Plem 405

Modelos Programación Lineal Entera y
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
Donde A y B son matrices; b, c y d son vectores de

dimensiones consistentes.
RICARDO GATICA
JULIO CANALES
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
JULIO CANALES
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
JULIO CANALES
1. Dicotomías
Las variables binarias se utilizan comúnmente para representar
selección entre dos alternativas excluyentes. Ejemplos:
 Instalar o no una planta en la zona j
1 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑠𝑡𝑎𝑙𝑎 𝑢𝑛𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑒𝑛 𝑙𝑎 𝑧𝑜𝑛𝑎 𝑗

𝑋𝑗 =
0 𝑒. 𝑜. 𝑐
 Si el vehículo k realiza un viaje entre la ciudad i y la ciudad j
𝑘 1 𝑠𝑖 𝑒𝑙 𝑣𝑒ℎí𝑐𝑢𝑙𝑜 𝑘 𝑟𝑒𝑎𝑙𝑖𝑧𝑎 𝑢𝑛 𝑣𝑖𝑎𝑗𝑒 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝑖 𝑦 𝑙𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝑗

𝑋𝑖𝑗 =
0 𝑒. 𝑜. 𝑐
RICARDO GATICA
JULIO CANALES
2. Condiciones Lógicas:
En problemas discretos es frecuente encontrar decisiones
interdependientes. A continuación se ilustran algunas de las mencionadas.
a. No más de k entre n alternativas

Suponga:
1 𝑠𝑖 𝑠𝑒 𝑒𝑠𝑐𝑜𝑔𝑒 𝑙𝑎 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝑗
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐
Con j= 1, 2, …, n
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ≤ 𝑘
RICARDO GATICA
JULIO CANALES
b. Decisiones dependientes
Suponga:
1 𝑠𝑖 𝑠𝑒 𝑒𝑠𝑐𝑜𝑔𝑒 𝑙𝑎 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝑗
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐
Ejemplos:
 No se puede seleccionar la alternativa 1 si no se selecciona la

alternativa 3.
𝑋1 ≤ 𝑋3
 Si se selecciona la alternativa 1, se debe se seleccionar también la
alternativa 3 o la alternativa 4, pero no ambas. Si no se selecciona la
alternativa 1, no puede seleccionarse ni la alternativa 3 ni la 4.
𝑋1 = 𝑋3 + 𝑋4
RICARDO GATICA
JULIO CANALES
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
JULIO CANALES
Luego el modelo matemático, debe permitir representar que solo una de las siguientes restricciones sea
activa.
20XA + 40XB ≤ 2400 (restricción asociada al proceso productivo 1)
30XA + 28XB ≤ 2200 (restricción asociada al proceso productivo )
Donde XA es la cantidad de producto A producido y XB la cantidad de producto B Producido

Luego para lograr esta formulación, se deben definir dos variables binarias, Z1 y Z2,
Donde:
Z1 toma el valor 1 si se utiliza el proceso 1 y 0 si se utiliza el proceso 2
Z2 toma el valor 1 si se utiliza el proceso 2 y 0 si se utiliza el proceso 1
RICARDO GATICA
JULIO CANALES
c. K entre n restricciones (cont…)

Luego, el modelo matemático debe tener la siguiente forma:
20𝑋𝐴 + 40𝑋𝐵 ≤ 2400 + 𝑀(1 − 𝑍1 )

30𝑋𝐴 + 28𝑋𝐵 ≤ 2200 + 𝑀 1 − 𝑍2
XA ≥ 30
𝑋𝐵 ≥25
𝑍1 + 𝑍2 = 1
𝑍1 ∈ 0,1
𝑍2 ∈ 0,1
Con M un valor suficientemente grande.
RICARDO GATICA
JULIO CANALES
3. Tamaños de Lote y Puesta en Marcha

