DISTINTOS MTODOS DE

RESOLUCIN DE PROBLEMAS
APLICANDO LA INVESTIGACIN DE
OPERACIONES

Cordero Garca Adriana Carolina

De la Cruz Natera Alejandra Patricia

Manosalva Angarita lvaro Javier

Profesor: Nelson Ziga Portillo

Universidad del Atlntico

Facultad de Ingeniera

Ingeniera Qumica

Barranquilla

2017

CONTENIDO
1. INTRODUCCIN....................................................................................... 2
2. ANLISIS DE SENSIBILIDAD.....................................................................3
3. PROBLEMA DE TRANSPORTE................................................................13
4. MODELO DE ASIGNACIN......................................................................26
5. ARTCULOS........................................................................................... 31
6. BIBLIOGRAFA....................................................................................... 34

1. INTRODUCCIN

1
 El presente trabajo permite conocer distintos mtodos para la resolucin de problemas a
nivel industrial y la aplicacin de estos en la ingeniera qumica. En la industria siempre se
buscara solucionar y optimizar los problemas y los cambios que se generan a lo largo de
los procesos, los mtodos que se estudiaran aqu sern:

Anlisis de sensibilidad
Problema del Transporte
Problema de Asignacin

2. ANLISIS DE SENSIBILIDAD.

En forma genrica, el anlisis de sensibilidad busca investigar los efectos producidos por
los cambios del entorno sobre el sistema. El propsito general es identificar los
parmetros relativamente sensibles (es decir, aquellos que no pueden cambiarse mucho
sin cambiar la solucin ptima), con el fin de estimarlos con mayor precisin y seleccionar
entonces una solucin que siga siendo buena sobre los intervalos de valores probables de
los parmetros sensibles. [1]

El objetivo principal del anlisis de sensibilidad es identificar el intervalo permisible

de variacin en los cuales las variables o parmetros pueden fluctuar sin que cambie
la solucin ptima. Sin embargo, as mismo se identifica aquellos parmetros sensibles,
es decir, los parmetros cuyos valores no pueden cambiar sin que cambie
la solucin ptima. Los investigadores de operaciones tienden a prestar
bastante atencin a aquellos parmetros con holguras reducidas en cuanto a los cambios
que pueden presentar, de forma que se vigile su comportamiento para realizar los ajustes
adecuados segn corresponda y evitar que estas fluctuaciones puedan desembocar en
una solucin no factible.[2]

TEORA
Este opera para modelos de Programacin Lineal en un formato estndar.
Zmin = cTx
R o S.A: Ax1 = b
x >= 0
Donde la tabla final del Mtodo mantiene la siguiente estructura:

Dnde:

2
 I: Matriz Identidad
0: Costos reducidos asociados a las variables bsicas
B: Matriz de variables bsicas
D: Matriz de variables no bsicas
b: Lado derecho
Cb: Coeficientes en la funcin objetivo asociados a las variables bsicas
Cd: Coeficientes en la funcin objetivo asociados a las variables no bsicas

El anlisis de sensibilidad se lleva a cabo en:

a. Cambio del coeficiente del lado derecho de una restriccin.

b. Incorporacin de una nueva variable.
c. Cambio del coeficiente en la funcin objetivo.
d. Inclusin de una nueva restriccin.

2.1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si

las actuales variables bsicas se mantienen luego de la modificacin de uno o ms
parmetros asociados al "lado derecho" del modelo. Si calculamos:
y se cumple , Las mismas variables bsicas lo son tambin de la
nueva solucin ptima, calculada con el nuevo . Si lo anterior no se cumple, se puede
aplicar el Mtodo Simplex Dual.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales
variables bsicas ptimas del problema tambin lo son del mismo problema, donde los
lados derechos corresponde al vector b=(20,30). (Observacin: X4 y X5 son variables de
holgura de la restriccin 1 y 2 respectivamente)
Zmx = 2x1 + 7x2 - 3x3
R o S.A: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0
X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Para analizar este escenario debemos calcular el vector de variables bsicas y verificar si
todos sus componentes son positivos definidos. Ntese que para esto necesitamosla
matriz B inversa, la cual fcilmente podemos rescatar identificando los parametros
asociados a X4 y X5 (variables de holgura de la restriccin 1 y 2 respectivamente) en la
tabla final del Mtodo Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor
negativo, cambia la actual base ptima. Cabe destacar que ante esta situacin no es
necesario resolver el nuevo escenario partiendo de cero, sino lo que se debe hacer es
utilizar la tabla final del simplex del escenario base, actualizando el lado derecho y valor
de la funcin objetivo.

