Академический Документы
Профессиональный Документы
Культура Документы
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
PROGRAMACION
ENTERA
EXPOSICION DECIMA SEMANA
Ingeniería de Sistemas
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
END
PROGRAMACION ENTERA
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Un enfoque primitivo de resolución consiste en evaluar cada
una de las combinaciones de valores enteros para las variables
del problema. Pero en este caso, analizar diez variables y diez
valores en un problema tendríamos un número grande (diez mil
millones) de posibles soluciones, lo que hace necesario
planteamientos de solución inteligentes.
Estos se han dirigido por una parte hacia los "métodos exactos",
es decir, aquellos que conducen a una solución óptima exacta
para el problema combinatorio empleando técnicas que
reduzcan la búsqueda de soluciones.
END
PROGRAMACION ENTERA
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Los modelos de programación entera son una extensión de los
modelos lineales en los que algunas variables toman valores
enteros. Con frecuencia las variables enteras solo toman
valores en 0-1 ya que este tipo de variables permiten
representar condiciones lógicas.
Este tipo de modelos permite representar modelos mucho mas
complejos, aunque la resolución de los mismos se complica
excesivamente. No se puede utilizar la suavidad de las
funciones para inferir el comportamiento de las mismas cerca
del óptimo. Siendo así que problemas con una sola decenas de
variables pueden ser casi imposibles de resolver. END
PROGRAMACION ENTERA
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
Si se requiere que todas las variables sean enteras, se dice que
se habla de Programación Lineal Entera Pura; si se necesita
que algunas de las variables de decisión sean números enteros,
se tiene un problema de Programación Lineal Entera Mixta.
END
PROGRAMACION ENTERA
PRESENTACIÓN MULTIMEDIA
INDICE INTRODUCCION PONENTES
END
EL MÉTODO DE RAMIFICACIÓN Y
ACOTACIÓN
• En un problema de Programación Entera con frecuencia
hay un número finito de soluciones factibles posibles.
Entonces, es posible (teóricamente) enumerar y
evaluar cada una de las soluciones enteras factibles con
el fin de encontrar el óptimo.
s.a. : X1 + X2 + X3 ≤ 6
3 X1 + X2 + 4 X3 ≤ 9
X1 ≤ 1 X2 = 0 X2 = 1 X2 = 0 X2 = 1
X2 ≤ 1
X3 ≤ 4
X1 + X2 + X3 ≥ 0 y enteros
X3 = 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
Minimización
• Considere el siguiente problema de minimización de costos:
• Minimizar Z=X1+ 3X2+5X3
• Sujeto a: X1+X2+X3 ≥ 6.5
• 3X1+X2+4X3 ≥ 9.5
• X1 ≤1
• X2 ≤2
• X3 ≤ 4
• X1, X2, X3 ≥ 0
1.- Resolver el problema como uno de programación lineal ignorando la restricción
entera. Si la solución satisface la restricción entera, tenemos una solución optima
para el problema de programación entera. La solución por programación lineal es:
x1 = 1,
x2 = 2,
x3 = 3.5
Paso 2:
Acote El costo de la solución obtenida en No
¿Todas
el paso Uno se convierte en la
las ramas
nueva cota inferior del costo Para
han sido
todas las Soluciones de la rama
investigadas?
que está siendo Investigada.
Si
Paso 4:
La solución entera de costo mínimo es
A Terminación
la solución entera factible asociada
con la cota superior más actual.
