Académique Documents
Professionnel Documents
Culture Documents
Entera Mixta
Julio Canales
Ricardo Gatica
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
Modelo general de PLEM
𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑐𝑥 + 𝑑𝑦
𝑠. 𝑎 𝐴𝑥 + 𝐵𝑦 ≤ 𝑏
𝑦 ∈ ℤ+
0
𝑥≥0
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
Clasificaciones de los PLEM
PLEM
𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑐𝑥 + 𝑑𝑦
𝑠. 𝑎 𝐴𝑥 + 𝐵𝑦 ≤ 𝑏
𝑦 ∈ ℤ+0
𝑥≥0
𝑥 ≥ 0, 𝑦 ∈ ℤ+
0
PL PE
𝑥 = 𝜙 , 𝑦 ∈ ℤ+
𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑑𝑦
𝑠. 𝑎 𝐵𝑦 ≤ 𝑏
𝑦 ∈ ℤ+
0
PBEM
𝑥 ≥ 0, 𝑦 = 𝜙 0 𝑥 ≥ 0, 𝑦 ∈ 0,1
𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑐𝑥 𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑐𝑥 + 𝑑𝑦
𝑠. 𝑎 𝐴𝑥 ≤ 𝑏 𝑠. 𝑎 𝐴𝑥 + 𝐵𝑦 ≤ 𝑏
𝑥≥0 𝑦 ∈ 0,1
𝑜𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝑑𝑦
𝑠. 𝑎 𝐵𝑦 ≤ 𝑏
𝑦 ∈ 0,1
PBP
𝑥 = 𝜙 , 𝑦 ∈ 0,1
𝑥≥0
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
Técnicas de modelamiento
Algunas técnicas de modelamiento que facilitan la
formulación de problemas de optimización discreta como
modelos de Programación Binaria.
1. Dicotomías
2. Condiciones lógicas
a. No más de k entre n alternativas
b. Decisiones dependientes
c. K entre n restricciones
3. Tamaños de Lote y Puesta en Marcha
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
1. Dicotomías
Las variables binarias se utilizan comúnmente para representar
selección entre dos alternativas excluyentes. Ejemplos:
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
2. Condiciones Lógicas:
En problemas discretos es frecuente encontrar decisiones
interdependientes. A continuación se ilustran algunas de las mencionadas.
Con j= 1, 2, …, n
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ≤ 𝑘
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
b. Decisiones dependientes
Suponga:
1 𝑠𝑖 𝑠𝑒 𝑒𝑠𝑐𝑜𝑔𝑒 𝑙𝑎 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝑗
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐
Ejemplos:
𝑋1 = 𝑋3 + 𝑋4
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
c. K entre n restricciones
Suponga que se tiene un problema que es factible si se cumplen k de un total de n restricciones.
Ejemplo:
Se debe producir dos productos A, B para lo cual se tiene dos procesos productivos:
• En el proceso productivo 1, una unidad del producto A requiere de 20 minutos y una unidad del
producto B requiere de 40 minutos, este proceso tiene disponible 2400 minutos.
• En el proceso productivo 2 una unidad del producto A Requiere de 30 minutos y una unidad del
producto B requiere de 28 minutos, este proceso tiene disponible 2200 minutos.
Los productos se deben realizar en uno de los dos procesos pero no en ambos, se requieren de 30
unidades del producto A y 25 unidades del producto B.
En este caso, el modelo matemático debe permitir que sólo una de las dos restricciones asociada a la
capacidad de capa proceso sea activa
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
Luego el modelo matemático, debe permitir representar que solo una de las siguientes restricciones sea
activa.
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
Sean:
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Modelamiento con Variables Enteras
𝑓 𝑥 = 𝑠𝑦 + 𝑐𝑥
𝑥 ≥ 5𝑦
𝑥 ≤ 10𝑦
5 ≤ 𝑥 ≤ 10 ∨ 𝑥 = 0
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de la Mochila
Descripción
Un excursionista debe preparar su mochila y dispone de una serie de objetos
que le reportan distintos grados de “utilidad”. Como la mochila tiene una
capacidad limitada, el excursionista debe seleccionar la combinación de
objetos que le reporten la mayor utilidad posible. Los parámetros del problema
son:
• n: número de objetos disponibles
• b: capacidad de la mochila
• aj: unidades de capacidad consumidas por el objeto j
• cj: utilidad del objeto j
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de la Mochila
Variable de Decisión
Modelo:
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de la Mochila
Descripción
Dados los siguientes parámetros:
Número de ítems: 5
Capacidad de la mochila: 85 [L]
Consumo de capacidad y utilidad por objeto según Tabla 1.
