Programación Entera para Optimización de Producción

Optimización
Capítulo I: Programación Lineal Entera
1
Programación Entera
 Programación entera es programación lineal con la
restricción adicional que los valores de las variables
de decisión sean enteros.
 P.E pura: Todas las variables de decisión tienen

valores enteros.
 P.E mixta (PEM) : Algunas de las variables de

decisión tienen valores enteros. Las demás cumplen
con la suposición de divisibilidad.
 P.E. Binaria (PEB) : Utiliza variables binarias

2
Programación Entera Binaria
xj  {
1, si la decisión j es sí
0, si la decisión j es no
Las xj son variables de decisión restringidas a tomar valores 0 ó 1.
3
Ejemplo
 La empresa CMC está analizando la posibilidad de expansión mediante la construcción de
una nueva fábrica, ya sea en L.A. o en San Francisco o en ambas ciudades. También está
pensando en construir un nuevo almacén a lo sumo, pero la decisión dependerá del
emplazamiento de la nueva fábrica. El beneficio total aportado por la inversión referido al
momento presente se lista en la tercera columna y el coste de la inversión referido al
momento presente se lista en la cuarta. El total del capital disponible es de $10.000.000.
Se pide encontrar la solución factible que maximice el valor del beneficio total.
Beneficio Costo de
Decisión Pregunta sí o no Total Inversión
1 ¿Construir la fábrica en L.A.? 9 M$ 6M$
2 ¿Construir la fábrica en San Francisco? 5M$ 3M$
3 ¿Construir el almacén en L.A.? 6M$ 5M$
4 ¿Construir el almacén en San Francisco? 4M$ 2M$
Capital máx 10M$
4
Formulación del Problema
 Variables de Decisión
j = 1, 2, 3, 4.
5
 Función Objetivo
6
 Restricciones
 Un almacén a lo sumo
Alternativas excluyentes
 …la decisión dependerá del emplazamiento de la nueva fábrica.
Decisiones Contingentes
7
 Restricciones
 Restricciones de Capital
8
 Modelo Final
9
Otras posibilidades de formulación con
variables binarias.
 En ocasiones es necesario utilizar variables para expresar
relaciones combinatorias dentro de la formulación de los
problemas. Para esto, además de las variables originales xj,
se hace necesario el uso de variables auxiliares yi del tipo
binario, introducidas en la reformulación.
10
variables binarias.
 1. Restricciones una u otra.
Sólo una (cualquiera de las 2) debe cumplirse, mientras
que la otra puede cumplirse, pero no se requiere que
lo haga. Esto tiene una aplicación práctica en los casos
en que se tienen 2 tipos de recursos para un cierto
propósito.
11
variables binarias.
12
variables binarias.
9 ---
8 ---
7 ---
6 ---
5 ---
4 ---
3 ---
2 ---
1 ---
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
13
variables binarias.
9 ---
8 ---
7 ---
6 ---
5 ---
4 ---
3 ---
2 ---
1 ---
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
14
variables binarias.
 1. Restricciones una u otra.
Para modelar este tipo de restricción se recurre a variables
binarias auxiliares
*M es un número muy grande
15
variables binarias.
 2. Deben cumplirse K de N restricciones.
Considere la situación en la que el modelo completo
incluye un conjunto de N restricciones posibles entre
las que sólo K de ellas se deben cumplir. (suponga que
K < N).
Las N-K restricciones que no se eligen quedan
eliminadas del problema, aun cuando por coincidencia
las soluciones factibles puedan satisfacer algunas de
ellas.
16
variables binarias.
 2. Deben cumplirse K de N restricciones.
Se tienen N restricciones del tipo:
Se transforma en
17
variables binarias.
 Considere el siguiente ejercicio:
Una empresa manufactura 2 tipos de productos A y B. Cada uno de estos
productos genera una utilidad de 30.000 y 45.000 respectivamente. La
demanda mensual de cada producto es de 40 para el producto A y de 70
para el producto B. Para fabricar el producto A se requiere de 6 kilos de
materia prima X y 3 de materia prima Y. Por otro lado para fabricar el
producto B se requiere de 18 kilos de la materia prima Y. La disponibilidad
de cada una de las materias primas es de 150 kilos de la materia prima X y
de 75 kilos de la materia prima Y. Debido al tamaño y peso de los
productos fabricados ( 10 kilos , 2 m3 para el producto A y 20 kilos y 5m3
para el producto B), éstos deben almacenarse en bodegas especiales.
Existen dos bodegas disponibles, pero sólo puede usarse una. Estas bodegas
Q1 y Q2 permiten el almacenaje de 500 kilos en total y 150 m3
respectivamente. Se pide que determine cuantos productos A y B fabricar
e indicar en que bodega se almacenarán.
18
variables binarias.
3.Funciones con N valores posibles.
Considere la situación en la que una función dada tome
cualquiera de N valores dados. Denotemos este requisito
así:
Se transforma en :
19
variables binarias.
 Ejemplo:

productos genera una utilidad de 30.000 y 45.000 respectivamente. La demanda
mensual de cada producto es de 40 para el producto A y de 70 para el producto B.
Para fabricar el producto A se requiere de 6 kilos de materia prima X y 3 de
materia prima Y. Por otro lado para fabricar el producto B se requiere de 18 kilos
de la materia prima Y. La disponibilidad de cada una de las materias primas es de 150
kilos de la materia prima X y de 75 kilos de la materia prima Y. Debido al tamaño y
peso de los productos fabricados ( 10 kilos para el producto A y 20 kilos para el
producto B), éstos deben almacenarse en bodegas especiales. Existen 4 bodegas
disponibles, pero sólo puede usarse una y a capacidad plena ( no puede sobrar
espacio). Estas bodegas Q1, Q2, Q3 y Q4 permiten el almacenaje de 500, 600, 650 y
700 kilos en total y respectivamente. Se pide que determine cuantos productos A y
B fabricar e indicar en que bodega se almacenarán.
20
variables binarias.
 4. Costos Fijos Evitables.
Es bastante común incurrir en un costo fijo cuando se
emprende una actividad. Por ejemplo, cuando se inicia
una corrida de un lote pequeño de producción
existen algunos costos fijos y otros variables.
En general el costo total de la actividad (por ejemplo j ) puede representarse
por una función de la forma:
F.O:
Se modela
Rest.
21
variables binarias.
 Ejemplo
 Gandhi Cloth Company fabrica tres tipos de prendas de vestir: camisetas, shorts y
pantalones.GCC tiene disponible cada semana 150 horas de mano de obra y 160 yardas
cuadradas de tela.
La elaboración de cada tipo de prenda requiere que Gandhi tenga disponible el tipo de
maquinaria apropiada. La maquinaria necesaria para manufacturar cada tipo de prenda se
tiene que arrendar a las siguientes tarifas: 200 dólares por semana para camisetas, u$150
por semana y 100 para pantalones
La manufactura de cada tipo de prenda también requiere las cantidades de tela y mano de
obra que se indican en la tabla más adelante al igual que el costo unitario variable y su
precio de venta. Se pide determinar la cantidad de camisetas, shorts y pantalones que
GCC debe fabricar semanalmente.
Tipo de Mano de obra Tela (yd2) Precio de Costo

Prenda (H) venta (U$) unitario (U$)
Camiseta 3 4 12 6
Shorts 2 3 8 4
Pantalones 6 4 15 8
22
variables binarias.
 Ejemplo:
productos genera una utilidad de 30.000 y 45.000 respectivamente. La demanda
mensual de cada producto es de 40 para el producto A y de 70 para el producto B.
Para fabricar el producto A se requiere de 6 kilos de materia prima X y 3 de
materia prima Y. Por otro lado para fabricar el producto B se requiere de 18 kilos
de la materia prima Y. La disponibilidad de cada una de las materias primas es de 150
kilos de la materia prima X y de 75 kilos de la materia prima Y. Debido al tamaño y
peso de los productos fabricados ( 10 kilos para el producto A y 20 kilos para el
producto B), éstos deben almacenarse en bodegas especiales. Existen 4 bodegas
disponibles, pero sólo puede usarse una y a capacidad plena ( no puede sobrar
espacio). Estas bodegas Q1, Q2, Q3 y Q4 permiten el almacenaje de 500, 600, 650 y
700 kilos en total y respectivamente. El costo del arriendo de las bodegas es de
700.000, 850.000, 900.000 y 1.000.000 respectivamente . Se pide que determine
cuantos productos A y B fabricar e indicar en que bodega se almacenarán.
23
variables binarias.
 5. Costo Unitario de Descuento
Al considerar por ejemplo que se desea comprar un
producto cuyo precio al detalle es de $c1 y si se
compran Q o más unidades el precio cambia a $c2, el
modelo seria el siguiente:
F.O:
s.a:
24
variables binarias.
 6. A partir de la unidad Q existe descuento
Si se considera ahora que se al comprar hasta Q-1
unidades de un producto, este se vende a un precio
$c1 y las unidades restantes de compra a un precio
$c2, el modelo sería el siguiente:
F.O:
s.a:
25
variables binarias.
 Ejemplo
Pedro, vendedor de diarios, vende dos tipos de diario, LUM y
EMOR. La demanda diaria de cada uno es de 50 y 70
respectivamente. Un mayorista le ofrece una oferta para la
compra de los diarios LUM, le vende a $180 cada diario si la
cantidad comprada es menor a 25 y a $150 por los restantes. Por
otro lado los diarios EMOR cuestan $250 si compra menos de
40 y $200 si compra 40 o más. Los precios de venta de cada uno
de los periódicos es de 400 y 500 para LUM y EMOR. Pedro
dispone de 55.000 pesos para comprar. ¿Cuántos diarios de cada
tipo debería comprar?
26
¿Cómo modelaría…?
 De tres proyectos, sólo uno se debe realizar.
 El proyecto C sólo realizará si se realiza A y B.
 La suma de las variables x e y pueden tomar los valores

