Professional Documents
Culture Documents
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL
CURSO PARA
INGENIEROS
INDUSTRIALES
2006
INDICE
Pgina
CAPTULO I: ASPECTOS INTRODUCTORIOS.....................................................................1
1.1.- INTRODUCCIN...........................................................................................................1
1.2.- DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS..............................4
1.3.- FORMULACIN DE UN MODELO MATEMTICO.................................................5
1.4.- OBTENCIN DE UNA SOLUCIN A PARTIR DE UN MODELO............................7
1.5.- PRUEBA DEL MODELO...............................................................................................8
1.6.- PREPARACIN PARA LA APLICACIN DEL MODELO.........................................9
CAPTULO II: PROGRAMACIN LINEAL..........................................................................10
2.1.- INTRODUCCIN.........................................................................................................10
2.2.- RESOLUCIN DE UN PROBLEMA DE PROGRAMACIN LINEAL (PPL)
MEDIANTE EL MTODO GRFICO (DOS VARIABLES DECISIONALES)................13
2.2.2.- Anlisis De Casos Excepcionales...........................................................................21
2.2.2.1.- Solucin No Acotada.......................................................................................21
2.2.2.2.- Acotamiento.....................................................................................................22
2.2.2.3.- Inconsistencia..................................................................................................23
2.2.2.4.- No Factibilidad................................................................................................23
2.3.- FORMULACIN DE PROBLEMAS DE PROGRAMACIN LINEAL...................24
2.4.- MTODO SIMPLEX DE LA PROGRAMACIN LINEAL.......................................29
2.4.1.- Reglas De Programacin Lineal.............................................................................31
2.4.2.- Terminologa Bsica...............................................................................................34
2.4.3.- Teora del Problema Del Programacin Lineal......................................................35
2.4.4.- Obtencin de una Solucin Bsica Factible...........................................................36
2.4.4.1.-Forma Matricial................................................................................................37
2.4.5.- Pasos del mtodo simplex......................................................................................38
2.4.6.- Interpretacin Econmica.......................................................................................42
2.5.- METODO DE LA GRAN M.........................................................................................44
2.6.- METODO DE DOBLE FASE.......................................................................................47
2.7.- CASOS ESPECIALES DE PPL MEDIANTE TABLEAU...........................................51
2.7.1.- Problema Con Soluciones ptimas No acotado.....................................................51
2.7.2.- Problema Con Soluciones ptimas Mltiples.......................................................53
2.7.3.- Problema Sin Soluciones o Infactible.....................................................................56
2.7.4.- Problema Con Soluciones Degeneradas.................................................................58
La resolucin mediante el mtodo simplex es:..........................................................................58
CAPITULO III: DUALIDAD Y ANLISIS DE SENSIBILIDAD..........................................60
3.1.- DUALIDAD..................................................................................................................60
3.1.1.- Formulacin del Problema Dual.............................................................................60
3.1.2.- Teoremas de Dualidad............................................................................................65
3.1.4.- Solucin Del Problema Dual..................................................................................66
3.1.5.- Interpretacin Econmica De Las Variables Duales..............................................70
3.1.6.- Mtodo Simplex Dual.............................................................................................72
3.1.7.- Transformacin de Tabla ptima Primal a una Tabla ptima Dual......................74
UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL
1.1.- INTRODUCCIN
El origen de la investigacin de operaciones (IO) surge durante la segunda guerra
mundial, cuando exista una necesidad urgente de asignar recursos escasos a las
distintas operaciones militares y actividades dentro de cada operacin en la forma
ms efectiva. La fuerza area Britnica form el primer grupo de IO, aunque se
acepta como origen de la investigacin de operaciones al tiempo de la divisin y
especializacin del trabajo; junto a ello, fueron apareciendo nuevos tipos de
problemas cada vez ms complejos y especializados en donde, generalmente, se
pierde el horizonte de solucin del todo (objetivo general) por lo especfico (objetivo
particular), crendose el problema de asignacin de recursos.
Hay dos factores que ayudan al desarrollo de esta temtica: primero, es el gran
conocimiento desarrollado y adquirido en esta rea producto de la especializacin del
trabajo y tcnicas productivas, a modo de ejemplo: el mtodo Simplex para resolver
problemas de programacin lineal (por Dantzig), as como: tambin programacin
dinmica, lneas de espera, teora de inventarios, etc. El segundo factor fue el
avance computacional, ya que disminuy el tiempo de resolucin de problemas muy
tediosos y largos por forma manual, por lo cual, se implementaron muchos
programas asociados a estas temticas.
Categoras de problemas:
Problemas determinsticos: Son aquellos en que toda la informacin necesaria
para obtener una solucin se conoce con certeza.
Problema estocstico: Son aquellos en que parte de la informacin necesaria
no se conoce con certeza, sino ms bien se comporta de una manera
probabilstica.
1
Tipos de decisiones:
Decisiones estratgicas: Una decisin de una sola vez que involucra polticas
con consecuencia a largo plazo para la organizacin. Ej. Expansin de lneas
de produccin, Polticas de administracin de inventarios.
Decisiones operacionales: Una decisin que implica aspectos de planificacin
de corto plazo que, generalmente, se deben hacer repetidamente. Ej.
Programacin de la produccin.
2
problema en cuestin. Se dice una mejor solucin y no la mejor solucin, porque
puede haber varias mejores soluciones (empate), en estos casos prevalece el juicio
del tomador de decisiones en la eleccin final.
Las principales etapas que se describen, se deben entender como guas para la
seleccin y adopcin del problema y su solucin. Pueden ser evolutivas iterativas
dependiendo de la informacin disponible.
3
Las tareas principales que se deben, en general, ejecutar en cada etapa son:
Identificar, analizar, evaluar, ordenar, y priorizar los elementos que la componen. La
secuencia descrita en el punteo no es, por lo tanto, imperativa.
Se debe definir en forma clara y explicita, para obtener una respuesta correcta a
partir del problema correcto; debe existir un acuerdo completo de entre las personas
que participen en el estudio, adems de una medida clara y explcitamente
establecida, de efectividad que est en armona con los objetivos o metas globales
de la organizacin.
4
el nico tipo de objetivo a cumplir, esto depender del criterio a satisfacer por los
demandantes del estudio (ejemplo una empresa).
Hay que tener cuidado al recolectar los datos, ya que generalmente son datos
insuficientes o a veces los datos proporcionados son obsoletos, por ello, hay que
revisar que la base de datos recolectada sea actualizada a los objetivos del estudio.
5
La funcin planteada sea maximizar o minimizar se llama funcin objetivo, todas las
limitaciones que se tengan para llevar a cabo cursos de acciones diferentes se
llaman restricciones (generalmente planteadas como desigualdades). Toda constante
de modelo incluida en la funcin objetivo o en las restricciones se llaman parmetros
del modelo.
Hay que dejar en claro que para la solucin de un problema no existe una
formulacin nica de un modelo, para un mismo problema pueden existir varios
modelos tiles.
6
Asignacin de acres a distintas cosechas para maximizar el rendimiento total
neto.
Combinacin de mtodos de control de contaminacin que logren estndar de
calidad del aire a un costo mnimo, etc.
De esta manera, la solucin se puede obtener a partir de: analtica, obtenida a partir
del conjunto de ecuaciones o funciones que miden efectividad (criterio) o
disponibilidad (restricciones); simulada o estadstica, cuando la complejidad es alta o
no existen funciones matemticas que representen a unas restricciones o
limitaciones; y heurstica, cuando existan decisiones cualitativas o de experiencia que
no pueden cuantificarse. Estas soluciones sern satisfactorias, pero no ptimas (slo
cercanas a estas) o Mixtas por combinacin de las anteriores.
7
pertenece a los dems tipos, el concepto de optimalidad (u ptimo) no est bien
estructurado y slo obtendremos una solucin buena o satisfactoria, que se debe
analizar y mejorar (si se puede) en los pasos que sigan.
Los parmetros sensibles del modelo son aquellos cuyos valores no se pueden
cambiar sin que la solucin ptima cambie.
Hay que tener cuidado con el empleo de las unidades, es decir, que sean
dimensionalmente consistentes.
8
Por supuesto que no hay garantas de que el comportamiento futuro sea similar al
pasado; si el sistema es nuevo no hay datos histricos, por lo que para probarse,
deber usarse simulacin, o arriesgarse haciendo operar el sistema y el modelo (con
o sin cambios).
Las condiciones reales pueden cambiar mucho, haciendo que el modelo sea no
vlido (ej. Parmetros muy diferentes, renovacin de las mquinas con tecnologa
diferente, etc.), por lo que, se deben establecer los controles adecuados para
determinar cualquier cambio significativo del sistema real (procedimientos
sistemticos, controles estadsticos, etc.)
9
CAPTULO II: PROGRAMACIN LINEAL
2.1.- INTRODUCCIN
La aplicacin de la programacin lineal se est ampliando muy rpidamente a todas
las reas del quehacer, tanto a nivel ingenieril como de otras especialidades.
En la vida real, las organizaciones operan con recursos escasos y todas ellas tienen
que tomar decisiones sobre cmo asignar estos recursos, continuamente la direccin
debe asignar estos recursos escasos para alcanzar las metas de la organizacin.
Existe un mtodo de solucin eficiente para este tipo de problemas llamado Mtodo
Simplex y existen en el mercado programas computacionales que se apoyan en
ellos, tales como: Lindo, Lingo, AMPL, GAMS, OPL, POM, etc.
Notacin:
Z : valor de la medida global de efectividad.
10
xj : nivel de la actividad j (para j = 1, 2, ., n)
cj : incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j
bi : cantidad del recurso i disponible para asignar a las actividades (para i = 1, 2,
, m)
aij : cantidad del recurso i consumido por cada unidad de la actividad j.
Los valores xj son las variables de decisin y los valores de c j, bi , y aij son las
constantes de entada al modelo (parmetros del modelo).
