UNJFSC FIQ y M

“Año del Diálogo y Reconciliación Nacional”

UNIVERSIDAD NACIONAL
“JOSÉ FAUSTINO SÁNCHEZ CARRIÓN”

FACULTAD DE INGENIERÍA QUÍMICA Y METALÚRGICA

E. A. DE INGENIERÍA QUÍMICA

PROGRAMACIÓN ENTERA LINEAL

INVESTIGACIÓN OPERATIVA
DOCENTE : ING. SANCHEZ GUZMAN

INTEGRANTES : MARTINEZ VEGA, MARTIN WASHINGTON

MERCEDES CASTILLO JANETH KATHERIN
MORA FIGUEROA JENNIFER ZULEMA
SILVERIO ASENCIO MILAGROS MERCEDES
TORRES DE LOS SANTOS MILENA MARGORI
VALVERDE RODRIGUEZ YAZMIN

CICLO: V
 HUACHO – PERÚ 2018

DEDICATORIA

El trabajo de investigación monográfico lo

dedicamos a nuestros padres; a quienes les
debemos todo lo que tenemos en esta vida.

A Dios, ya que gracias a él tenemos esos padres

maravillosos, los cuales nos apoyan en nuestras
derrotas y triunfos.

A nuestros profesores quienes son nuestra guía en el

aprendizaje dándonos los últimos conocimientos 2
para nuestro buen desenvolvimiento en la sociedad.
 Índice
Introducción…………………………………..…………………………………………….4

Capítulo I

1. ¿Qué es la Programación Lineal Entera?...............................................................6

1.1. Origen y Cronograma
Histórico…………………………………………….6,7
2. Objetivo General…………………………………………………………………...7
3. Características
3.1. Atendiendo al tipo de
variable………………………………………………..7
3.2. Atendiendo al criterio de tipo de
problema…………………………………..7
Capítulo II
4. Tipos
4.1. Programación Entera Mixta………………………………………………..
…9
4.1.1. Incorporación de Costos Fijos……………………………………...9,10
4.1.2. Problema de Localización y Transporte……………………...10,11,12
4.1.3. Problema de Generación Eléctrica………………...………13,14,15,16
4.2. Programación Entera
Pura…………………………………………………..16
4.2.1. Problema de Asignación
4.2.1.1.
Historia……………………………………………………………16
4.2.1.2. Características……………………………………………...1
7,18,19
4.2.2. Problema de Corte de Rollos…………………………………..19,20,21
4.2.3. Selección de invitados a una boda……………………………...…22,23
4.3. Programación Entera
Binaria………………………………………………..24
Capítulo III
5. Métodos De Programación Entera Lineal
5.1. Método de Plano de
Corte………………………………………………...26,27 3
5.2. Método de Ramificación y Acotación…...
…………………………….27,28,29
5.3. Método Grafico…………………………………………………………
30,31,32
 6. Conclusiones……………..………………………………………………………..32
Bibliografías……………………………………………………………….………………33

INTRODUCCIÓN

En la programación lineal que se estudia comúnmente hay muchos problemas

prácticos, en los cuales las variables de decisión sólo tienen sentido real si su valor es
entero, con frecuencia es necesario asignar a las actividades cantidades enteras de
personas, máquinas o vehículos. El hecho de exigir valores enteros es la única
diferencia que tiene un problema con la formulación de programación lineal, entonces
se trata de un problema de programación entera. En este capítulo se presentan algunos
métodos de solución de problemas enteros, es decir, aquellos cuyas variables de
decisión no pueden tomar valores fraccionarios. En casi todos los campos de la ciencia,
incluyendo la optimización, hay un cierto abismo entre la teoría y la práctica. En los
métodos de programación entera este abismo es bastante profundo. Aunque muchos de
los métodos han demostrado teóricamente su convergencia a una solución óptima
entera, en la práctica, esta convergencia, puede resultar tan lenta, que para fines
prácticos el método resulta inservible, es decir, es muy caro en términos del tiempo
requerido de uso de una computadora. Parte del problema en la programación entera
radica en la diferencia esencial que existe entre ésta y la programación lineal.