3
 X1 X2 X3 X4 X5
0 -1 5 1 -1 -10
1 4 -1 0 1 30
0 1 1 0 2 60
Posteriormente, se continua iterando haciendo uso del Mtodo Simplex Dual. (Ver
referencia a la derecha).
2.2. Inclusin de una nueva variable: Debemos evaluar si la nueva variable es un
aporte significativo a los resultados del modelo original. Luego, para decir si la actual
solucin bsica es ptima para el nuevo problema, calculamos el costo reducido de la
nueva variable como:
donde k es el ndice de la nueva variable y Ak su respectiva
columna en la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual
solucin ptima. En caso contrario, se puede seguir con el Simplex agregando a la tabla
una nueva columna con entradas B-1Ak y rk y tomando como variable entrante a la
nueva base la que acabamos de introducir al problema.
EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio
neto igual a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a cada
restriccin. Sin resolver nuevamente el problema, Conviene elaborar el producto?
Zmx = 9x1 + 12x2
R o S.A: 4x1 + 3x2 <= 180
2x1 + 3x2 <= 150
4x1 + 2x2 <= 160
x1,x2 >= 0
X1 X2 X3 X4 X5
1 0 1/2 -1/2 0 15
0 1 -1/3 2/3 0 40
0 0 -4/3 2/3 1 20
0 0 1/2 7/2 0 615
Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporacin de esta nueva variable
al modelo, es decir, aun cundo sea incorporada no obtendremos un valor ptimo que
supere el actual V(P)=615. De todas formas mostraremos como se incluye en la tabla final
del Simplex esta modificacin de modo que el lector pueda entender su incorporacin
cuando es necesario:

4
 X1 X2 X3 X4 X5 XNew
1 0 1/2 -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
0 0 1/2 7/2 0 1 615
Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo
escenario tendra infinitas soluciones.
2.3. Cambio en los Coeficientes Funcin Objetivo: Se busca identificar qu ocurre con
la actual solucin ptima del escenario base si se cambian uno o varios de los
coeficientes que definen la funcin objetivo. La solucin ptima actual tambin lo ser
para el nuevo escenario siempre que los nuevos costos reducidos sean mayores o iguales
a cero (notar que tambin cambia el valor de la funcin objetivo en la actual solucin
ptima). Es decir se debe cumplir que:

En caso contrario, se aplica el Simplex a partir de la tabla final del modelo original, con los
nuevos costos reducidos y nuevo valor de la actual solucin bsica.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se
modifica los parmetros de la funcin objetivo, quedando stos de la siguiente
forma: Z = x1 + 5x2 - 2x3. (X4 y X5 son las variables de holgura de la restriccin 1 y 2
respectivamente).
Zmx = 2x1 + 7x2 - 3x3
R o S.A: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0
X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20
Debido a que los cambios en los parmetros de la funcin objetivo se producen en ms
de una variable consideraremos la siguiente frmula:

Debido a que al menos uno de los costos reducidos de las variables no bsicas se ha
vuelto negativo, entonces cambia la actual solucin y valor ptimo del problema. Para
incorporar esta modificacin en la tabla final del Mtodo Simplex se actualiza los costos

5
reducidos asociados a las variables no bsicas, adems del valor ptimo, quedando como
sigue:

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 -1 1 0 1 10
2.4. Inclusin de una nueva restriccin: Para saber si la actual solucin y valor ptimo
se mantendr luego de incorporar una nueva restriccin al problema se debe evaluar la
solucin actual y verificar si satisface la nueva restriccin. En caso afirmativo, la actual
solucin tambin lo ser del problema con la nueva restriccin, en caso contrario se
incorpora la nueva restriccin a la tabla final del Simplex del escenario base.
EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se
considera una nueva restriccin de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observacin:
Considerar mismo modelo y tabla final del ejemplo anterior)
Se evalua la solucin actual en la restriccin: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por
tanto se incorpora esta nueva restriccin como fila a la tabla final del Simplex.
Adicionalmente, se agrega X6 como variable de holgura asociada a esta nueva
restriccin:
X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
3 2 3 0 0 1 25
0 1 1 0 2 0 20
Una alternativa para encontrar el ptimo a travs de esta tabla es formar la identidad
(debemos hacer cero el parmetro asociado a X1 en la tercera fila) multiplicando la fila 2
por -3 y sumando dicho resultado a la fila 3. De esta forma se obtiene:
X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
0 -10 6 0 -3 1 -5
0 1 1 0 2 0 20
Finalmente obtenemos X4, X1 y X6 como variables bsicas. Producto de la
transformacin un lado derecho queda negativo y en este caso podemos continuar
adelante utilizando el Mtodo Simplex Dual. [3]

3. PROBLEMA DE TRANSPORTE

El problema del transporte o distribucin es un problema de redes especial en

programacin lineal que se funda en la necesidad de llevar unidades de un punto
especfico llamado Fuente u Origen hacia otro punto especfico llamado Destino, de tal
forma que se minimicen los costos totales de distribucin. Cada origen tiene que distribuir

6
 ciertas unidades a los destinos y cada destino tiene cierta demanda de unidades que
deben recibir de los orgenes. [4]

Representacin de una red de transporte.

Como se puede observar cualquier modelo de transporte se compone de unidades de un

bien a distribuir, m orgenes, n destinos, recursos en el origen, demandas en los destinos
y costos de distribucin por unidad. Adicionalmente, se tienen varios supuestos:
1 Supuesto de requerimientos: cada origen tiene un suministro fijo de unidades que se
deben distribuir por completo entre los destinos.
2 Supuesto de costo: el costo de distribuir unidades de un origen a un destino cualquiera es
directamente proporcional al nmero de unidades distribuidas.
3 Propiedad de soluciones factibles: un problema de transporte tiene soluciones factible si y
slo si la sumatoria de recursos en lo m orgenes es igual a la sumatoria de demandas en
los destinos.
4 Propiedad de soluciones enteras: En los casos en los que tanto los recursos como las
demandas toman un valor entero, todas las variables bsicas (asignaciones), de
cualquiera de las soluciones bsicas factibles (inclusive la solucin ptima), asumen
tambin valores enteros.
Debido a la particularidad del modelo de transporte la forma tabular Simplex adquiere una
estructura que facilita el proceso de asignacin a las variables bsicas, tal se muestra a
continuacin:

Forma Tabular Simplex Transporte.

En los renglones se ubican los orgenes indicando en la columna de la derecha los
recursos (oferta disponible). En las columnas se ubican los distintos destinos indicando en
el ltimo rengln los totales demandados. En el pequeo recuadro ubicado en la margen
superior derecha se indica el costo de distribuir una unidad desde el origen hasta ese
destino y en la parte inferior de cada recuadro se registran las asignaciones Xi para cada
variable. En los casos donde la sumatoria de los recursos y las demandas no sean las

