You are on page 1of 20

IN77O: Modelos y Algoritmos de Optimización

Profesores : Cristián Cortés, Daniel Espinoza


Auxiliares : José Mu~
noz, Rodrigo López, Diego Morán

Guı́a N◦ 2
Formulaciones
P1 Formule el siguiente problema como un M IP :

mı́n 3x1 − 5x2


s.a.
10x1 + 17x2 ≤ 500 o x1 − x2 ≥ 8
x1 , x2 ≥ 0
x1 , x2 ≤ 30

P2 Formule el siguiente problema como un M IP :

n
X
mı́n C(xj )
j=1
s.a.
Ax ≤ b
x ≥ 0

donde
(
0 xj = 0
C(xj ) =
kj + cj xj en otro caso

con cj , kj > 0.
P3 Considere el conjunto S = {(0000), (1000), (0100), (0010), (0001), (0110), (0101), (0011)}. Pruebe que:

x ∈ {0, 1}4 : 93x1 + 49x2 + 37x3 + 29x4 ≤ 111



S = (1)
x ∈ {0, 1}4 : 2x1 + x2 + x3 + x4 ≤ 2

S = (2)
 

 2x1 +x2 +x3 +x4 ≤ 2  
x +x2 ≤1
 
S = x ∈ {0, 1}4 : 1 (3)

 x1 +x3 ≤1 
x1 +x4 ≤ 1
 

Muestre que la formulación asociada con (1) contiene estrictamente a la asociada a (2) y que la
formulación dada por (2) contiene estrictamente a la dada por (3).

1
P4 Considere el conjunto X = {(0000), (1000), (0100), (0010), (0001), (0101), (0011)}. Se tienen 3 formula-
ciones asociadas:

x ∈ [0, 1]4 : 83x1 + 61x2 + 49x3 + 20x4 ≤ 100



P1 =
x ∈ [0, 1]4 : 4x1 + 3x2 + 2x3 + x4 ≤ 4

P2 =
 
 4x1 +3x2 +2x3 +x4 ≤ 4 
P3 = x ∈ [0, 1]4 : x1 +x2 +x3 ≤1
x1 +x4 ≤ 1
 

Demuestre que P3 ⊂ P2 ⊂ P1 y que P3 = conv(X) (ie, P3 es el conjunto convexo más pequeño que
contiene a X).
P5 Considere S al conjunto de puntos en Z2 satisfaciendo las siguientes restricciones:

3
x1 + x2 ≥
2
11
x1 + x2 ≤
2
2
x1 + 4x2 ≥ 2
5
16
− x1 + x2 ≥ −4
9
3
−x1 + x2 ≤
2
a) El LP asociado a estas restricciones y a la función objetivo (lineal) ct x, ¿tiene solución entera
para cualquier elección de c? Argumente.
b) Si la respuesta a la pregunta anterior es negativa, encuentre una descripción de S, también de la
forma Ax ≤ b, cuya relajación lineal tenga solución entera para cualquier elección de la función
objetivo (lineal).

P6 Sean I = {1, . . . , n}, J = {1, . . . , m} y

S = {(xij )(i,j)∈I×J : ∀ i ∈ I, ∃! j ∈ J, xij = 1; ∀ i 6= k ∈ I, [xij = xkj 0 = 1] ⇒ j 6= j 0 ; ∀ i ∈ I, j ∈ J, xij ∈ {0, 1}}

Pruebe que las siguientes son formulaciones de S. ¿Cuál de las formulaciones es mejor? Argumente.

a) b)
X
X mı́n cij xij
mı́n cij xij i∈I,j∈J
i∈I,j∈J s.a.
X
s.a. ∀i∈I xij = 1
X
∀i∈I xij = 1 j∈J
X
j∈J ∀j∈J xij ≤ 1
∀ i 6= k ∈ I, j ∈ J xij + xkj ≤ 1 i∈I
∀i ∈ I, j ∈ J xij ∈ {0, 1} ∀i ∈ I, j ∈ J xij ∈ {0, 1}

2
P7 Sean I = {1, . . . , n}, J = {1, . . . , m}, p ∈ N y ∀ j ∈ J, S(j) ⊆ I y

S = {(xi , yj )(i,j)∈I×J : yj = 1 ⇒ [∀ i ∈ S(j), xi = 1]; |{yj : yj = 1}| ≥ p}

Si Ud., como buen ingeniero que es, está modelando el problema anterior. ¿Cuál de las formulaciones
propondrı́a? ¿Porqué?

a) b)
X X
máx ci xi + fj yj
X X
máx ci xi + fj yj i∈I j∈J

i∈I j∈J
s.a.
X
s.a. yj ≥ p
X
yj ≥ p j∈J
X
j∈J ∀j∈I |S(j)| · yj ≤ xi
∀ j ∈ J, i ∈ S(j) yj ≤ xi i∈S(j)

∀i ∈ I, j ∈ J xi , yj ∈ {0, 1} ∀i ∈ I, j ∈ J xi , yj ∈ {0, 1}


P8 Considere el conjunto X = (x1 , x2 ) ∈ Z2 : (x1 − 3)2 + (x2 − 2)2 ≤ 2 ó (x1 − 9/2)2 + (x2 − 7/2)2 ≤ 1/2 .
Se tienen 2 formulaciones asociadas:

 

 −1/2x1 +x2 ≤2 

3/2x1 −x2 ≤5
 
P1 = x ∈ R4 :

 4/3 ≤ x1 ≤ 5 

3/4 ≤ x2 ≤ 4
 
y
 

 4/3x1 −x2 ≤ 13/3 

−1/2x1 +x2 ≤2

 

 
P2 = x ∈ R4 : 4x1 +x2 ≥9
x1 ≤5

 


 

x2 ≥1
 

Se quiere resolver el siguiente problema de optimización: {máx ct x : x ∈ X}.

a) ¿Cuál de las formulaciones elegirı́a, si c = (5, 4)?¿Porqué?


b) ¿Cambia su respuesta si se toma c = −(5, 4)? Argumente.
c) Describa una formulación P3 , de X, que sea estrictamente mejor que las 2 anteriores. Dibújela.