Ítem 1 2 3 4 5
Capacidad consumida 30 25 35 20 30
Beneficio asociado 40 15 40 18 27
Tabla 1: Capacidad consumida por cada elemento [L]; beneficio asociado
a cada elemento [CLP]
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de la Mochila: Instancia
Variable de decisión
1, 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑐𝑙𝑢𝑦𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑜𝑐ℎ𝑖𝑙𝑎 𝑒𝑙 𝑖𝑡𝑒𝑚 𝑗
𝑋𝑗 =
0, 𝑒. 𝑜. 𝑐
Modelo
𝑚𝑎𝑥 40𝑥1 + 15𝑥2 + 40𝑥3 + 18𝑥4 + 27𝑥5
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ∈ 0,1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos
Descripción
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos
Variable de Decisión
Modelo
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos: Instancia
Descripción
Dados los siguientes parámetros:
Número de proyectos: 5
Número de periodos: 5
Inversión, retorno y capital según Tabla 1
Proyecto/Periodo 1 2 3 4 5 Retorno
A 5 6 8 3 4 50
B 6 7 8 9 6 70
C 10 11 10 9 11 90 Tabla 1: Inversión requerida
D 8 5 7 8 7 55 para cada proyecto en cada
periodo [UF]; Capital disponible
E 2 3 5 4 1 30 en cada periodo[UF]; Retorno
Capital disponible 27 25 20 30 25 - esperado de cada proyecto [UF]
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos: Instancia
Variable de decisión
1 𝑠𝑖 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑗 𝑒𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑜
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
𝑚𝑎𝑥 50𝑥𝐴 + 70𝑥𝐵 + 90𝑥𝐶 + 55𝑥𝐷 + 30𝑥𝐸
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes
Descripción
Se presenta una variante del problema de Selección de Proyectos que además de las
características del problema clásico, posee condiciones lógicas.
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes
Descripción (cont…)
𝑥𝑗 + 𝑥𝑘 ≤ 1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes
Modelo
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes: Instancia
Descripción
Dados los siguientes parámetros: Los proyectos (A,B) (C,E) Y (D,F)
son mutuamente excluyentes
Proyectos: 8; Periodos: 5
Los proyectos (A,E),
Inversión, retorno y capital según Tabla 1
(A,F),(C,D),(G,H) son
Proyecto/Periodo 1 2 3 4 5 Retorno complementarios, siendo el
A 5 6 8 3 4 50 primero complementario al
B 6 7 8 9 6 70 segundo.
C 10 11 10 9 11 90
D 8 5 7 8 7 55
E 2 3 5 4 1 30 Tabla 1: Inversión requerida para cada
F 9 9 9 9 9 25 proyecto en cada periodo [UF]; Capital
G 6 10 8 6 4 28 disponible en cada periodo[UF]; Retorno
H 6 8 10 8 6 60
esperado de cada proyecto [UF]
Capital disponible 27 25 20 30 25 -
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes: Instancia
Variable de decisión
1, 𝑠𝑖 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑗 𝑒𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑜
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
𝑚𝑎𝑥 50𝑥𝐴 + 70𝑥𝐵 + 90𝑥𝐶 + 55𝑥𝐷 + 30𝑥𝐸 + 25𝑥𝐹 + 28𝑥𝐺 + 60𝑥𝐻
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación n:n
Descripción
Variable de decisión
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación n:n
Modelo
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación n:n: Instancia
Descripción
Dados los siguientes parámetros:
Tareas: 5; Personas: 5
Persona/ A B C D E
Tarea
1 6 8 9 3 6
2 6 7 8 3 4
3 7 2 5 5 9
4 4 5 3 7 4
5 5 1 5 3 5
Tabla 1: Costo de asignación de cada persona a la
realización de cada tarea [miles de $]
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación n:n: Instancia
Variable de decisión
1, 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑖 𝑒𝑠 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗
𝑋𝑖𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
6𝑥1𝐴 + 8𝑥1𝐵 + 9𝑥1𝐶 + 3𝑥1𝐷 + 6𝑥1𝐸 + 6𝑥2𝐴 + 7𝑥2𝐵 + 8𝑥2𝐶 + 3𝑥2𝐷 + 4𝑥2𝐸 +
𝑚𝑖𝑛 7𝑥3𝐴 + 2𝑥3𝐵 + 5𝑥3𝐶 + 5𝑥3𝐷 + 9𝑥3𝐸 + 4𝑥4𝐴 + 5𝑥4𝐵 + 3𝑥4𝐶 + 7𝑥4𝐷 + 4𝑥4𝐸 +
5𝑥5𝐴 + 𝑥5𝐵 + 5𝑥5𝐶 + 3𝑥5𝐷 + 2𝑥5𝐸
𝑠. 𝑎.