En la programación lineal se maximiza o minimiza una función sobre una región de

factibilidad convexa, mientras que en la programación entera se maximiza una función
sobre una región de factibilidad que generalmente no es convexa. Por lo tanto, la
solución de problemas enteros, es de muchos órdenes de magnitud más complicada que
la programación lineal. Es importante aclarar que los métodos aquí presentados
resumen el estado actual de la programación entera, pero que estos métodos distan
bastante de ser cien por ciento eficientes en la solución de todos los problemas enteros
(que es el caso contrario a otros métodos de optimización que dan la solución óptima
para todo problema).

En programación entera no existe un método universal, como el simplex de

programación lineal, que obtiene la solución sirviéndose de las propiedades de
convexidad del problema a resolver. Esto es así porque en programación entera la
convexidad desaparece, no pudiéndose utilizar por tanto la noción de gradiente para
caracterizar y buscar el óptimo de un problema, haciéndose necesario emplear métodos
de resolución específicos del aspecto combinatorio de las variables enteras.
4
Los métodos de programación entera, no aseguran que un problema entero de
tamaño regular, pueda ser resuelto en un tiempo razonable en una computadora.
CAPÍTULO I

5
 Programación Entera Lineal

1. ¿Qué es una programación entera lineal?

Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo
idénticas a las formuladas por planeación lineal. La única diferencia es que una o más de las variables
de decisión tienen que tomar un valor entero en la solución final. Un modelo de programación entera
está definido en esta forma:

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.

Los modelos de Programación Entera se pueden clasificar en 3 grandes áreas:

Programación Entera Mixta (PEM) , Programación Entera Pura (PEP) y Programación
Entera Binaria.

1.1. Origen y Cronograma Histórico

Sus orígenes se remontan a los años 50 del siglo XX. El pionero fue Ralph
Gomory, EE.UU. 1929.
1958: Gomory expone su Método de planos de cortantes, en ese mismo año
Bilman hace uso de la Programación Dinámica para resolver un grafo de ruta
Corta, para este año también la oficina naval de proyectos especiales desarrolla 6el
PERT.
1959: Dijkstra da a conocer su algoritmo de ruta corta.
1960: Land y Doig proponen el primer Algoritmo de Ramificación y
Acotamiento para un modelo de Programación lineal con Variables enteras.
 1962: Ford y Fulkerson dan a conocer el Método prima dual.
Las principales orígenes de programación lineal entera es Wagner, Mane y
Gomory.

2. Objetivo General

El objetivo de PLE es saber cómo aplicar los tipos de variables que podrán tenerse,
y métodos que podrían aplicarse para resolver los problemas matemáticos, tanto como
herramientas computacionales para la Gestión de Operaciones.

3. Características
3.1. Atendiendo al tipo de variables:
 Enteros puros: son aquellos en que todas las variables únicamente pueden
tomar valores enteros. También se distinguen dentro de estos los problemas
totalmente enteros como aquellos en que tanto las variables como todos los
coeficientes que intervienen en el problema han de ser enteros.
 Mixtos: son aquellos en los que hay al mismo tiempo variables continuas y
variables que sólo pueden tomar valores enteros.
 Binarios: las variables sólo pueden tomar los valores cero o uno.
3.2. Atendiendo al criterio del tipo de problema:
 Directo: Si el problema de decisión involucra variables enteras.
 Codificado: Cuando se trata de un problema que contiene además de
aspectos cuantitativos, alguna consideración de tipo cualitativos, y por ello
para tratar este tipo de aspectos se requiere el uso de variable entera o
binaria.
 Transformado: Cuando el problema no incluye variables enteras, pero para
ser tratado analíticamente requiere el uso de variable enteras “artificiales”.

7
CAPÍTULO II

4. Tipos
8
4.1. Programación Entera Mixta

A esta categoría pertenecen aquellos problemas de optimización que consideran

variables de decisión enteras o binarias pero no de forma exclusiva. De esta forma un
problema de PEM puede considerarse como un híbrido entre distintas categorías de
modelamiento, siendo un caso típico aquel que considera la mezcla de variables enteras
y variables continuas (estas últimas características de los modelos de Programación
Lineal). Algunas aplicaciones son los siguientes:

4.1.1. Incorporación de Gastos Fijos

La estructura de cobro utilizado en general por las compañías de servicios

donde el cliente debe pagar un valor fijo sólo por su utilización (independiente del
nivel de consumo y/o eventualmente acotado a un máximo permitido) y un valor
variable proporcional al consumo, son una práctica común en el esquema de fijación
de precios.

