Quantitative Analysis for 

Management ‐ III

Course Instructor: Sonia
 QAM III
• Integer Programming
– Model formulation
– Graphical method
– Branch and bound algorithm
– Bin packing problem
– Traveling salesman problem
• Decision Analysis
– Decision making without probabilities
– Decision making with probabilities
– Decision making with experimentation
– Decision tree
• Queueing Theory
– Basic queueing models
– Single server queueing systems
– Multi server queueing systems
• Simulation
 Integer Programming

Optimization Problem

Continuous  Discrete Optimization 
Optimization Problem Problem

Integer Programming Problem
 Integer Program
• Linear programming with integrality restrictions
• Integrality restrictions that some variables can only 
have values 
– 0 or 1
– Integer values
– Values in some specified discrete set
 Example: 0‐1 variables
• In automobile design, one need to decide whether to 
use cast iron or aluminium engine block.

• Introduce a binary variable
– y = 0, if cast iron block used
– y = 1, if aluminum block used
• Restrict y to 0−1 values only
• Other values for y have no meaning
• Such 0−1 variables called combinatorial choice 
variables.
 Example: Integer Variables

• Army decides to use combat simulators to train 
soldiers. Each costs $ 5 million US. 

• Let y = no. of combat simulators purchased by Army.
• Then y ≥ 0 is an integer variable.
 Example: Discrete Variables
• In designing water distribution system for a city, 
diameter of pipe to be used for a particular link 
needs to be decided. Pipe available only in diameters 
16", 20", 24", 30". 

• If y = diameter of pipe used on this link
• y can only take a value from set {16; 20; 24; 30}. 
• A discrete valued variable.
 Types of Integer Program
– Pure Integer Linear Program (PIP)
• If all variables are required to take integer values only, model is 
called a Pure IP Model. 
• In addition, if they are all required to be 0 or 1, model called a 0−1 
Pure IP Model.
– Mixed Integer Linear Program (MIP)
• If some variables are required to be integer, and others can be 
continuous, model is called a Mixed IP Model. 
• If all integer decision variables are binary, model called 0−1 MIP.
– Integer Feasibility Problem 
• It refers to one with no obj. function to optimize, but aim is to find 
an integer solution to a given system of linear constraints. 
• In such model, if all variables binary, it is called 0−1 Feasibility 
Problem.
 Formulation of Integer Programs
• Can be tricky due to integer/binary variables:
– they represent yes/no rather than quantity.
– Logical implications.
• Identify/define variables carefully.
• Write constraints so that they are linear constraints
• Requires practice to formulate integer programs 
correctly and efficiently.
 A Job Training Problem
• A machine tool company conducts a job‐training program for 
machinists. 
– Trained machinists are used as teachers in the program at a ratio of one for 
every ten trainees. 
– The training program lasts for one month. 
– From past experience it has been found that out of ten trainees hired, only 
seven complete the program successfully (the unsuccessful trainees are 
released). 
– Trained machinists are also needed for machining and the company’s 
requirements for the next 3 months are as follows:
• January 100
• February 150
• March 200
– In addition, the company requires 250 trained machinists by April. There are 
130 trained machinists available at the beginning of the year. Payroll costs per 
month are: 
• Each trainee $400
• Each trained machinist $700 (Machining or teaching)
• Each trained machinist idle $500
• Set up the linear programming problem that will produce the 
minimum cost hiring and training schedule and meet the company’s 
requirements.
 A Job‐Training Problem 

Trained Machinist:
– Work a machine
– Teach
– Stay idle

Decision Variables:
x1: trained machinist teaching in January
x2: trained machinist idle in January
x3: trained machinist teaching in February
x4: trained machinist idle in February
x5: trained machinist teaching in March
x6: trained machinist idle in March

Machining + Teaching + Idle = Trained machinists available
Constraints:

100 + x1 + x2 = 130 (Jan)

150 + x3 + x4 = 130 + 7x1 (Feb)
200 + x5 + x6 = 130 + 7x1 + 7x3 (Mar)
130 + 7x1 + 7x3 + 7x5 ≥ 250 (Apr)
Objective:

Minimize
400(10x1 + 10x3 + 10x5) + 700 (x1 + x3 + x5) +500(x2 + x4 + x6)
+ 700(100 +150 +200)
Non-Negativity:

x1, x2, x3, x4, x5, x6 ≥ 0 and integers

 Project Assignment Problem

Decision Variables:

Objective Function:
Constraints:
Each person must be assigned to exactly one project

Each project must have at least one person assigned to it

At least two persons must be assigned to project 2

Not more than two persons can be assigned to project 3

Persons 4 and 5 should be assigned to same project

 S1
Knapsack Problem

Decision Variables:

Objective Function:

Constraints:
Slide 15

S1 The knapsack context refers to a hiker selecting the most valuable items to carry, subject to a
weight or capacity limit.
Sonia, 10-02-2008
 Bin Packing Problem

Decision Variables:

Objective Function:

Constraints:
 Traveling Salesman Problem

Decision Variables:

Objective Function:
Constraints:

(Where S’ is the compliment of S
and N is the set of all cities)
 Procurement Problem
Decision Variables:

Objective Function:

Constraints:
 Plant Location Problem

Decision Variables:

Objective Function:
Constraints:
Sudoku Puzzle
 Sudoku Formulation
Decision Variables:

Constraints: