.5;
D E MA N D A 6 . . C 6 L 1 + C 6 L 2 + C 6 L 3 + C 6 L 4 + C 6 L 5 + C 6 L 6 =E= 1.0;
D E MA N D A 7 . . C 7 L 1 + C 7 L 2 + C 7 L 3 + C 7 L 4 + C 7 L 5 + C 7 L 6 =E= 2.0;

*Restricciones de capacidad de las plantas j*

CAPACIDAD1.. C1L1 + C2L1 + C3L1 + C4L1 + C5L1 + C6L1 + C7L1 =L= 6 * Y1 ;
CAPACIDAD2.. C1L2 + C2L2 + C3L2 + C4L2 + C5L2 + C6L2 + C7L2 =L= 6 * Y2 ;
CAPACIDAD3.. C1L3 + C2L3 + C3L3 + C4L3 + C5L3 + C6L3 + C7L3 =L= 6 * Y3 ;
CAPACIDAD4.. C1L4 + C2L4 + C3L4 + C4L4 + C5L4 + C6L4 + C7L4 =L= 6 * Y4 ;
CAPACIDAD5.. C1L5 + C2L5 + C3L5 + C4L5 + C5L5 + C6L5 + C7L5 =L= 6 * Y5 ;
CAPACIDAD6.. C1L6 + C2L6 + C3L6 + C4L6 + C5L6 + C6L6 + C7L6 =L= 6 * Y6 ;

M O D E L P L A N TA S / A L L / ;
S O L V E P L A N T A S U S I N G MI P MA X I MA X I N G Z ;
 3. Solucin GAMS

Como se puede apreciar, el resultado que obtenemos no es el ptimo

por lo tanto se debe ajustar la tolerancia con OPTCR=0,0001, ya que
as se ajustara el margen y nos dar la respuesta msptima para el
modelo.
GAMS 24. 8.3 r60202 Released Jan 28, 2017 W IN -VS8 x86 32bit/ MS W indows 05/27/17 02: 32:10
Page 1
G e n e r a l A l g e b r a i c M o d e l i n g S y s t e m
C o m p i l a t i o n