P9 Sea n ≥ 3 un número entero. Sea X ⊆ Rn el conjunto formado por los vectores de dimensión n que
tienen hasta dos coordenadas iguales a 1 y las restantes, iguales a 0.
Sean P1 y P2 los poliedros
 
 n
X 
P1 = x ∈ Rn : xj ≤ 2 , 0 ≤ xj ≤ 1 para j = 1, . . . , n
 
j=1

n o
P2 = x ∈ Rn : xj + xk + xl ≤ 2 para 1 ≤ j < k < l ≤ n , 0 ≤ xj ≤ 1 para j = 1, . . . , n

a) Muestre que P1 y P2 son formulaciones para el conjunto X.


b) Muestre que P1 ( P2 . Es decir, P1 es mejor formulación para X que P2

3
c) (?) Muestre que P1 = conv X.
P10 Considere el conjunto X ⊆ {0, 1}n formado por los vectores binarios tales que no todas las coordenadas
son iguales.
Dados dos números α, β tales que 0 < α ≤ 1 y n − 1 ≤ β < n, definamos el poliedro
n n
X o
Pα,β = x ∈ Rn+ : α ≤ xi ≤ β; xi ≤ 1, para i = 1, . . . , n .
i=1

a) Muestre que Pα,β es una formulación para X.


b) Dadas dos formulaciones Pα,β y Pα0 ,β 0 ¿cuándo podemos afirmar que Pα,β es mejor que Pα0 ,β 0 ?
P11 Sean h, p ∈ N con h, p > 0 y T = {1, . . . , T }. Para cada t ∈ T se define la variable binaria xt+h
t , que
vale 1 si se elige el intervalo [t, t + h], 0 si no.
Considere

S = {x ∈ {0, 1}T : x representa la elección de, a lo más, p intervalos disjuntos}

Se tienen 3 posibles formulaciones para el conjunto S, que se describen a continuación:

 X 

 xt+h
t ≤p 

 
t∈T
P1 = x ∈ [0, 1]T : X

 ∀t ∈ T , xs+h
s ≤1 

 
s : [s,s+h]∩[t,t+h]6=φ
 X 
 xt+h
t ≤p 
P2 = x ∈ [0, 1]T : t∈T
∀t, s ∈ T , [s, s + h] ∩ [t, t + h] 6= φ, xt+h + xs+h ≤1
 
t s
 X 

 xt+h
t ≤p 

 
t∈T
P3 = x ∈ [0, 1]T : X

 ∀t ∈ T , xs+h
s ≤1  
 
s : t∈[s,s+h]

a) ¿Cuáles de los poliedros anteriores son, efectivamente, formulaciones? Sea riguroso.


b) Ordene las formulaciones de la mejor a la peor, según el criterio visto en clase. Pruebe además
que las inclusiones son estrictas.
M
P12 Dados m, M, T ∈ N \ {0}, con 0 < 2 < m < M , se definen los conjuntos A = A(m, M, T ), S =
S(m, M, T ) como

 
t+m≤s≤t+M
A = (t, s) ∈ N × N :
1 ≤ t, s ≤ T
 
 ∀ (t, s), Wts ∈ {0, 1} 
S = W = {Wts }t,s∈T : ∀ (t, s) ∈/ A, Wts = 0
6 (t0 , s0 ),
∀ (t, s) = Wts = Wt0 s0 = 1 ⇒ [t, s] ∩ [t0 , s0 ] = φ
 

Se tienen 3 posibles formulaciones para el conjunto S, que se describen a continuación:

4
∀ (t, s) ∈
 
 / A, XWts = 0 
 
∀(t, s), W t0 s 0 ≤ 1

 

 
P1 = W ∈ [0, 1]T ×T : (t0 ,s0 )∈A : t≤t0 ,s0 ≤s
X
 



 ∀(t, s), Wt0 s0 ≤ 1 



(t0 ,s0 )∈A : t≤t0 ≤s; s0 ≥s
 X 
 Wts = 0 
P2 = W ∈ [0, 1]T ×T : (t,s)∈A
/
∀(t, s) 6= (t0 , s0 ), [t, s] ∩ [t0 , s0 ] 6= φ, Wts + Wt0 s0 ≤ 1
 
 
 ∀ (t, s) ∈ / A, XWts =0 
T ×T
P3 = W ∈ [0, 1] : ∀t ∈ {1, . . . , T }, Wt0 s0 ≤ 1
 
(t0 ,s0 )∈A : t∈[t0 ,s0 ]

a) Compare P1 , P2 , P3 en términos de número de restricciones.


b) Verifique que P1 , P2 , P3 son formulaciones de S.
c) Ordene las formulaciones de la mejor a la peor, según el criterio visto en clase. ¿Bajo qué supuestos
las inclusiones son estrictas?.