Esto suele ser el caso de las compañías de luz, agua, gas, teléfono, entre
otras, donde el sólo hecho de tener una red operativa genera costos para la empresa
los cuales son traspasados en parte o en su totalidad a los usuarios en un cargo fijo o
de mantención más un cargo variable por consumo.

Ejemplo:

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?.

 Variables de decisión

 Función Objetivo
 Donde Fi representa el costo fijo mensual asociado a la compañía i y v i el
costo variable por minuto de larga distancia nacional correspondiente a la
compañía i. Para mayor claridad se ha marcado con color amarillo y verde los
elementos de costos fijos y variables (respectivamente) en la función objetivo.
 Restricciones
(1) garantiza que se satisfaga el consumo mensual de llamadas.
(2) representa las llamadas que se realizan sólo a través de la(s)
compañía(s) donde se
asume el cargo fijo
mensual.

(3) impone las condiciones de

no negatividad para las
variables continuas.

4.1.2. Problemas de Localización y Transporte

Un modelo de Programación Entera Mixta (PEM) es un híbrido entre la
Programación Lineal (PL) y la Programación Entera (PE), es decir, corresponde
a una categoría particular de modelamiento matemático con características
similares a la Programación Lineal pero donde un subconjunto de las variables
de decisión deben adoptar valores enteros o binarios. Esta característica de la
Programación Entera Mixta permite representar situaciones de naturaleza real
como los problemas que consideran la inclusión de costos fijos. 10

Ejemplo:
 Una ciudad tiene 10 zonas o áreas urbanas cada una de los cuales genera una
determinada cantidad de basura (en toneladas) durante el periodo de
planificación según se describe a continuación:

La basura generada debe ser transportada a centros de depósitos o vertederos

entre un total de 5 candidatos posibles, cada uno de los cuales tiene un costo
fijo de construcción en dólares.

Adicionalmente se ha estimado el costo de transportar una tonelada de basura

desde una zona a cada uno de los potenciales centros de depósito, el cual
depende básicamente de la distancia a recorrer y el tipo de transporte
seleccionado.

 Variables de Decisión.
Sea i=1,…,10 las Zonas y j=1,…,5 los Depósitos:

11

Función Objetivo
 Con el propósito de trabajar con una notación compacta podemos definir el
siguiente conjunto de parámetros para el modelo de optimización:

 Tij: Costo de transportar una tonelada de basura desde la Zona i al

Depósito j

 Fj: Costo fijo de construcción del Depósito

La función objetivo en consecuencia se puede representar a través de la

siguiente expresión:

 Restricciones

Se debe despachar (transportar) la totalidad de la basura que genera cada

Zona (definimos para ello el parámetro Ai como la cantidad de basura en
toneladas que genera la Zona i).

Se debe respetar la capacidad de almacenamiento de basura para cada

Depósito, utilizándolo sólo en caso que se decida su construcción. Para ello
definimos el parámetro Cj como la capacidad de almacenamiento de basura
en toneladas del Depósito j. Lo anteriormente expuesto explica la
ponderación de la capacidad por la variable binaria para cada j.

Finalmente establecemos condiciones de no negatividad para Xij>=0 Para

todo i,j y Yj{0,1} para todo j. 12

4.1.3. Problema de Generación Eléctrica

 Una de las particularidades de los modelos de Programación Entera es que
permiten incorporar en la representación matemática costos fijos que no son
proporcionales al nivel de actividad en un sistema. Tal sería el caso, por
ejemplo, de una empresa que desea determinar lotes de compra de un producto
dado, en los que incurre en costos fijos asociados a la gestión de compra
(independiente del volumen de unidades compradas dentro de los límites
máximos impuestos por el proveedor) y costos variables (proporcionales) a la
cantidad de unidades compradas. En este contexto se presenta a continuación un
problema de generación de energía eléctrica donde se debe determinar la
utilización y actividad de generadores que busca satisfacer requerimientos
proyectados de energía de un día particular.

EGE abastece de electricidad a tres ciudades. La compañía dispone de cuatro

generadores que son utilizados para proporcionar la potencia eléctrica requerida.
El generador principal es empleado las 24 horas del día y no es materia de
planificación en este problema.

Los otros tres generadores (que llamaremos 1, 2 y 3) están disponibles para

generar la potencia adicional cuando se requiera. Considerar que se incurre en
un costo de arranque cada vez que uno de estos generadores comienza a operar.

Ejemplo:

Los costos de arranque son de $6.000 para el generador 1, de $5.000 para el

generador 2 y de $4.000 para el generador 3. Estos generadores se utilizan
(por separado) únicamente de la siguiente manera: se puede poner en
operación a las 6am y funcionar 8 horas (hasta las 2pm) o 16 horas (hasta las
10pm), o puede ponerse en funcionamiento a las 2pm y funcionar 8 horas
(hasta las 10pm).

Los pronósticos para mañana indican la necesidad de contar con 3.200 MW

13
adicionales entre las 6am y las 2pm, necesidad que se eleva a 5.700 MW
entre las 2pm y las 10pm. El generador 1 puede proporcionar hasta 2.400
MW, el 2 hasta 2.100 MW y el 3 hasta 3.300MW. El costo por MW utilizado
 durante un periodo de 8 horas es de $8 en el caso del generador 1, $9 en el
del generador 2 y $7 en el caso del generador 3.

 Variables de Decisión.

Si bien se podría considerar cierta similitud en la definición de Yit y Zit, su

utilización se justifica dado que el costo fijo de arranque se debe asociar
precisamente a dicho concepto (puesta en marcha de un generador) el cual
se produce (en caso de ser utilizado) sólo una vez durante el período de
planificación.

 Función Objetivo

Se busca minimizar los costos fijos asociados al arranque de los

generadores más el costo variable que resulte de la cantidad de MW
aportados por éstos al sistema en los 2 tramos o períodos de planificación.

 Restricciones
 Capacidad Generadores: 14
La cantidad de MW que aporta cada generador al sistema no puede
superar su capacidad máxima disponible (en caso que se emplee) en
cada uno de los períodos de planificación.
 Demanda MW:

En conjunto los generadores deben aportar la cantidad de MW

adicionales para cada tramo horario, es decir, de 6am a 2pm y de 2pm
a 10pm.

 Relación Arranque Funcionamiento

Un generador sólo podrá ser empleado si arranco en el período de

planificación actual o inmediatamente anterior, en caso contrario el
generador no arranca (y por tanto no funciona en ninguno de los 2
períodos).

 No Negatividad 15
La cantidad que aporta cada generador en los 2 tramos horarios de 8
horas debe ser mayor o igual a 0 (MW).
 4.2. Programación Entera Pura

Los modelos de Programación Entera resultan de mucha utilidad para la toma de

decisiones. En este contexto los problemas de asignación de personal a determinadas tareas
es una aplicación típica de la Programación Entera, cuando necesitamos asignar recursos
escasos a determinadas funciones o dichos no son fraccionales.

4.2.1. Modelo de un Problema de Asignación

4.2.1.1. Historia

El problema de asignación tuvo su origen en la revolución industrial,

ya que el surgimiento de las máquinas hizo que fuera necesario asignar una
tarea a un trabajador.

Thomas Jefferson en 1792 lo sugirió para asignar un representante a

cada estado, pero formalmente aparece este problema en 1941, cuando F.L.
Hitchcook publica una solución analítica del problema. Pero no es hasta
1955 cuando Harold W. Kuhn plantea el método húngaro, que fue
posteriormente revisado por James Munkres en 1957. Dicho método está
basado fundamentalmente en los primeros trabajos de otros dos matemáticos
húngaros: Dénes Köning y Jenö Egervary.

Hoy en día en pleno apogeo de la globalización surge cada vez con

mayor frecuencia el uso de este problema en la rama de la investigación de
operaciones. Podemos decir que es la aplicación del método científico para
asignar los recursos o actividades de forma eficaz, en la gestión y
organización de sistemas complejos. Su objetivo es ayudar a la toma de
decisiones. 16

4.2.1.2. Características
  Debe estar equilibrado, es decir, que las ofertas y las demandas sean
igual a 1. Un elemento importante para el problema de asignación es la
matriz de costos. Si el número de renglones o columnas no son iguales
el problema está desbalanceado y se puede obtener una solución
incorrecta. Para obtener una solución correcta la matriz debe ser
cuadrada.