Suponga que se debe decidir respecto de producir o no cierto ítem. La
máquina utilizada para su producción tiene un costo de “set-up” o puesta en
marcha fijo (independiente del nivel de producción de s [UM]. Además existe
un costo de producción variable de c [UM/ton].
Considere también que debido a la existencia del costo de set-up, la empresa
tiene la política de producir lotes de un tamaño mínimo de 5[ton]. La máquina
que procesa el ítem tiene una capacidad de 10[ton].
Sean:
𝑥 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 𝑑𝑒𝑙 𝑖𝑡𝑒𝑚 𝑡𝑜𝑛

1, 𝑠𝑖 𝑠𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑙 í𝑡𝑒𝑚
𝑦=
0, 𝑒. 𝑜. 𝑐.
RICARDO GATICA
JULIO CANALES
3. Tamaños de Lote y Puesta en Marcha (cont…)

El costo de producción del ítem puede expresarse como:
𝑓 𝑥 = 𝑠𝑦 + 𝑐𝑥
Las restricciones asociadas están dadas por:
𝑥 ≥ 5𝑦
𝑥 ≤ 10𝑦
¿Las restricciones anteriores son equivalentes a la siguiente?¿Por qué?
5 ≤ 𝑥 ≤ 10 ∨ 𝑥 = 0
RICARDO GATICA
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
JULIO CANALES
Variable de Decisión
Modelo:
RICARDO GATICA
JULIO CANALES
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]
Formule un problema de programación binaria que permita determinar qué

elementos incluir en una mochila con las características mencionadas, de
manera de maximizar el beneficio asociado. Asuma que en todos los aspectos
el problema se comporta como el Problema de la Mochila.
RICARDO GATICA
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
𝑠. 𝑎. 30𝑥1 + 25𝑥2 + 35𝑥3 + 40𝑥4 + 30𝑥5 ≤ 85
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ∈ 0,1
RICARDO GATICA
JULIO CANALES
El Problema de Selección de Proyectos
Descripción
RICARDO GATICA
JULIO CANALES
El Problema de Selección de Proyectos
Variable de Decisión
Modelo
RICARDO GATICA
JULIO CANALES
El Problema de Selección de Proyectos: Instancia
Descripción
 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]
Formule un problema de programación binaria que permita determinar qué

proyectos seleccionar de manera de maximizar el retorno asociado. Asuma que en
todos los aspectos el problema se comporta como el Problema de Selección de
Proyectos.
RICARDO GATICA
JULIO CANALES
El Problema de Selección de Proyectos: Instancia
1 𝑠𝑖 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑗 𝑒𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑜
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
𝑚𝑎𝑥 50𝑥𝐴 + 70𝑥𝐵 + 90𝑥𝐶 + 55𝑥𝐷 + 30𝑥𝐸
𝑠. 𝑎. 5𝑥𝐴 + 6𝑥𝐵 + 10𝑥𝐶 + 8𝑥𝐷 + 2𝑥𝐸 ≤ 27

6𝑥𝐴 + 7𝑥𝐵 + 11𝑥𝐶 + 5𝑥𝐷 + 3𝑥𝐸 ≤ 25
8𝑥𝐴 + 8𝑥𝐵 + 10𝑥𝐶 + 7𝑥𝐷 + 5𝑥𝐸 ≤ 20
3𝑥𝐴 + 9𝑥𝐵 + 9𝑥𝐶 + 8𝑥𝐷 + 4𝑥𝐸 ≤ 30
4𝑥𝐴 + 6𝑥𝐵 + 11𝑥𝐶 + 7𝑥𝐷 + 𝑥𝐸 ≤ 25
𝑥𝐴 , 𝑥𝐵 , 𝑥𝐶 , 𝑥𝐷 , 𝑥𝐸 ∈ 0,1
RICARDO GATICA
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
JULIO CANALES
Descripción (cont…)
𝑥𝑗 + 𝑥𝑘 ≤ 1
implica que si se selecciona el proyecto j, entonces no puede seleccionarse el proyecto

k. Notar que esta relación es conmutativa, es decir, si se selecciona el proyecto k
entonces no puede seleccionarse el proyecto j.
Específicamente denotaremos por:
RICARDO GATICA
JULIO CANALES
Modelo
RICARDO GATICA
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 -
Formule un problema de programación binaria que permita determinar qué proyectos