7
mismas, se agrega un origen o destino ficticio con la cantidad que permita cumplir la
propiedad de soluciones factibles.
Despus de planteado el modelo de transporte, el siguiente paso es obtener una solucin
bsica factible (BF), la cual se puede obtener a partir de cualquiera de los 3 criterios
siguientes:
a. Regla de la esquina noroeste.
b. Mtodo de la ruta preferente.
c. Mtodo de aproximacin de Vogel
Antes de explicar el procedimiento para cada uno de estos criterios de asignacin para
encontrar la solucin inicial BF, se debe conocer el nmero de variables bsicas, el cual
se determina con la expresin: m + n - 1. En el modelo anterior 3 + 2 - 1 = 4 variables
bsicas.
3.1 Regla de la esquina noroeste: la primera eleccin X11, es decir, se inicia la
asignacin por la esquina noroeste de tabla. Luego se desplaza a la columna de la
derecha si todava quedan recursos en ese origen. De lo contrario se mueve al reglo
debajo hasta realizar todas las asignaciones.
3.2 Mtodo de la ruta preferente: se fundamenta en la asignacin a partir del costo
mnimo de distribuir una unidad. Primero se identifica este costo se realiza la
asignacin de recursos mxima posible y luego se identifica el siguiente costo menor
realizando el mismo procedimiento hasta realizar todas las asignaciones.
3.3 Mtodo de asignacin de Vogel: para cada regln y columna, se calcula su
diferencia, que se define como la diferencia aritmtica entre el costo unitario ms
pequeo y el costo menor que le sigue en ese rengln o columna. En el rengln o
columna con la mayor diferencia, se le asigna al menor costo unitario. Los empates se
pueden romper de manera arbitraria.
De estos 3 modelos para encontrar la solucin inicial BF, el mtodo de Vogel ha sido el
ms utilizado. Considerando que este criterio toma en cuenta los costos de distribucin de
forma ms eficaz, ya que la diferencia representa el mnimo costo adicional que se incurre
por no hacer una asignacin en la celda que tiene el menor costo ya sea columna o
rengln. Posterior a esta asignacin inicial se requiere un procedimiento que permita las
siguientes iteraciones y se obtenga la solucin ptima.

Prueba de optimalidad:
Un solucin BF es ptima si y slo si Cij - Uij -Vij >= 0 para todo (i, j) tal que Xij es no
bsica. Primeramente para todo variable bsica de la solucin actual se tiene que Cij - Uij
-Vij = 0, por lo que se deduce Cij = Uij -Vij para todo (i, j) tal que Xij es bsica. Para los
fines de facilitar los diferentes de las diferente ecuaciones resultantes se asume el valor
de U1 como cero.
En cada iteracin se determina una variable bsica entrante, una variable bsica saliente
y luego la nueva solucin bsica factible.
Paso 1: la variable de entrada se determina a partir de la relacin Cij - Uij -Vij, donde la
variable Xij con el resultado ms negativo es la que contribuye en una mejor medida a
disminuir el costo total, se debe tener en cuenta que esta disminucin va en proporcin a
la asignacin resultante.
Paso 2: la variable bsica saliente es aquella variable bsica que disminuya su valor a
cero, es decir, es aquella variable de menor asignacin y que participa en la reaccin en
cadena que se establece para compensar los cambios de asignar valor a la variable
entrante que permitan satisfacer las restricciones de recursos y demandas. En este punto,
se definen dos tipos variables para receptoras y donadoras, de acuerdo a la variacin de

8
signo que se produzca en el polgono que permite la transferencia desde la variable de
salida a la variable entrante.
Paso 3: se encuentra la nueva solucin BF, sumando el valor de la variable bsica
saliente a las asignaciones de las celdas receptoras y se resta a las asignaciones de las
celdas donadoras. [5]

EJEMPLO: Una empresa energtica colombiana dispone de cuatro plantas de generacin

para satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot, Medelln y
Barranquilla. Las plantas 1, 2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
da respectivamente. Las necesidades de las ciudades de Cali, Bogot, Medelln y
Barranquilla son de 70, 40, 70 y 35 millones de Kw al da respectivamente. [4]

Los costos asociados al envo de suministro energtico por cada milln de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.

Planta 1 5 2 7 3
Planta 2 3 6 6 1
Planta 3 6 1 2 4
Planta 4 4 3 6 6

El modelo bsico de transporte es el modelo en el cual la cantidad ofertada es igual a la

cantidad demandada, como es el caso de este ejercicio, sin embargo trasladar esta
suposicin a la realidad es casi imposible por lo cual hace falta crear orgenes y/o
destinos ficticios con el excedente de oferta y/o demanda.