11
cjxj en la funcin objetivo, como tambin, la contribucin de cada actividad al
lado izquierdo de cada restriccin funcional es proporcional al nivel de la
actividad xj en la forma en que lo representa el trmino a ijxj en la restriccin. Es
una suposicin sobre las actividades individuales que se considera
independiente de las otras. As se presenta en situaciones tales que la divisin
de efectividad y el uso de recursos sea en cada caso, proporcional al nivel en
que cada actividad se ejecuta.
De aditividad.- cada funcin en un modelo de programacin lineal (ya sea
funcin objetivo o en las restricciones) es la suma de las contribuciones
individuales de las actividades respectivas. Se refiere al efecto de llevar a
cabo actividades en conjunto. As el aporte a la optimizacin del objetivo por
una parte, el consumo de recursos y el aporte al requerimiento en cada
actividad por la otra, debe ser medible de manera tal que resulte factible
sumar independientemente el consumo de todas las actividades consideradas.
De divisibilidad.- las variables de decisin en un modelo de programacin
lineal pueden tomar cualquier valor, incluyendo valores no enteros, que
satisfagan las restricciones funcionales y de no negatividad. Como cada
variable de decisin representa el nivel de alguna actividad, se supondr que
las actividades se pueden realizar a niveles fraccionales. (cuando los valores a
tomar por las variables de decisin no pueden ser fracciones, entonces es
parte de la programacin entera). Se refiere a que las unidades de cada
actividad se pueden dividir en cualquier nivel fraccional, para que se permitan
valores no enteros de las variables de decisin.
De certidumbre.- se supone que los valores asignados a cada parmetro de
un modelo de programacin lineal son constantes conocidas.
12
invariables en el largo plazo y los coeficientes tecnolgicos aumentan
proporcionalmente al requerirse la produccin de una unidad ms.
Por otra parte, la necesidad de trabajar con un nivel fijo de recursos significa que la
solucin tpica de la programacin lineal est tambin confinado a problemas de
corto plazo.
Resumen de Informacin:
Mesa Silla (u) Horas Directas
(u) Disponibles (hr)
Ensamble 4 (hr) 2 (hr) 60
Acabado 2 (hr) 4 (hr) 48
Utilidad u.m. $8 $6
13
Planteamiento del Problema
Restricciones:
1. Depto. Ensamble:
4 X m 2 X s 60
2. Depto. Acabado
2 X m 4 X s 48
3. No Negatividad
Xm 0
Xs 0
Funcin Objetivo:
Max
U 8X m 6X s
14
Cada una de las restricciones se grafican, considerando inicialmente la desigualdad
como una igualdad.
Las dos coordenadas anteriores se sealan en la grfica y se unen con una lnea
recta, pero el signo de la desigualad incluye a todos los pares ordenados que estn a
la izquierda de dicha recta. La siguiente figura representa dicha situacin:
Las dos coordenadas anteriores se sealan en la grfica y se unen con una lnea
recta, pero el signo de la desigualad incluye a todos los pares ordenados que estn a
la izquierda de dicha recta. La siguiente figura representa dicha situacin:
15
La interseccin de las dos inecuaciones, combinada a la ecuacin de no negatividad,
genera la regin de soluciones factible (RSF), como se indica en la figura. La regin
achurada indica que todos los puntos que estn en los bordes y dentro de a regin
factible, satisfacen simultneamente todas las restricciones del PPL.
16
haciendo la funcin objetivo igual a un valor arbitrario, por ejemplo, se elegimos
igualar la utilidad a $48 (u.m.), esta se grfica (con lnea segmentada) de igual
manera que las inecuaciones anteriores. Esta lnea de isoganancias representa
todas las cantidades posibles de mesas y sillas que producirn una utilidad total de
$48 (u.m.). El problema, finalmente, se resume en encontrar la lnea de isoganancia
que tenga la mayor utilidad y que este sobre la regin de soluciones factibles. Lo
anterior se realiza, moviendo la lnea de isoganancia en forma paralela a una lnea
de isoganancia arbitraria, hasta que alcance el ltimo punto de la RSF.
De esta manera, el ltimo punto factible es el identificado con la letra D, por lo cual,
es el punto ptimo se encuentra por la interseccin de las restricciones 1 y 2, as:
4 X m 2 X s 60
2 X m 4 X s 48
X s 6 (u) sillas
X m 12 (u) mesas
Ejemplo 2:
Una pequea fbrica de muebles, elabora nicamente dos productos: Escritorios y
Sillas. Este fabricante tiene cuatros secciones: seccin corte, en la cual se procesan
silla y escritorios; seccin armado, en la cual se ensamblan las sillas y escritorios;
17
seccin tapicera, en la cual slo se incluye el tapiz de las sillas y seccin cubiertas,
en la cual se fabrican dichas cubiertas y se colocan en los escritorios. Durante el
siguiente periodo de produccin, hay 27.000 minutos disponibles para cada una de
las secciones y este tiempo no se puede alterar dentro de los parmetros del
problema. En cada una de las secciones, se ha establecido que los tiempos
estndares fijos que se necesitan para procesar cada silla son los siguientes: 15; 12;
18,75 minutos, para las secciones de corte, armado y tapicera, respectivamente; en
cambio, para el proceso de cada escritorio se requiere de: 40; 50; 56,25 minutos,
para las secciones de corte, armado y cubierta, respectivamente. Las contribuciones
a la utilidad y a los costos fijos de cada silla son de $25 (u.m.) y para cada escritorio
es de $75 (u.m.).
Se acepta que los costos indirectos totales de los cuatros departamentos son de
$20.500 (u.m.) y los costos totales en mano de obra para todos los departamentos es
de $13.500 (u.m.), resultando un costo fijo total de $34.000 (u.m.). Se supone que la
materia prima es un costo variable y que no hay costos adicionales. El costo de la
materia prima por cada silla es de $5 (u.m.) y de cada escritorio es de $25 (u.m.). El
precio de venta a que se deber ofrecer toda la produccin es de $30 (u.m.) por cada
silla y $100 (u.m) por cada escritorio (sin considerar el costo indirecto). Se pide
maximizar la contribucin a la utilidad.
Resumen de la informacin:
Seccin Silla (min) Escritorio (min) Disponibilidad (min)
Corte 15 40 27.000
Armado 12 50 27.000
Tapicera 18,75 - 27.000
Cubierta - 56,25 27.000
Contribucin
$ 25 $ 75
a la utilidad (u.m.)
Costo Materia
$5 $ 25
Prima (u.m)
Precio Venta (u.m) $ 30 $ 100
Costo Indirecto: $ 20.500 (u.m.)
Costo Mano de Obra: $ 13.500 (u.m.)
Costo Fijo Total: $ 34.000 (u.m.)
Corte:
15 X s 40 X e 27.000
18
Armado:
12 X s 50 X e 27.000
Tapicera:
18,75 X s 27.000
Cubierta:
56,25 X e 27.000
No Negatividad:
Xs 0
Xe 0
max
U 25 X s 75 X e
Representacin Grfica:
Corte
15 27.000 3
Xe *Xs Contribuci n M 0,375
40 40 8
Armado
19
12 27.000 6
Xe * Xs Contribucin M 0,240
50 50 25
Tapicera
18,75 27.000
Xe * Xs Contribucin M
0 0
Cubierta
0 27.000
Xe *Xs Contribucin M 0
56,25 56,25
Funcin Objetivo:
25 U 1
Xe *Xs Contribucin M 0.333
75 75 3
Podemos observar que la pendiente de la f.o. esta entre la seccin corte y armado
(en valor absoluto), as:
pend _ corte 0,375 pend _ f .o. 0,333 pend _ armado 0,240
Por otra parte, como se aprecia, la f.o. crece mientras ms se aleja del origen, se
puede ver que el punto D cumple con las restricciones impuestas por ele problema y
optimiza, en este caso, la contribucin a la utilidad. En general, no se requiere
analizar el valor de las pendientes de todas las rectas que intervienen, sino que
mediante una inspeccin ocular se puede determinar cuales de todas las
restricciones se deben analizar para detectar el ptimo:
De esta manera:
U $47.500(u.m)
X s* 1.000 (u) sillas
X m* 300 (u) escritorios
20
2.2.2.- Anlisis De Casos Excepcionales
Max Z 3 X 1 3 X 2
s.a :
X1 X 2 1
X1 2X 2 4
X 1 0; X 2 0
La funcin objetivo crece sin encontrar ninguna restriccin que la acote, esto implica
que el problema est mal planteado. Se debe replantear las restricciones.
21
Max Z 5 X 1 4 X 2
s.a :
X1 2
X1 X 2 0
X 1 0; X 2 0
2.2.2.2.- Acotamiento
Las variables crecen arbitrariamente, donde el punto de soluciones factibles es la
lnea de restriccin, generando que el valor de la funcin objetivo sea constante.
Max Z X 1 3 X 2
s.a :
X1 X 2 1
2 X 1 6 X 2 10
X 1 0; X 2 0
22
Este tipo de problema indica un error en la formulacin matemtica.
2.2.2.3.- Inconsistencia
No existe una RSF nica, producto de las restricciones existentes.
Max Z 4 X 1 X 2
s.a :
X1 X 2 2
3X 1 3X 2 9
X 1 0; X 2 0
23
Se debe a que, principalmente, las restricciones son inconsistentes, lo cual provoca
que no exista la certeza absoluta de que los problemas de programacin lineal
tengan soluciones factibles.
2.2.2.4.- No Factibilidad
Para este caso, el problema necesario para definir este tipo de problema es el
siguiente programa matemtico:
Max Z X 1 2 X 2
s.a :
X1 X 2 2
X1 3X 2 3
X 1 0; X 2 0
24
Las soluciones no son factibles en este caso, ya que no respetan las condiciones o
restricciones de no negatividad.
25
Existe una extensin de 250.000 mt 2 de tierra propicia para el cultivo de estos
productos. Supngase que los ingenieros agrnomos han determinado que las
siguientes extensiones son necesarias para el cultivo de esos productos.