𝑥1𝐴 + 𝑥1𝐵 + 𝑥1𝐶 + 𝑥1𝐷 + 𝑥1𝐸 = 1 𝑥1𝐴 + 𝑥2𝐴 + 𝑥3𝐴 + 𝑥4𝐴 + 𝑥5𝐴 = 1
𝑥2𝐴 + 𝑥2𝐵 + 𝑥2𝐶 + 𝑥2𝐷 + 𝑥2𝐸 = 1 𝑥1𝐵 + 𝑥2𝐵 + 𝑥3𝐵 + 𝑥4𝐵 + 𝑥5𝐵 = 1
… …
𝑥5𝐴 + 𝑥5𝐵 + 𝑥5𝐶 + 𝑥5𝐷 + 𝑥5𝐸 = 1 𝑥1𝐸 + 𝑥2𝐸 + 𝑥3𝐸 + 𝑥4𝐸 + 𝑥5𝐸 = 1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación con subconjuntos
Descripción
Considere ahora una variante del problema de apareamiento en que no todas las potenciales
asociaciones son permitidas. Por ejemplo, se puede tener el caso en que cada persona está
capacitada para realizar solo un subconjunto de las tareas. Una manera de representar esta
situación es definiendo un costo “muy grande” para las asociaciones infactibles, de manera que
estas nunca sean consideradas en una solución de mínimo costo.
Una desventaja de esta alternativa es que se incluye en el modelo una serie de variables cuyo
valor se sabe a priori que debe ser cero, lo que puede aumentar innecesariamente la
complejidad computacional del problema. Para solucionar este problema, una alternativa es
simplemente no incluir en los modelo de instancia las variables xi,j relacionadas a las
asociaciones infactibles. Para representar esto en el modelo se requiere una notación más
potente que la utilizada en el modelo de clase general.
Para i A, defina Bi B como el conjunto de elementos de B que pueden asociarse con el
elemento i. El modelo queda de la siguiente manera:
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación con subconjuntos
Modelo
s.a.
x
jBi
ij 1 i A
x
i: jBi
ij 1 jB
xij 0,1, i a, j Bi
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación con subconjuntos: Instancia
Descripción
Dados los siguientes parámetros:
Tareas: 5; Personas: 5
Persona Tareas f. A B C D E
1 A, D, E 5 - - 8 9
2 B, D, E - 7 - 6 5
3 C, E - - 6 - 7
4 B, C - 4 6 - -
5 A, C, D, E 5 - 7 7 5
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación con subconjuntos: Instancia
Persona Tareas f. A B C D E
Variable de decisión 1 A, D, E 5 - - 8 9
2 B, D, E - 7 - 6 5
1, 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑖 𝑒𝑠 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗
𝑋𝑖𝑗 = 3 C, E - - 6 - 7
0 𝑒. 𝑜. 𝑐.
4 B, C - 4 6 - -
Modelo 5 A, C, D, E 5 - 7 7 5
𝑚𝑖𝑛 5𝑥1𝐴 + 8𝑥1𝐷 + 9𝑥1𝐸 + 7𝑥2𝐵 + 6𝑥2𝐷 + 5𝑥2𝐸 + 6𝑥3𝐶 + 7𝑥3𝐸 + 4𝑥4𝐵 + 6𝑥4𝐶 +
5𝑥5𝐴 + 7𝑥5𝐶 + 7𝑥5𝐷 + 5𝑥5𝐸
𝑠. 𝑎.