seleccionar de manera de maximizar el retorno asociado. Asuma que en todos los
aspectos el problema se comporta como el Problema de Selección de Proyectos.
RICARDO GATICA
JULIO CANALES
El Problema de Selección de Proyectos con alternativas dependientes y excluyentes: Instancia
1, 𝑠𝑖 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑗 𝑒𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑜
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
𝑚𝑎𝑥 50𝑥𝐴 + 70𝑥𝐵 + 90𝑥𝐶 + 55𝑥𝐷 + 30𝑥𝐸 + 25𝑥𝐹 + 28𝑥𝐺 + 60𝑥𝐻
𝑠. 𝑎. 5𝑥𝐴 + 6𝑥𝐵 + 10𝑥𝐶 + 8𝑥𝐷 + 2𝑥𝐸 + 9𝑥𝐹 + 6𝑥𝐺 + 6𝑥𝐻 ≤ 27 𝑥𝐴 + 𝑥𝐵 ≤ 1

6𝑥𝐴 + 7𝑥𝐵 + 11𝑥𝐶 + 5𝑥𝐷 + 3𝑥𝐸 + 9𝑥𝐹 + 10𝑥𝐺 + 8𝑥𝐻 ≤ 25 𝑥𝐶 + 𝑥𝐸 ≤ 1
8𝑥𝐴 + 8𝑥𝐵 + 10𝑥𝐶 + 7𝑥𝐷 + 5𝑥𝐸 + 9𝑥𝐹 + 8𝑥𝐺 + 10𝑥𝐻 ≤ 20 𝑥𝐷 + 𝑥𝐸 ≤ 1
3𝑥𝐴 + 9𝑥𝐵 + 9𝑥𝐶 + 8𝑥𝐷 + 4𝑥𝐸 + 9𝑥𝐹 + 6𝑥𝐺 + 8𝑥𝐻 ≤ 30 𝑥𝐴 − 𝑥𝐸 ≤ 0
4𝑥𝐴 + 6𝑥𝐵 + 11𝑥𝐶 + 7𝑥𝐷 + 𝑥𝐸 + 9𝑥𝐹 + 4𝑥𝐺 + 6𝑥𝐻 ≤ 25 𝑥𝐴 − 𝑥𝐹 ≤ 0
𝑥𝐶 − 𝑥𝐷 ≤ 0
𝑥𝐺 − 𝑥𝐻 ≤ 0
𝑥𝐴 , 𝑥𝐵 , 𝑥𝐶 , 𝑥𝐷 , 𝑥𝐸 , 𝑥𝐹 , 𝑥𝐺 , 𝑥𝐻 ∈ 0,1
RICARDO GATICA
JULIO CANALES
El Problema de Asignación n:n
Descripción
RICARDO GATICA
JULIO CANALES
El Problema de Asignación n:n
Modelo
RICARDO GATICA
JULIO CANALES
El Problema de Asignación n:n: Instancia
Descripción
 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 $]
Formule un PPB que permita determinar un plan de asignación tarea-persona

minimizando los costos asociados. Asuma que en todos los aspectos el problema se
comporta como el P. de Asignación.
RICARDO GATICA
JULIO CANALES
El Problema de Asignación n:n: Instancia
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
𝑥1𝐴 , 𝑥1𝐵 , … 𝑥5𝐸 ∈ 0,1
RICARDO GATICA
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
JULIO CANALES
El Problema de Asignación con subconjuntos
Modelo
min imizar   cij xij

i A jBi
s.a.
x
jBi
ij 1 i A
x
i: jBi
ij 1 jB
xij  0,1, i  a, j  Bi
RICARDO GATICA
JULIO CANALES
El Problema de Asignación con subconjuntos: Instancia
Descripción
 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
Tabla 1: Suconjunto de asociaciones factibles; Costo de asignación

de cada persona a la realización de cada tarea [miles de $]
Formule un PPB que permita determinar un plan de asignación tarea-persona