Tipo de rbol extensin mnima de cultivo por rbol
Palta 4 mt2
Pomelo 5 mt2
Mango 3 mt2
Naranja 6 mt2
Desarrollo
26
b.- planteamientos de las restricciones
1.- Tierra
4X p 5 X l 3 X m 6 X n 250.000
3.- Capital
2X p 0,5 X l X m 1,5 X n 20.000.000
4.- No negatividad
Xi 0 i p, l , m, n
Max
Z 1.500 Xp 800 Xl 750 Xm 1.050 Xn
s.a :
4 Xp 5 Xl 3 Xm 6 Xn 250.000
36 Xp 72 Xl 50 Xm 10 Xn 390.000
2 Xp 0,5 Xl Xm 1,5 Xn 20.000.000
Xi 0 i p, l , m, n y enteras
27
Chilln 1.000.000
Iquique 750.000
El costo por miles de botellas desde las plantas de botellas a las plantas de bebidas
es:
DE \ A San Bernardo Chilln Iquique
Santiago 5 20 15
Concepcin 20 15 2
Puerto Montt 25 2 10
Antofagasta 75 50 40
Arica 45 80 60
Desarrollo
Variables de decisin.-
Xij : cantidad de botellas (en miles) producidas en la planta i (San Bernardo, Chilln e
Iquique) y enviadas a la planta embotelladora j (Santiago, Concepcin, Puerto Montt,
Antofagasta y Arica) en el mes.
Funcin Objetivo
3 8
Min C
i 1 j 4
ij * X ij Z
Min
Z= 5X14 + 20X15 + 25X16 + 75X17 + 45X18 +
20X24 + 15X25 + 2X26 + 50X27 + 80X28 +
15X34 + 2X35 + 10X36 + 40X37 + 60X38
Restricciones:
No Negatividad
xij 0
De Demanda
X 14 X 24 X 34 2.000
X 15 X 25 X 35 500
X 16 X 26 X 36 100
X 17 X 27 X 37 400
X 18 X 28 X 38 100
28
De Oferta
X 14 X 15 X 16 X 17 X 18 1.500
X 24 X 25 X 26 X 27 X 28 1.000
X 34 X 35 X 36 X 37 X 38 750
Problema 3: Un barco dispone de tres bodegas para la carga: una proa, una popa y una de
centro. La capacidad mxima de bodega es:
Bodega Capacidad en peso (ton) Mximo en Volumen (pie3)
Proa 2.000 100.000
Centro 3.000 135.000
Popa 1.500 30.000
Las cargas que deben ser transportadas pudiendo ser la cantidad total o parcial, son las
siguientes:
Mercader Carga disponible (ton) Volumen unitario (pie3/ton) Utilidad ($/ton)
a
A 6.000 60 6.000
B 4.000 50 8.000
C 2.000 25 5.000
A fin de asegurar la estabilidad del barco, el peso en cada bodega debe ser
proporcional a su capacidad en toneladas. Cmo debe ser distribuida la carga a fin
de asegurar una utilidad mxima?
Desarrollo
Variables de decisin
Xip : cantidad de carga de mercadera i, a ser llevados a proa
Xic : cantidad de carga de mercadera i, a ser llevados a centro
Xipp: cantidad de carga de mercadera i, a ser llevados a popa
i = A, B, C
Restricciones:
No Negatividad
X ip , X ic , X ipp 0
29
60 X Ap 25 X Bp 25 X Cp 100.000
60 X Ac 50 X Bc 25 X Cc 135.000
60 X App 50 X Bpp 25 X Cpp 30.000
De proporcionalidad a la capacidad
( X Ap X Bp X Cp ) ( X Ac X Bc X Cc ) ( X App X Bpp X Cpp )
2.000 3.000 1.500
Funcin Objetivo
Max
Z = 6000(XAp + XAc + XApp) + 8000(XBp + XBc + XBpp) + 5000(XCp + XCc + XCpp)
30
x1
x
2
X
xn
n1
b1
b
2
b
bm
m1
0
0
0
0
n1
31
A: matriz de m renglones y de n columnas, se le denomina matriz de coeficientes
tecnolgicos
x1
x
2
Z= c1 , c2 , ... , c3 1n *
xn
n1
s.a:
32
x1 0
x 0
2
xn 0
n1 n 1
Regla 2.-
a.- la desigualdad A X b es equivalente a la desigualdad A X b .
b.- la desigualdad A X b es equivalente a la desigualdad A X b .
Regla 3.-
Toda igualdad de la forma A X b , se puede descomponer como la interseccin de
dos desigualdades A X b y A X b .
Regla4.-
a.- Toda desigualdad de la forma A X b , se puede convertir en igualdad,
mediante la adicin del vector columna Y de m componentes no negativos, llamada
variable de holgura
y1 0
y 0
2
Y
ym 0
m1 m 1
33
b.- Toda desigualdad de la forma A X b , se puede convertir en igualdad mediante
la resta del vector columna H de m componentes no negativos, llamada variable
superfluas o de exceso.
h1 0
h 0
2
H
hm 0
m1 m 1
Regla 5.-
Una variable no restringida, la cual toma toda clase de valores: negativos, ceros y
positivos, se puede escribir como la diferencia de dos variables no negativas
R2.-
3 x1 8 x2 20
3 x1 8 x2 20
R3.-
10 x1 3 x2 7
10 x1 3 x2 7
10 x1 3 x2 7
R4 (a).-
34
10 x1 x2 5
7 x1 2 x2 1
x1 , x2 0
10 x1 x2 y1 5
7 x1 2 x2 y2 1
x1 , x2 0
y1 , y2 0
R5.-
x1 : variable no restrigida
x1 x 2 x3
x 2 x3 x1 0
x 2 x3 x1 0
x 2 x3 x1 0
Ejemplo.-
Convertir el problema de programacin lineal a la forma cannica
Min
Z 3 x1 4 x2 x3 (a)
s.a :
0,5 x1 2 x2 3
(b), (c)
x2 x3 4
x1 0, x2 0, x3 no restingida (d), (e), (f)
Desarrollo
La funcin objetivo queda por R1:
Max U = -Z = -3x1 + 4x2 x3
35
Max U = -Z = -3x1 + 4x2 x5 + x6
S.A.
0.5 x1 2 x 4 3
x 4 x5 x 6 4
x 4 x5 x 6 4
x1 , x 4 , x5 , x 6 0
Por ejemplo:
36
Existe un nmero finito de S.B.F. y, por lo tanto, tericamente es posible concebir una
solucin ptima, entonces para obtener la solucin de un PPL habr que ver en
teora qu valor tiene la funcin objetivo y seleccionar la mejor. Esto puede
convertirse en una tarea bastante ardua, s se tiene en cuenta que una regin factible
proveniente de un PPL con n incgnitas y m restricciones puede tener un nmero
mximo de:
n n!
puntos extremos
m !(nm m)!
Dnde n > m, para que exista un espacio de soluciones factibles mayor que un slo
punto, es decir, que las restricciones sean linealmente independientes (l.i.)
Por ejemplo: Si n = 50 y m = 30
50 50!
= 4.7129 * 1013 puntos extremos a analizar
30 30!(5030)!
Las tcnicas ms eficientes aplicadas para resolver conjunto de ecuaciones
simultneas son los procedimientos iterativos. El mtodo simplex tambin utiliza un
mtodo iterativo de solucin, el cual consiste en examinar las soluciones bsicas
factibles. En cada iteracin, el mtodo simplex pasa de una solucin factible inicial a
otra solucin factible y, finalmente, en un nmero finito de pasos (iteraciones) llega a
una solucin bsica factible ptima. Como la funcin objetivo (Z) debe ser mejorada
(o por lo menos, no empeorada) en cada paso, el nmero de soluciones bsicas
factibles que debe ser examinado antes de encontrar una solucin ptima es mucho
ms reducido que el nmero total de soluciones bsicas factibles que existe.
37
2.4.3.- Teora del Problema Del Programacin Lineal
Max
Z C X
s.a :
A X b
x0
La estructura ms conveniente para la manipulacin algebraica y la identificacin de
las soluciones factibles en un vrtice es lo que se llama Forma Aumentada del
Problema, el cual consiste en que el problema original cannico (contiene slo las
variables decisionales), se aumente el nmero de variables, especficamente, de
holgura necesarias para aplicar el mtodo simplex.
Para obtener la forma aumentada del problema, se introduce el vector columna de
las variables de holgura.
X n1
X
n2
Xs
X nm
De manera que las restricciones se conviertan en
38
X X
A , I b ; 0
X s Xs
Donde:
X
resulta de la solucin de las m ecuaciones: A , I b , en las que n variables de entre
X s
X
todas las (n + m) elementos de :
X , se igualan a cero. Cuando se eliminan estas n
s
variables igualndolas a cero queda un conjunto de m ecuaciones con m incgnitas
(variables bsicas).
39
Este sistema de ecuaciones se puede denotar por BX B b , donde:
X B1
X
B2
XB
X Bm
m1
x
bsicas de
x
s
B: es la matriz de base
B
Bm1 Bm2 Bmm
mm
La cual se obtiene al eliminar las columnas correspondientes a los coeficientes de las
variables no bsicas de A , I .