 Si el número de agentes y tareas son iguales y el coste total de la

asignación para todas las tareas es igual a la suma de los costes de cada
agente (o la suma de los costes de cada tarea, que es lo mismo en este
caso), entonces el problema es llamado problema de asignación lineal.
Normalmente, cuando hablamos de problema de asignación sin ninguna
matización adicional, nos referimos al problema de asignación lineal.

Ejemplo:
Consideremos una empresa que dispone de 5 ingenieros que deben desarrollar 7
proyectos. La tabla a continuación resume el tiempo que demora cada ingeniero
(en horas) en completar un determinado proyecto. El problema consiste en
determinar una asignación óptima que permita realizar cada uno de los proyectos
con la limitante que por motivos estratégicos cada ingeniero debe desarrollar al
menos un proyecto y en ningún caso hacer más de 2 proyectos. Por supuesto se
busca que el tiempo requerido para realizar los 7 proyectos sea el menor posible.

17

Una alternativa
sería buscar intuitivamente una asignación que cumpla con los requisitos de la
 empresa y tenga un bajo tiempo asociado. Sin embargo, este tipo de estrategias
de resolución queda claramente acotada a problemas de tamaño menor y ni
siquiera en ese tipo de situaciones nos asegura la mejor solución posible.

Por ello definiremos el siguiente modelo de optimización de Programación

Entera:

 Variables de Decisión.
Utilizamos las siguientes variables de decisión binarias.

 Función Objetivo

Minimizar el tiempo total requerido para completar los proyectos

Donde Tij (parámetros) es el tiempo (en horas) requerido por el ingeniero i en

realizar el proyecto j. Por ejemplo T(A,P5)=7.

 Restricciones

Cada proyecto debe ser realizado por un solo ingeniero:

18

Cada ingeniero debe ser al menos un proyecto y no puede hacer más de 2:

4.2.2. Problema de optimización de recursos en Corte de Rollos

El Problema de Corte de Rollos (conocido también por “Cutting Stock

Problem”) es una de las aplicaciones clásicas de la Programación Entera que
consiste en determinar cómo cortar un rollo de papel en dimensiones más
pequeñas, de modo de satisfacer las demandas u órdenes de los clientes y al
mismo tiempo minimizar la pérdida de material.

En este contexto, el Problema de Corte de Rollos se puede extender

fácilmente a otra serie de aplicaciones prácticas como la industria textil,
muebles, acero, etc, donde se dispone de un insumo que se debe cortar para
poder utilizarlo como materia prima o venderlo directamente a los clientes y en
donde en dicho proceso se incurre necesariamente en una pérdida de material.

Ejemplo del problema de corte de rollos de papel:

Donde se dispone de rollos de 100cm, 80cm y 55cm y los clientes

demandan rollos más pequeños de 45cm, 30cm y 18cm. Notar que dependiendo
el esquema o patrón de corte a utilizar existe una pérdida de papel en cm
asociada. Por ejemplo, el esquema de corte 1 representado en la imagen a
continuación considera cortar un rollo de 100cm en 2 rollos más pequeños con
una pérdida de 10 cm. 19
Al resumir las posibles combinaciones de cortes para los rollos se identifican 15
patrones. Adicionalmente los clientes demandan 150u, 200u y 175u de los rollos de
45cm, 30cm y 18cm, respectivamente.

 Variables de Decisión.