X1 = 0.5, x2 = 2, X3 = 4
4 Costo Z = 26.5
Solución no entera: Rama
Cota Superior = 27
X1 = 0 X1 = 1
Solución X1 = 1, X2 = 2, X3 = 4
5 no factible 6
Costo Z = 27
Solución entera: también
solución optima ya que no
hay mas ramas para
investigar
Cota Superior = 27
Solución
optima
Maximización
Max: Z=X1+5X2+7X3+3X4
• Sujeto a
• 7x1+3x2+2x3+4x4 <=15
• 8x1+2x2+3x3+5x4 <=17
• 1x1 <=4
• 1x2 <=4
• 1x3 <=1
• 1x4 <=1
X4=0 X4=1
Solucion PL Solucion PL
X1 = 0.14, x2 = 4, X3 = 1 X1 = 0, x2 = 3, X3 = 1
x4 = 0 x4 = 1
Utilidad Z = 27.14 Utilidad Z = 25.00
Solución entera Solución entera
X1 =0 1<= x1 <=4
Solucion PL Solucion PL
Solución X1 = 0, X2 = 4, X3 = 1 X1 = 1, X2 = 2, X3 = 1
Entera
Optima X4 =0 X4 = 0
Utilidad Z = 27.00 Utilidad Z = 18
VOLVER
Solución entera Solución entera
EL MÉTODO DE PLANO CORTANTE O
ALGORITMO DE GOMORY
Ejemplo:
Maximizar Z = 7x1 + 10x2
Sujeto a: -x1 + 3x2 ≤ 6
7x1 + x2 ≤ 35
x1, x2 ≥ 0 y entero
DESARROLLO ALGEBRAICO
Paso 1
Paso 2
Nota:
VOLVER
EJEMPLO
Resolución:
Standarizando:
Maximizar Z = 7x1 + 10x2 + 0x3 + 0x4
Sujeto a: -x1 + 3x2 + x3 = 6
7x1 + x2 + x4 = 35
x1, x2, x3, x4 ≥ 0 y entero
PRIMERA TABLA SIMPLEX
Cj 7 10 0 0
Ck Xk bi X1 X2 X3 X4
0 X3 6 -1 3 1 0 Elemento Pivote
0 X4 35 7 1 0 1
Zj 0 0 0 0 0
Cj – Zj 7 10 0 0
Cj 7 10 0 0
Ck Xk bi X1 X2 X3 X4
Elemento Pivote 10 X2 2 -1/3 1 1/3 0
0 X4 33 22/3 0 -1/3 1
Zj 20 -10/3 10 10/3 0
Cj - Zj 31/3 0 -10/3 0
TERCERA TABLA SIMPLEX
Cj 7 10 0 0
Ck Xk bi X1 X2 X3 X4
Luego:
X1 – X3 - 4 = -21/22 X3 – 3/22 X4 + ½
Debido a que X3 Y X4 son no negativos entonces el lado izquierdo debe
satisfacer:
-21/22 X3 – 3/22 X4 + ½ ≤ 0
-7/22 X3 – 1/22 X4 ≤ - ½
Cj 7 10 0 0 0
Ck Xk bi X1 X2 X3 X4 S1
Cj - Zj 0 0 -63/22 -31/22 0
La tabla símplex es óptima, pero no factible. Aplicamos el método simplex dual para
recuperar la factibilidad, lo que nos da:
X1 X2 X3 X4 S1
Zj 7 10 63/22 31/22 0
S1 0 0 -7/22 -1/22 1
Elemento pivote
COCIENTE - - -9 -31 -
Cj 7 10 0 0 0
Ck Xk Bi X1 X2 X3 X4 S1
10 X2 3 0 1 0 0 1
7 X1 32/7 1 0 0 1/7 -1/7
0 X3 11/7 0 0 1 1/7 -22/7
Zj 62 7 10 0 1 9
Cj – Zj 0 0 0 -1 -9
Solución obtenida: X2 = 3
X1 = 32/7
X3 = 11/7
Z = 62
X1 X2 X3 X4 S1 S2
Zj 7 10 0 1 9 0
S2 0 0 0 -1/7 -6/7 1
Elemento pivote
COCIENTE - - - -7 -63/7 -
TABLA SIMPLEX DUAL
Cj 7 10 0 0 0 0
Ck Xk bi X1 X2 X3 X4 S1 S2
10 X2 3 0 1 0 0 1 0
7 X1 4 1 0 0 0 -1 1
0 X3 1 0 0 1 0 -4 1
0 X4 4 0 0 0 1 6 -7
Zj 58 7 10 0 0 3 7
Cj - Zj 0 0 0 0 -3 -7
VOLVER
MÉ TOD O DE LO S PLA NOS
COR TA NTES DE GO MO RY
I).METODO GRÁFICO
Ejemplo:
Max: Z = X1 + 5 X2
S.A
X1 + 10X2 < 20
X1 < 2
Xj > 0 y entero; j=1, 2
METÓDO GRÁFICO
Óptimo(2,9/5)
1
X1
2 5 10 20
Región Factible
Óptimo de la Solución Entera o Real
con Z = 10
En el punto (2,0)
X1
2.) METODO ALGEBRAICO
Éste método sirve para solucionar problemas
de más de dos (2) variables.