2, 5, 7 ó 9.
 Si se desea vender el producto M, se requiere comprar

una máquina cuyo costo es $10 y el costo operacional es
de 1$/producto.
27
Anexo
Determinada empresa sirve dos productos (P1 y P2) que fabrica en tres plantas
diferentes (que llamaremos F1, F2 y F3). La capacidad de las fábricas, medida en
horas es de 1.000, 2.000 y 1.500 horas respectivamente. El coste de
producción de los productos es de 2 unidades monetarias (um) por hora en
cualquiera de las tres fábricas.
Fabricar un kilo de P1 ocupa 4 horas de tiempo de fábrica, y un kilo de P2 3 horas.
Si decidimos producir un producto en una fábrica determinada, incurrimos en
un coste fijo que es de 600 um para P1 y de 700 um para P2.
Los precios de venta de P1 y P2 son de 11 um/Kg y de 8 um/Kg respectivamente.
La demanda máxima de P1 es de 800 Kg, y la de P2 de 1000 Kg. Las demandas
mínimas a satisfacer de P1 y P2 son de 80 y 100 Kg, respectivamente.
Por razones de seguridad, cada producto debe fabricarse al menos en dos fábricas.
Si se decide fabricar un producto en una fábrica, la cantidad mínima a fabricar
será de 50 Kg.
Determinar el plan de producción (cuánto debe fabricarse de P1 y P2 en F1, F2 y
F3) que maximiza el beneficio.
28
Modelos Clásicos de
Programación Entera
Introducción
• Existen problemas de programación entera,
que debido a variedad de aplicaciones, se
estudian con mucho mas detalle.
• Se estudiará en este capítulo los problemas de

programación entera clásicos en la
investigación de operaciones.
Problema de Asignación
• Suponga la siguiente situación:
– Existen 5 diferentes proyectos eléctricos sobre 5
líneas de producción que necesitan ser
inspeccionadas.
– El tiempo para realizar una buena inspección de
un área depende de la línea de producción y la
línea de inspección.
– La gerencia desea asignar diferentes aéreas de
inspección a inspectores de productos tal que el
tiempo utilizado sea mínimo.
– Los tiempos de inspección en minutos para la línea de
ensamble para cada área de inspección son los
siguientes:
¿Cuál línea debe ser inspeccionada por que área

de inspección, con tal de minimizar la totalidad
de los tiempos de inspección?
• Formulación del Problema
– Variables del problema:
– Función Objetivo:
– Restricciones
• Cada línea de ensamble debe ser inspeccionada sólo
por un área
– Restricciones
• Cada área debe inspeccionar sólo una línea de
ensamble.
– Restricciones
• Naturaleza de las variables
– Finalmente
sa
• Solución al problema
• Solución al problema
• Más formalmente
– Considere que se debe asignar a cada operario i una
tarea j a realizar.
– Tanto la cantidad de operarios, como la de tareas es la
misma, n.
– Cada operario puede realizar un única tarea.
– Cada tarea puede ser realizada por sólo un operario.
– El tiempo que le toma al operario i en realizar la tarea
j es : cij
– El objetivo es minimizar el tiempo total de trabajo.
• Sea
sa
• ¿Cómo resolver el problemas de asignación?
– Recordar método húngaro
• A pensar… ¿Qué hacer si