El primer paso corresponde a la definicin de las variables, regularmente se le denomina

a las variables de manera algebraica Xi, j donde i simboliza a la fuente y j simboliza al
destino. En este caso i define el conjunto {Planta 1, Planta 2, Planta 3 y Planta 4},
y j define el conjunto {Cali, Bogot, Medelln y Barranquilla}. Sin embargo es prctico
renombrar cada fuente y destino por un nmero respectivo, por ende la variable X 1,
2 corresponde a la cantidad de millones de KW enviados diariamente de la Planta 1 a la

ciudad de Bogot.

9
El segundo paso corresponde a la formulacin de las restricciones de oferta y demanda,
cuya cantidad se encuentra determinada por el factor entre fuentes y destinos, en este
caso 16 restricciones.

Restricciones de oferta o disponibilidad, las cuales son de signo :

X 1,1 +X 1,2+ X 1,3 +X 1,4 80

X 2,1 + X 2,2+ X 2,3 +X 2,4 30

X 3,1 + X 3,2+ X 3,3 + X 3,4 60

X 4,1 + X 4,2 + X 4,3 + X 4,4 45

Restricciones de demanda, las cuales son de signo :

X 1,1 + X 2,1+ X 3,1 + X 4,1 70

10
 X 1,2 + X 2,2+ X 3,2 + X 4,2 40

X 1,3 + X 2,3 + X 3,3 + X 4,3 70

X 1,4 + X 2,4 + X 3,4 + X 4,4 35

Luego se procede a formular la funcin objetivo, en la cual se relaciona el costo

correspondiente a cada ruta.

Z MIN =5 X 1,1+2 X 1,2+7 X 1,3+3 X 1,4 +3 X 2,1+ 6 X 2,2+ 6 X 2,3+1 X 2,4 +6 X 3,1+1 X 3,2+ 2 X 3,3+

Luego se puede proceder al uso de la herramienta WinQSB para resolver el modelo

realizado, aqu estn los resultados.

11
 VARIABLE DE ACTIVIDAD DE COSTO CONTRIBUCI
DECISIN. LA VARIABLE. X N TOTAL.
UNIDA
D.

X 1,1 25 5 125

X 1,2 40 2 80

X 1,3 10 7 70

X 1,4 5 3 15

X 2,1 0 3 0

X 2,2 0 6 0

X 2,3 0 6 0

X 2,4 30 1 30

X 3,1 0 6 0

X 3,2 0 1 0

X 3,3 60 2 120

X 3,4 0 4 0

X 4,1 45 4 180

X 4,2 0 3 0

X 4,3 0 6 0

12
X 4,4 0 6 0

------------------------ ----------------------- TOTAL

---- ---- 620
Esteproblema presenta una solucin ptima alternativa, aqu los resultados.