P13 Pruebe que la formulación (DF J) para el T SP , dada por:

X
mı́n cij xij
i,j∈V, i6=j
s.a.
X
∀i ∈ V, xij = 1
j∈V, i6=j
X
∀i ∈ V, xji = 1
j∈V, i6=j
X
∀S ( V, |S| ≥ 2, xij ≤ |S| − 1
i,j∈S
∀i, j ∈ V xij ∈ {0, 1}

es estrictamente mejor que la formulación (M T Z), descrita por:

X
mı́n cij xij
i,j∈V, i6=j
s.a.
X
∀i ∈ V, xij = 1
j∈V, i6=j
X
∀i ∈ V, xji = 1
j∈V, i6=j
∀i, j > 1, i 6= j, ui − uj + (n − 1)xij ≤ n − 2
∀i > 1, 1 ≤ ui ≤ n − 1
∀i, j ∈ V xij ∈ {0, 1}

5
P14 (A production lot sizing model) Se quiere minimizar la suma de los costos de producción, inven-
tario y set-up, conocidas las demandas que deben ser satisfechas en cada uno de los T periodos. Sea
dt la demanda en el perı́odo t y ct , pt y ht los costos de set-up, costos unitarios de producción y de
inventario, respectivamente, en el el perı́odo t.
Una formulación posible para el problema está dada definiendo yt , st como la producción e inventario
final en el perı́odo t y definiendo una variable xt para indicar cuando yt es positivo, o no. El modelo
queda:

T
X
mı́n (pt yt + ht st + ct xt )
t=1
s.a.
y1 = d1 + s1
∀t = 2, . . . , T, yt = dt + st − st−1
T
!
X
∀t = 1, . . . , T, yt ≤ dt xt
t=1
ST = 0
∀t = 1, . . . , T y, s ∈ RT+ , x ∈ {0, 1}T

Otra posibilidad es considerar qit como la cantidad producida en el perı́odo i para satisfacer la demanda
del perı́odo t ≥ i y la variable xt como antes. Esta nueva formulación queda:

T X
X t T
X
mı́n (pi + hi + hi+1 + · · · + ht−1 ) qit + ct xt
t=1 i=1 t=1
s.a.
T
X
∀t = 1, . . . , T, qit = dt
i=1
∀i = 1, . . . , T t ≥ i, qit ≤ dt xt
ST = 0
T (T +1)/2
∀t = 1, . . . , T q ∈ R+ , x ∈ {0, 1}T

¿Cuál de las dos formulaciones le parece mejor? Argumente.

Teorı́a Poliedral
P15 Demuestre que las siguientes proposiciones son equivalentes:
a) x1 , . . . , xk ∈ Rn es un conjunto afı́n independiente en Rn .
b) 0, x2 − x1 , . . . , xk − x1 ∈ Rn es un conjunto afı́n independiente en Rn .
c) x2 − x1 , . . . , xk − x1 ∈ Rn es un conjunto linealmente independiente en Rn .
d ) (x1 , −1), . . . , (xk , −1) ∈ Rn+1 es un conjunto linealmente independiente en Rn+1 .

P16 Sea S = {s1 , . . . , sn } subconjunto de Rn y considere y ∈ Rn \ conv(S). Use el Lema de Farkas para
demostrar que existe una desigualdad πx ≤ πo que separa y de conv(S), es decir, que:

πy > πo
πx ≤ πo , ∀ x ∈ conv(S)

6
P17 Para los poliedros P y Q definido por las desigualdades:

P :
Q:
2x1 + 3x2 ≤ 15
2x1 + 3x2 ≤ 15
x1 + x2 ≤ 4
x1 + x2 ≤ 4
x1 + x2 ≥ 0
x1 ≤ 3
x1 ≥ 0
x2 ≥ 2
x2 ≥ 0
x ∈ R2
x1 ≤ 3
x2 ≥ 2
x ∈ R2

a) Bosqueje un dibujo.
b) Encuentre la cara del poliedro inducida por cada una de las desigualdades.
c) Determine las dimensiones del poliedro y de cada una de sus caras.
d ) ¿Cuáles restricciones son redundantes? Encuentre una representación minimal.
e) ¿Es un polı́topo?
f ) Determine el Espacio Lineal y el Cono caracterı́stico asociado.

Debe argumentar sus resultados, no sólo usar su intuición geométrica!!


P18 Sea P = {x ∈ Rn : Ax ≤ b} =
6 φ

a) Pruebe que

x ∈ P es un punto extremo de P ⇔ x es una cara de dimensión 0 de P


b) Use la parte anterior para encontrar todos los puntos extremos del poliedro definido por:

x1 + x2 ≥ 1
x1 + 2x3 ≥ 2
−x2 + x3 ≥ −4
3
x∈R

P19 Sea P = {x ∈ Rn : Ax ≤ b} =
6 φ y P0 = {r ∈ Rn : Ar ≤ 0}

a) Pruebe que

r ∈ P0 \{0} es una dirección extrema (rayo extremo) de P ⇔ {λr : λ ∈ R+ } es una cara de dimensión 1 de P0

b) Use la parte anterior para encontrar todas las direcciones extremas del poliedro definido por:

x1 + x2 ≥ 1
x1 + 2x3 ≥ 2
−x2 + x3 ≥ −4
x ∈ R3

7
P20 Sea P el poliedro descrito por las siguientes desigualdades:

x1 + x2 + x3 ≤ 1
−x1 − x2 − x3 ≤ −1
x1 + x3 ≤ 1
−x1 ≤ 0
−x2 ≤ 0
x3 ≤ 2
x1 + x2 + 2x3 ≤ 2
3
x∈R

a) Pruebe que f1 : −x1 − x2 + x3 ≤ 1 y f2 : 2x1 − 7x2 + 2x3 ≤ 2 son desigualdades válidas


para el poliedro P y determine las dimensiones de las caras F1 , F2 representadas por, f1 , f2 ,
respectivamente.
b) Muestre que F3 = {x ∈ P : x1 + x3 = 1} es una faceta de P .
c) Encuentre una descripción “minimal” de P , es decir, que ninguna de las restricciones definiendo
P sea redundante.

P21 Considere el poliedro P descrito por:

x1 − x2 ≤ 0
−x1 + x2 ≤ 1
2x2 ≥ 5
8x1 − x2 ≤ 16
x1 + x2 ≥ 4
2
x∈R

a) Encuentre la dimensión de P .
b) Muestre un punto interior de P (si existe).
c) Describa todas las caras de P .
d ) Considere cada una de las caras:

F i = P ∩ {x ∈ R2 : ai x = bi }, i = 1, 2, 3, 4, 5
¿Cuál es la dimensión de cada cara?¿Cuáles desigualdades definen facetas de P?.
e) Dé una representación “minimal” de P .
f ) Dibuje P .