– Hay menos tareas que operarios?
– Menos operarios que tareas?
Problema clásico de transporte
• Considere la siguiente situación:
– Hay n plantas que fabrican un cierto producto,
además hay m clientes que demandan este
producto, el problema consiste en decidir de que
planta se satisface la demanda de cada cliente con
el objetivo de minimizar los costos de envío del
producto.
Clientes
Plantas
Flujos de transporte
C1
P1
C2
P2
Costo de enviar una unidad del
producto desde la planta i al
cliente j : cij C3
P3
C4
…
…
Pn
Cm
• Variables de decisión:
• Modelo sa:
• Suponga la siguiente situación:
– Hay n posibles plantas a instalar, con un costo e
instalación Ii . Cada una de estas plantas tiene
una oferta (Oi) de productos.
– Hay m clientes, cada uno de los cuales tiene una
demanda de Dj.
– El problema ahora no es sólo decidir cuantos
productos enviar desde que planta, sino que
también que planta abrir.
Localización de instalaciones
capacitado
• Variables de decisión:
Localización de instalaciones
capacitado
• Modelo
sa:
Localización de instalaciones no
capacitado
• Problema muy similar al anterior, con la
diferencia que las potenciales plantas Pi,
tienen oferta infinita (capacidad ilimitada).
• El modelo sería:
capacitado
• Modelo
sa:
capacitado
• Un modelamiento equivalente al problema
anterior es considerando que:
– Variables:
capacitado
• El nuevo modelo sería:
sa:
Problema de la Mochila
• Se poseen n diferentes objetos, cada uno con
un peso ai y un valor de Ci.
• Estos objetos se pueden almacenar en una
mochila que permite un peso máximo de M.
• La idea es seleccionar un conjunto de objetos,
talque maximicen la riqueza de la mochila
• Variables:
• Modelo:
sa:
• Existen variantes a este problema, como por
ejemplo:
• Varias mochilas de igual capacidad.

• Varias mochilas de diferente capacidad.
• Se puede poner mas de un producto i en la mochila.
Problema de Set Covering
• Una estación de bomberos tiene la capacidad de cubrir
las emergencias tanto de su comuna como de las
comunas adyacentes a ella, por ejemplo una estación
construida en la comuna 1 podrá cubrir las
emergencias de todo su vecindario, es decir, de la
comuna 1, comuna 2 , comuna 3 y comuna 5. Se
necesitan construir tantas estaciones de bomberos
sean necesarias para cubrir todas las comunas ante
posibles emergencias cuidando que todas las comunas
estén cubiertas por al menos una estación (una o más)
resguardando que la cantidad de estaciones
construidas sea el mínimo.
• Plano
• Variables:
i  1,..., n
• Modelo:
en donde 1 si la ubicación del carro i ayuda a la ciudad j

aij  {
0 eoc
• ¿Cómo quedaría el modelo para el ejemplo
planteado?
La UCSC está en proceso de formar un comité para manejar las
quejas de los alumnos. La directriz que se recibe de la
administración es incluir al menos una mujer, un hombre, un
alumno, un administrador y un maestro. Se han nominado 10
personas (que para simplificar se identifican con las letras ‘a’ a
‘j’). La proporción de ellos en las distintas categorías es la
siguiente: La UCSC desea formar el comité
Categoría Individuos más pequeño que tenga
Mujeres a, b, c, d, e representación de cada una de las
Hombres f, g, h, i, j cinco categorías.
Alumnos a, b, c, j a. Formule el problema
Administrad e, f como problema lineal entero.
ores b. ¿Qué tipo de problema
Maestros d, g, h, i clásico entero es éste?
Problema del vendedor viajero
Dado un conjunto finito de
ciudades, y costos de viaje
entre todos los pares de
ciudades, encontrar la
forma mas barata de visitar
todas las ciudades
exactamente una vez, y
volver al punto de partida.
Mas precisamente:
Los costos son simétricos en el sentido de que viajar desde la ciudad X a la ciudad Y
tiene el mismo costo que viajar desde la ciudad Y a la ciudad X. La condición de visitar
todas las ciudades implica que el problema se reduce a decidir en que orden las
ciudades van a ser visitadas.
Un poco de historia:
• Primeras referencias datan del 1832, para vendedores viajeros.