1 OPTION OPTCR=0.0001
2
3 VARIABLES
4 *Cada variable CiLj, es la relacin del beneficio a obtener de una planta
(j) por una ciudad (i)*
5 C1L1,C1L2,C1L3,C1L4,C1L5,C1L6,C2L1,C2L2,C2L3,C2L4,C2L5,C2L6,C3L1,C3L2,C3L3
,C3L4,C3L5,C3L6,
6 C4L1,C4L2,C4L3,C4L4,C4L5,C4L6,C5L1,C5L2,C5L3,C5L4,C5L5,C5L6,C6L1,C6L2,C6L3
,C6L4,C6L5,C6L6,
7 C7L1,C7L2,C7L3,C7L4,C7L5,C7L6, Y1, Y2, Y3, Y4, Y5, Y6, Z;
8 *Las variables Y, corresponden al costo de construccion de cada planta en
lalocalizacion (j)*
9
10 FREE VARIABLE
11 Z;
12
13 POSITIVE VARIABLES
14 C1L1,C1L2,C1L3,C1L4,C1L5,C1L6,C2L1,C2L2,C2L3,C2L4,C2L5,C2L6,C3L1,C3L2,C3L3
,C3L4,C3L5,C3L6,
15 C4L1,C4L2,C4L3,C4L4,C4L5,C4L6,C5L1,C5L2,C5L3,C5L4,C5L5,C5L6,C6L1,C6L2,C6L3
,C6L4,C6L5,C6L6,
16 C7L1,C7L2,C7L3,C7L4,C7L5,C7L6;
17
18 BINARY VARIABLES
19 Y1, Y2, Y3, Y4, Y5, Y6;
20 *Si es 1, se construye la planta y si es 0 no se hace y se toma otra opci
n*
21
22 EQUATIONS
23 OBJETIVO,
DEMANDA1,DE MANDA2,DEMANDA 3,DE MANDA 4,DE MANDA5,DE MANDA6,DE MANDA7,
24 CAPACIDAD1,CAPACIDAD2,CAPACIDAD3,CAPACIDAD4,CAPACIDAD5,CAPACID AD6;
25 OBJETIVO.. Z =E= 4.0*C1L1 + 4.0*C1L2 + 3.5*C1L3 + 1.3*C1L4 + 0.5*
C1L5 - 1.0*C1L6 +
26 4.5*C2L1 + 4. 5*C2L 2 + 5.0 *C2L3 + 3.0* C2 L4 + 1. 0*
C2L5 + 0.0*C2L6 +
27 2.5*C3L1 + 2. 5*C3L 2 + 4.0 *C3L3 + 5.0* C3 L4 + 1. 5*
C3L5 + 1.5*C3L6 +
28 0.5*C4L1 + 4. 2*C4L 2 + 3.5 *C4L3 + 3.3* C4 L4 + 5. 0*
C4L5 + 3.3*C4L6 +
29 1.0*C5L1 + 3. 5*C5L 2 + 4.5 *C5L3 + 5.5* C5 L4 + 4. 0*
C5L5 + 4.0*C5L6 +
30 0.5*C6L1 + 1. 5*C6L 2 + 1.5 *C6L3 + 1.8* C6 L4 + 5. 5*
C6L5 + 4.5*C6L6 -
31 3.5*C7L1 - 0.5* C7 L2 + 0. 0*C7 L3 + 1.3 *C7L 4 + 3.0*
C7L5 + 2.0*C7L6 -
32 10*Y1 - 10*Y2 - 10*Y3 - 10*Y4 - 1
0*Y5 - 10*Y6;
33
34 *Restricciones de demanda por ciudad, del consumidor i*
35
36 DEMA NDA1.. C1L1 + C1L2 + C1L3 + C1L4 + C1L5 + C1L6 =E= 1.5;
 37 DEMANDA2.. C2L1 + C2L2 + C2L3 + C2L4 + C2L5 + C2L6 =E= 2.0;
38 DEMA NDA3.. C3L1 + C3L2 + C3L3 + C3L4 + C3L5 + C3L6 =E= 3.0;
39 DEMA NDA4.. C4L1 + C4L2 + C4L3 + C4L4 + C4L5 + C4L6 =E= 4.0;
40 DEMA NDA5.. C5L1 + C5L2 + C5L3 + C5L4 + C5L5 + C5L6 = E= 2.5;
41 DEMA NDA6.. C6L1 + C6L2 + C6L3 + C6L4 + C6L5 + C6L6 =E= 1.0;
42 DEMA NDA7.. C7L1 + C7L2 + C7L3 + C7L4 + C7L5 + C7L6 =E= 2.0;
43
44 *Restricciones de capacidad de las plantas j*
45
46 CAPACIDAD1.. C1L1 + C2L1 + C3L1 + C4L1 + C5L1 + C6L1 + C7L1 =L= 6*Y1;
47 CAPACIDAD2.. C1L2 + C2L2 + C3L2 + C4L2 + C5L2 + C6L2 + C7L2 =L= 6*Y2;
48 CAPACIDAD3.. C1L3 + C2L3 + C3L3 + C4L3 + C5L3 + C6L3 + C7L3 =L= 6*Y3;
49 CAPACIDAD4.. C1L4 + C2L4 + C3L4 + C4L4 + C5L4 + C6L4 + C7L4 =L= 6*Y4;
50 CAPACIDAD5.. C1L5 + C2L5 + C3L5 + C4L5 + C5L5 + C6L5 + C7L5 =L= 6*Y5;
51 CAPACIDAD6.. C1L6 + C2L6 + C3L6 + C4L6 + C5L6 + C6L6 + C7L6 =L= 6*Y6;
52
53 MODEL PLANTAS /ALL/;
54 SOLVE PLANTAS USING MIP M A XI M A X I N G Z ;
55