El mtodo Simplex introduce solo variables bsicas, tales que B sea no singular, de
manera que B-1 siempre exista, es decir:
40
B 1BX B B 1b
IX B B 1b
2.4.4.1.-Forma Matricial
Cuando se inicia el mtodo simplex, la forma matricial del conjunto de ecuaciones es
el siguiente:
Z
1 -C 0 0
X
0 A I b
X
S
Luego, las operaciones algebraicas realizadas por el mtodo simplex se expresan en
forma matricial, pre-multiplicando ambos lados del conjunto original de ecuaciones
41
por la matriz apropiada. Esta matriz tiene el mismo nmero de elementos que la
matriz idntica. En particular, despus de cualquier iteracin tenemos:
Z CB B 1b
X B B 1b
El segundo miembro de estas ecuaciones se ha convertido en:
Z 1 CB 0 CB b
1 1
B B
-1* 1
X B 0 B b B b
Por lo tanto, las operaciones algebraicas en ambos miembros del conjunto original de
ecuaciones han sido equivalentes, se usa esta misma matriz, que pre- multiplicada el
lado derecho original para pre-multiplicar el lado izquierdo. En consecuencia:
Z
1 C B B-1 1 C 0
1 C B B A C C B B 1
1
0 A 1 0
-1
0 B B-1 A B-1
42
Z
1 C B B 1 A C C B B 1 CB B 1b
x
0 B-1 A B-1 B 1b
xs
La ventaja del Tableau es que ordena y automatiza este procedimiento. Por lo tanto,
la forma de Tableau para cualquier iteracin es la siguiente:
Utilidad neta Precios sombra
Variables de Variables de
decisin holgura
X1 X2 Xn X n 1 X n 2 X n m Valores de
Z
variables base
Variables
1 C B B -1 A C C B B-1 CB X B
bsicas
X B1 0
X B2 0
B 1 A B 1 B-1 b
X Bm 0
Max : Z CX
s.a. :
AX b
x0
Paso 2:
Rescribir la F.O. de la siguiente manera:
Z CX 0
Paso 3:
Aplicar la regla de equivalencia 4, para convertir todas las desigualdades (variables
de holgura) en igualdades.
Con estos tres primeros pasos, la forma cannica queda convertida en:
43
Max : Z - CX 0
s.a.
AX Y b
X0
Y0
Donde Y: vector de variables de holgura.
Paso 4:
Construir la tabla con los coeficientes del programa, como se muestra a continuacin:
Forma condensada:
Z X1 X2 Xn X n 1 X n 2 X n m
1 CB B A C
-1
C B B-1 C B xB
xB1 0
xB 2 0
B 1 A B 1 B-1 b
xBm 0
Forma extensa:
Z x1 x2 xn xn 1 xn 2 xn m
1 z1 c1 z 2 c2 z n cn z n 1 c n1 z n 2 c n 2 z nZ
m0 c n m
44
AB1 0 Y11 Y12 Y1n Y1( n 1) Y1( n 2) Y1( n m ) xB1
AB 2 0 Y21 Y22 Y2 n Y2 ( n 1) Y2( n 2) Y2( n m ) xB 2
ABm 0 Ym1 Ym 2 Ymn Ym ( n 1) Ym ( n 2) Ym ( n m ) xBm
Vectores que integran la base actual Identificacin del punto extremo asociado a la base actual
Paso 5:
Seleccionar como vector de entrada aquel cuyo costo reducido (utilidad neta o precio
sombra) z j c j sea el ms negativa, si no hay ningn candidato de entrada, es decir,
todas las z j c j 0, j A , entonces la solucin X B es ptima; en caso de
empate, este se rompe arbitrariamente.
Paso 6:
Una vez seleccionada la columna a j que entrar a la nueva base, se selecciona el
vector de salida a Br de la base actual, utilizando la siguiente regla:
X Br
X
min Bk / Ykj 0
Yrj k Y
kj
En el caso que todas las Ykj del denominador sean negativos, se tiene una
solucin no acotada.
Paso 7:
La interseccin en el Tableau de la columna que entra y la fila que sale, determina el
elemento pivote Yrj , con el objetivo de convertir a la columna a j en el vector
unitario, es decir, ceros en toda la columna y un uno en la r-ava componente (el
mismo pivote Yrj ). Regrese al paso 5.
Nota: z j c j nos indica la utilidad ganada al introducir una unidad.
Ejemplo:
45
1: Mtodo Grfico
2: Mtodo Simplex
Paso 2 y 3
Max : Z 5000 X 1 3000 X 2 0
s.a.
3 X 1 5 X 2 X 3 15
5X1 2 X 2 X 4 10
X1 0 ; X 2 0
X3 0 ; X4 0
Paso 4: Tableau:
Tableau 0:
Z X1 X2 X3 X4
1 -5.000 -3.000 0 0 0
X3 0 3 5 1 0 15
X4 0 5 2 0 1 10
Tableau 1:
46
Z X1 X2 X3 X4
1 0 -1.000 0 1.000 10.000
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2
Tableau 2:
z x1 x2 x3 x4 Z*
1 0 0 5.000/19 16.000/19 235.000/19
x2 0 0 1 5/19 -3/19 45/19
x1 0 1 0 -2/19 5/19 20/19
235000
Z $ (um)
19
En este caso, se introdujo el producto 1 tanto como fue posible hasta alcanzar la
restriccin n 2, que fue la ms importante y limit la cantidad de X1 a dos unidades,
es as que al producir estas dos unidades de X 1 , la utilidad se increment de 0 a
$10.000 u.m.
47
Ejemplo:
Tableau 1:
Z X1 X2 X3 X4
1 0 -2 2 0 120
X1 0 1 1/2 1/4 0 15
X4 0 0 3 3 -1/2 1 18
48
Tableau 2:
Z X1 X2 X3 X4 Z*
1 0 0 5/3 2/3 132
X1 0 1 0 1/3 -1/6 12
X2 0 0 1 -1/6 1/3 6
La solucin es:
x1 12(u ) x2 6(u ) Z $132(u.m)
Ejemplo:
Min : Z 3x1 5x2
s.a.
x1 4
x2 6
3x1 2 x2 18
x1 , x2 0
49
Max:U Z 3x1 5x2 Max :U 3x1 5x2 0
s a.. s a..
x1 4 x1 x3 4
x2 6 x2 x 4 6
3x1 2x2 18 3x1 2x2 x5 18
x1 , x2 0 x1, x2, x3, x4,x5 0
Tableau 0:
U X1 X2 X3 X4 X5 Z0
1 -3 5 0 0 0 0
X3 0 1 0 1 0 0 4
X4 0 0 1 0 1 0 6
X5 0 -3 -2 0 0 1 -18
En este caso, al evaluar el primer tableau, tenemos que la tercera restriccin tiene
asignado un recurso negativo (-18), por ende, el valor de x 5, siendo una variable de
holguras, tiene una valor negativo asignado inicialmente, violando la restriccin
general de no negatividad. Debido a lo anterior, es que surgen dos mtodos, basados
en el mtodo simplex para solucionar este tipo de problemas (conocidos de
penalizacin sobre la funcin objetivo), los cuales son: Mtodo de la Gran M y el
Mtodo de Doble Fase.
50
variables de holgura (por lo general, ocurren las restricciones de igualdad y mayor-
igual). Estas variables penalizan a la funcin objetivo con un costo de MW, donde M
es un valor positivo arbitrario muy elevado. Como el mtodo simplex siempre trata de
mejorar la funcin objetivo, por ello es que ste tratar de sacar a W de la base
cuanto antes posible. Cuando W sale de la base, esto se traduce en que se ha
retornado al problema original y cuya solucin ptima estar garantizada por el
mtodo simplex. Si durante la operacin se llegar a una solucin ptima en que W
tiene un valor positivo, entonces implica que el problema original no tiene solucin (o
la solucin es infactible).
Nota: hay que tener presente que cuando la funcin objetivo es una maximizacin, la
variable artificial la penalizar con un valor negativo (-MW), en cambio, para una
funcin objetivo de minimizacin, la variable artificial la penalizara con un valor
positivo (+MW).
Ejemplo:
max
La forma estndar del modelo
simplex queda:
z 4 X1 X 2
s.a :
3X1 X 2 3
4 X1 3X 2 6
X1 2 X 2 4
X 1, X 2 0
max
z 4X1 X 2
s.a :
3X 1 X2 3
4X1 3X 2 X3 6
X1 2X 2 X4 4
X1, X 2 , X 3, X 4 0
51
Entonces, el PPL queda:
max
z 4X1 X2 MW1 MW2
s.a :
3X 1 X2 W1 3
4X1 3X 2 x3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0
Tenemos tres ecuaciones y seis incgnitas, por ello, la base inicial debe incluir 6-3=3
variables bsicas con valor distinto a cero e igual nmero de no bsicas con valor
igual a cero. Para ello, la funcin objetivo debe contener el mismo nmero de
variables que no estn en la base, pero la funcin objetivo esta constituida por cuatro
variables, por lo cual, ser necesario sustituir los trminos de w 1 y w2 para obtener la
forma cannica adecuada; lo anterior, se efecta reemplazando dichos trminos
partir de las restricciones que poseen dichas variables w 1 y w2. Para nuestro caso,
corresponde a la restriccin 1 y 2:
W1 3 3X 1 X2
W2 6 4X1 3X 2 X3
Z (4 7 M ) X 1 (1 4M ) X 2 MX 3 9M
52
Z X1 X2 X3 W1 W2 X4
1 0 (1-5M)/3 M (4+7M)/3 0 0 4-2M
X1 0 1 1/3 0 1/3 0 0 1
W2 0 0 5/3 -1 -4/3 1 0 2
X4 0 0 5/3 0 -1/3 0 1 3
Z X1 X2 X3 W1 W2 X4
1 0 0 1/5 (8+5M)/5 -(1- 0 18/5
5M)/5
X1 0 1 0 1/5 3/5 -1/5 0 3/5
X2 0 0 1 -3/5 -4/5 3/5 0 6/5
X4 0 0 0 1 1 -1 1 1
La solucin ptima es:
X 1 3 / 5
X B X 2 6 / 5 W1 0
X W
X N X 4 1 W2 0
X3 0
Z $18 / 5(um)
2.6.- METODO DE DOBLE FASE
Al igual que el mtodo de la gran M, este mtodo cumple con los mismos objetivos
que el anterior, pero de la siguiente manera. Sea el siguiente problema original (en
este caso usaremos la minimizacin para la funcin objetivo, aunque el mtodo es
independiente si es maximizacin, slo hay que interpretar bien el sentido de las
reglas a utilizar):
53
min
Z CX
s.a. :
A X b
X 0
Introducimos las variables artificiales al problema original:
min
Z CX
s.a. :
A X Y W b
X 0, Y 0,W 0
FASE I:
Se resuelve el siguiente problema.
min
W Wi
i 1
s.a. :
A X Y W b
X 0,Y 0,W 0
La solucin ptima en esta fase debe ser W = 0. Si se tiene que W > 0, el problema
no tiene solucin.