• Karl Menger, 1930, (Shortest Hamiltonian Path).
• J.B. Robinson, “On the Hamiltonian game (a traveling-salesman problem)”, 1949.
Esta es la primera referencia del problema como es conocido hoy en día.
• G. Dantzig, R. Fulkerson, and S. Johnson, "Solution of a large-scale traveling-
salesman problem", 1954. Solución de una instancia de 49 ciudades (capitales de
los estados de USA), introducción de cortes y branching.
• M. Held and R.M. Karp, .A dynamic programming approach to sequencing
problems", 1962. introducción de heurísticas basadas en programación dinámica.
Año Autores Ciudades
1954 Dantzig, Fulkerson, and Johnson 49
1971 Held and Karp 64
1975 Camerini, Fratta, and Maffioli 67
1977 Grötschel 120
1980 Crowder and Padberg 318
1987 Padberg and Rinaldi 532
1987 Grötschel and Holland 666
1987 Padberg and Rinaldi 2392
1994 Applegate, Bixby, Chvátal, and Cook 7397
2004 Applegate, Bixby, Chvátal, Cook and Helgaun 24978
2005 Cook, Espinoza and Goycoolea 33810
2006 Cook 85900
• Algunas Aplicaciones
– Bus Escolar.
– Atención de Llamadas de Emergencia.
– Servicio de Correo Expreso.
– Secuenciamento de genes.
– Ordenamiento de observaciones en telescopios (NASA).
– Diseño de chips.
– Tour Mundial.
– El problema del Viejo Pascuero
¿Es fácil encontrar el óptimo al problema?
• 10 ciudades : ≈ 105.5 posibilidades.
• 100 ciudades : ≈ 10156 posibilidades.
• 1,000 ciudades : ≈ 102565 posibilidades.
• 33,810 ciudades : ≈ 10138441 posibilidades.
• Edad del universo : ≈ 1018 segundos.
• Número de átomos en el universo: < 10100.
• Enumeración solo es posible para problemas muy pequeños.
• Modelo matemático
sa:
+ condiciones de prohibición de subrutas

• Finalmente
sa:
• http://www.tsp.gatech.edu/games/tspOnePla
yer.html
Otros problemas clásicos
• Variantes del TSP
– TSPTW
– m-TSP
Vehicle Routing Problem
Un número de vehículos con
capacidad limitada debe
servir un conjunto
determinado de
consumidores con cierta
demanda y satisfaciendo
limitaciones. El objetivo es el
de asignar vehículos a
consumidores y definir la
secuencia de visitas para
minimizar costos, distancias o
tiempos
Vehicular Routing Problem
Algunas Variantes del VRP
Abreviatura Denominacion
AVRP Asymetric Vehicle Routing Problem
CVRP Capacited Vehicle Routing Problem
VRPLC Vehicle Routing Problem with Length Constraint

PVRP Period Vehicle Routing Problem
VRPTW Vehicle Routing Problem with Time Windows
VRPSTW Vehicle Routing Problem with Soft Time Windows
VRPTD Vehicle Routing Problem with Time Deadlines

Preprocesado automático
del problema para PEB pura
Optimización
Preprocesado automático del problema
para PEB pura
 El preprocesado automático incluye “una
inspección por computador” de la formulación
del problema de PE proporcionada por el
usuario, con el fin de detectar algunas
reformulaciones que hacen que el problema
se resuelva con mas rapidez, sin eliminar
ninguna solución factible.
para PEB pura
 Estas reformulaciones pueden ser clasificadas en tres
categorías:
 Fijar Variables, identificar las variables que pueden fijarse

en uno de sus dos valores(0,1).
 Eliminar restricciones redundantes, identificar y eliminar

restricciones redundantes (restricciones que quedan
satisfechas en forma automática cuando las soluciones
satisfacen todas las demás)
 Estrechar restricciones, estrechar algunas restricciones de