𝑥1𝐴 + 𝑥1𝐷 + 𝑥1𝐸 = 1 𝑥1𝐴 + 𝑥5𝐴 = 1
𝑥2𝐵 + 𝑥2𝐷 + 𝑥2𝐸 = 1 𝑥2𝐵 + 𝑥4𝐵 = 1
𝑥3𝐶 + 𝑥3𝐸 = 1 𝑥3𝐶 + 𝑥4𝐶 + 𝑥5𝐶 = 1
𝑥4𝐵 + 𝑥4𝐶 = 1 𝑥1𝐷 + 𝑥2𝐷 + 𝑥5𝐷 = 1
𝑥5𝐴 + 𝑥5𝐶 + 𝑥5𝐷 + 𝑥5𝐸 = 1 𝑥1𝐸 + 𝑥2𝐸 + 𝑥3𝐸 + 𝑥5𝐸 = 1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación de máxima cardinalidad
Descripción
Modelo
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Asignación de máxima cardinalidad: Instancia
Descripción Variable de decisión
Dados los siguientes parámetros:
1, 𝑠𝑖 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑖 𝑒𝑠 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑎 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑗
Tareas: 5; Personas: 5 𝑋𝑖𝑗 =
0 𝑒. 𝑜. 𝑐.
Persona Tareas f.
1 A, D, E
Modelo
2 D, E 𝑚𝑎𝑥 𝑥1𝐴 + 𝑥1𝐷 + 𝑥1𝐸 + 𝑥2𝐷 + 𝑥2𝐸 + 𝑥3𝐸
3 E
+ 𝑥4𝐵 + 𝑥4𝐶 + 𝑥5𝐴 + 𝑥5𝐷 + 𝑥5𝐸
4 B, C 𝑠. 𝑎.
5 A, D, E
𝑥1𝐴 + 𝑥1𝐷 + 𝑥1𝐸 ≤ 1 𝑥1𝐴 + 𝑥5𝐴 ≤ 1
Tabla 1: Suconjunto de asociaciones factibles
𝑥2𝐷 + 𝑥2𝐸 ≤ 1 𝑥4𝐵 ≤ 1
Formule un PPB que permita determinar 𝑥3𝐸 ≤ 1 𝑥4𝐶 ≤ 1
un plan de asignación tarea-persona
𝑥4𝐵 + 𝑥4𝐶 ≤ 1 𝑥1𝐷 + 𝑥2𝐷 + 𝑥5𝐷 ≤ 1
maximizando las tareas a realizar.
𝑥5𝐴 + 𝑥5𝐷 + 𝑥5𝐸 ≤ 1 𝑥1𝐸 + 𝑥2𝐸 + 𝑥3𝐸 + 𝑥5𝐸 ≤ 1
Asuma que en todos los aspectos el
problema se comporta como el P. de
Asignación de máxima cardinalidad. 𝑥1𝐴 , 𝑥1𝐷 , … , 𝑥5𝐸 ∈ 0,1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Cobertura
Descripción
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Cobertura: Instancia
Descripción
En una ciudad se desea planificar la localización de colegios de enseñanza media
(liceos). Para ello, se ha considerado la ubicación de los actuales establecimiento de
educación básica (colegio) en pos de la continuidad escolar .
El criterio para la localización de estos nuevos centros educacionales será que
ningún colegio esté a más de 3 [Km] de un liceo.
En el mapa de la ciudad se ilustran los sitios
potenciales para instalación de liceos (gris) y los
actuales colegios (celeste), el cual se exhibe en D
la Figura 1. Además, se muestra la superficie 5
abarcada por cada colegio (líneas punteadas). 1
2
B
4
C
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Cobertura: Instancia
Variable de decisión
1, 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑠𝑡𝑎𝑙𝑎 𝑢𝑛 𝑐𝑜𝑙𝑒𝑔𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑗
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
3
𝑥𝐶 ≥ 1
𝑥𝐴 , 𝑥𝐵 , 𝑥𝐶 , 𝑥𝐷 ∈ 0,1
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Cobertura: Instancia 2
Descripción Variable de decisión
Dados los siguientes parámetros: 1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜 𝑒𝑛
M={ A, B, C, D, E, F} 𝑋𝑗 = 𝑙𝑎 𝑐𝑜𝑏𝑒𝑟𝑡𝑢𝑟𝑎
Elementos
Mj
contenidos
Cj 0 𝑒. 𝑜. 𝑐.