Algoritmo
Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
0 X3 20 1 10 1 0 2
0 X4 2 1 0 0 1 No
Zj 0 0 0 0 0
Cj - Zj 1 5 0 0
VARIABLE QUE ENTRA: X2
VARIABLE QUE SALE: X3
A.2)SEGUNDA TABLA SIMPLEX
Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
5 X2 2 1/10 1 1/10 0 20
0 X4 2 1 0 0 1 2
Zj 10 -5/10 0 5/10 0
Cj - Zj 5/10 0 -5/10 0
Cj 1 5 0 0 b/a
Ck Xk bi X1 X2 X3 X4
5 X2 9/5 0 0 1/10 -1/10 20 Ecuacion
(1)
1 X1 2 1 1 0 1 2
Zj 11 1 5 1/2 1/2
Cj - Zj 0 0 -1/2 -1/2
Solución Óptima Continua (No Entera): X1=2; X2=9/5; X3=0; X4=0
Z=11
ECUACION 1 (Fila 1) .-Para construir la nueva restricción; ya que tiene la
Variable (X2), cuyo valor de su parte fraccional es Mayor.
Cálculo de la nueva restricción, a partir de la Ecuación 1
Cj 1 5 0 0 0
b/a
Ck Xk bi X1 X2 X3 X4 S1
5 X2 9/5 0 0 1/10 -1/10 0 -18
1 X1 2 1 1 0 1 0 2
0 S1 -4/5 0 0 -1/10 -9/10 1 8/9
Zj 11 1 5 1/2 1/2 0
Cj - Zj 0 0 -1/2 -1/2 0
(Cj - Zj)/arj no no 5 5/9 no
arj = son los coeficientes de las variables de la nueva restricción insertada.
NOTA: Para hallar el elemento pivote en esta tabla Simplex Dual se toma en cuenta
El valor fraccional de la fila [(Cj - Zj)/arj]. Por ello tomamos la columna de 5/9
B.2) ULTIMA TABLA SIMPLEX DUAL
Cj 1 5 0 0 0
Ck Xk bi X1 X2 X3 X4 S1
5 X2 17/9 0 1 1/9 0 -1/9
1 X1 10/9 1 0 -1/9 0 10/9
0 X4 8/9 0 0 1/9 1 -10/9
Zj 95/9 1 5 4/9 0 5/9
Cj - Zj 0 0 -4/9 0 -5/9
Cj 1 5 0 0 0 0 b/a
Ck Xk bi X1 X2 X3 X4 S1 S2
5 X2 17/9 0 1 1/9 0 -1/9 0 17
1 X1 10/9 1 0 -1/9 0 10/9 0 -10
0 X4 8/9 0 0 1/9 1 -10/9 0 8
0 S2 -8/9 0 0 -1/9 0 -8/9 1 8
Zj 95/9 1 5 4/9 0 5/9 0
Cj - Zj 0 0 -4/9 0 -5/9 0
(Cj - Zj)/arj no no 4 no 5/8 no
C.2) ULTIMA TABLA SIMPLEX DUAL
Cj 1 5 0 0 0 0
Ck X k bi X1 X2 X3 X4 S1 S2
5 X2 2 0 1 1/8 0 0 -1/8
1 X1 0 1 0 -1/4 0 0 5/4
0 X4 2 0 0 1/4 1 0 -5/4
0 S1 1 0 0 3/8 0 1 -9/8
Zj 10 1 5 3/8 0 0 5/8
Cj - Zj 0 0 -3/8 0 0 -5/8
La Solución Optima Entera es Cuando:
X1 = 0
X2 = 2
X3 = 0
X4 = 2
S1 = 1
S2 = 0
Max: Z = X1 + 5 X2
Remplazando:
Z = 0*(X1) + 5*(2) Z = 10
VOLVER
PROGRAMACION LINEAL ENTERA BINARIA
Las situaciones en las que las decisiones aparecen como alternativas son
las más frecuentes con las que nos enfrentamos.