P22 Sea P ⊂ R3 el poliedro definido por


x1 + x2 − 2x3 ≤ 1 (1)
x1 + x2 − 2x3 ≥ −2 (2)
x1 − 2x2 + x3 ≤ 1 (3)
x1 − 2x2 + x3 ≥ −2 (4)
−2x1 + x2 + x3 ≤ 1 (5)
−2x1 + x2 + x3 ≥ −2 (6)

8
a) Determine la dimensión de P .
b) Determine la cara definida por el subsistema (1).
c) Determine la cara definida por el subsistema (2).
d) Determine la cara definida por el subsistema (3)-(5).
e) Usando las partes anteriores, y argumentando por simetrı́a, indique qué restricciones definen
facetas de P .
f ) Dé una representación minimal de P .
g) Determine el cono caracterı́stico (el char.cone) y el espacio lineal (lin.space) de P .
P23 Sea G = (V, E) un grafo, y n = |V |. Considere el siguiente conjunto:

S = {x ∈ B n : xi + xj ≤ 1, ∀ (i, j) ∈ E}

Pruebe que dim(conv(S)) = n.

P24 Considere
n
X
P = {x ∈ R+ : aj xj ≤ b, xj ≤ 1, ∀ j ∈ N }
j=1

donde N = {1 . . . , n} y a1 ≥ a2 ≥ · · · ≥ an .
Y sea S = P ∩ Zn .

a) Calcule la dimensión de P .
b) Encuentre la dimensión de conv(S).
c) Pruebe que ∀ i ∈ N , la desigualdad xi ≥ 0 es una faceta de conv(S).
d ) Pruebe que para i ∈ N si ∀ k ∈ N \ {i}, {i, k} no es un cover, entonces xi ≤ 1 es una faceta de
conv(S).

P25 Sea P el polı́topo asociado al problema de asignación, ie:


 
 n n 
2 X X
P = x ∈ Rn+ : xij = 1, i = 1, . . . , n; xij = 1, j = 1, . . . , n
 
j=1 i=1

a) Determine la dimensión de P y sus facetas.


Indicación: puede hacerlo calculando rango(A= ). Para facilitarle más el asunto, basta que calcule
el rango para un caso fácil, por ejemplo, n = 2 o n = 31 .
b) ¿Qué pasa si reemplazamos las restricciones de igualdad por:
n
X n
X
xij ≤ 1, i = 1, . . . , n y xij ≥ 1, j = 1, . . . , n ?
j=1 i=1

Indicación: Pruebe que las igualdades implı́citas no cambian con respecto al caso anterior.

1 En el caso general el razonamiento es el mismo, pero es más engorroso. No hay para que estresarse a fin de semestre.

9
P26 Una rueda Wn = (V, E) es un grafo definido por:
V = {vo , v1 , · · · , vn }
E = {(vo , vi ) : i = 1, · · · , n} ∪ {(vi , vi+1 ) : i = 1, · · · , n − 1} ∪ {(vn , v1 )}
Asociado al grafo anterior se define el siguiente poliedro:
 
 X 
Pn = x ∈ R|E| : xe = 2 ∀ v ∈ V, 0 ≤ xe ≤ 1 ∀e∈E
 
e : e∈δ(v)

Donde δ(v) = {e ∈ E : ∃w ∈ V, e = (v, w) o e = (w, v)}, es decir, en δ(v) están todos los arcos que
tienen a v como uno de sus vértices.
a) Dibuje el grafo W5 y escriba explı́citamente las restricciones que definen al poliedro P5 .
b) Demuestre que dim(P5 ) = 4. Indicación: recuerde que si Q = {x ∈ Rm : Ax ≤ b}, entonces
dim(Q) = m − rango(A= ).
c) Muestre que las desigualdades xe ≥ 0 son redundantes.
d ) Pruebe que las desigualdades xe ≤ 1 son redundantes para e = (vo , vi ), i = 1, · · · , 5. Indi-
cación: considere el sub-grafo definido por los nodos vi , vi−1 , vi+1 , vo , y para valores arbitrarios
de (vi−1 , vi ), (vi , vi−1 ), (vi , vo ), dé cotas inferiores para valores de los arcos (vi−1 , vo ) y (vi+1 , vo ),
de donde podrá acotar el valor de (vo , vi ).
e) Dé una representación minimal de P5 .

P27 Sea F la cara de las soluciones óptimas del problema lineal máx{cx : x ∈ P }, donde P = {x ∈ Rn :
Ax ≤ b}. Sea MF= el conjunto de igualdades de F y sea u∗ alguna solución óptima del problema dual.
Muestre que u∗i = 0 si i ∈
/ MF= .
P28 Considere  
 X 
X: x ∈ {0, 1}n : xi ai ≤ b, xi ≤ xj ∀i ≺ j
 
i=1,...,n

donde la relación i ≺ j define un orden parcial en N = {1, . . . , n} (i.e. el grafo dirigido inducido no
S note además que i ≺ i, ∀i ∈ N . Definimos T ({i}) = {j ∈ N : i ≺ j}, y por extensión
tiene ciclos),
T (U ) = T ({i}).
i∈U
Sea P la formulación asociada a la relajación lineal de X, es decir,
 
 X 
P : x ∈ [0, 1]n : xi ai ≤ b, xi ≤ xj ∀i ≺ j
 
i=1,...,n

X
Para S ⊆ N , definimos a(S) por a(S) = ai .
i∈S
P
a) Demuestre que si C ⊆ N es tal que a(T (C)) > b entonces la restricción xi ≤ |C| − 1 es válida
i∈C
para P (esto se llama induced covers).
b) ¿Cómo definirı́a minimalidad en este contexto?
c) Suponga que n = 6, ai = 3 para i = 1, . . . , 3 y ai = 1 para i = 4, . . . , 6, además suponga que ≺
esta definida por 4 ≺ 1, 5 ≺ 2, 6 ≺ 3, que b = 9, y suponga que C := {4, 5, 6}. Verifique que C es
un induced cover y muestre que la dimensión de la cara que éste genera es igual a 5.
d ) ¿Cómo cambia su respuesta si ahora consideramos que ≺ está definida por 4 ≺ 1, 5 ≺ 2, 6 ≺ 3, 4 ≺
2?