FASE II:
54
Se toma toda la tabla ptima anterior, ignorando nicamente las columnas asociadas
a los Wi y el rengln de costos reducidos z j c j , sustituyendo este rengln por la
funcin objetivo inicial:
min
Z C X
s.a. :
B 1 AX B 1Y B 1b
X 0, X 0
Ejemplo:
min : Z 4 X 1 X 2
s.a :
3X 1 X 2 3
4 X 1 3X 2 6
X1 2X 2 4
X1, X 2 0
Fase I:
min
W W1 W2
s.a. :
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0
55
El problema estndar queda:
min
W 7X1 4X 2 X 3 9
s.a. :
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0
W X1 X2 X3 W1 W2 X4
1 0 5/3 -1 -7/3 0 0 2
X1 0 1 1/3 0 1/3 0 0 1
W2 0 0 5/3 -1 -4/3 1 0 2
X4 0 0 5/3 0 -1/3 0 1 3
W X1 X2 X3 W1 W2 X4
1 0 0 0 -1 -1 0 0
X1 0 1 0 1/5 3/5 -1/5 0 3/5
X2 0 0 1 -3/5 -4/5 3/5 0 6/5
X4 0 0 0 1 1 -1 1 1
Por lo tanto, como W=0, el problema tiene solucin factible y pasamos a la fase II.
FASE II:
Las variables artificiales han servido a su propsito y se deben eliminar en todos los
clculos siguientes. Lo anterior significa que las ecuaciones de la tabla ptima de la
fase I se pueden escribir como:
1 3
X1 X3
5 5
3 6
X2 X3
5 5
X3 X4 1
56
min
z 4X1 X 2
s.a. :
1 3
X1 X3
5 5
3 6
X2 X3
5 5
X3 X4 1
X1, X 2 , X 3, X 4 0
Se puede apreciar que la fase I nos proporciona una solucin bsica inicial
preparada para el problema original. Es decir, queda 4(variables) - 3(restricciones) =
1 variable asignado con valor cero, es decir, X 3 = 0 y la solucin bsica factible inicial
est constituida por X1 ,X2 y X4.
Z X1 X2 X3 X4
57
1 0 0 0 -1/5 17/5
X1 0 1 0 0 -1/5 2/5
X2 0 0 1 0 3/5 9/5
X3 0 0 0 1 1 1
X 1 2 / 5
X B X 2 9 / 5
X
X N X 3 1
X 4 0
Z $17 / 5(um)
2.7.- CASOS ESPECIALES DE PPL MEDIANTE TABLEAU
Como hemos analizado hasta ahora, el desarrollo y resolucin de PPL, mediante
tablas no es complejo pero si algo trabajoso. En este punto veremos, al igual como lo
vimos en el punto 2.2.2, dnde efectuamos un estudio desde la perspectiva del
mtodo grfico, ahora los casos especiales que informa la resolucin de distintos
problemas a travs de los tableau.
La utilidad de lo anterior, es que nos permitir analizar distintos casos que no son
previsibles cuando se resuelve cualquier problema particular.
58
Mx Z 4 X 1 4 X 2
s.a. :
2X1 2X 2 2
X1 2X 2 4
X1, X 2 0
Su representacin grfica es la siguiente:
Hemos visto que a medida que crece la funcin objetivo paralelamente hacia la
derecha, su valor crece o incrementa, pero la RSF no es un conjunto cerrado o
acotado por el lado derecho, por lo cual, la funcin objetivo no tiene limite y, por
ende, su valor es infinito.
Ahora, como podemos identificar dicho estudio con el mtodo simplex. Sea el
problema de programacin lineal cannico:
59
Max : Z CX
s.a. :
AX b
x0
En cualquier iteracin del mtodo simplex, el vector que entra a la base es el
asociado a la variable X k, entonces si todas las Yik 0, i 1, , m , la solucin del
problema lineal es no acotado.
Mx Z 4 X 1 4 X 2
s.a. :
2X1 2X 2 2
X1 2X 2 4
X1, X 2 0
Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X1 X2 X3 X4
1 -4 -4 0 0 0
X3 0 -2 2 1 0 2
X4 0 -1 2 0 1 4
Z X1 X2 X3 X4
1 -8 0 2 0 4
X2 0 -1 1 1/2 0 1
X4 0 1 0 -1 1 2
Z X1 X2 X3 X4
1 0 0 -6 8 20
X2 0 0 1 -1/2 1 3
X1 0 1 0 -1 1 2
60
Como se puede apreciar, en esta tercera iteracin X 3 debe entrar a la base, pero
Y13 1 / 2 0 y Y23 1 / 2 0 .
Por lo tanto, no es posible aplicar la regla de seleccin que indica que variable debe
salir de la base ptima.
Mx Z 5 X 1 2 X 2
s.a. :
6 X 1 10 X 2 30
10 X 1 4 X 2 20
X1, X 2 0
61
Como se aprecia, la funcin objetivo tiene un valor mximo (ptimo) cuando coincide
con el trazo AB de la RSF. Como se ha dicho, la solucin ptima sigue estando en un
punto extremo (vrtice), solo que la gran diferencia es que son dos puntos ptimos a
conocer, el punto A y B. Es necesario recordar el concepto de la combinacin lineal
convexa entre dos puntos A y B, ya que cualquier punto perteneciente a la recta AB
tambin es ptima, es decir, como existen infinitos puntos tambin existen infinitos
puntos ptimos que generan el mismo valor de la funcin objetivo.
Nuevamente debemos indicar cuales sern las condiciones que nos permitirn
identificar soluciones mltiples ptimas mediante el mtodo simplex. Sea el problema
de programacin lineal cannico:
62
Max : Z CX
s.a. :
AX b
x0
Si existe un vector asociado a Xk que no est en la base ptima, cuyo costo reducido
z k c k 0 , el resto de los z i ci 0 y todas Yik 0, i 1, , m , entonces el
problema de programacin lineal tiene soluciones mltiples y la base es ptima.
Mx Z 5 X 1 2 X 2
s.a. :
6 X 1 10 X 2 30
10 X 1 4 X 2 20
X1, X 2 0
Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X1 X2 X3 X4
1 -5 -2 0 0 0
X3 0 6 10 1 0 30
X4 0 10 4 0 1 20
Z X1 X2 X3 X4
1 0 0 0 1/2 10
X3 0 0 38/5 1 -3/5 18
X1 0 1 0 0 1/10 2
63
X1 2
X 0
X 2
1
X 3 18
X4 0
Z $10(um)
Para determinar cual sera el otro punto extremo, se deber introducir a la base la
variable X2, asi:
Z X1 X2 X3 X4
1 0 0 0 1/2 10
X2 0 0 1 5/38 -3/38 45/19
X1 0 1 0 -1/19 5/38 20/19
Como ya se explic, existe una combinacin lineal convexa entre los puntos X1 y X2
que tambin es ptima, es decir, se genera el mismo valor de la funcin objetivo. La
expresin matemtica que define dicha expresin, asociada a un X * es:
2 20 / 19
0 45 / 19
X X (1 ) X
* 1 2 (1 ) , 0 1
18 0
0 0
la cual genera un punto ptimo de un conjunto de puntos ptimos existentes.
1. del tipo , ya que las variables de holgura siempre generarn una RSF y, por
lo tanto, existir una solucin factible ptima,
64
2. del tipo efectivamente generan variables artificiales W que por su
estructura no nos garantizan una solucin factible al modelo inicial y aunque
se efecten las provisiones necesarias para que exista un solucin ptima, es
decir, que efectivamente W = 0, si no existe una RSF el problema no tendr
solucin.
Veamos ahora cmo identificamos esta condicin por medio del mtodo de
penalizacin de Gran M, presentando primero el PPL estndar y el tableau original:
65
Mx
Z 2 X 1 2 X 2 MW 0
sa :
X1 X 2 X 3 2
X1 X 2 X 4 W 4
X1, X 2 0
Z X1 X2 X3 X4 W
1 -2 -2 0 0 M 0
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4
Z X1 X2 X3 X4 W
1 -2-M -2-M 0 M 0 -4M
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4
Z X1 X2 X3 X4 W
1 0 0 2+M M 0 4-2M
X1 0 1 1 1 0 0 2
W 0 0 0 -1 -1 1 2
66
Veamos el siguiente ejemplo:
Max
Z 3X1 9 X 2
sa :
X1 4X 2 8
X1 2X 2 4
X1, X 2 0
La resolucin mediante el mtodo simplex es:
Z X1 X2 X3 X4
1 -3 -9 0 0 0
X3 0 1 4 1 0 8
X4 0 1 2 0 1 4
Z X1 X2 X3 X4
1 -3/4 0 9/4 0 18
X2 0 1/4 1 0 2
X4 0 1/2 0 -1/2 1 0
Z X1 X2 X3 X4
1 0 0 3/2 3/2 18
X2 0 0 1 -1/2 2
X1 0 1 0 -1 2 0
Podemos ver en este caso que en la segunda iteracin ya se obtuvo el valor ptimo
de la funcin objetivo, pero sus vectores bsicos no son los ltimos; en cambio, en la
ltima iteracin los vectores bsicos son los ltimos, pero la solucin no mejoro. En
esta caso se puede apreciar que la primera restriccin es redundante (vista de
manera grfica), por lo cual, se dice que el punto esta mas que determinado o
sobredeterminado, ya que solo son necesarias las restricciones de negatividad y la
segunda restriccin. Lamentablemente, no existe ninguna tcnica confiable que nos
permita identificar restricciones redundantes a partir del tableau, slo se puede
apreciar por el mtodo grfico, como se ve a continuacin del ejemplo anterior.