minimizando los costos asociados. Asuma que en todos los aspectos el problema se
comporta como el P. de Asignación con subconjuntos.
RICARDO GATICA
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
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
𝑥1𝐴 , 𝑥2𝐷 , … , 𝑥5𝐸 ∈ 0,1
RICARDO GATICA
JULIO CANALES
El Problema de Asignación de máxima cardinalidad
Descripción
Modelo
RICARDO GATICA
JULIO CANALES
El Problema de Asignación de máxima cardinalidad: Instancia
Descripción Variable de decisión
 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
JULIO CANALES
El Problema de Cobertura
Descripción
Variable de decisión Modelo
RICARDO GATICA
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
Formule un PPB que permita determinar que A

3
liceos instalar de manera de cubrir a todos los
colegios, sabiendo que el costo de instalación es
(40, 15, 40, 18) para los colegios (A, B, C, D) Figura 1: Mapa de la ciudad y cobertura potencial de los
respectivamente. colegios
RICARDO GATICA
JULIO CANALES
El Problema de Cobertura: Instancia
1, 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑠𝑡𝑎𝑙𝑎 𝑢𝑛 𝑐𝑜𝑙𝑒𝑔𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑗
𝑋𝑗 =
0 𝑒. 𝑜. 𝑐.
Modelo
𝑚𝑖𝑛 40𝑥𝐴 + 15𝑥𝐵 + 40𝑥𝐶 + 18𝑥𝐷

D
𝑠. 𝑎. 𝑥𝐴 + 𝑥𝐷 ≥ 1
5
𝑥𝐴 + 𝑥𝐵 + 𝑥𝐷 ≥ 1 2 4
1 B C
𝑥𝐴 + 𝑥𝐵 ≥ 1
𝑥𝐵 + 𝑥𝐶 ≥ 1 A
3
𝑥𝐶 ≥ 1
𝑥𝐴 , 𝑥𝐵 , 𝑥𝐶 , 𝑥𝐷 ∈ 0,1
RICARDO GATICA
JULIO CANALES
El Problema de Cobertura: Instancia 2
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
JULIO CANALES
El Problema de Particionamiento
Descripción
1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜 𝑒𝑛

𝑋𝑗 = 𝑙𝑎 𝑝𝑎𝑟𝑡𝑖𝑐𝑖ó𝑛
0 𝑒. 𝑜. 𝑐.
RICARDO GATICA
JULIO CANALES
El Problema de Particionamiento: Instancia
 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
JULIO CANALES
El Problema de Agrupación
Descripción
1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜

𝑋𝑗 = 𝑒𝑛 𝑙𝑎 𝑎𝑔𝑟𝑢𝑝𝑎𝑐𝑖ó𝑛
0 𝑒. 𝑜. 𝑐.
RICARDO GATICA
JULIO CANALES
El Problema de Agrupación: Instancia

Dados los siguientes parámetros: 1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜 𝑒𝑛
 M={ A, B, C, D, E, F} 𝑋𝑗 = 𝑙𝑎 𝑎𝑔𝑟𝑢𝑝𝑎𝑐𝑖ó𝑛
Elementos
Mj
contenidos
Cj 0 𝑒. 𝑜. 𝑐.
1 A, B 15
2 A,B,C,D 30 Modelo
3 D,E 35
4 B,F 20 𝑚𝑎𝑥 15𝑥1 + 30𝑥2 + 35𝑥3 + 20𝑥4 + 5𝑥5 + 40𝑥6 +100𝑥7 +45𝑥8
5 E 5 Tabla 1:
6 C,F 40
Elementos de cada 𝑠. 𝑎. 𝑥1 + 𝑥2 + 𝑥7 ≤ 1 𝑥2 + 𝑥3 + 𝑥7 ≤ 1
subconjunto y
7 A,B,C,D,E 100 utilidad asociada
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 agrupación 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 Agrupación.
RICARDO GATICA
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
JULIO CANALES
El Problema de Flujo en Redes con Cargo Fijo (FCNFP)
Descripción
RICARDO GATICA
JULIO CANALES 45
El Problema de Flujo en Redes con Cargo Fijo (FCNFP)
RICARDO GATICA
JULIO CANALES 46
El Problema de Flujo en Redes con Cargo Fijo (FCNF)
Variables de decisión
Modelo
RICARDO GATICA
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
Formule un problema de PLEM que permita determinar un set de flujos

