Programaci on Lineal Entera Los modelos de programaci on entera son una extensi on de los modelos lineales en los que

algunas variables toman valores enteros. Con frecuencia las variables enteras s olo toman valores en 0-1, ya que este tipo de variables permiten representar condiciones l ogicas. Este tipo de modelos permite representar sistemas mucho m as complejos. on de los mismos se complica excesivamente. No se A cambio, la resoluci puede utilizar la suavidad de las funciones para inferir el comportamiento de las mismas cerca del optimo. Problemas con unas solas decenas de variables pueden ser casi imposibles de resolver.

Programaci on Entera: contenidos

1. Introducci on 2. Algunos modelos b asicos y Modelizaci on con variables binarias a) El problema del transporte b) Problema de la mochila c ) Problema del viajante (opt. combinatoria) d ) Problema de asignaci on, asignaci on generalizada y asignaci on cuadr atica e ) Problema del cubrimiento, empaquetado y partici on f ) Problema del emparejamiento (opt. combinatoria) g ) Otros problemas 3. Resoluci on del problema. a) Planos de corte b) Ramicaci on y acotaci on (Branch and Bound).

Programaci on Entera: ejemplos m n ctx Ax b x0 xi entera para i I {1, . . . , n}

Si I = {1, . . . , n} Programaci on Lineal Entera Pura. Si I = {1, . . . , n} Programaci on Lineal Entera Mixta. Si xi {0, 1}, i I Programaci on Binaria o 01.

Programaci on Entera: ejemplos En general, un problema de Programaci on Lineal Entera puede surgir por varios motivos:

Directos: las variables que se utilizan son cuantitativas y enteras. Codicados: Se utilizan variables enteras para representar el cumplimiento o no de ciertas condiciones (normalmente son variables 0 1). Transformados: Las variables enteras aparecen para facilitar la modelizaci on de algunas condiciones (implicaciones, disyunciones, etc.)

Problemas directos: ejemplo Una empresa de autom oviles dispone de tres factor as, A, B y C y de dos centros de distribuci on, D1 y D2. Las capacidades de producci on de las 3 factor as durante un a no son 1000, 1500 y 1200 veh culos, respectivamente. Las demandas en los centros de producci on son de 2300 y 1400 veh culos respectivamente. El coste de transporte en tren es de 10 pesetas por kil ometro y veh culo. Si la matriz de distancias entre las factor as y los centros de distribuci on vienen dada por la siguiente tabla, cu antos veh culos deben fabricarse en cada factor a para que el transporte desde cada una de las factor as a cada uno de los centros de distribuci on sea m nimo? D1 1000 1250 1275 D2 2690 1350 850
5

A B C

Problemas directos: ejemplo Modelo: problema del transporte en el que la mercanc a que debe ser transportada es un bien indivisible

minimizar

(10dij )xij
i=1 j =1

sujeto a x11 + x12 1000 x21 + x22 1500 x31 + x32 1200 x11 + x21 + x31 2300 x12 + x22 + x32 1400 xij Z+, i = 1, 2, j = 1, 2, 3 donde xij = cantidad de veh culos a transportar de la factor a i, i = 1, 2 hasta el centro de distribuci on j , j = 1, 2, 3
6

Problemas codicados: ejemplo Un ingeniero inform atico aut onomo quiere optar a realizar un proyecto inform atico de entre 5 que salen a concurso. S olo tiene presupuesto para pagar las tasas de solicitud en 3 proyectos. A qu e 3 proyectos optar? Benecio esperado (en miles de euros) que puede obtener a los 3 a nos con cada uno de los proyectos. Estimaci on de la probabilidad de que no le concedan cada uno de los proyectos Proyecto Benecio (miles euros) Probabilidad de rechazo 1 90 0.4 2 150 0.7 3 80 0.4 4 100 0.5 5 120 0.6

Problema: qu e proyectos deber a solicitar para obtener un benecio mayor y asegurarse de que la suma de las probabilidades de rechazo no sea superior a 1.5
7

Problemas codicados: ejemplo (cont.)

Variables de decisi on: xi =

1, 0,

si se solicita el proyecto i, si no se soliciota el proyecto i.

i = 1, 2, 3, 4, 5

Restricciones:

L mite presupuestario:
x1 + x2 + x3 + x4 + x5 3

Suma de las probabilidades de rechazo no exceda 1.5

0,4x1 + 0,7x2 + 0,4x3 + 0,5x4 + 0,6x5 1,5

Condici on de variables binarias:

xi {0, 1}, i = 1, 2, 3, 4, 5

Problemas codicados: ejemplo (cont.)