13
 VARIABLE DE ACTIVIDAD DE COSTO X CONTRIBUCI
DECISIN. LA VARIABLE. UNIDAD. N TOTAL.

X 1,1 25 5 125

X 1,2 40 2 80

X 1,3 10 7 70

X 1,4 30 3 90

X 2,1 25 3 75

X 2,2 0 6 0

X 2,3 0 6 0

X 2,4 5 1 5

X 3,1 0 6 0

X 3,2 0 1 0

X 3,3 60 2 120

X 3,4 0 4 0

X 4,1 45 4 180

X 4,2 0 3 0

X 4,3 0 6 0

X 4,4 0 6 0 14

------------------------- ------------------------ TOTAL

--- --- 620
 4 MODELO DE ASIGNACIN

Un caso particular del modelo de transporte es el modelo de asignacin, que tiene como
propsito asignar personas u objetos a tareas de tal forma que se optimice algn objetivo,
por ejemplo:
Minimizar tiempos de produccin
Minimizar costos
Minimizar defectos de produccin
Histricamente el problema de asignacin se resolvi utilizando las mismas tcnicas que
se utilizaban para el modelo de transporte, sin embargo, resultaba tedioso hacerlo de esta
manera debido a las caractersticas particulares del mismo.
Supongamos que nos dan n exigencias que se deben satisfacer y n mtodos para
satisfacerlas, y que cada exigencia debe ser satisfecha por uno de los mtodos y que un
mtodo no se puede utilizar para satisfacer ms que una exigencia. Se dispone tambin
de una matriz de costes n n siendo cada elemento (C ij) el coste de satisfacer la exigencia
j por el mtodo i. El problema de asignacin consiste en hallar aquella combinacin de
mtodos y exigencias que minimizan el coste total.
El problema de asignacin es una variacin del problema original de transporte, variacin
en la cual las variables de decisin X(i,j) solo pueden tomar valores binarios, es decir ser
cero (0) o uno (1) en la solucin ptima, lo que supone que la oferta y la demanda estn
perfectamente alineadas, de hecho ambas son iguales a uno (1).
Ahora bien para este tipo de problemas existe un mtodo de solucin ms eficiente, es el
denominado mtodo hngaro Konig. A partir del trabajo realizado por dos matemticos
hngaros, se obtiene un algoritmo eficiente para este modelo, donde se inicia planteando
el problema general de asignacin, se hace hincapi en su estructura, como en el caso
especial del modelo de transporte y se plantea algunos problemas tipo. As se contina
resolviendo el modelo de asignacin por el mtodo hngaro.
El principio fundamental del mtodo hngaro es que si un problema de asignacin se
modifica sumando o restando una constante a todos los elementos de una fila o columna
de la matriz de coste, la solucin ptima del problema modificado es la misma que la
solucin ptima del problema original.
Planteamiento del problema
Las variables que se utilizan en el modelo de asignacin son variables binarias, es decir,
variables que slo pueden tomar los valores 0 o 1. Se especifica X ij =1, entonces se utiliza
el mtodo i para satisfacer la exigencia j; si Xij=0, el mtodo i no se utiliza para satisfacer
la exigencia j. Matemticamente se escribe:

A partir del hecho de que cada mtodo est asociado con una y solo una exigencia, y que
cada exigencia est asociada con un y solo un mtodo, en las restricciones se asigna una
persona a cada una de las tareas y cada tarea debe ser realizada por una persona. Esto
lo representamos como la forma matemtica del problema debe ser hallar la matriz X que
satisface:

15
 El costo total de la asignacin es igual a la suma de los productos de cada variable X ij por
el costo asignado Cij. Que minimiza:

El modelo completo de asignacin se obtiene al aadir la restriccin de no negatividad y la

de variables binarias:

Vemos que el modelo de asignacin es muy parecido al modelo de transporte, la

diferencia radica en que las variables del modelo de asignacin son binarias, mientras que
en el modelo de transporte las variables son enteras. Entonces podemos tomar el modelo
de asignacin como un problema de transporte donde cada una de las personas es el
origen y cada una de las tareas son los destinos. La oferta y demanda son igual a uno, es
decir, cada origen tiene una sola persona y cada destino necesita slo una persona. Los
costos de capacitacin representan el costo de transportar una unidad del origen i al
destino j. Por lo tanto, el objetivo es encontrar la combinacin que minimice los costos de
asignacin y cumpliendo las restricciones de oferta y demanda.

Etapas para obtener la solucin ptima por el mtodo hngaro

El mtodo Hngaro es un mtodo de optimizacin de problemas de asignacin, conocido
como tal gracias a que los primeros aportes al mtodo clsico definitivo fueron de Dnes
Knig y Jen Egervry dos matemticos hngaros. El algoritmo tal como se detallar a
continuacin est diseado para la resolucin de problemas de minimizacin nicamente,
ser entonces cuestin de agregar un paso adicional para abordar ejercicios de
maximizacin.

1. Algoritmo hngaro, paso 1

Antes que nada cabe recordar que el mtodo hngaro trabaja en una matriz de costos
n*m (en este caso conocida como matriz m*m, dado que el nmero de filas es igual al
nmero de columnas n = m), una vez construida esta se debe encontrar el elemento ms
pequeo en cada fila de la matriz.