1 A, B 15
2 A,B,C,D 30
3 D,E,G 35 Modelo
4 B,F,G 20 𝑚𝑖𝑛 15𝑥1 + 30𝑥2 + 35𝑥3 + 20𝑥4 + 5𝑥5 + 40𝑥6 +100𝑥7 +45𝑥8
5 E 5 Tabla 1:
Elementos de cada
6 C,F 40
subconjunto y
𝑠. 𝑎. 𝑥1 + 𝑥2 + 𝑥7 ≥ 1 𝑥2 + 𝑥3 + 𝑥7 ≥ 1
7 A,B,C,D,E 100 costo asociado 𝑥1 + 𝑥2 + 𝑥4 + 𝑥7 ≥ 1 𝑥3 + 𝑥5 + 𝑥7 + 𝑥8 ≥ 1
8 C,E,F 45
𝑥2 + 𝑥6 + 𝑥7 + 𝑥8 ≥ 1 𝑥4 + 𝑥6 + 𝑥8 ≥ 1
Formule un PPB que permita determinar una 𝑥3 + 𝑥4 ≥ 1
cobertura para el conjunto M. Asuma que en
todos los aspectos el problema se comporta 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 , 𝑥8 ∈ 0,1
como un P. de Cobertura.
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Particionamiento
Descripción
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Particionamiento: Instancia
Descripción Variable de decisión
Dados los siguientes parámetros:
M={ A, B, C, D, E, F} 1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜 𝑒𝑛
Elementos 𝑋𝑗 = 𝑙𝑎 𝑝𝑎𝑟𝑡𝑖𝑐𝑖ó𝑛
Mj Cj
contenidos 0 𝑒. 𝑜. 𝑐.
1 A, B 15
2 A,B,C,D 30
3 D,E 35
Modelo
4 B,F 20 𝑚𝑖𝑛 15𝑥1 + 30𝑥2 + 35𝑥3 + 20𝑥4 + 5𝑥5 + 40𝑥6 +100𝑥7 +45𝑥8
5 E 5 Tabla 1:
Elementos de cada
6 C,F 40
subconjunto y
𝑠. 𝑎. 𝑥1 + 𝑥2 + 𝑥7 = 1 𝑥2 + 𝑥3 + 𝑥7 = 1
7 A,B,C,D,E 100 costo asociado 𝑥1 + 𝑥2 + 𝑥4 + 𝑥7 = 1 𝑥3 + 𝑥5 + 𝑥7 + 𝑥8 = 1
8 C,E,F 45
𝑥2 + 𝑥6 + 𝑥7 + 𝑥8 = 1 𝑥4 + 𝑥6 + 𝑥8 = 1
Formule un PPB que permita determinar
una partición para el conjunto M. Asuma
que en todos los aspectos el problema se 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6, 𝑥7 , 𝑥8 ∈ 0,1
comporta como un P. de Particionamiento.
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Agrupación
Descripción
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Agrupación: Instancia
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
Problemas de Cobertura, Particionamiento y Agrupamiento: Comparación solución para una
misma instancia
Descripción Cobertura 2
M={ A, B, C, D, E, F} A 4
B
Costo o F
Elementos Particiona Agrupa-
Mj beneficio Cobertura C
contenidos miento miento
asociado
1 A, B 15 0 1 0 D
2 A,B,C,D 30 1 0 0
5
3 D,E 35 0 1 0 E
4 B,F 20 1 0 0
5 E 5 1 0 0 Particionamiento
6 C,F 40 0 1 0 1
D
7 A,B,C,D,E 100 0 0 1 A 3
8 C,E,F 45 0 0 0
E
FO 55 90 100
B
- -
Tabla 1: Variables respuesta
3
Agrupamiento E B C
A F
6
C D
F
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES
El Problema de Flujo en Redes con Cargo Fijo (FCNFP)
Descripción
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES 45
El Problema de Flujo en Redes con Cargo Fijo (FCNFP)
Descripción (cont…)
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES 46
El Problema de Flujo en Redes con Cargo Fijo (FCNF)
Variables de decisión
Modelo
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES 47
El Problema de Flujo en Redes con Cargo Fijo: Instancia
Descripción
Dada la siguiente red con arcos etiquetados (Costo Fijo, Costo Variable,
Capacidad máxima):
-3
(10,2,5) (6,2,3)
6 C -4
E
A (1,1,6)
(4,1,4)
(6,3,4) (9,3,2)
D
B
(2,2,5) 1
0
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES 48
El Problema de Flujo en Redes con Cargo Fijo: Instancia
RICARDO GATICA
EII 400 OPTIMIZACION LINEAL
JULIO CANALES 49
El Problema del Tamaño de Lote Capacitado (CLSP)
Descripción
Descripción (cont…)
Descripción (cont…)
Variables de decisión
Modelo
Descripción
Dados los siguientes parámetros: Costos de producción (variables y fijos) según la
3 tipos de productos: A, B, C. tabla 2.