que minimice el costo total. Asuma que el problema se comporta para
todo efecto como el FCNF.
RICARDO GATICA
JULIO CANALES 48
El Problema de Flujo en Redes con Cargo Fijo: Instancia
Variables de decisión (10,2,5)

-3
(6,2,3)
6 C -4
1 𝑆𝑖 𝑠𝑒 𝑢𝑡𝑖𝑙𝑖𝑧𝑎 𝑒𝑙 𝑎𝑟𝑐𝑜 (𝑖, 𝑗) E
𝑦𝑖𝑗 = A (1,1,6)
0 𝑒. 𝑜. 𝑐 (4,1,4)
(6,3,4) (9,3,2)
𝑥𝑖𝑗 = Flujo que en el arco (i, j) D
B
(2,2,5) 1
Modelo 0
min 3𝑥𝐴𝐵 + 2𝑥𝐴𝐶 + 𝑥𝐵𝐶 + 2𝑥𝐵𝐷 + 2𝑥𝐶𝐸 + 𝑥𝐷𝐶 + 3𝑥𝐷𝐸
+ 6𝑦𝐴𝐵 + 10𝑦𝐴𝐶 + 4𝑦𝐵𝐶 + 2𝑦𝐵𝐷 + 6𝑦𝐶𝐸 + 𝑦𝐷𝐶 + 9𝑦𝐷𝐸
𝑠. 𝑎. 𝑥𝐴𝐵 + 𝑥𝐴𝐶 = 6 𝑥𝐴𝐵 − 4𝑦𝐴𝐵 ≤ 0 𝑥𝐷𝐶 − 6𝑦𝐷𝐶 ≤ 0

𝑥𝐵𝐶 + 𝑥𝐵𝐷 − (𝑥𝐴𝐵 ) = 0 𝑥𝐴𝐶 − 5𝑦𝐴𝐶 ≤ 0 𝑥𝐷𝐸 − 2𝑦𝐷𝐸 ≤ 0
𝑥𝐶𝐸 − 𝑥𝐴𝐶 + 𝑥𝐵𝐶 + 𝑥𝐷𝐶 = −3 𝑥𝐵𝐶 − 4𝑦𝐵𝐶 ≤ 0
𝑥𝐷𝐶 + 𝑥𝐷𝐸 − 𝑥𝐵𝐷 = 1 𝑥𝐵𝐷 − 5𝑦𝐵𝐷 ≤ 0
− 𝑥𝐶𝐸 + 𝑥𝐷𝐸 = −4 𝑥𝐶𝐸 − 3𝑦𝐶𝐸 ≤ 0
𝑥𝐴𝐵 , 𝑥𝐴𝐶 , 𝑥𝐵𝐶 , 𝑥𝐵𝐷 , 𝑥𝐶𝐸 , 𝑥𝐷𝐶 , 𝑥𝐷𝐸 ≥ 0

𝑦𝐴𝐵 , 𝑦𝐴𝐶 , 𝑦𝐵𝐶 , 𝑦𝐵𝐷 , 𝑦𝐶𝐸 , 𝑦𝐷𝐶 , 𝑦𝐷𝐸 ∈ 0,1
RICARDO GATICA
JULIO CANALES 49
El Problema del Tamaño de Lote Capacitado (CLSP)
Descripción

50

51

52
Modelo

53
El Problema del Tamaño de Lote Capacitado: Instancia
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
C 4 140 Tabla 4: Costo de almacenamiento

unitario [UM/ton]
Tabla 3: Tiempos de proceso de cada
producto [hr/ton]; inventario inicial [ton]