2. Algoritmo hngaro, paso 2

Una vez se cumple el procedimiento anterior se debe construir una nueva matriz n*m, en
la cual se consignarn los valores resultantes de la diferencia entre cada costo y el valor

16
 mnimo de la fila a la cual cada costo corresponde (valor mnimo hallado en el primer
paso).

3. Algoritmo hngaro, paso 3

Este paso consiste en realizar el mismo procedimiento de los dos pasos anteriores
referidos ahora a las columnas, es decir, se halla el valor mnimo de cada columna, con la
diferencia que este se halla de la matriz resultante en el segundo paso, luego se
construir una nueva matriz en la cual se consignarn los valores resultantes de la
diferencia entre cada costo y el valor mnimo de la columna a la cual cada costo
corresponde, matriz llamada "Matriz de Costos Reducidos".

4. Algoritmo hngaro, paso 4

A continuacin se deben de trazar lneas horizontales o verticales o ambas (nicamente
de esos tipos) con el objetivo de cubrir todos los ceros de la matriz de costos reducidos
con el menor nmero de lneas posibles, si el nmero de lneas es igual al nmero de filas
o columnas se ha logrado obtener la solucin ptima (la mejor asignacin segn el
contexto de optimizacin), si el nmero de lneas es inferior al nmero de filas o columnas
se debe de proceder con el paso 5.

5. Algoritmo hngaro, paso 5

Este paso consiste en encontrar el menor elemento de aquellos valores que no se
encuentran cubiertos por las lneas del paso 4, ahora se restar del restante de elementos
que no se encuentran cubiertos por las lneas; a continuacin este mismo valor se sumar
a los valores que se encuentren en las intersecciones de las lneas horizontales y
verticales, una vez finalizado este paso se debe volver al paso 4.

EJEMPLO
Los tres hijos de Joe Klyne, John, Karen y Terri, quieren ganar algn dinero para cubrir
sus gastos personales durante un viaje organizado por la escuela al zoolgico local. El
seor Klyne eligi tres tareas para sus hijos: podar el csped, pintar la cochera y lavar los
automviles de la familia. Para evitar las competencias anticipadas entre hermanos, les
pidi que presentaran licitaciones (secretas) para lo que ellos crean era un pago justo
para cada una de las tres tareas. Quedaba entendido que los tres hijos aceptaran la
decisin de su padre en lo concerniente a quin desempeara cada tarea. La siguiente
tabla resume las licitaciones recibidas.
TABLA DE ASIGNACIN

Podar Pintar Lavar

John $15 $10 $7
Karen $9 $10 $10
Terri $10 $2 $8

Solucin
Cmo debe asignar las tareas el seor Klyne? Este problema se resolver con los
primeros tres pasos del mtodo Hngaro.
1. iteracin.

17
 rengl
Poda Pinta Lava n
r r r mnim
o
John 15 10 9 p1=1
Kare
9 15 10 p2=1
n
Terri 10 12 8 p3=1
En seguida restamos el rengln mnimo de cada rengln respectivo, para obtener la
matriz reducida.

Podar Pintar Lavar

John 6 1 0
Karen 0' 6 1
Terri 2 4 0
Column
a q1=0 q2=1 q3=0
mnima
La aplicacin del paso 2 nos da los mnimos en la columna. Restando estos valores de las
columnas respectivas obtenemos la matriz reducida.
Poda Pinta Lava
r r r
John 6 0 0
Kare
0 5 1
n
Terri 2 3 0

Interpretacin
Los cuadros con las entradas cero en negritas proporcionan la solucin ptima. Eso
quiere decir que John pintar la cochera, Karen podar el csped y Terri lavar los
automviles de la familia. El costo total para el sr Klyne es 9+10+8 =27 dlares. Adems
esa cantidad siempre igualar (p1 + p2 + p3) + (q1 + q2 + q3)= (9+9+8)+ (0+1+0)= 27
dlares.

5 ARTCULOS

I. TTULO: EVALUACIN Y OPTIMIZACIN DE SECADOR HIBRIDO PARA YUCA.

AUTORES: M. J. Sierra , O. A. Prez.