Objetivo: maximizar el benecio esperado 90x1 + 150x2 + 80x3 + 100x4 + 120x5 C omo cambiar as el modelo anterior si se hubiera pedido que la probabilidad de no obtener ning un proyecto fuese, a lo sumo, del 10 %? Si seleccionamos, por ejemplo, los proyectos 1, 2 y 3:
P {no obtener ning un proyecto} = P {rechazan P1 y P2 y P3 } = (0,4)(0,7)(0,4) = P {no obtener ning un proyecto} 0,1 (0,4)(0,7)(0,4) 0,1 log((0,4)(0,7)(0,4)) log(0,1) log(0,4) + log(0,7) + log(0,4) log(0,1)

log(0,4)x1 log(0,7)x2 log(0,4)x3 log(0,5)x4 log(0,6)x5 1

Problema de la Mochila Se dispone de n objetos para llenar una mochila. El objeto j tiene un peso pj y tiene una utilidad (valor) cj . La mochila admite un peso m aximo de b. El problema consiste en decidir qu e objetos se introducen en la mochila de forma que se maximice la utilidad de los objetos seleccionados.

Variables: xj =
1

si el objeto j es seleccionado, en otro caso.

j = 1, . . . , n

10

Problema de la Mochila

Restricciones:
n

L mite de peso de la mochila:

j =1

pj xj b j = 1, . . . , n

Condici on de variables binarias: xj {0, 1}

n

Funci on objetivo: m ax
j =1

cj xj

Se pueden considerar variantes en las que se incluya tambi en el volumen, etc. O la posibilidad de que haya m as de una unidad de cada objeto. Entonces, las variables ser an xj igual al n umero de unidades del objeto j seleccionadas.

11

Problema de asignaci on El modelo de asignaci on permite asignar ecientemente un conjunto de personas a un conjunto de trabajos, m aquinas a tareas, coches de polic a a sectores de una ciudad, vendedores a zonas, etc. El objetivo es minimizar los costes, tiempos de desplazamiento, o maximizar la efectividad. Es un modelo muy frecuente como submodelo en otros m as complejos.

12

Problema de asignaci on. Ejemplo Juan es el jefe de un bufete de j ovenes abogados y est a interesado en la utilizaci on m as efectiva de sus recursos de personal buscando la forma de hacer las mejores asignaciones de abogado-cliente. El 1 de Marzo le llegan 4 nuevos clientes. Revisando a su personal encuentra que 4 abogados: Ana, Bruno, Carmen y Domingo. Todos pueden ser asignados a los casos. Cada uno de ellos s olo se puede hacer cargo de un caso.

13

Problema de asignaci on. Ejemplo (cont.) Para decidir la mejor asignaci on Juan tiene en cuenta una tasa de efectividad (de 1 a 9) construida sobre actuaciones anteriores de dichos abogados, ya que no todos son igual de buenos (especialistas) en todo tipo de procesos:

Abogado ana (1) bruno (2) carmen (3) domingo (4)

tasa de efectividad seg un caso de cliente divorcio (1) fusi on desfalco (3) herencias (4) empresarial (2) 6 2 8 5 9 3 5 8 4 8 3 4 6 7 6 4

14

Problema de asignaci on. Ejemplo (cont.) Para determinar la asignaci on m as efectiva Juan debe resolver el siguiente problema de asignaci on m ax 6x11 + 2x12 + 8x13 + 5x14 + 9x21 + 3x22 + 5x33 + 8x44+ 4x31 + 8x32 + 3x33 + 4x34 + 6x41 + 7x42 + 6x43 + 4x44 s.a.
4

xij = 1,
i=1 4

j = 1, . . . , 4, i = 1, . . . , 4, i = 1, . . . , 4, j = 1, . . . , 4.

xij = 1,
j =1

xij {0, 1},

donde las variables xij , i = 1, . . . , 4, j = 1, . . . , 4, se denen como xij =

1, 0,

si el abogado i lleva el caso del cliente j , en otro caso.