Xi: Número de Rollos cortados bajo el esquema o patrón de corte i (con i=1,
…,15 que representa las distintas combinaciones posibles). 20
 Función Objetivo

 Minimizar la pérdida de material total que está dada por la ponderación

de la pérdida en centímetros asociada a cada
esquema de corte por la cantidad de veces que
se utiliza el esquema respectivo.
 Minimizar
10X1+7X2+X3+10X4+4X5+16X6+10X7+5X8+17X9+2X10+14X11+8X12+10
X13+7X14+X15

La notación anterior se puede expresar de forma equivalente y compacta definir

el conjunto de parámetros Pi que indica la pérdida en centímetros asociada al
patrón de corte i. La función objetivo en este caso sería:

 Restricciones

Se debe satisfacer la demanda de rollos de 45cm, 30cm y 18cm. En este contexto

las restricciones son:

Rollos de 45cm: 2X1+X2+X3+X8+X9+X13>=150

Rollos de 30cm: X2+3X4+2X5+X6+X8+2X10+X11+X14>=200

Rollos de 18cm: X2+3X3+2X5+3X6+5X7+X9+X10+2X11+4X12+X14+3X15>=175

Por ejemplo en el caso de los rollos de 45cm se puede satisfacer la demanda de

150[u] sólo con el esquema de corte 1, 2, 3, 8, 9 y 13. En el lado izquierdo de la
respectiva restricción se pondera la variable por la cantidad de rollos de la
dimensión requerida obtenidos al utilizar el esquema de corte seleccionado.

Finalmente definimos condiciones de no negatividad e integralidad para las

variables de decisión: Xi>=0 Enteros. Para i=1,…,15. En este tipo de
aplicaciones es natural requerir un número entero para el valor que adopten las
21
variables de decisión dada la naturaleza del problema formulado.
4.2.3. Problema de elección de invitados a una boda

Elegir los invitados a una boda (matrimonio) no es asunto fácil. Se debe

respetar un presupuesto, cumplir compromisos familiares, compatibilizar los
invitados de las distintas familias, incluir amigos y compañeros de trabajo y
evitar incompatibilidades entre los invitados. El siguiente problema
corresponde a una aproximación simplificada a la situación anterior a través
de un modelo de Programación Entera. Por cierto las condiciones a incorporar
en un problema de esta naturaleza pueden considerar aspectos adicionales
como los comentados anteriormente.

Asuma que usted trabaja en una consultora matrimonial y su tarea es

seleccionar los invitados para una boda. Tanto la novia como el novio están
muy complicados porque tienen amigos que no pueden estar juntos. Los
novios han asignado a cada invitado un valor en unidades matrimoniales (u.m)
según lo siguiente:

Existen ciertas incompatibilidades que se deben considerar en la planificación

que usted como consultor propondrá:

 Juan Pérez no asistirá al menos que Luis Toro asista.

 Juan Pérez no asistirá si tanto Pedro Soto y María González asisten.

22
 Pedro Soto no asistirá si Gloria Pérez asiste.

 Pedro Soto sólo asistirá si María González y Luis Toro asisten.

 Formulación del modelo de Programación Entera que permita determinar a
qué personas invitar de modo de lograr la mayor puntuación en unidades
matrimoniales.

 Variables de Decisión.

Con i=1,2,3,4,5 que representan a Juan Pérez, Pedro Soto, María González,
Luis Toro y Gloria Pérez, respectivamente.

 Función Objetivo

Se desea encontrar la selección de invitados a la boda que permita maximizar la

puntuación en u.m.

 Restricciones

Se debe satisfacer la demanda de rollos de 45[cm], 30[cm] y 18[cm]. En este

contexto las restricciones son:

 Juan Pérez no asistirá al menos que Luis Toro asista:

 Juan Pérez no asistirá si tanto Pedro Soto y María González asisten:

 Pedro Soto no asistirá si Gloria Pérez asiste:

23
 Pedro Soto sólo asistirá si María González y Luis Toro asisten:
 y En este conjunto de restricciones se entiende que si
María González y Luis Toro asisten, Pedro Soto podría asistir. Si al menos
uno de los 2 falta (María o Luis) entonces Pedro no asiste.