18
 FECHA: Recibido Jul. 29, 2015; Aceptado Sep. 29, 2015; Versin final Nov. 27, 2015,
Publicado Abr. 2016
RESUMEN: El objetivo de esta investigacin consisti en establecer los valores ptimos
de carga msica, temperatura y velocidad del aire en el secado de yuca, en un secador
hbrido, para reducir su contenido de humedad hasta 13 %, en base hmeda. Para la
evaluacin del secador hibrido se desarrollaron corridas experimentales de secado a
temperaturas entre 50 y 70C, velocidad de aire de 1 a 8 m/s y carga msica de 30 a 80
kg/m2. Para la optimizacin se emple el criterio de maximizacin de la eficiencia global
de secado basado en el estudio fenomenolgico del proceso. A travs de los resultados
se delimit la regin factible de optimizacin por temperaturas entre 50 y 55C, velocidad
de aire de 1.5 a 1.9 m/s y carga msica de 47 a 67 kg/m2. La mxima eficiencia global de
secado obtenida es 65,6% para temperatura, velocidad de aire y carga msica: 50C, 1.66
m/s y 55.40 kg/m2 respectivamente, empleado un tiempo de operacin de 5.5 horas.
Palabras clave: Optimizacin de secado; eficiencia global; yuca; variables ptimas de
operacin. [8]

II. TTULO: COMPONENTES GASEOSOS DE LA PIRLISIS: CARACTERISTICAS,

PRODUCCION Y POTECIAL DE UTILIZACION DE ENERGIA.
AUTORES: S. Honus, D. Juchelkoa, A. Campen, T. Wiltowski.
FECHA: Recibido el 13 de enero de 2013, Aceptado el 25 de noviembre de 2013,
Disponible en lnea el 2 de diciembre de 2013.
RESUMEN: Este artculo se centra en una evaluacin compleja del gas de proceso
producido dentro de un sistema experimental a escala piloto que procesa trmicamente
materiales de entrada por una forma de pirolisis. El sistema Pyromatic es un dispositivo
nico. Su originalidad consiste en su capacidad para procesar continuamente materias
primas orgnicas secundarias. En la Repblica Checa, no tiene paralelo a su potencia
(puede procesar hasta 150 kg de material de entrada por hora) y su diseo.
Los resultados presentados y las conclusiones muestran el rendimiento del producto y las
caractersticas del producto gaseoso de este sistema con respecto a un material de
entrada y condiciones de proceso seleccionados. Se eligieron tres tipos de material para
la pirolisis: biomasa, carbn y caucho. La atencin se centr especialmente en la calidad
del gas relacionado con la energa y sus caractersticas de combustin. El objetivo era
introducir todas las caractersticas importantes (valor calorfico bruto, lmite de
inflamabilidad, tasa de propagacin, ndice de Wobbe, potencial de combustin, etc.) que
explican las posibilidades y el potencial de esta utilizacin de gas en la industria
energtica.
Palabras clave: Pirolisis, utilizacin de residuos.

19
 6 BIBLIOGRAFA

[1]http://www.academica.mx/sites/default/files/adjuntos/5026/1349930073ANALISIS
%20DE%20LA%20SENSIBILIDAD.pdf
[2]http://www.inf.utfsm.cl/~esaez/fio/s2_2003/apuntes/sensibilidad-2003-2.pdf
[3] http://www.programacionlineal.net/sensibilidad.html
[4]Problema del Transporte o Distribucin. En lnea:
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/problema-del-transporte-o-distribuci
%C3%B3n/
[5] TAHA Hamdy. Mtodo simplex y anlisis de sensibilidad En: Investigacin de
Operaciones. Novena Edicin. PEARSON EDUCACIN, Mxico, 2012. p.69-136
[6] http://ocw.ehu.es/file.php/19/6._transporte_asignacion.pdf
[7] http://www.investigacion-operaciones.com/material%20didactico/TRANSPORTE.pdf
[8] http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-
07642016000200010&lng=en&nrm=iso&tlng=en
[9] http://dbvirtual.uniatlantico.edu.co:2060/science/article/pii/S0165237013002623

20