15

Problema de Asignaci on Generalizada. Ejemplo Es una generalizaci on del modelo anterior. Cada abogado puede hacerse cargo de m as de un cliente simult aneamente, siempre y cuando no supere su capacidad Un sistema de procesamiento compartido tiene 3 ordenadores diferentes (Oj , j = 1, 2, 3) y tiene que procesar 6 tareas (Ti i = 1, . . . , 6) Todas las tareas se pueden realizar en cualquier ordenador, pero no pueden fraccionarse (se deben completar en el ordenador en que se inician) Los tiempos de procesamiento de cada tarea i en cada ordenador j , tij , var a seg un el ordenador El tiempo disponible de cada ordenador para ejecutar las tareas est a limitado

16

Problema de Asignaci on Generalizada. Ejemplo (cont.) Ordenador O1 O2 O3 18 16 12 14 21 19 23 27 33 16 24 23 17 24 24 25 28 30 47 41 46

Tarea T1 T2 T3 T4 T5 T6 T. disp. (Cj )

A qu e ordenador debemos mandar cada tarea si queremos minimizar el tiempo total de procesamiento? Variables xij =
1, 0,

si la tarea i se asigna al ordenador j , , en otro caso.

i = 1, . . . , 6, j = 1, 2, 3.
17

Problema de Asignaci on Generalizada. Ejemplo (cont.) Funci on objetivo T = 18x11 + 16x12 + 12x13 + 14x21 + 21x22 + 19x23+ + 23x31 + 27x32 + 33x33 + 16x41 + 24x42 + 23x43+ + 17x51 + 24x52 + 24x53 + 25x61 + 28x62 + 30x63 Restricciones Cada tarea se procesa en un s olo ordenador:
3

xij = 1,
j =1

i = 1, . . . , 6.

Limitaci on de tiempo disponible en cada ordenador: 18x11 + 14x21 + 23x31 + 16x41 + 17x51 + 25x61 47 16x12 + 21x22 + 27x32 + 24x42 + 24x52 + 28x62 41 12x13 + 19x23 + 33x33 + 23x43 + 24x53 + 30x63 46
18

Problema de Asignaci on Generalizada. Ejemplo (cont.)

T = m n
i=1 j =1 3

tij xij

xij = 1,
j =1 6

i = 1, . . . , 6

tij xij Cj ,
i=1

j = 1, 2, 3

xij {0, 1} C omo cambiar as el modelo para que el tiempo de procesamiento total fuese el tiempo que tardan en completarse todas las tareas que se procesan en paralelo en los 3 ordenadores?

19

Problema de Asignaci on Generalizada. Ejemplo (cont.) Funci on objetivo T = m ax 18x11 + 14x21 + 23x31 + 16x41 + 17x51 + 25x61, 16x12 + 21x22 + 27x32 + 24x42 + 24x52 + 28x62, 12x13 + 19x23 + 33x33 + 23x43 + 24x53 + 30x63

T = m n m ax
3 j =1 6

ti1xi1, ti2xi2, ti3xi3 , i=1 i=1 i=1 i = 1, . . . , 6

xij = 1,

tij xij Cj ,
i=1

j = 1, 2, 3

xij {0, 1}
20

Problema de Asignaci on Generalizada. Ejemplo (cont.)

T = m n z
6

ti1xi1 z
i=1 6

ti2xi2 z
i=1 6

ti3xi3 z
i=1 3

xij = 1,
j =1 6

i = 1, . . . , 6

tij xij Cj ,
i=1

j = 1, 2, 3

xij {0, 1}
21

Problema de Cubrimiento. Ejemplo Un t ecnico de sistemas del laboratorio de c alculo de la Escuela Polit ecnica Superior quiere acceder a cinco archivos distintos. Hay copia de estos archivos en distintas cintas de backup: CINTAS C2, C5, C6, C8, C9, C10 C3 C5, C7, C10 C6, C8 C2, C4, C6, C7, C9, C10

f1 f2 f3 f4 f5

C1, C1, C2, C3, C1,

Los tama nos de las cintas de backup C1, . . . ,C10 son: (30, 50, 10, 20, 10, 40, 30, 10, 20, 20) Para poder recuperar los archivos, primero hay que hacer un volcado de ste tiene que ser de la cinta completa, no puede las cintas al disco duro. E copiarse s olo una parte. C omo determinar el conjunto de cintas a volcar de forma que se ocupe el menor espacio de disco posible y se puedan recuperar todos los archivos?
26

Problema de Cubrimiento. Ejemplo (cont.) Variables xi =

1 0

si volcamos la cinta i al disco duro, si no la volcamos.

i = 1, . . . , 10.