MO D E L S TA T I S TI C S

BLOCKS OF EQUATIONS 14 S I N G L E E Q U A TI O N S 14
BLOCKS OF VARIABLES 49 SINGLE VARIABLES 49
N O N Z E R O E L E ME N T S 137 D I S C R E TE V A R I A B L E S 6

G E N E R A TI O N T I ME = 0.032 SECONDS 3 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

E XE C U TI O N TI ME = 0.032 SECONDS 3 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

S O L V E S U M M A R Y

MO D E L P L A N T A S O B J E C TI V E Z
TYPE MI P D I R E C TI O N MA XI MI Z E
SOLVER CPLEX FROM LINE 54

* * * * S O L V E R S T A TU S 1 Normal Completion
* * * * MO D E L S T A TU S 1 Optimal
* * * * O B J E C TI V E V A L U E 44.4500

R E S O U R C E U S A G E , L I MI T 0.078 1000.000
I T E R A TI O N C O U N T, L I MI T 22 2000000000

L OW E R LEVEL UPPER MA R G I N A L

---- EQU OBJETIVO . . . 1.000

---- EQU D E MA N D A 1 1.500 1.500 1.500 4.000
---- EQU D E MA N D A 2 2.000 2.000 2.000 4.500
---- EQU D E MA N D A 3 3.000 3.000 3.000 5.000
---- EQU D E MA N D A 4 4.000 4.000 4.000 4.200
---- EQU D E MA N D A 5 2.500 2.500 2.500 5.50 0
---- EQU D E MA N D A 6 1.000 1.000 1.000 4.700
---- EQU D E MA N D A 7 2.000 2.000 2.000 2.200
---- EQU CAPACIDAD1 -INF . . .
---- EQU CAPACIDAD2 -INF -1.500 . .
---- EQU CAPACIDAD3 -INF . . 0.500
---- EQU CAPACIDAD4 -INF -0.500 . .
---- EQU CAPACIDAD5 -INF . . 0.800
---- EQU CAPACIDAD6 -INF . . .
 LOW ER LEVEL UPPER MA R G I N A L

---- VAR C1L1 . . +INF EPS

---- VAR C1L2 . 1.500 +INF .
---- VAR C1L3 . . +INF -1.000
---- VAR C1L4 . . +INF -2.700
---- VAR C1L5 . . +INF -4.300
---- VAR C1L6 . . +INF -5.000
---- VAR C2L1 . . +INF EPS
---- VAR C2L2 . 2.000 +INF .
---- VAR C2L3 . . +INF .
---- VAR C2L4 . . +INF -1.500
---- VAR C2L5 . . +INF -4.300
---- VAR C2L6 . . +INF -4.500
---- VAR C3L1 . . +INF -2.500
---- VAR C3L2 . . +INF -2.500
---- VAR C3L3 . . +INF -1.500
---- VAR C3L4 . 3.000 +INF .
---- VAR C3L5 . . +INF -4.300
---- VAR C3L6 . . +INF -3.500
---- VAR C4L1 . . +INF -3.700
---- VAR C4L2 . 1.000 +INF .
---- VAR C4L3 . . +INF -1.200
---- VAR C4L4 . . +INF -0.900
---- VAR C4L5 . 3.000 +INF .
---- VAR C4L6 . . +INF -0.900
---- VAR C5L1 . . +INF -4.500
---- VAR C5L2 . . +INF -2.000
---- VAR C5L3 . . +INF -1.500
---- VAR C5L4 . 2.500 +INF .
---- VAR C5L5 . . +INF -2.300
---- VAR C5L6 . . +INF -1.500
---- VAR C6L1 . . +INF -4.200
---- VAR C6L2 . . +INF -3.200
---- VAR C6L3 . . +INF -3.700
---- VAR C6L4 . . +INF -2.900
---- VAR C6L5 . 1.000 +INF .
---- VAR C6L6 . . +INF -0.200
---- VAR C7L1 . . +INF -5.700
---- VAR C7L2 . . +INF -2.700
---- VAR C7L3 . . +INF -2.700
---- VAR C7L4 . . +INF -0.900
---- VAR C7L5 . 2.000 +INF .
---- VAR C7L6 . . +INF -0.200
---- VAR Y1 . . 1.000 -10.000
---- VAR Y2 . 1.000 1.000 -10.000
---- VAR Y3 . . 1.000 -7.000
---- VAR Y4 . 1.000 1.000 -10.000
---- VAR Y5 . 1.000 1.000 -5.200
---- VAR Y6 . . 1.000 -10.000
---- VAR Z -INF 44.450 +INF .