67
Como vimos anteriormente, las iteraciones uno y dos generaron una suerte de
ciclaje, ya que a partir de un estado comn (valor objetivo iguales) se obtuvieron
soluciones distintas. Pero que pasa cuando son ms de dos variables, la respuesta
es ms compleja ya que el ciclaje o reciclaje, efectivamente, se vuelve ms notorio,
ya que a partir del tableau inicial y despus de sucesivas iteraciones aplicando el
mtodo simplex, podemos volver nuevamente al tableau inicial sin poder llegar a la
solucin ptima. Las tcnicas utilizadas para solucionar el ciclaje generan una
reduccin drstica en los clculos y, por ende, en los tiempos de ejecucin, pero una
tcnica que mejora esta causa es la Regla Lexicogrficas.
68
CAPITULO III: DUALIDAD Y ANLISIS DE SENSIBILIDAD
3.1.- DUALIDAD
Uno de los descubrimientos ms importantes durante el desarrollo inicial de la
programacin lineal fue el concepto de dualidad y sus importantes ramificaciones,
ste revel que asociado a todo problema de programacin lineal existe otro
problema lineal llamado Dual. Las relaciones entre el problema dual y el original
(llamado primal) son tiles en una gran variedad de situaciones. Por ejemplo la
solucin ptima del problema dual es la que proporciona los precios sombra, otro
aspecto importante de la teora de la dualidad es la interpretacin y realizacin del
anlisis de sensibilidad; dado que algunos o todos los valores de los parmetros que
se emplean en el modelo original son slo estimaciones de las condiciones futuras,
es necesario investigar el efecto que tendra sobre la solucin ptima en caso que
prevalecieran otras condiciones e incluso ciertos valores de estos parmetros (como
la cantidad de recursos ) pueden representar decisiones de la gerencia en cuyo caso
su eleccin debe ser el punto ms importante de la investigacin y se puede estudiar
a travs del anlisis de sensibilidad.
Max.
Z C X
s.a. Problema Primal
AX b
X0
Entonces, el P.P.L. dual se define como determinar las variables duales
w1 , w2 , , wm , por lo cual, se define la siguiente estructura:
69
Min
G bT W
s.a. Problema Dual
AT W CT
W 0
Donde:
C T : Vector columna con n componentes transpuesta del vector C, vector de
disponibilidad
de recursos duales.
W : Vector columna con m componentes; vector de actividades de variables duales.
AT : Transpuesta de la matriz A, es decir, matriz de n m elementos, matriz de
coeficientes tecnolgicos.
G: Funcin objetivo dual, escalar.
b T : Vector de precios unitarios duales transpuesta del vector b; vector regln con m
componentes
Formas de Dualidad
s.a s.a
1.- T T
A X b A W C
X 0 W 0
70
Otras formas seran:
T
Min Z C X Max G b W
s.a s.a
2.-
A X b AT W CT
X 0 W 0
Veamos, por ejemplo, como se demuestra el PPL dual a partir del PPL primal:
Max - Z C X
s.a.
A X b
X 0
Aplicando la definicin de dualidad,
Min - G bT W
s.a.
AT W C T
W 0
Que es equivalente a:
71
Max G bT W
s.a.
AT W C T
W 0
T
Max Z C X Min G b W
s.a s.a
3.-
A X b AT W CT
X 0 W norestringida
T
Max Z C X Min G b W
s.a s.a
4.-
A X b AT W CT
X 0 W 0
72
Resumiendo, podemos formular el problema dual de cualquier problema primal,
segn la siguiente tabla:
Problema de Maximizacin Problema de Minimizacin
Si la restriccin es: La variable asociada es:
0
0
= irrestricta
Si la variable es: La restriccin correspondiente es:
0
0
irrestricta =
Ejemplo:
Dado el siguiente problema primal
Max Z 3 X1 8 X 2 2 X 3 4 X 4
s.a.
X1 X 2 2 X 3 3 X 4 5
X1 X 2 -1
X 3 - X 4 46
X1, X 2 , X 3 , X 4 0
73
3
1123 5
8T
A 1 1 0 0 b -1 C
2
0 0 1 1 46
4
1 1 0
1 1 0
AT bT 5 1 46 C 3 8 2 4
2 0 1
3 0 1
74
Min G 5W1 W2 46W3
s.a.
W1 W2 3
W1 W2 8
2W 1 W3 2
3W1 W3 4
W1,W2 ,W3 0
Ejemplo:
75
c) Generar mtodos como el Dual Simplex para el anlisis de sensibilidad de los
P.L.L.
Teorema 1: Dado un problema primal (P), el dual del problema dual es el problema
primal.
Para demostrar esta condicin, utilizando el problema primal (P) original, se tiene que
el problema dual (D) asociado es:
Min G bT W
s.a.
AT W C T
W 0
Transformemos este problema a maximizacin y multiplicando por (-1):
Max - G bT W
s.a.
AT W C T
W 0
Ahora, apliquemos el dual a este problema
76
Min - Z C X
s.a.
A X b
X 0
El cual es equivalente a:
Max Z C X
s.a.
A X b
X 0
T
Max Z CX Min G b W
s.a s.a
AX b AT W CT
X0 W 0
Teorema N2: Teorema Dbil de Dualidad:
77
Si el problema primal es de maximizacin y el problema dual de minimizacin,
entonces X y W son soluciones factibles del problema primal y dual,
respectivamente. Entonces se cumple que:
Z C X bT W G
Dem:
Si X es factible para (P), entonces A X b, y premultiplicando por W
T
0:
W AX W b .
T T
Luego:
T
C X W AX b T W Z G
Quiere decir que para cualquier par de soluciones factibles X ,W del primal y dual,
la funcin objetivo del primal es siempre menor o igual a la funcin objetivo del dual.
78
Max Z CX
s.a.
P
AX b
X0
Supongamos que la matriz A puede ser subdividida en:
A B| N
B = Matriz de vectores bsicos
N = Matriz de vectores no bsicos
Max Z C BX B C N X N
s.a.
BX B NX N b
XB 0 ; X N 0
La solucin de este problema existe, pero el problema consistir en hacer X N = 0 (ya
que es no bsica) y resolver el vector XB en trminos de la base B, quedando as:
X B B 1b
Z CBX B
Z C B B -1b
C B 1b W Tb
B
Dentro del Tableau del P.P.L. primal C B B 1 corresponde al valor de los costos
reducidos de las variables de holgura.
79
Ejemplo:
Hallar el valor de las variables duales ptimas y su funcin objetivo del P.P.L:
Max Z 4 X1 3X 2
s.a.
2 X1 3 X 2 18 ( P)
4 X1 2 X 2 10
X1 , X 2 0
W2* Z 4 C 4 3 / 2
80
2 0 4 3 / 2 6 4
3 0 2 3 / 2 3 3
0 0 ; 3/2 0
G 18 0 10 3 / 2 15 Z
T
Max Z CX Min G b W
s.a s.a
AX b ATW CT
X0 W 0
Teorema N4: Teorema de Holguras Complementarias Dbil
Dado los problemas Primal y Dual estndares, una condicin necesaria y suficiente
para X y W sean ptimas, respectivamente de (P) y (D) es:
T
W (b A X ) 0
T
X ( AT W C T ) 0
Demostracin:
Sea:
v b AX 0 variables de holgura del problema primal
u AT W C T 0 variables de holgura del problema dual
Sea X W un par de soluciones del primal y dual, entonces la condicin del teorema
se puede expresar como:
T
v W 0
T
u X 0
81
v b AX 0
u AT W C T 0
T
Dado que v W 0, se obtiene:
T T
W AX W b
d. AT W C T implica X 0
82
Como B-1 es la inversa de la base ptima del problema primal, entonces
multipliquemos por la base ptima dicha ecuacin:
W T B C B B 1B
W T B C B
De esta manera:
B
C 1a CB
B
j j
Y
j
Y
C CB z CB
B j j j j
Z ' Z W T b
83
Si el cambio en el vector recurso b es u (unitario), la funcin objetivo cambiar en w
unidades, es decir, que si la componente bi i 1, , n de b, sufre un cambio
unitario, la funcin objetivo sufrir un cambio w i (la i-sima del vector dual).
Ejemplo:
Hay que indicar que la interpretacin econmica es vlida solamente para cambios
unitarios en el vector b, ya que estos no afectan a la base ptima.
Los cambios que no sean unitarios (en los distintos recursos), se estudiarn en el
anlisis de sensibilidad y programacin paramtrica, el cual se ver ms adelante.
84
Dado el siguiente problema primal-dual:
Max Z C X Min G b W
T
s.a s.a
T T
A X b A W C
X 0 W 0
Paso1:
Construya el tableau cero, siguiendo las mismas reglas vistas para el mtodo
simplex, es decir, que aparezca la matriz identidad y que los costos reducidos, en
este caso, sean mayores o iguales a cero, es decir:
z c 0 , j A
j j
Paso2:
Revisar todos los X Bi , i 1, , m :
1. Si todos los X Bi 0 , entonces el tableau actual es ptimo y, por ende, la solucin
es ptima.
2. Si uno o ms X Bi 0 , entonces se selecciona el vector b r que debe abandonar la
base, utilizando la siguiente expresin:
X br Min
i 1, , m
X ;X
Bi Bi
0
Paso 3
El vector xk de entrada a la base, debe satisfacer la siguiente regla, la cual es:
zk ck z c
j j
Max ,Y 0
Yrk j 1, , n Y r j
rj
Paso 4
La columna xk se convierte en el vector unitario, cuyo pivote Y rk es igual a uno.
Dichos cambio se efectan con operaciones matriciales elementales. Regrese al
paso 2 hasta que se cumplan las condiciones de optimalidad.