4.3. Programación Binaria

La programación entera binaria es un método perteneciente a la
programación lineal, por lo que su base es un algoritmo matemático que tiene como
finalidad resolver un problema indeterminado formulado a través de ecuaciones
lineales, optimizando así una función objetivo también lineal que generalmente se
refiere a costo o a tiempo.
La programación binaria se utiliza en problemas de asignación o de toma de
decisiones enfocadas a hacer o no una tarea, entre sus campo de aplicación más
comunes se encuentra el despacho de envíos, el diseño de redes, la elección de un
sitio, el diseño de redes, la ubicación del personal y la programación de actividades.
En pocas palabras es especialmente útil para enfrentar problemas de tipo de
toma de decisiones Si o No.
Forma General:

Max (Min ) = A1Y1+A2Y2+A3Y3+A4Y4+A5Y5+..........+AnYn

Sujeto a : y1+y2+y3+y4+..........+yn >= (<=)(=) Bi

No negatividad : yi >= 0 v 1

24
CAPÍTULO III

25
5. Métodos de Programación Entera Lineal
5.1. Método de Plano de Corte
En esta técnica, se resuelve el problema original relajado en el que se
incluyen restricciones adicionales, denominadas cortes de Gomoroy, que reducen la
región factible sin excluir soluciones que cumplen las condiciones de integralidad.
Ejemplo:
Consideremos el problema (P) y su relajación (PR):
(P) mín c´x (PR) mín c´x
Ax = b Ax = b
x ∈ Z+ x≥0
Un algoritmo de plano cortante genérico es el siguiente:
 Resolver la relajación lineal (PR). Sea x∗ la solución óptima.
 Si x∗ ∈ Z+ terminar, x∗ es el óptimo de (P).
 Si no, agregar una restricción a (PR), tal que sea satisfecha por toda
solución entera de (P), pero no por x∗. Volver al paso 1.
Observación: La forma en que se eligen estas restricciones determina la eficiencia
del algoritmo
Ejemplo:
(P) max z = 3x1 − x2
x1 + x2 ≤ 4
x1 − x2 ≤ 3
x1, x2 ∈ Z+
(PR) max z = 3x1 − x2 (PR1) max z = 3x1 − x2
x1 + x2 ≤ 4 x1 + x2 ≤ 4
x1 − x2 ≤ 3 x1 − x2 ≤ 3
x1, x2 ≥ 0 7x1 − x2 ≤ 21
x1, x2 ≥ 0

26
 Plano de Corte

5.2. Método de Ramificación y Acotación

Es un algoritmo diseñado para la resolución de modelos de programación
entera, sin embargo, es muy frecuente que la naturaleza del problema nos
indique que las variables son enteras o binarias. Su operatoria consiste en
resolver este como si fuese un modelo de programación lineal y luego generar
cotas en caso que al menos una variable de decisión adopte un valor
fraccionario.
El algoritmo genera en forma recursiva cotas (o restricciones adicionales)
que favorecen la obtención de valores enteros para las variables de decisión.
En este contexto resolver el modelo lineal asociado a un modelo de
programación entera se conoce frecuentemente como resolver la relajación
continua del modelo entero.
Procedimiento:

a. Plantear un modelo de programación lineal entera.

b. Se escoge un criterio de selección del subproblema a resolver.
c. Realizamos la "Relajación de programación Lineal".
d. Hallamos los puntos óptimos y el valor de Z del PL de la "relajación".
e. Analizamos los resultados, si no se obtienen variables enteras debemos
ramificar y acotar Z.
f. Repetir el proceso hasta encontrar valores enteros para las variables.

27
Ejemplo:

MAXIMIZAR

� = 𝟑�� + 𝟒��
 2�1 + �2 ≤ 6
2�1 + 3�2 ≤ 9
�� ≥ 0; 𝑒𝑛𝑡𝑒𝑟�s
Solución
2�1 + �2 ≤ 6 2�1 + 3�2 ≤ 9

C= (3, 3/2)
Resolver las ecuaciones por eliminación:
(-1) 2�1 + �2 = 6 2�1 − �2 = −6
2�1 + 3�2 = 9 2�1 + 3�2 = 9
2�2 = 3