Horizonte de planificación: 5 meses Tiempos de proceso e inventarios iniciales
Capacidad por mes: 1800[hr-máquina]. según la tabla 3
Demanda de cada producto según la tabla 1. Costos de almacenamiento según la tabla 4
Período/ Producto 1 2 3 4 5 Set-up
Periodo/ Producto 1 2 3 4 5
A 958 783 932 702 903 12000
A 274 266 173 181 228
B 953 781 738 715 750 15000
B 71 169 211 237 83
C 971 823 798 761 806 18000
C 144 98 78 263 70
Tabla 2: Costo unitario [UM/ton] de
Tabla 1: Demanda por cada producto en
producción y costos de set-up
el tiempo [ton]
Producto TDP I. I.
Periodo 1 2 3 4 5
A 3 120 CV de
B 2 200 almacenamiento 40 21 46 40 28
Variables de decisión
Xit: Cantidad de producto i fabricado en el período t.
Sit: Cantidad almacenada de producto i al final del período t.
Descripción
Variables
de decisión
Modelo
Descripción
Costos de producción (variables
Dados los siguientes parámetros: y fijos); tiempos de set-up
2 tipos de productos: 1 y 2. según la tabla 3.
Período de planificación: 3 meses Prod \ Periodo 1 2
Costos de inventario según la tabla 2 1 1 4
Periodo 1 2 3 Abs. R1 2 3 6
Modelo
min 300 y11 400 y21 3 x11 5 x21 s11 3s21
300 y12 400 y22 4 x12 3x22 3s12 s22
300 y13 400 y23 6 x13 5 x23
s.a
x11 s11 80 x11 240 y11 25y11 15 y21 x11 x21 200
x21 s21 70 x12 240 y12 25y12 15 y22 x12 x22 220
s11 x12 s12 100 x13 240 y13 25y13 15 y23 x13 x23 170
s21 x22 s22 100 x21 260 y21
s12 x13 60 x22 260 y22 x11, x21, x12 , x22, , x13 , x23 , s11 , s21, s12 , s22 0
s22 x23 90 x23 260 y23 y11 , y21 , y12 , y22 , y13 , y23 0,1
Descripción
Variables de decisión
Modelo
Formule un problema de PLEM que permita x11 x12 x13 x14 100 y1
determinar qué CD instalar, satisfaciendo la x21 x22 x23 x24 80 y2
demanda de cada cliente al mínimo costo.
x11, x12, x13 , x14 ,
Asuma que el problema se comporta como el x21, x22, x23 , x24, 0 y1, y2 {0, 1}
FLP
Descripción
En esta extensión del FLP se asume la situación más realista en que la cadena de suministro
implica múltiples productos no homogéneos, y por tanto la tipología de productos debe ser
incorporada explícitamente en el modelo. Los parámetros del problema son:
• M : Número de clientes.
• N : Número de localizaciones alternativas para las instalaciones.
• I : Número de productos.
• dik : Demanda del cliente k por el producto i.
• μj : Capacidad operativa de una instalación localizada en j.
• ai : Número de unidades de capacidad requeridas por una unidad de producto i.
• fj : costo fijo de una instalación localizada j.
• cijk : costo por unidad de producto i despachado desde la localización j al cliente k.
Variables de decisión
1 si se abre una instalación en la localización j.
yj
0 en otro caso.
xijk cantidad de producto i despachada desde la localidad j al clientes k.
Modelo N I N M
min f
j 1
j y j cijk xijk
i 1 j 1 k 1
s.a. N
x
j 1
ijk d ik i 1,..., I , k 1,..., M
I M
i 1 k 1
ai xijk j y j j 1,..., N
Variables de decisión
1 si se abre una instalación en la localización j.
yj
0 en otro caso.
xijk cantidad de producto i despachada desde la localidad j al clientes k.