manera que se reduzca la región factible para la soltura de
PL sin eliminar ninguna solución factible para el problema de
PEB.
para PEB pura
 Fijar Variables
 Un principio para fijar variables es:
 Si un valor de variable no puede satisfacer cierta
restricción, aun cuando las otras variables sean
iguales a sus mejores valores tratando de
satisfacer la restricción, entonces esa variable
debe fijarse en el otro valor.
para PEB pura
 Fijar Variables
 Ejemplos (1):
3x1  2
3x1  x2  2
5 x1  x2  2 x3  2
para PEB pura
 Fijar Variables
 De igual forma (2)
3x1  2
3x1  x2  2
3x1  x2  2 x3  2
para PEB pura
 Fijar Variables
 Otro ejemplo (3)
x1  x2  2x3  1
para PEB pura
 Fijar Variables
3x1  x2  3x3  2
para PEB pura
 Fijar Variables
3x1  2x2  1
para PEB pura
 Fijar Variables
3x1  x2  2x3  2
x1  x4  x5  1
 x5  x6  0
para PEB pura
 Fijar Variables
8 x1  4 x2  5 x3  3x4  2
x2  x3  1
para PEB pura
 Eliminar Restricciones Redundantes
 Si una restricción funcional satisface incluso la
solución binaria más demandante, entonces
las restricciones binarias la han convertido en
redundante y en adelante se puede eliminar.
Para una restricción del tipo ≤, la solución
binaria más demandante tiene variables
iguales a 1 cuando tienen coeficientes no
negativos y otras variables son iguales a 0.
(Estos valores se invierten si se trata de una
restricción del tipo ≥)
para PEB pura
 Eliminar Restricciones
Redundantes
 Ejemplos
3 x1  2 x2  6
3 x1  2 x2  3
3 x1  2 x2  3
para PEB pura
 Estrechar Restricciones
 Considere el siguiente ejemplo
Max z  3x1  2 x2
sa :
2 x1  3x2  4
x1 , x2 binarias
para PEB pura
1. Estrechar Restricciones
Procedimiento
Denote la restricción por:
a1 x1  a2 x2  ...  an xn  b
1. Calcule S = Suma de los aj positivos.
2. Identifique cualquier aj tal que S < b + |aj|
a. Si no hay, el procedimiento se detiene, la restricción ya
no se puede reducir.
b. Si aj > 0, vaya al paso 3.
c. Si aj < 0, vaya al paso 4.
3. Calcule a*j = S- b y b*= S- aj . Reestablezca aj = a*j
y b=b*. Regrese al paso 1
4. Aumente aj a aj = b – S. Regrese al paso 1.
para PEB pura
Aplicar algoritmo para este ejemplo
4x1  3x2  x3  2x4  5

Generación de Planos Cortantes para
PEB
 Un plano cortante es una nueva restricción
funcional que reduce la región factible para la
soltura de PL sin eliminar soluciones factibles
para el problema de PE original.
PEB
 Procedimiento para Generar cortaduras
1. Considere cualquier restricción funcional de la
forma ≤ con sólo coeficientes no negativos.
2. Encuentre un grupo de variables ( cubierta mínima)
tales que :
a. La restricción se viola si todas las variables en el
grupo son iguales a 1 y todas las demás variables
son iguales a cero.
b. Pero la restricción se satisface si el valor de
cualquiera de las variables cambia de 1 a 0.
3. Si N denota el número de variables en el grupo, el
plano cortante obtenido tiene la forma
SUMA DE VARIABLES ≤ N-1
PEB
 Aplique el procedimiento anterior a la siguiente
restricción
6x1  3x2  5x3  2x4  10

Programación Entera para Optimización de Producción

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Programación Entera para Optimización de Producción

Diunggah oleh

Hak Cipta:

Format Tersedia

Optimización

Capítulo I: Programación Lineal Entera

 P.E pura: Todas las variables de decisión tienen

 P.E mixta (PEM) : Algunas de las variables de

 P.E. Binaria (PEB) : Utiliza variables binarias

Las xj son variables de decisión restringidas a tomar valores 0 ó 1.

 …la decisión dependerá del emplazamiento de la nueva fábrica.

*M es un número muy grande

Una empresa manufactura 2 tipos de productos A y B. Cada uno de estos

Tipo de Mano de obra Tela (yd2) Precio de Costo

 El proyecto C sólo realizará si se realiza A y B.

 La suma de las variables x e y pueden tomar los valores

 Si se desea vender el producto M, se requiere comprar

• Se estudiará en este capítulo los problemas de

¿Cuál línea debe ser inspeccionada por que área

• A pensar… ¿Qué hacer si

• Varias mochilas de igual capacidad.

en donde 1 si la ubicación del carro i ayuda a la ciudad j

• Primeras referencias datan del 1832, para vendedores viajeros.

+ condiciones de prohibición de subrutas

VRPLC Vehicle Routing Problem with Length Constraint

VRPTW Vehicle Routing Problem with Time Windows

VRPSTW Vehicle Routing Problem with Soft Time Windows

VRPTD Vehicle Routing Problem with Time Deadlines

 Fijar Variables, identificar las variables que pueden fijarse

 Eliminar restricciones redundantes, identificar y eliminar

 Estrechar restricciones, estrechar algunas restricciones de

4x1  3x2  x3  2x4  5

6x1  3x2  5x3  2x4  10

Anda mungkin juga menyukai