�2 = 3/2 �2 = 1,5 � = 3�1 + 4�2 � = 12,75

Solución óptima o problema relajado

28
SOLUCIÓN ENTERA Z=12; X1=0 X2=3
Cotas
5.3. Método Grafico
Cada una de las ecuaciones que forman un sistema lineal de dos ecuaciones
con dos incógnitas es la de una función de primer grado, es decir, una recta.
El método gráfico para resolver este tipo de sistemas consiste, por tanto, en
representar en unos ejes cartesianos, o sistema de coordenadas, ambas rectas y
comprobar si se cortan y, si es así, dónde. Esta última afirmación contiene la
filosofía del proceso de discusión de un sistema por el método gráfico.
Hay que tener en cuenta, que, en el plano, dos rectas sólo pueden tener tres
posiciones relativas (entre sí): se cortan en un punto, son paralelas o son
coincidentes (la misma recta). Si las dos rectas se cortan en un punto, las
coordenadas de éste son el par (x, y) que conforman la única solución del 29
sistema, ya que son los únicos valores de ambas incógnitas que satisfacen las dos
ecuaciones del sistema, por lo tanto, el mismo es compatible determinado. Si
las dos rectas son paralelas, no tienen ningún punto en común, por lo que no hay
 ningún par de números que representen a un punto que esté en ambas rectas, es
decir, que satisfaga las dos ecuaciones del sistema a la vez, por lo que éste
será incompatible, o sea sin solución.
Por último, si ambas rectas son coincidentes, hay infinitos puntos que
pertenecen a ambas, lo cual nos indica que hay infinitas soluciones del sistema
(todos los puntos de las rectas), luego éste será compatible indeterminado.

Ejemplo:
Una compañía de auditores se especializa en preparar liquidaciones y auditorías
de empresas pequeñas. Tienen interés en saber cuántas auditorías y liquidaciones
pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800
horas de trabajo directo y 320 horas para revisión. Una auditoría en promedio
requiere de 40 horas de trabajo directo y 10 horas de revisión, además aporta un
ingreso de 300 dls. Una liquidación de impuesto requiere de 8 horas de trabajo
directo y de 5 horas de revisión, produce un ingreso de 100 dls. El máximo de
liquidaciones mensuales disponibles es de 60.

OBJETIVO: Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditorías (X1).

Cantidad de liquidaciones (X2).

RESTRICCIONES: Tiempo disponible de trabajo directo

Tiempo disponible de revisión

Número máximo de liquidaciones.

MAXIMIZAR Z= 300X1+100X2
SUJETO A:
40X1+8X2<=800
10X1+5X2<=320
X2<=60 Xi>=0
30
 La solución óptima siempre se encuentra en uno de los vértices del
conjunto de soluciones factibles. Se analizan estos valores en la función objetivo. El
vértice que representa el mejor valor de la función objetivo será la solución óptima.

6. Conclusiones
 La programación entera representa problemas donde las variables de decisión son
enteras, lo cual es un caso muy frecuente. 31
 A pesar de tener un número de soluciones finitas, los problemas de
programación entera tienen un grado de dificultad considerable, y muchas
veces no existe solución para estos problemas.
 La programación entera binaria es una herramienta muy útil en cuanto al
proceso de toma de decisiones de incluir o no cierto elemento.

Bibliografías
 https://prezi.com/c7rue5diy7ea/metodo-de-ramificacion-y-acotamiento/
 https://sites.google.com/site/metodosdeprogramacionentera/clasificacion
-de-metodos/metodo-grafico
 https://www.gestiondeoperaciones.net/programacion-entera/ejemplo-
del-algoritmo-de-branch-and-bound-ramificacion-y-acotamiento/
 https://www.gestiondeoperaciones.net/programacion-entera/que-es-la-
programacion-entera/
 file:///C:/Users/User/Downloads/prog-entera-lineal.pdf
 http://www.redalyc.org/pdf/849/84923878013.pdf
 https://www.gestiondeoperaciones.net/programacion-entera/problema-
de-inclusion-de-costos-fijos-en-programac
 https://www.gestiondeoperaciones.net/programacion-
entera/formulacion-de-un-problema-de-localizacion-y-transporte-
programacion-entera-mixta/
 https://www.gestiondeoperaciones.net/programacion-entera/problema-
de-generacion-electrica-mediante-programacion-entera-mixta/
 https://www.gestiondeoperaciones.net/programacion-entera/problema-
de-asignacion-en-programacion-entera-resuelto-con-solver-de-excel/
 https://www.gestiondeoperaciones.net/programacion-
entera/formulacion-del-problema-de-corte-de-rollos-en-programacion-
entera/
 https://www.gestiondeoperaciones.net/programacion-entera/como-
elegir-los-invitados-de-una-boda-o-matrimonio-con-un-modelo-de-
programacion-entera/


32