Restricciones El archivo 1 tiene que ser accesible al menos 1 de las cintas de backup que tiene copia del archivo 1 se debe volcar: x1 + x2 + x5 + x6 + x8 + x9 + x10 1 El resto de archivos debe ser tambi en accesible: x1 + x3 1 x2 + x5 + x7 + x10 1 x3 + x6 + x8 1 x1 + x2 + x4 + x6 + x7 + x9 + x10

Condici on de variables binarias: xij {0, 1}, i = 1, . . . , n.

27

Implicaciones entre variables binarias C omo le a nadir as al modelo las siguientes condiciones?

Si se vuelca la cinta 4, debe volcarse la 6: x4 x6 Si no se vuelca la cinta 3, debe volcarse la 1: x3 + x1 1 ( 1 x3 x1)

Si se vuelca la cinta 2, no se puede volcar la cinta 6: x2 + x6 1 ( x6 1 x2)

No se pueden volcar a la vez las cintas 1, 9 y 10: x1 + x9 + x10 2

29

Implicaciones entre variables binarias (cont.)

Si se vuelca la cinta 2 o la 5, no pueden volcarse ni la 6, ni la 9. Existen varias alternativas: Si se vuelca la cinta 2, no se puede volcar la cinta 6, y si se vuelca la cinta 5 tampoco: x2 + x6 Lo mismo para la cintas 9: x2 + x9 1 x5 + x9 1 1 x5 + x6 1

Otra posibilidad es modelar esta condici on como: x6 + x9 2 2x2 x6 + x9 2 2x5

30

Implicaciones entre variables binarias En general, cuando un valor concreto de una variable binaria condiciona el valor que han de tomar otras variables binarias. La condici on (y = 0 x = 0), es equivalente a x y . Si no se vuelca la cinta y , entonces tampoco se puede volcar la cinta x. La condici on (y = 0 x = 1), es equivalente a x 1 y . Si no se vuelca la cinta y , entonces se debe volcar la cinta x. La condici on (y = 1 x = 0), es equivalente a x 1 y . Si se vuelca la cinta y , entonces no se puede volcar la cinta x. La condici on (y = 1 x = 1), es equivalente a x y . Si se vuelca la cinta y , entonces tambi en hay que volcar la cinta x.

31

Coste jo. Ejemplo vende ordenadores y debe hacer una planicaci La empresa PECE on de la producci on durante la pr oxima semana. La compa n a produce 3 tipos de ordenadores: de mesa (A), port atil normal (B) y port atil de lujo (C) Todos los ordenadores que se montan en una semana, se venden en esa semana. El benecio neto por la venta de uno de estos ordenadores es 350, 470 y 610 euros, respectivamente Los ordenadores A y B pasan un control de calidad y la empresa dispone de 120 h. para realizar estos controles. Los ordenadores de tipo C pasan otro control distinto y la empresa dispone de 48 h. a la semana para realizarlos. Cada control requiere 1 h. El resto de operaciones de montaje requieren 10, 15 y 20 h. para los ordenadores de tipo A, B y C, respectivamente. La empresa dispone de una capacidad de 2000 horas/semana Cu anto debe producir de cada ordenador para maximizar el benecio?
Ejemplo tomado de Modelling the Supply Chain (Shapiro) 32

Coste jo. Ejemplo (cont.) Variables: xA, xB y xC , cantidad a producir de cada tipo de ordenador, de mesa, port atil y de lujo. Modelo z = m ax 350xA + 470xB + 610x1 C s.a. xA + xB 120 (test 1) xC 48 (test 2) 10xA + 15xB + 20xC 2000 (montaje) xA , xB , xC Z+ Soluci on: xA = 120, xB = 0, xC = 40

Este producci on requiere de las 120 h. disponibles de test 1 y de las 2000 de montaje, mientras que sobran 8 de las 48 h. disponibles de test 2
Ejemplo tomado de Modelling the Supply Chain (Shapiro) 33

Coste jo. Ejemplo (cont.) no considera ninguna El problema inicial planteado por la empresa PECE relaci on entre los costes de producci on y los benecios. Simplemente se trata de una asignaci on de recursos. Si quieren tratar estos costes, deben ser incluidos en la funci on objetivo: benecio neto = ingreso por ventas gasto en producci on El precio de venta es de 400, 520 y 686 euros para cada tipo de ordenador, respectivamente.