* * * * R E P O R T S U MMA R Y : 0 NONOPT
0 INFEASIBLE
0 UNBOUNDED

E XE C U TI O N TI ME = 0.015 SECONDS 2 MB 2 4 . 8 . 3 r 6 0 2 0 2 W I N - V S 8

* * * * F I L E S U M MA R Y
 RESULTADOS

De acuerdo a la evaluacin realizada con GAMS y se determina que,

La interpretacin del valor ptimo de este problema es que se deben
instalar 3 plantas en los lugares L2, L4, y L5, y que el suministro a las
ciudades se distribuye de la siguiente manera:

Ciudades
Localizacin C1 C2 C3 C4 C5 C6 C7
L2 1,5 2 - 1 - - -
L4 - - 3 - 2,5 - -
L5 - - - 3 - 1 2
Tabla 5. Nmero de plantas ptimas en las ciudades

En la gua de estudio podemos visualizar el siguiente esquema, el

cual nos aporta una mayor visualizacin de la solucin propuesta por
GAMS.

Grafica 1. Solucin propuesta de localizacin de plantas con capacidad limitada

De donde podemos determinar que la cantidad mxima de plantas a

construir es de 3, ubicadas en (L2, L4, L5), dentro de la ciudad (C1,
C2, C4) se ubica una planta L2, para la ciudad (C3, C5) se ubica la
planta L4, y finalmente para la ciudad ( C4, C8, C7) se ubica la planta
L5. Y se obtendr un beneficio mximo de $44.450.

De acuerdo a las restricciones y parmetros propuestos en la

problemtica.
 CONCLUSIONES

El desarrollo de problemas mediante la herramienta GAMS, brinda

un mayor anlisis matemtico detallado y por medio de este proponer
alternativas que tengan mayor grado de asertividad en la toma de
decisiones.

Las diferentes aplicacion es que tiene el programa GAMS, se

pueden modelar a los diferentes tipos de problemas que se presentan
no solo para grande s empresas y la industria, sino tambin aplica
para la vida diaria .

Segn la revisin de la literatura y en base a los resultados

obtenidos del presente trabajo demuestran que la optimizacin
matemtica de la programacin lineal mixta binaria tienen un amplio
uso para resolver problemas organizacionales reales, y soporta u n
conjunto de decisiones ptimas tcticas y estrategias relacionadas
con los procesos de diversas organizaciones en el mbito de
competencia del ingeniero de produccin.

El modelado matemtico realizado mediante la programacin lineal

mixta binaria permi te tomar decisiones individuales y conjuntas para la
gestin empresarial con el fin de hacer un uso eficiente de los
recursos humanos y no humanos, paralelamente aumentar los
beneficios, desde todas las perspectivas planteadas.

Es necesario reconocer la ventaja comparativa del software

aplicado (GAMS) de algoritmos matemticos que permite resolver los
problemas de optimizacin, con un plus acerca de los planteamientos
en un lenguaje de modelizacin que permite describir en el editor de
formulacin matemt ica y aplicar programas de diversas resoluciones.

La programacin lineal a pesar de ser una herramienta

determinista (parmetros del modelo se suponen conocidos con
certeza) permite al tomador de decisiones evaluar diferentes
escenarios realizando variaci ones en los parmetros del modelo, lo
cual permite incluir el dinamismo en el que desempean las
organizaciones, es decir, llevndolo a la realidad.

WEBGRAFIA

Los ejercicios pueden ser visualizados en el siguiente link

http://zeth.ciencias.uchile.cl/~preymond/Otros/optimizacion2./LibroCompleto.pdf