54
Formule un problema de PLEM que minimice los costos totales
involucrados en el proceso productivo, de modo de satisfacer la totalidad
de la demanda y respetar la capacidad productiva de la fábrica. Asuma
que para todo efecto este problema se comporta como el CLSP.
Xit: Cantidad de producto i fabricado en el período t.
Sit: Cantidad almacenada de producto i al final del período t.
1 𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑙 𝑖𝑡𝑒𝑚 𝑖 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

𝑦𝑖𝑡 =
0 𝑒. 𝑜. 𝑐

55
Modelo Min 12000yA1 + 12000yA2 + …+ 1800yC4 + 1800yC5 + 958xA1 + 783xA2 + …+
761xC4 + 806xC5 + 40sA1 + 21sA2 +…+ 40sC4 + 28sC5
3xA1 + 2xB1 + 4xC1 <= 1800

s.a. xA1 - sA1 = 154
3xA2 + 2xB2 + 4xC2 <= 1800
xB1 - sB1 = -129
…
xC1 - sB1 = 4
3xA5 + 2xB5 + 4xC5 <= 1800
xA2 + sA1 – sA2 = 266
xA1 <= 1800yA1
xB2 + sB1 – sB2 = 169
xA2 <= 1800yA2
…
…
xB4 + sB3 – sB4 = 237 xC5 <=1800yC5
xC4 + sC3 – sC4 = 263
xA1, xA2,…,xC4,xC5,sA1,sA2,...,sC3, sC4 ≥ 0
xA5 + sA4 = 228 yA1, yA2,…, yC4, yC5 ϵ {0,1}
xB5 + sB4 = 83
xC5 + sB4 = 70
Notas:
1. En las restricciones de balance del periodo 1, se resta el inventario inicial de cada producto de la respectiva demanda.
2. En las restricciones de balance del último periodo puede omitirse la variable de inventairo final, pues esta variable siempre toma valor cero
en cculaquier solución óptima, a menos que se impoga una restricción de cota inferior.

El Problema del Tamaño de Lote Capacitado con tiempos de Set-up
Descripción

57
El Problema del Tamaño de Lote Capacitado con tiempos de Set-up
Variables
de decisión
Modelo

58
El Problema del Tamaño de Lote Capacitado con Tiempos de Set-up: Instancia
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
Dda Prod 1 80 100 60 1 Tabla 2: Costo variable de

Dda Prod 2 70 100 90 1 inventario por producto y periodo
[$/ton]
Capacidad R1 200 220 170
Tabla 1: Demanda por cada producto en el tiempo [ton];

Capacidad del recurso 1 [min-máq]; Absorción del R1 por cada
Formule un Problema de PLEM que
producto [min-máq/ton] permita determinar un plan de producción,
Prod 1 2 3 Costo Tiempo minimizando los costos asociados al
\Periodo Set-up Set-up
proceso productivo. Asuma que el
1 3 4 6 300 25
problema se comporta como el CLSP con
2 5 3 5 400 15
Tabla 3: Costo Variables de producción [$/ton]; Costos de
tiempos de set-up
set-up [$]; tiempos de set-up [min]

59
El Problema del Tamaño de Lote Capacitado con Tiempos de Set-up: Instancia
Xit: Cantidad de producto i fabricado en el período t.
Sit: Cantidad almacenada de producto i al final del período t.
1 𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑙 𝑖𝑡𝑒𝑚 𝑖 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑦𝑖𝑡 =
0 𝑒. 𝑜. 𝑐
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