Ejemplo tomado de Modelling the Supply Chain (Shapiro)

34

Coste jo. Ejemplo (cont.) La compa n a ha estimado que pasar los test de tipo 1 y 2, implica:
Un coste jo de 2016 euros, independientemente del n umero de ordenadores que lo pasen. Un coste variable, por hora, de 32 euros.
5856 2740

Un coste jo de 1200 euros, independientemente del n umero de ordenadores que lo pasen. Un coste variable, por hora, de 38.5 euros.

Costes test 1

Costes T2 1200 2016

120

40

C omo incluir el coste jo en el modelo? (funci on de coste con un salto)

Ejemplo tomado de Modelling the Supply Chain (Shapiro) 35

Coste jo. Ejemplo (cont.) Para incluir este coste jo se recurre a variables binarias: 1 =
1 0

si se utiliza el test 1 en otro caso

Hay que garantizar que si no utiliza este test, no se haga uso de ninguna de las horas disponibles: xA + xB 1201 Para el test de tipo 2 se dene una variable 2 de la misma forma.

Ejemplo tomado de Modelling the Supply Chain (Shapiro)

36

Ejemplo (cont.) La funci on objetivo resulta: m ax 400xA + 520xB + 686xC 20161 12002 32xA 32xB 38,5xC Modelo
z = m ax 400xA + 520xB + 686xC 20161 12002 32xA 32xB 38,5xC s.a. xA + xB xC 10xA + 15xB + 20xC xA , xB , xC 1201 482 2000 (test 1) (test 2) (montaje)

Z+, 1, 1 {0, 1}

La soluci on optima es xA = 120, xB = 0 y xC = 40. En este caso, el plan de producci on optimo no ha cambiado. S olo cambia el benecio, que es de 66844 euros, en lugar de los 66400 euros del modelo original. Se ha mejorado la estimaci on de costes.
Ejemplo tomado de Modelling the Supply Chain (Shapiro) 37

Resoluci on del problema

38

La resoluci on se complica: el redondeo La primera tentaci on a la hora de abordar la resoluci on de un problema de programaci on entera es redondear la soluci on obtenida al relajar la condici on de integralidad. Esta no es una buena estrategia ya que:

1. No siempre proporciona la soluci on optima. 2. No garantiza la obtenci on de soluciones factibles. 3. La selecci on del redondeo adecuado es un problema exponencial.

39

El redondeo: ejemplo Consideremos el siguiente problema de programaci on lineal entera z = m nx1 11x2 x1 + 10x2 40 10x1 + 10x2 205 x1, x2 0 y enteras

Soluci on optima sin considerar las condiciones de integralidad: x1 = 15 y x2 = 5,5

40

El redondeo: ejemplo La regi on factible del modelo es:

(15, 11 ) 2 (15, 6)
r r r

(10, 5)

(15, 5)

Posibles redondeos: x1 = 15 y x2 = 6: no verica la primera restricci on. x1 = 15 y x2 = 5: es factible y z = 40. La soluci on x1 = 10 y x2 = 5 es factible y z = 45
41

Resoluci on de un problema entero Idea: Un problema lineal continuo es muy sencillo de resolver por qu e no desarrollar m etodos de resoluci on que empleen la programaci on lineal continua como una herramienta para resolver el problema entero? c omo desarrollar estos m etodos?

a partir de las propiedades de la soluci on de un problema continuo y de las del m etodo de resoluci on del mismo, y a partir de las caracter sticas de un problema entero (c omo se modele el problema ser a muy importante)

42

Resoluci on del problema Los m etodos m as usados parten de la relajaci on del problema Idea: sustituir el problema entero original por un problema m as sencillo, que pueda ser resuelto m as f acilmente y, por tanto, que pueda ser utilizado para obtener cotas. La m as usada es la relajaci on lineal que consiste en eliminar la condici on de que las variables tomen valores enteros. Pero, no es la unica

43

Resoluci on del problema Problema: Los puntos extremos no tienen por qu e ser enteros Si fueran enteros no habr a problema por qu e no obtener la envoltura convexa? demasiado costoso Hay unas formulaciones mejores que otras: m as fuertes