10
P29 Una rueda Wn = (V, E) es un grafo definido por
V = {v0 , v1 , · · · , vn }
E = {(v0 , vi ) : i = 1, · · · , n} ∪ {(vi , vi+1 ) : i = 1, · · · , n − 1} ∪ {(vn , v1 )}.
Sea  
 X 
P = x ∈ R|E| : xe = 2 ∀ v ∈ V, 0 ≤ xe ≤ 1 ∀e∈E
 
e:v∈δ(e)

a) Determine la dimensión de P .
b) Muestre que las desigualdades xe ≥ 0 son redundantes.
c) Muestre que las desigualdades xe ≤ 1 son redundantes para e = (v0 , vi ), i = 1, · · · , n.
d ) Dé una representación minimal de P mediante un sistema de igualdades y desigualdades lineales.
e) Dé un representación de P mediante sus puntos extremos.

P30 Sea B = {x ∈ Rn : xi ∈ {0, 1}}. Considere un conjunto S ⊆ B n .


Denotemos, dado δ ∈ {0, 1}

S δ = S ∩ {x ∈ B n : x1 = δ}

Sea

n
X
πj xj ≤ π0 (∗)
j=2

Suponga que (∗) es válida para S 0 .

a) Pruebe que si S 1 = φ entonces x1 ≤ 0 es válida para S.


b) Demuestre que si S 1 6= φ, entonces la siguiente es una desigualdad válida para S:
n
X
αx1 + πj xj ≤ π0 (∗∗)
j=2
Pn
con α ≤ π0 − ζ y ζ = max{ j=2 πj xj : x ∈ S 1 }.
c) Demuestre que si α = π0 − ζ y (∗) define una cara de dimensión k de conv(S 0 ), entonces (∗∗)
define una cara de dimensión al menos k + 1 de conv(S).

Ahora suponga que (∗) es válida para S 1 .

d ) Muestre que si S 0 = φ entonces x1 ≥ 1 es válida para S.


e) Demuestre que si S 0 6= φ, entonces la siguiente es una desigualdad válida para S:
n
X
γx1 + πj xj ≤ π0 + γ (∗ ∗ ∗)
j=2
Pn
con γ ≥ ζ − π0 y ζ = max{ j=2 πj xj : x ∈ S 0 }.
f ) Pruebe que si γ = ζ − π0 y (∗) define una cara de dimensión k de conv(S 1 ), entonces (∗ ∗ ∗) define
una cara de dimensión al menos k + 1 de conv(S).

11
Matrices Totalmente Unimodulares
P31 Sea A una matriz con coeficientes en {−1, 0, 1}, cuyas columnas tienen a lo más un 1 y a lo más un
−1. Pruebe que A es Totalmente Unimodular (TU).
P32 Pruebe que el poliedro P = {(x1 , . . . , xm , y) ∈ Rm+1
+ : y ≤ 1, xi ≤ y, ∀i = 1, . . . m} tiene vértices
enteros.

P33 Considere un Scheduling Model en el cual una máquina puede ser encendida a lo más k veces:
X
zt ≤ k, zt − yt + yt−1 ≥ 0, zt ≤ yt y 0 ≤ zt , yt ≤ 1, ∀ t. Donde yt = 1 si la máquina está funcionando
t
en el perı́odo t y zt = 1 si la máquina es encendida en el perı́odo t. Muestre que la matriz asociada a
esta formulación es T U .
P34 Recordemos el problema de Flujo a Costo Mı́nimo (FCM):
X
mı́n aij xij
(i,j)∈A
s.a. X X
∀i ∈ N , xij − xji = si
{j:(i,j)∈A} {j:(j,i)∈A}
∀(i, j) ∈ A, bij ≤ xij ≤ cij

Pruebe que la matriz que define al problema de FCM es Totalmente Unimodular.

P35 Demuestre, usando la regla de Cramer, que un poliedro definido a partir de una matriz T U tiene sus
puntos extremos en Zn .
P36 Pruebe que A es una matriz T U sı́ y sólo sı́ la matriz [A I] es T U (I denota a la matriz identidad).
P37 ¿Que tipo de restricciones se le pueden agregar a un poliedro definido a partir de una matriz T U ,
para que la matriz que incluye las nuevas restricciones siga siendo T U ? Enumere al menos 3 clases de
este tipo de restricciones.
P38 Demuestre que una matriz A con coeficientes en {0, 1} que tiene la propiedad de los unos consecutivos,
es decir, en cada columna, si aparecen unos, aparecen consecutivos (no hay coeficientes 0 de por medio),
entonces A es T U .

Branch&Bound
P39 Resuelva la siguiente instancia del 0-1 Knapsack Problem usando el método de Branch & Bound:

máx 17x1 + 5x2 + 10x3 + x4


2x1 + x2 + 4x3 + 3x4 ≤ 5
x ∈ {0, 1}4

Una vez que haya encontrado el óptimo dibuje el árbol de Branch & Bound asociado, identificando
claramente los nodos (o subproblemas) y, para cada uno de ellos, indique las cotas asociadas (inferior
y/o superior) y las razones de porqué fue podado (si lo fue). ¿Cuál es el máximo número de nodos que
podrı́a haber tenido el árbol que dibujó? ¿Y si fueran n variables en vez de 4?