60
El Problema del Localización de Instalaciones (FLP)
Descripción

61
El Problema del Localización de Instalaciones (FLP)
Modelo

62
El Problema del Localización de Instalaciones : Instancia
Descripción Variables de decisión

Xij: Cantidad enviada desde el CD i al cliente j
1 𝑆𝑖 𝑠𝑒 𝑖𝑛𝑠𝑡𝑎𝑙𝑎 𝑢𝑛 𝐶𝐷 𝑒𝑛 𝑙𝑎 𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑗
𝑦𝑗 =
 2 alternativas de localización. 0 𝑒. 𝑜. 𝑐
 Clientes agrupados en 4 zonas Modelo 500 y1  200 y2 

min
Zona Zona Zona Zona Costo Cap. 3x11  4 x12 8 x13  2 x14 
Fijo Operativa
1 2 3 4 5 x21  6 x22 3x23  x24
CD 1 3 4 8 2 500 100
s.a x11  x21 15
CD 2 5 6 3 1 200 80
x12  x22 20
Dda 15 20 50 15 - -
x13  x23 50
Tabla 1: Costos de transporte [UM/ton]; Demanda [ton];
Costos fijos [UM]; Cap. Operativa [ton] x14  x24 15
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

63
El Problema del Localización de Instalaciones Multiproducto
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.

64
El Problema del Localización de Instalaciones Multiproducto
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
xijk  0 i  1,..., I , j  1,.., N , k  1,..., M

y j  0,1 j  1,..., N .

65
El Problema del Localización de Instalaciones Multiproducto : Instancia
Descripción Zona Zona Zona Zona
Dados los siguientes parámetros: 1 2 3 4
CD 1 3 4 8 2
 3 alternativas de localización
CD 2 5 6 3 1
 Clientes agrupados en 4 zonas
 2 productos CD3 9 5 6 5
Dda2 25 20 35 40
Zona Zona Zona Zona
1 2 3 4 Tabla 2: Costos de transporte [UM/ton];
Demanda [ton] del producto 2
CD 1 3 4 8 2
Costo Cap.
CD 2 5 6 3 1 Fijo Operativa
Tabla 3: Costos
CD3 9 5 6 5 500 150 fijos [UM]; Cap.
Dda1 15 20 50 15 Operativa [ton]
300 100
Tabla 1: Costos de transporte [UM/ton] 800 250
y Demanda [ton] del producto 1
Formule un problema de PLEM que permita determinar qué CD instalar, satisfaciendo la

demanda de cada cliente al mínimo costo. Asuma que el problema se comporta como el
FLP multiproducto

66
El Problema del Localización de Instalaciones Multiproducto : Instancia
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 min 500 y1  200 y2  800 y3

3x111  4 x112  8 x113  2 x114  5 x121  6 x122  3x123  x124 
9 x131  5 x132  6 x133  5 x134  2 x211  3x212  6 x213  2 x214 
s.a 4 x221  5 x222  2 x223  1x224  8 x231  4 x232  5 x233  4 x234 
x111  x121  x131  15 x211  x221  x231  25

x111  x112  x113  x114  x211  x212  x213  x214  150 y1
x112  x122  x132  20 x212  x222  x232  20
x121  x122  x123  x124  x221  x222  x223  x224  100 y2
x113  x123  x133  50 x213  x223  x233  35
x131  x132  x133  x134  x231  x232  x233  x234  250 y3
x114  x124  x134  15 x214  x224  x234  40
x111 , x112 , x113 , x114 , x121 , x122 , x123 , x124 , x131 , x132 , x133 , x134 ,
x211 , x212 , x213 , x214 , x221 , x222 , x223 , x224 , x231 , x232 , x233 , x234  

67

Plem 405

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Plem 405

Transféré par

Droits d'auteur :

Formats disponibles

Modelos Programación Lineal Entera y

Donde A y B son matrices; b, c y d son vectores de

 Instalar o no una planta en la zona j

1 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑠𝑡𝑎𝑙𝑎 𝑢𝑛𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑒𝑛 𝑙𝑎 𝑧𝑜𝑛𝑎 𝑗

 Si el vehículo k realiza un viaje entre la ciudad i y la ciudad j

𝑘 1 𝑠𝑖 𝑒𝑙 𝑣𝑒ℎí𝑐𝑢𝑙𝑜 𝑘 𝑟𝑒𝑎𝑙𝑖𝑧𝑎 𝑢𝑛 𝑣𝑖𝑎𝑗𝑒 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝑖 𝑦 𝑙𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝑗

a. No más de k entre n alternativas

 No se puede seleccionar la alternativa 1 si no se selecciona la

20XA + 40XB ≤ 2400 (restricción asociada al proceso productivo 1)

30XA + 28XB ≤ 2200 (restricción asociada al proceso productivo )

Donde XA es la cantidad de producto A producido y XB la cantidad de producto B Producido

c. K entre n restricciones (cont…)

20𝑋𝐴 + 40𝑋𝐵 ≤ 2400 + 𝑀(1 − 𝑍1 )

Con M un valor suficientemente grande.