44

Resoluci on del problema Soluci on: los m etodos m as extendidos son 1. M etodos de Planos de Corte: se introducen nuevas restricciones al problema relajado, hasta lograr que la soluci on optima del nuevo problema sea entera. Se eliminan algunas soluciones continuas sin eliminar ninguna soluci on entera. 2. M etodos enumerativos: consisten en enumerar de forma impl cita las soluciones y mediante test o cotas para la funci on objetivo, descartarlas antes de conocerlas expl citamente. El m etodo Branch and Bound (Ramicaci on y Acotaci on): divide en problemas menores: ramicaci on y descarta algunos de ellos: acotaci on 3. M etodos h bridos: combinan las 2 estrategias anteriores El m etodo Branch and Cut (Ramicaci on y Corte)
45

Resoluci on: Branch and Bound M etodo de enumeraci on impl cita: divide en problemas menores: ramicaci on y descarta algunos de ellos: acotaci on A veces puede usarse como heur stico, si no se exploran todos los nodos. Si se exploran todos s se garantiza el optimo.

52

Ejemplo 1 m ax 2x1 + 3x2 5x1 + 7x2 35 4x1 + 9x2 36 x1 , x2 Z+

5x1 + 7x2 = 35
s s s s

Optimo lineal: (63/17, 40/17), z = 14,4707

4x1 + 9x2 = 36

Cota: z opt 14,4707

43

Ejemplo 1
(3.7059,2.3529) z=14.4706

5x1 + 7x2 = 35
s s s s

Optimo lineal: (63/17, 40/17), z = 14,4707

4x1 + 9x2 = 36

Cota: z opt 14,4707

44

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43

5x1 + 7x2 = 35
s s s s

Nuevo o ptimo: (4, 2,14), z = 14,43

4x1 + 9x2 = 36

Cota: z opt 14,4707

45

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 3 x2 + no factible

5x1 + 7x2 = 35
s s s s s s s

4x1 + 9x2 = 36

Cota: z opt 14,4707

46

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 3 x2 + no factible 0 x2 2 (4.19,2) z=14.4 Nuevo o ptimo: (4,19, 2), z = 14,40

5x1 + 7x2 = 35
s s s s

4x1 + 9x2 = 36

Cota: z opt 14,4707

47

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 3 x2 + no factible 5 x1 + (5,1.43) z=14.29 0 x2 2 (4.19,2) z=14.4

s 5x 1

+ 7x2 = 35
s s s s

Nuevo o ptimo: (5, 1,43), z = 14,29

Cota: z opt 14,4707

4x1 + 9x2 = 36

48

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 3 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible
s 5x 1

0 x2 2 (4.19,2) z=14.4

+ 7x2 = 35
s s s s s s s

Cota: z opt 14,4707

4x1 + 9x2 = 36

49

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 0 x2 1 (5.59,1) z=14.2
s 5x 1

0 x2 2 (4.19,2) z=14.4

+ 7x2 = 35
s s s s

Nuevo o ptimo: (5,59, 1), z = 14,2

Cota: z opt 14,4707

4x1 + 9x2 = 36 50

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 0 x2 1 (5.59,1) z=14.2
s 5x 1

0 x2 2 (4.19,2) z=14.4

+ 7x2 = 35
s s s s

Nuevo o ptimo: (6, 0,71), z = 14,13

Cota: z opt 14,4707

4x1 + 9x2 = 36 51

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 x2 +
s s s s s s s s

0 x2 2 (4.19,2) z=14.4

0 x2 1 (5.59,1) z=14.2
s 5x 1

+ 7x2 = 35
s s s s s s s

no factible

Cota: z opt 14,4707

4x1 + 9x2 = 36 52

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 x2 + no factible (7,0) z=14 0 x2 0
s s s s s s s s

0 x2 2 (4.19,2) z=14.4

0 x2 1 (5.59,1) z=14.2
s 5x 1

+ 7x2 = 35
s s s s

Nuevo o ptimo: (7, 0), z = 14

ta: z opt 14,4707

Incumbent: 14 z opt

4x1 + 9x2 = 36 53

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 x2 + no factible (7,0) z=14 0 x2 1 (5.59,1) z=14.2 0 x1 5 (5,1) z=13 0 x2 0
s s s s s s s s s 5x 1