12
P40 Considere el siguiente árbol de un algoritmo tipo Branch-and-Bound para un problema de mini-
mización:

a) Obtenga los mejores valores posibles para cotas superiores e inferiores del valor óptimo del prob-
lema.
b) ¿Cuáles nodos pueden ser podados y cuáles deben ser explorados?

P41 Suponga que está resolviendo con el método de Branch & Bound el problema lineal entero:

mı́n x4
s.a.
2x1 + 2x2 + 2x3 + x4 = 3
x1 , x2 , x3 , x4 ∈ {0, 1}

a) Cuente el número de nodos del árbol generado al utilizar el algoritmo de Branch & Bound.

Ahora, sea n ∈ N un número impar y considere

mı́n xn+1
s.a.
n
X
2 xi + xn+1 = n
i=i
∀i = 1, . . . , n, xi ∈ {0, 1}

b) ¿Qué se puede decir del número de nodos del árbol de Branch & Bound en este caso?
c) ¿Qué ocurre si agrega las restricciones xi ≥ xi+1 , ∀ i = 1, . . . , n − 1?¿Cambia la solución óptima
entera?¿Cuántos nodos posee el árbol?

P42 Pruebe que en un problema de programación entera mixta, con sólo una variable entera, el árbol de
Branch & Bound asociado no posee más de 3 nodos. Suponga que usa la relajación lineal (LP ) en cada
nodo y Dicotomı́a de variables en la división de cada subproblema.
Suponga que el problema es de la forma:

{máx cx : Ax ≤ b, x ≥ 0, x ∈ Rn , x1 ∈ Z }

13
Llamaremos nodo 0 al nodo de la relajación lineal del problema original, nodo 1 al subproblema que
resulta de agregar la restricción x1 ≤ bx1 c y nodo 2 al subproblema que resulta de agregar la restricción
x1 ≥ dx1 e.
Si la solución del nodo 0 es entera (ie x1 ∈ Z) estamos listos, pues el árbol tendrá un sólo un nodo.
Por lo tanto, en este problema se analizará el caso en que la solución del nodo 0 es fraccionaria.

a) Suponga que en el nodo 0 el óptimo es único. Usando este hecho, dualidad y holgura complemen-
taria pruebe que las restricciones que definen a los nodos 1,2, para la solución de la relajación
lineal de estos subproblemas, necesariamente son activas.
b) Para el caso general demostraremos que siempre los nodos 1,2 poseen solución optima entera,
separaremos en 2 casos:
Caso trivial: que las soluciones relajadas, obtenidas por el método de resolución que Ud.
esté usando, de los nodos 1,2 sean ambas enteras. Aquı́ no hay nada que hacer.
Caso no tan trivial: que la solución obtenida en el nodo i no sea entera. En este caso
llamemos x0 a la solución fraccionaria del nodo 0 y xi a la solución fraccionaria del nodo i.
Pruebe que existe α ∈ (0, 1) tal que xα = αx0 + (1 − α)xi es solución óptima entera del nodo
i.
c) Con lo anterior se prueba que siempre en los nodos 1,2 hay solución optima entera, por lo que no
es necesario seguir brancheando. ¿Por qué? Justifique brevemente.

P43 Considere el siguiente árbol de un algoritmo tipo Branch & Bound para un problema de maximización:

a) Obtenga las mejores valores posibles para las cotas inferiores y superiores del valor óptimo del
problema.
b) ¿Cúales nodos deben ser explorados y cúales deben ser podados?

14
P44 Considere el siguiente árbol de un algoritmo tipo Branch & Bound para un problema de maximización:

donde la notación vlu indica que para el subproblema asociado al nodo v se conoce una cota superior
de u y una cota inferior de l. Si l = u = φ se sabe que el subproblema del nodo v es infactible.

a) Obtenga las mejores valores posibles para las cotas inferiores y superiores del valor óptimo del
problema.
b) ¿Cúales nodos deben ser explorados y cúales deben ser podados?

Desigualdades válidas
P45 Considere el siguiente problema de programación entera.
mı́n −x1 − x2
s.a.
2x1 + x2 ≤ 6
3x1 + 5x2 ≤ 15
x1 , x2 ∈ Z+

Considere que se agregaron variables de holgura x3 , x4 a la primera y segunda desigualdades, respec-


tivamente y se resolvió la relajación lineal. La solución básica óptima obtenida está asociada a la base
en donde las variables básicas son x1 y x2 . En relación a esta base, la forma canónica que toma el
problema lineal es la siguiente

mı́n −27/7 + 2/7 x3 + 1/7 x4


s.a.
x1 + 5/7 x3 − 1/7 x4 = 15/7
+ x2 − 3/7 x3 + 2/7 x4 = 12/7
x1 , x2 , x3 , x4 ≥ 0

Encuentre un corte de Gomory que sea violado por la solución fraccionaria que se tiene. Represente
gráficamente el conjunto factible del problema considerado (en el espacio de las variables x1 y x2 ) y
marque el corte obtenido.

15
P46 Considere el conjunto X = {x ∈ {0, 1}5 : 6x1 + 6x2 + 5x3 + 5x4 + 4x5 ≤ 18}.
a) Plantee tres desigualdades de cubrimiento definidas por cubrimientos minimales de X.
b) Muestre que la desigualdad x1 + x2 + x3 + x4 + x5 ≤ 3 es válida para X.
c) Muestre que la desigualdad x1 + x2 + x3 + x4 + x5 ≤ 3 define una faceta de conv(X).
Indicación: Busque los puntos afı́nmente independientes de la cara en X ⊆ conv(X). O pruebe
que, para la cara definida por la restriccón, A= = [1 1 1 1 1].

P47 Considere el problema 




 mı́n x1 + 2x2


x1 + x2 ≥ 4




 1/2x1 + 5/2x2 ≥ 5/2


x ∈ Z2+

Muestre que x∗ = (15/4, 1/4) es la solución óptima de la relajación lineal y encuentre una desigualdad
válida para el problema que sea violada por x∗ .
P48 Considere el siguiente problema de programación entera.
máx x1 + x2
s.a.
2x1 + x2 ≤ 3
5x1 + 4x2 ≤ 10
x1 , x2 ∈ Z+

a) Plantee el problema que resulta de agregar variables de holgura en las desigualdades.


b) Realice dos iteraciones del algoritmo de Gomory. Es decir, resuelva la relajación lineal del prob-
lema del punto anterior, encontrando una solución básica. Si esta solución no es entera, obtenga
un corte de Gomory violado por esa solución. Agregue esta restricción y repita el procedimiento.
P49 Considere el siguiente problema de programación entera.
máx 2x1 + x2
s.a.
x1 + x2 ≤ 3
x1 + 3x2 ≤ 6
x1 , x2 ∈ Z+

Muestre que x∗ = (3/2, 3/2) es la solución óptima de la relajación lineal. A partir de esta solución
encuentre un corte de Gomory para el problema entero.
P50 Considere el conjunto X = {x ∈ {0, 1}6 : 9x1 + 9x2 + 7x3 + 76x4 + 6x5 + 3x6 ≤ 19}.
a) Enumere al menos cinco cubrimientos minimales asociados al conjunto X.
b) Plantee la desigualdad de cubrimiento extendido definida a partir de uno de los cubrimientos
minimales enumerados en el punto anterior.
c) ¿Cuál es el máximo valor que puede tomar α para que la desigualdad

αx1 + x3 + x4 + x5 ≤ 3

sea válida para X?

16
P51 Considere el conjunto X = {x ∈ {0, 1}6 : 8x1 + 7x2 + 5x3 + 5x4 + 4x5 + 4x6 ≤ 18}.
a) Enumere al menos cinco cubrimientos minimales asociados al conjunto X.
b) Plantee la desigualdad de cubrimiento extendido definida a partir de uno de los cubrimientos
minimales enumerados en el punto anterior.
c) ¿Cuál es el máximo valor que puede tomar α para que la desigualdad

αx2 + x3 + x4 + x5 + x6 ≤ 4

sea válida para X?

P52 Sea G = (V, E) un grafo dado. El problema de encontrar un conjunto independiente de cardinali-
dad máxima en G, también conocido como empaquetamiento de vértices (vertex packing), puede ser
modelado con la siguiente formulación de programación entera:
 n
X
máx xi





i=1
(4)

 s.a. xi + xj ≤ 1 para cada arista ij ∈ E


xi ∈ {0, 1} para cada vértice i ∈ V.

Sea C ⊆ V un ciclo impar en G (i.e. |C| ≥ 3 es impar y si C = {v1 , . . . , vk }, entonces vi vi+1 ∈ E para
i = 1, . . . , k − 1 y vk v1 ∈ E). La desigualdad de ciclo impar (odd cycle inequality) definida por C es
X |C| − 1
xi ≤ .
2
i∈C

Probar que las desigualdades de ciclo impar son desigualdades válidas para el conjunto factible en (4).
P53 El objetivo de este problema es considerar lifting de desigualdades que no necesariamente son cubrim-
ientos para el problema de la mochila.
Considere el problema
máx 2x1 − 3x2 + x3
s.a.
x1 − x2 ≤ 5
2x1 + 3x3 ≤ 11
3x2 + 2x3 ≥ 4
x1 , x2 ∈ Z+
No es dificil deducir que x1 ≤ 5 es una desigualdad válida para el problema. Lo que nos interesa es
considerar una desigualdad con x1 y x3 .
¿Cómo se podrı́a calcular el máximo valor que puede tomar α para que la desigualdad x1 + αx3 ≤ 5
sea válida para el problema? Calcule este valor.
P54 Sea G = (V, E) un grafo dado. Un conjunto independiente (o estable) en G es un conjunto de vértice
S ⊂ V tal que no hay aristas uniendo ningún par de vértices en S (es decir, si i, j ∈ S, {i, j} 6∈ E.
Sea X ⊂ RV el conjunto de los vectores de incidencia de los conjuntos independientes de G. Es decir,

X = {χS ⊂ {0, 1}V : S es conjunto independiente de G}

donde χSi = 1 si i ∈ S y χSi = 0 si i 6∈ S.

17
a) Sea K ⊂ V una clique de G, es decir, ∀ i, j ∈ C, {i, j} ∈ E, muestre que la desigualdad
X
xi ≤ 1
i∈K

es una desigualdad válidad para X usando argumentos combinatoriales.

Sea P ⊆ RV la siguiente formulación para X:


P = {x ∈ RV : 0 ≤ xi ≤ 1 , i ∈ V ; xi + xj ≤ 1 , ij ∈ E}.
b) Considere el grafo G = (V, E) definido por
V = {1, 2, 3, 4, 5} y E = {{1, 2}, {2, 3}, {3, 4}, {4, 5}, {1, 5}, {2, 5}} .
Muestre que la desigualdad x1 + x2 + x5 ≤ 1 puede ser obtenida a partir de las desigualdades de
la formulación por medio del procedimiento de Chvátal-Gomory.
c) Sea K ⊂ V una clique de G, demuestre que la desigualdad
X
xi ≤ 1
i∈K

puede ser obtenida con el procedimiento de Chvátal-Gomory, a partir de las desigualdades que
definen la formulación P .