W = - 3X1 + 5X2
Minimice
X1+ X2 +S1 = 5
- X1 - X2 + S2 = - 5
- 4X1 - 6X2 + S3 = - 4
X1,X2 =(0 ,1)
S1 ,S2 ,S3 >=0
• Para asegurarse de que los coeficientes
de la funcion objetivo son no negativo,
sustituya Xj = 1 – Xj* para cualquier Xj con
coeficiente negativo en la funcion objetivo.
Por consiguiente , sustituimos X1= 1-X1*y
ajustamos el lado derecho de las
restriccionesconforme a ello . Ahora el
algoritmo aditivo trata con X1* y X2.
VOLVER
problema binario(0_1) resuelto a
través del del algoritmo aditivo
• Maximice W =3Y1+ 2Y2-5Y3 -2Y4+3Y5
• Sujeto a
Y1 + Y2 + Y3 + Y4 + Y5 <=4
7Y1 + 3Y3 - 4Y4 + 3Y5 <=8
11Y1 - 6Y2 + 3Y4 - 3Y5 >=3
Y1,Y3,Y2,Y4,Y5 = (0,1)
1.- Multiplique la función objetivo por -1
2.- Multiplique la tercera restriccion por -1
3.- añade las variables de holgura S1,S2,S3 para convertir las
tres en ecuaciones
4.- Sustituya Y1=1-X1, Y2= 1- X2 , Y5= 1- X5, Y3= X3, Y4= X4
para obtener todos los coeficientes objetivos en positivos.
• Ahora tenemos:
Minimice
Z*= 3X1+ 2X2+ 5X3+ 2X4+ 3X5- 8
Ignoremos la constante -8 y remplazemos Z*+8 con Z, de
manera que :
Minimice Z= 3X1+ 2X2+ 5X3+ 2X4+ 3X5
Sujeto a
-X1-X2+X3+2X4-X5+S1=1
-7X1+3X3-4X4-3X5+S2=-2
11X1-6X2-3X4-3X5+S3=-1
X1, X2, X3, X4, X5=(0,1)
Resumen de la ecuación
Solución Básica
factible X1 X2 X3 X4 X5 S1
S2 S3 Solución
S1 -1 -1 1 2 -1 1
0 0 1
S2 -7 0 3 -4 -3 0
1 0 -2
S3 11 -6 0 -3 -3 0
0 1 -1
Coeficientes
Objetivos 3 2 5 2 3
• Dada la solucion binaria inicial toda cero,
la solucion de la holgura es:
(S1,S2,S3) =(1,-2,-1),Z=0
Si todas las variables fuesen no negativas
concluiriamos que la solución binaria toda
cero es optima.
• La variable de ramificación debe tener el potencial de reducir la no
factibilidad de las holguras.
• Se excluye X3 y consideramos a X1,X2,X4,X5 como las variables
de ramificación
• La selección de la variable de ramificacion entre las candidatas
X1,X2,X4,X5,se basa en la medida de no factibildad de la holgura ;
esta medida se basa.
• por ejemplo cuando determinamos X1=1 obtenemos S1= 1-(-1)= 2
,S2= -2-(-7)=5,y
S3= -1-11= -12 Asi I1=-12,I2=-2 I4=-1,y I5=0
Como I5 produce la medida mas pequeña de no factibilidad se
sellecciona X5 como variable de ramificacion: X5=1,X5=0; se crea
los nodos 1y 2el nodo 1 produce los valores de holgura
(S1,S2,S3)=
(2,1,2)y Z=3
Z=0
X5=0 X5=1
2 1
Z = 3(Sondeada)
• Para las variables X2 y X4 calculamos las
medidas de factibilidad como:
I2=-2, I4=-1
Por consiguienteX4 es la variable de
ramificacion del nodo 2
Z =0
0
X5=0 X5=1
Z =0 1
2
X4=0 X4=1
4
Z =0 Z =2 (sondeado)
3
(S1,S2,S3)=(-1,2,-1), Z =2
Z=0
0
X5=0 X5=1
Z=0
2
1
X2=0 X2=1
6 5
Z=0(sondeada) Z=2(sondeado)
• Ahora se han sondeado todos lo nodos
pendientes . la solución optima esta
asociada con el nodo 1, X5=1,z = 3,Y
TODAS LAS DEMAS VARIABLES CERO.
en términos de las variables originales , la
solución es Y1= Y2 =1 y Y3= Y4 = Y5=0
con W = 5
VOLVER