0 x2 2 (4.19,2) z=14.4

+ 7x2 = 35
s s s s

Nuevo o ptimo: (5, 1), z = 13

ta: z opt 14,4707

Incumbent: 14 z opt

4x1 + 9x2 = 36 54

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 x2 + no factible (7,0) z=14 0 x2 1 (5.59,1) z=14.2 0 x1 5 (5,1) z=13 0 x2 0
s s s s s s s s s 5x 1

0 x2 2 (4.19,2) z=14.4 0 x1 4 (4,2) z=14

+ 7x2 = 35
s s s s

Nuevo o ptimo: (4, 2), z = 14

ta: z opt 14,4707

Incumbent: 14 z opt

4x1 + 9x2 = 36 55

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 x2 + no factible (7,0) z=14 0 x2 1 (5.59,1) z=14.2 0 x1 5 (5,1) z=13 0 x2 0
s s s s s s s s s 5x 1

0 x1 3 (3,2.67) z=14 0 x2 2 (4.19,2) z=14.4 0 x1 4 (4,2) z=14

+ 7x2 = 35
s s s s

Nuevo o ptimo: (3, 2, 67), z = 1

ta: z opt 14,4707

Incumbent: 14 z opt

4x1 + 9x2 = 36 56

Ejemplo 1
(3.7059,2.3529) z=14.4706 4 x1 + (4,2.14) z=14.43 3 x2 + no factible 5 x1 + (5,1.43) z=14.29 2 x2 + no factible 6 x1 + (6,0.71) z=14.13 1 x2 + no factible (7,0) z=14 57 0 x2 1 (5.59,1) z=14.2 0 x1 5 (5,1) z=13 0 x2 0 (4,2) z=14 0 x2 2 (4.19,2) z=14.4 0 x1 4 0 x1 3 (3,2.67) z=14

Ramicaci on y acotaci on

1. Resolver el problema lineal relajado asociado, si la soluci on es entera: soluci on optima, si no es entera, inicializar la cota (best bound), inicializar valor mejor sol. entera(best integer) e ir al paso 2. 2. Ramicaci on: Crear dos subproblemas a partir de una variable entera x que tome un valor fraccional x, a nadiendo una nueva restricci on: Binaria: x = 0 y x = 1. Entera: x [x] y x [x + 1]. 3. Acotaci on: en cada subproblema, determinar una cota de la funci on objetivo.

53

Ramicaci on y acotaci on

4. Descarte: Se deja de desarrollar una rama si: la soluci on es entera: su valor mejora el valor mejor sol. entera? actualizar best integer y comparar con la best bound. la cota de la funci on objetivo es peor que el valor incumbente, descartar por acotaci on. el problema lineal asociado es infactible. 5. Si se ha obtenido una soluci on entera cuyo valor alcanza la best bound, parar, se ha obtenido una soluci on optima. Si se ha llegado al nal de todas las ramas, parar y escoger como optima la soluci on con mejor funci on objetivo.

54

Ramicaci on y acotaci on. Comentarios

Obtenci on de buenas cotas. Formulaciones m as fuertes dan lugar a mejores cotas Ir aprovechando la informaci on que se va obteniendo al desarrollar el arbol para actualizar la best bound Criterios para obtener cotas: relajaci on lineal, relajaci on lagrangiana. Criterios de ramicaci on: por qu e nodo seguir? Escoger el ultimo nodo generado (f acil reoptimizar). Escoger el nodo m as prometedor (mejor cota). Criterios de ramicaci on: por qu e variable ramicar? No es una decisi on trivial. Depende de la estructura del problema.
55

Ramicaci on y acotaci on. Comentarios Branch and Bound como heur stico La diferencia entre la mejor cota y el valor de la soluci on incumbente nos da una idea de la calidad de la soluci on incumbente. C omo medir la calidad a partir de esa diferencia?

Diferencia absoluta: cu anto es de grande? Diferencia relativa: |incumbente cota| |cota|

56

Comentarios nales

Si el tama no del problema es muy grande y la estructura es compleja de manejar se pueden utilizar procedimientos heur sticos. Estos procedimientos devuelven una soluci on cercana al optimo en un tiempo razonable.

Solvers para Programaci on Entera: CPLEX, LAMPS, OSL, SBB, XA, XPRESS, et.

M as informaci on en:
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html http://plato.asu.edu/guide.html

57