En esta parte del problema se propone demostrar que ciertas desigualdades de clique definen facetas
del poliedro de los conjuntos independientes de un grafo.
En particular se quiere demostrar lo siguiente:
Teorema. Sea G = (V, E) un grafo y sea α ∈ ZV+ un vector de enteros no negativos. Sea X ⊆ RV el
conjunto de los vectores de incidencia de los conjuntos independientes de G. Entonces,
A. La desigualdad αT x ≤ 1 es válida para X sı́ y sólo sı́ α es el vector de incidencia de una clique en
G.
B. La desigualdad αT x ≤ 1 define una faceta de conv X sı́ y sólo sı́ la clique es maximal.

d ) Demuestre que la afirmación A. vale.2 .

Una vez probado esto, para el resto de la demostración podemos suponer que α es el vector de incidencia
de una clique K de G
f ) Demuestre que si αT x ≤ 1 define una faceta de conv X entonces K debe ser maximal.
Hint: Suponga que la desigualdad define una faceta, pero que K no es maximal y llegue a una
contradicción. El Lema 1 enunciado al final puede ser útil.
g) Demuestre que si K es una clique maximal, entonces αT x ≤ 1 define una faceta de conv X.
Hint: El Lema 2 enunciado al final, puede ser útil.

Lema 1. Sea G = (V, E) un grafo y sea X el conjunto de los vectores P de incidencia de G. Sean
0
C
P ( C ⊆ V dos subconjuntos
P de vértices. Si para todo x ∈ conv X, i∈C xi = 1 implica que
i∈C 0 xi = 1, entonces i∈C xi ≤ 1 no define una faceta de conv X.
Lema 2. Sea P un poliedro. Sea aT x ≤ b una desigualdad válida para P . Sea αT x = β una ecuación
satisfecha por todo punto en P que satisface la ecuación aT x = b (es decir, por todos los puntos que
satisfacen con igualdad la desigualdad considerada).
Si esto implica que αT x = β debe ser un múltiplo de aT x = b, entonces aT x ≤ b define una faceta de
P.
2 Hint: Esto es poco más que la primera parte del ejercicio anterior

18
P55 Sea G = (V, E) un grafo conexo. Para cada T ⊆ E sea χT ∈ {0, 1}E definido por
(
1 si e ∈ T ,
χTe =
0 en caso contrario.

Sea X = {χT : T es árbol generador de G}.

a) Muestre que si S es un conjunto de aristas de G, no vacı́o y distinto de E, la desigualdad


XX
xij ≥ 1 ,
i∈S j6∈S

es una desigualdad válida para X.

Sea  

 

X X
P = x ∈ R|E| : ∀ v, ∈ V xe ≥ 1; xe = |V | − 1; ∀ e ∈ E, 0 ≤ xe ≤ 1
 
 3 e∈E 
e∈δ(v)

b) Pruebe que X ⊆ P ∩ Z|E| . ¿Es P formulación de X?


c) Encuentre una formulación para X.

Conceptuales
P56 Responda brevemente (no mas de cinco lı́neas) las siguientes preguntas:
a) Defina envoltura lineal afı́n
b) Puede una esfera en Rn ser un poliedro? Justifique.
c) Defina cono caracterı́stico de un poliedro.
d) ¿Puede un poliedro no vacı́o tener una cara vacı́a?
e) ¿Es la suma de dos poliedros un poliedro? Justifique.
f) ¿Cómo se defina una solución ε-óptima?
g) Dado dos problemas P y P 0 , cuando podemos decir que P 0 es una relajación de P ?
h) ¿Qué es dicotomı́a en variables en el contexto de B&B?
i) Describa selección de nodos (en B&B) por Best Bound.
j) Describa selección de nodos (en B&B) por Best Estimate.
k) Describa Strong Branching en B&B.
l) Describa Pseudo-cost Branching en B&B.
P57 Elija y responda sólo 12 de las siguientes (I-XV). En caso de que conteste más de 12 preguntas se
corregirán las 12 peores. Todas las preguntas tienen el mismo puntaje.
a) Sea S = {s1 , . . . , sm } ⊆ Zn . Considere P1 , P2 ⊆ Rn formulaciones de S. Pronúnciese acerca de la
veracidad o falsedad de las siguientes proposiciones (I-VII). Justifique:
I P1 , P2 son necesariamente conjuntos convexos.
II P1 ∩ P2 es una formulación de S.
III P1 ∪ P2 es una formulación de S.
IV P1 contiene el mismo número de puntos en Zn que P2 .
V Si existe un punto fraccionario que no está en P1 pero sı́ en P2 . Entonces P1 es mejor formu-
lación que P2 .
VI Siempre existe P3 , formulación de S que es estrictamente mejor que P1 y P2 .
VII Si P1 es un poliedro para el cual las desigualdades que lo definen son todas facetas, entonces
no existe una formulación de S estrictamente mejor que P1 .
b) Responda brevemente (no mas de cinco lı́neas) las siguientes preguntas (VIII-XV):
I Dado P un poliedro, defina conjunto generador.

19
II Considere x ∈ Rn un vértice de la relajación del Knapsack problem definido por:

1
 si j = 1, . . . , r − 1
b− r−1
P
xj = j=1 aj
 ar si j = r

0 si j = r + 1, . . . , n
Pr−1 Pr
donde j=1 aj ≤ b y j=1 aj > b. Encuentre una desigualdad válida para este problema
que “corte” a este vértice. Pruébe que efectivamente el vértice no satisface la desigualdad que
Ud. propone.
III ¿Cómo se define una solución ε-óptima?
IV Sea G = (V, E) grafo no dirigido y considere P = x ∈ {0, 1}|V | : ∀ (u, v) ∈ E, xu + xv ≤ 1 .


Describa completamente una desigualdad válida para este problema.


V Describa explicitamente las M IR inequalities.
VI Describa selección de nodos (en B&B) por Best Bound.
VII Describa selección de nodos (en B&B) por Best Estimate.
VIII Describa Strong Branching en B&B.
IX Describa Pseudo-cost Branching en B&B.

20