3. Tamaños de Lote y Puesta en Marcha

𝑥 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 𝑑𝑒𝑙 𝑖𝑡𝑒𝑚 𝑡𝑜𝑛

3. Tamaños de Lote y Puesta en Marcha (cont…)

Las restricciones asociadas están dadas por:

¿Las restricciones anteriores son equivalentes a la siguiente?¿Por qué?

Formule un problema de programación binaria que permita determinar qué

𝑠. 𝑎. 30𝑥1 + 25𝑥2 + 35𝑥3 + 40𝑥4 + 30𝑥5 ≤ 85

Formule un problema de programación binaria que permita determinar qué

𝑠. 𝑎. 5𝑥𝐴 + 6𝑥𝐵 + 10𝑥𝐶 + 8𝑥𝐷 + 2𝑥𝐸 ≤ 27

implica que si se selecciona el proyecto j, entonces no puede seleccionarse el proyecto

Específicamente denotaremos por:

Formule un problema de programación binaria que permita determinar qué proyectos

𝑠. 𝑎. 5𝑥𝐴 + 6𝑥𝐵 + 10𝑥𝐶 + 8𝑥𝐷 + 2𝑥𝐸 + 9𝑥𝐹 + 6𝑥𝐺 + 6𝑥𝐻 ≤ 27 𝑥𝐴 + 𝑥𝐵 ≤ 1

Formule un PPB que permita determinar un plan de asignación tarea-persona

𝑥1𝐴 , 𝑥1𝐵 , … 𝑥5𝐸 ∈ 0,1

min imizar   cij xij

Tabla 1: Suconjunto de asociaciones factibles; Costo de asignación

Formule un PPB que permita determinar un plan de asignación tarea-persona

𝑥1𝐴 , 𝑥2𝐷 , … , 𝑥5𝐸 ∈ 0,1

Variable de decisión Modelo

Formule un PPB que permita determinar que A

𝑚𝑖𝑛 40𝑥𝐴 + 15𝑥𝐵 + 40𝑥𝐶 + 18𝑥𝐷

Variable de decisión Modelo

1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜 𝑒𝑛

Variable de decisión Modelo

1 𝑆𝑖 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑀𝑗 𝑒𝑠𝑡á 𝑖𝑛𝑐𝑙𝑢í𝑑𝑜

Descripción Variable de decisión

Formule un problema de PLEM que permita determinar un set de flujos

Variables de decisión (10,2,5)

𝑠. 𝑎. 𝑥𝐴𝐵 + 𝑥𝐴𝐶 = 6 𝑥𝐴𝐵 − 4𝑦𝐴𝐵 ≤ 0 𝑥𝐷𝐶 − 6𝑦𝐷𝐶 ≤ 0

𝑥𝐴𝐵 , 𝑥𝐴𝐶 , 𝑥𝐵𝐶 , 𝑥𝐵𝐷 , 𝑥𝐶𝐸 , 𝑥𝐷𝐶 , 𝑥𝐷𝐸 ≥ 0

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

C 4 140 Tabla 4: Costo de almacenamiento

EII 400 OPTIMIZACION LINEAL

1 𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑙 𝑖𝑡𝑒𝑚 𝑖 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

EII 400 OPTIMIZACION LINEAL

3xA1 + 2xB1 + 4xC1 <= 1800

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

Dda Prod 1 80 100 60 1 Tabla 2: Costo variable de

Tabla 1: Demanda por cada producto en el tiempo [ton];

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL

EII 400 OPTIMIZACION LINEAL