85
Ejemplo:
Resolver usando el Simplex Dual:
H W1 W2 W3 W4 H0
1 18 10 0 0 0
W3 0 -2 -4 1 0 -4
W4 0 -3 -2 0 1 -3
H W1 W2 W3 W4 H0
1 13 0 5/2 0 -10
W2 0 1/2 1 -1/4 0 1
W4 0 -2 0 -1/2 1 -1
H W1 W2 W3 W4 H0
1 3 0 0 5 -15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2
86
W2 3 / 2
WB W3 2
W
WN W1 0
W4 0
G H 15
La diferencia entre el mtodo dual simpleX y los dos de penalizacin, radica en que,
primero no se utilizan variables artificiales y, segundo existen menos iteraciones,
pero la desventaja es que exige la condicin de factibilidad dual, es decir,
z c 0 , j A
j j
Max Z CX Min G b W
T
s.a s.a
T T
AX b A W C
X 0 W 0
De esta manera, existe una relacin directa entre el tableau ptimo primal y dual, el
cual se puede obtener con el siguiente procedimiento:
Paso 1
Las variables no bsicas de la tabla ptima primal pasan a ser las variables bsicas
de la tabla dual. Asigne las variables duales, respetando el orden en que aparecen
en la tabla primal, comenzando por las variables de holgura.
Paso 2
87
El valor de las variables bsicas duales corresponde al valor de los costos reducidos
de las variables no bsicas del problema primal, comenzando por las variables de
holgura.
Paso 3
Los costos reducidos de las variables duales no bsicas corresponden al valor de las
variables bsicas del problema primal.
Paso 4
Para obtener los Yj de las variables no bsicas del problema dual, se pasa a
columna las filas (asociada a las variables bsicas) los valores relacionados a las
variables no bsicas del primal, comenzando por las variables de holgura y
multiplicando por (-1).
Paso 5
El valor ptimo de la funcin dual es el mismo que el valor ptimo del problema
primal en el tableau ptimo.
Ejemplo:
Tableau Primal
W3 W4 W1 W2
Z X1 X2 X3 X4 Z0
1 2 0 0 3/2 15
88
X3 0 -4 0 1 -3/2 3
X2 0 2 1 0 1/2 5
Tableau Dual
G W1 W2 W3 W4 G0
1 3 0 0 5 15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2
Ejemplo:
Dado el siguiente problema dual, resolver el problema primal asociado mediante el
mtodo simplex y a partir de esta obtenga la tabla ptima del problema dual.
Min G 2W1 W2
s.a.
3W1 W2 3
(Pr oblema _ Dual)
4W1 3W2 6
W1 2W2 3
W1, W2 0
Desarrollo:
El problema primal asociado al dual anterior es:
89
Max - 3X1 - 6X 2 - 3X3 0
s.a.
3X1 3X 2 2X3 X 4 2
X1 3X 2 2X3 X5 1
X1, X 2 , X3 , X 4 , X5 0
Tableau Primal
Z X1 X2 X3 X4 X5 Z0
1 -3 -6 -3 0 0 0
X4 0 3 4 1 1 0 2
X5 0 1 3 2 0 1 1
1 -1 0 1 0 2 2
X4 0 5/3 0 -5/3 1 -4/3 2/3
X2 0 1/3 1 2/3 0 1/3 1/3
1 0 0 0 3/5 6/5 12/5
X1 0 1 0 -1 3/5 -4/5 2/5
X2 0 0 1 1 -1/5 3/5 1/5
Tableau Dual
G W1 W2 W3 W4 W5 G0
1 0 0 2/5 1/5 0 -12/5
W1 0 1 0 -3/5 1/5 0 3/5
W2 0 0 1 4/5 -3/5 0 6/5
W5 0 0 0 1 -1 1 0
90
2.- Cambios en el vector C.
3.- Cambios en la matriz A.
4.-Cambios en el vector X.
5.-Cambio en el nmero de restricciones.
Los tres primeros cambios pueden ocurrir, tanto de manera continua o discreta, en
cambio, los dos ltimos slo pueden ocurrir de manera continua. El cambio discreto
significa hacer variar una o varias componentes del problema original y
reemplazarlos por nuevas cantidades. Para el cambio continuo, dnde el anlisis de
sensibilidad se llama programacin
paramtrica, sufren cambios descritos por:
b b , -
C C , -
a j a j , - , j A
Donde:
b, C , a j : Vectores con las mismas dimensiones que los vectores b , C, A
, , : escalares que pueden tomar cualquier valor real.
Max Z C X
s.a.
Problema Original (PO)
A X b
X 0
Se produce un cambio discreto en el vector b , cuyo nuevo valor ser b b , donde
b es un vector de m componentes. El nuevo problema a resolver es:
Max Z C X
s.a.
Problema Nuevo (PN)
A X b b
X 0
91
Como se comienza de la solucin ptima del PO, sabemos que B 1 es la inversa de
la base ptima B del problema original, entonces la solucin al PO es:
X B B 1b
y
Z CB X B
Al cambiar b a b b el vector XB cambia a uno nuevo X B dado por:
X B B 1 b b .
Sea
X1: nmero de litros del producto qumico A.
X2: nmero de litros del producto qumico B.
Z X1 X2 X3 X4 Z0
92
1 -5 -3 0 0 0
X3 0 3 5 1 0 15
X4 0 5 2 0 1 10
1 0 -1 0 1 10
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19
X 2 45 / 19
* X B X 1 20 / 19
X
Z* 235/19
X X
N 3 0
X 0
4
5 / 19 3 / 19
B 1
2 / 19 5 / 19
a.- Supongamos que producto del mercado laboral, nuevas restricciones al empleo y
la situacin macroeconmica, se debe reducir a 5 el nmero de empleados y la el
costo de produccin a $5/hora.
93
15 10 5
b
10 5 5
El nuevo programa lineal a resolver es:
Max : Z 5X 3X
1 2
s.a.
3X 5X 5 (PN )
1 2
5X 2X 5
1 2
X ,X 0
1 2
No es necesario resolver el problema desde el principio, sino que utilizaremos el
anlisis de sensibilidad, con el cual, determinamos si el nuevo vector X B B 1 b b
es factible o no. Si no es as, habr que restablecer la factibilidad y la optimalidad,
utilizando el simplex dual, a partir de la tabla ptima del PO. Sea:
94
5 /
X B 1bb 0 19 3 / 19 5 1 0 / 19
B 2/19 5/19 5 15/19
Por lo tanto, el nuevo vector es:
X2 0/1 19
XB es ptimo
X 5/1 19
1
El nuevo valor de la funcin objetivo es:
X
Z C B X B C2 C1 2 3 5
10 / 19
X
1 15 / 19
Z * 105 / 19 $5.53
Hay que notar que una reduccin en ambas restricciones, por si redujo la produccin
de cada producto qumico y, por ende, la utilidad esperada.
95
Max : Z 5X 3X
1 2
s.a.
3X 5X 10 (PN )
1 2
5X 2X 20
1 2
X ,X 0
1 2
Utilizando el anlisis de sensibilidad, se tiene que:
5 /
X B 1bb 0 19 3 / 1 9 1 0 1 0 / 1 9
B 2/19 5/19 20 80/19
Por lo tanto, el nuevo vector es:
10 / 19
XB no es ptimo
80/19
Por lo tanto, el necesario utilizar simplex dual para restaurar la factibilidad y obtener
la optimalidad. De esta manera, utilizando el tableau ptima del PO y reemplazando
los valores de la columna X B por X B , se tiene:
96
Z X1 X2 X3 X4 Z0
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 -10/19
X1 0 1 0 -2/19 5/19 80/19
1 0 16/3 5/3 0
X4 0 0 -19/3 -5/3 1 10/3
X1 0 1 5/3 1/3 0 10/3
Obreros, lo cual genera que la holgura X3=0, mientras que la otra restriccin:
10 50
5 2 0 20
3 3
50 10
X 20 -
4 3 3
3.2.1.2.-Cambios En El Vector C :
Supongamos nuevamente el siguiente problema original:
Max Z CX
s.a.
Pr oblema Original
A*X b
X0
El cambio discreto en el vector C , ser un nuevo valor C C , donde C es un
vector de n componentes. El problema nuevo a resolver es:
97
Max Z (C C)X
s.a.
Pr oblema Nuevo
A*X b
X0
Sea B 1 la inversa de la base ptima asociada al problema original. Entonces, al
generar el incremento de C, se tiene que los z j c j cambian a z c j c j , o sea:
z c c C B B 1a j c j c j W T a j c j c j
j j j
Donde a j es la columna de la matriz A.
Ejemplo:
a.- Sigamos con el ejemplo del caso anterior:
Max Z 5X 3X
1 2
s.a.
3X 5X 15 Pr oblema Original
1 2
5X 2X 10
1 2
X ,X 0
12
Supongamos que el precio unitario del producto qumico B, se reduce a $3 a $1 por
lo tanto, el problema original queda:
98
Max Z 5X X
1 2
s.a.
3X 5X 15 (PN )
1 2
5X 2X 10
1 2
X ,X 0
1 2
Por lo tanto C C 5 3 0 0 0 2 0 0 5 1 0 0
Como la nica componente de C que cambio es c 2, entonces indica que slo cambia
el costo reducido z2 c2 es:
5
z2 c2 c2 W T a2 c2 c2
16 5
19 2
1 3 1 2 0 ,
19
99
X3 9
* X B X1 2
X
X X 0
N 2
X 0
4
Z* 10
Se concluye que se deja de producir del bien 2, ya que sus costos son mayores que
sus ganancias, por lo cual, slo se produce del bien 1, el cual est limitado por la
restriccin 1 (cuello de botella).
b.- Sigamos con el ejemplo del caso anterior, pero ahora supongamos que el precio
unitario del producto qumico A y B, se reducen de $5 a $1 y $3 a $1,
respectivamente, entonces el problema nuevo queda:
Max Z X X
1 2
s.a.
3X 5X 15 ( PN )
1 2
5X 2X 10
1 2
X ,X 0
1 2
Por lo tanto C C 5 3 0 0 4 2 0 0 1 1 0 0
Las componentes de C que cambian son c 1 y c2, generando que cambien los costos
reducidos z1 c1 z 2 c2 , entonces:
5
z1 c1 c1 W T a1 c1 c1
16 3
19 5
1 5 1 4 0
19
5
z 2 c2 c2 W T a2 c2 c2
16 5
19 2
1 3 1 2 0 ,
19
100
Z X1 X2 X3 X4 Z0
1 0 0 3/19 2/19 65/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19
De esta manera, la reduccin de los precios unitarios, genero que la utilidad final se
redujera de $12,37 a $3,42, ya que no variaron las producciones de los productos
qumicos A y B.
Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9
101
Max Z 6X 5X
1 2
s.a.
X 4 ( PN )
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3 5 0 0 3 0 0 0 6 5 0 0
Como la nica componente de C que cambio es c 1, entonces indica que slo cambia
el costo reducido z1 c1 es:
z1 c1 c1 W T a1 c c 0
1 1
5 1
2 3
6
15
2
3
6 0,
2
Por lo tanto, ya es ptimo, lo cual quiere decir que en incremento del precio unitario
de $3 a $6 sobre la primera actividad (que no es bsica) no ha generado un cambio
en la solucin ptima del PO, siendo la misma para el PN, es decir:
X 3 4
* X B X 2 9
X
X X 0
N 1
X 0
4
Z* 45
102
Max Z 10X 5X
1 2
s.a.
X 4 (PN )
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3 5 0 0 7 0 0 0 10 5 0 0
Como la nica componente de C que cambio es c 1, entonces indica que slo cambia
el costo reducido z1 c1 es:
z1 c1 c1 W T a1 c1 c1 0
5 1
10
15 5
10 0 ,
2 3 2 2
Por lo tanto, es ptimo, lo cual quiere decir que en incremento del precio unitario de
$3 a $10 sobre la primera actividad (que no es bsica) ha generado un cambio en la
solucin ptima, la cual es:
X1 4
* X B X 2 3
X
X X 0
N 3
X 0
4
Z* 45
Lo anterior significa que como X 1 no es bsica, su nivel de utilizacin es de cero,
pero el incremento de su precio unitario es lo suficientemente atractivo para que su
nivel de utilizacin se incremente de su valor cero a 4 unidades, pero a su vez se
reduce el nivel de utilizacin del producto dos de 9 a 3 unidades, lo bueno es que
dicho cambio incrementa la utilidad de $45 a $55.
103
3.2.1.3.- Cambio En El Coeficiente Tecnolgico a j Cuando J No Es Bsico:
En el caso que se trate de una variable bsica, se recomienda que se resuelva el
nuevo problema desde el principio, aunque existen mtodos de anlisis de
sensibilidad para este caso, estos son demasiados complejos.
Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:
Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9
104
Max Z 3X 5X
1 2
s.a.
2X 4 ( PN )
1
2X 2X 18
1 2
X ,X 0
1 2
donde :
1 2
a a
1 3 1 2
Como slo se cambio el vector a1, entonces slo cambia el costo reducido z c
1 1 de
la siguiente manera:
5 2
z c W T a1 c 0 3 53 2 0 ,
1 1 1 2 2
Como z1 c1 0 , y j=1 no est en la base original ptima del problema original, por
lo tanto, reemplazando este valor en el tableau del PO, el problema queda:
Z X1 X2 X3 X4 Z0
1 2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9
El tableau es ptimo y la solucin del PO sigue siendo ptima para el PN, as:
X3 4
X B X 2 9
X
X X 0
N 1
X 0
4
Z 45
105
Max Z 3X 5X
1 2
s.a.
10X 4 ( PN )
1
1X 2X 18
1 2
X ,X 0
1 2
donde :
1 10
a a
1 3 1 1
Como z1 c1 0 , y j=1 no est en la base ptima original del problema original, por
lo tanto, hay que aplicar el mtodo simplex, pero actualizando el vector Y1 del
tableau original por otro nuevo Y1 , dado por:
1 0 10 10
Y j B 1a j
0 1 / 2 1 1 / 2
Como no es ptimo, por lo cual, hay que aplicar el mtodo simplex para regresar a la
optimalidad, quedando el siguiente tableau final del PN:
Z X1 X2 X3 X4 Z0
1 0 0 1/20 5/2 181/5
X1 0 1 0 1/10 0 2/5
X2 0 0 1 -1/20 1/2 44/5
106
X1 2 / 5
X B X 2 44 / 5
X
X X
N 3 0
X 0
4
Z 181 / 5 36, 2
Y j B 1a j
Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:
Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9
107
coeficientes tecnolgicos asociado a la primera y segunda restriccin es de 1 y 2,
respectivamente, por lo tanto, el problema nuevo queda:
Max Z 3X 5X 7 X
1 2 5
s.a.
2X X 4 ( PN )
1 5
2X 2X 2 X 18
1 2 5
X ,X , X 0
1 2 5
donde :
1
a
5 2
Como z c 0, hay que calcular la columna Y5 del nuevo tableau dado por:
5 5
1 0 1 1
Y5 B 1a5
0 1 / 2
2 1
El nuevo tableau queda de la siguiente manera, luego de ingresar los costos reducidos y el
vector columna asociado, y sobre el cual hay que aplicar el mtodo simplex primal:
Z X1 X2 X5 X3 X4 Z0
1 9/2 0 -2 0 5/2 45
X3 0 1 0 1 1 0 4
X2 0 3/2 1 1 0 1/2 9
El tableau final del PN, luego de restablecer la optimalidad de este problema, queda
finalmente::
Z X1 X2 X5 X3 X4 Z0
1 13/2 0 0 2 5/2 53
X5 0 1 0 1 1 0 4
X2 0 1/2 1 0 -1 1/2 5
Es ptimo este tableau, lo cual indica que la solucin ptima del PO cambia,
generando que el PN tenga la siguiente solucin ptima:
108
X 5 4
X 2 5
X
X B X1 0
X
N X 0
3
X 0
4
Z 53
b.- Utilizando el mismo problema anterior, supongamos que ahora el nuevo producto
X5 tiene un precio unitario de $4 y su vector de coeficientes tecnolgicos asociado a
la primera y segunda restriccin es de 10 y 4, respectivamente. Por lo tanto, el
problema nuevo queda:
Max Z 3X 5X 4 X
1 2 5
s.a.
2X 10X 4 ( PN )
1 5
2X 2X 4 X 18
1 2 5
X ,X , X 0
1 2 5
donde :
10
a
5 4
109
Esto quiere decir, que bajo las condiciones actuales, no se debe producir X 5 y la
solucin ptima del PN es la misma del PO, es decir:
X 3 4
X 2 9
X
X B X1 0
X
N X 0
5
X 0
4
Z 45
Al ser necesario la aplicacin del mtodo simplex dual, cada una de las k
restricciones se deben aadir en el tableau ptimo del problema original con sus
correspondientes variables de holgura. Todos los vectores unitarios asociado al
tableau ptimo del PO deben restablecerse por medio de operaciones elementales
matriciales. De esta manera, el mtodo dual simplex se debe aplicar hasta obtener
una solucin ptima.
Ejemplo:
a.- Retomemos nuevamente el siguiente problema:
110
Max Z 5X1 3X2
s.a.
3X1 5X 2 15 (PO)
5X1 2X2 10
X1, X2 0
Z X1 X2 X3 X4 Z0
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19
Es obvio que la solucin ptima del problema original viola la nueva restriccin, ya
que no es menor o igual que uno. Entonces, el problema nuevo a resolver es:
Max Z 5X1 3X 2
s.a.
3X1 5X2 15
(PN )
5X1 2X 2 10
X 1
2
X1, X 2 0
111
Agregando las variables de holgura, se tiene que:
Max Z 5X1 3X 2
s.a.
3X1 5X 2 X 3 15
5X1 2X 2 X4 10
X X5 1
2
X1, X 2 , X , X , X 0
3 4 5
De esta manera, el tableau ptimo del problema original queda:
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 1 0 0 1 1
112
b.- Supongamos que la nueva restriccin es:
X 2 10
Es obvio analizar que la solucin ptima del problema original no viola la nueva
restriccin, ya que es menor o igual que diez, por lo cual, la solucin ptima del
problema original sigue siendo ptima para el problema nuevo. Para analizar este
suceso, veamos como queda el problema nuevo, aunque no es necesario efectuar
este anlisis:
Max Z 5X1 3X2
s.a.
3X1 5X2 15
(PN )
5X1 2X2 10
X 10
2
X1, X2 0
Agregando las variables de holgura, se tiene que:
Max Z 5X1 3X 2
s.a.
3X1 5X 2 X 3 15
5X1 2X 2 X4 10
X X 5 10
2
X1, X 2 , X , X , X 0
3 4 5
De esta manera, el tableau ptimo del problema nuevo queda:
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 1 0 0 1 10
113
Como el vector columna de Y 2 no es el vector unitario, por medio de operaciones
matriciales elementales se vuelve a generar la identidad (factibilidad):
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 0 -5/19 3/19 1 145/19
3.2.2.1.- Cambio Continuo En El Vector C
El problema nuevo a resolver es:
MAX
Z (C ) X
sa : (PN )
AX b
X 0
114
Donde:
C: vector con n componentes, que representa el precio unitario actual.
: vector con n componentes, que representa el porcentaje de aumento de precios.
C : vector paramtrico que indica los cambios continuos, con .
Ahora, debemos preguntarnos si existe algn valor crtico de , por ejemplo , tal
que para valores mayores que la base ptima B0 dejara de ser ptima.
De esta manera:
1
1. Si B 0 B0 a j j 0, j A , entonces la base ptima B0, asociada al tableau
ptimo del problema original, sigue siendo ptimo para cualquier valor de 0 .
115
1
2. Si para algn j A existiese un valor correspondiente a B 0 B0 a j j 0 ,
entonces existe un valor crtico para , denotado por , el cul se calcula de la
siguiente manera:
( z k ck )
* 1
B 0 B0 a j j
(z j c j )
* Mn
/ B 0 B01a j j 0
B 0 B0 a j j
jN 1
Para el cual B0 deja de ser ptimo para valores de * y la solucin ptima seria:
Z B 0 (C B 0 B 0 ) X B 0
Ejemplo:
Considere el siguiente problema nuevo
116
max Z 3 6 X 1 2 2 X 2 5 5 X 3
s.a. :
X 1 2 X 2 X 3 430
(PN )
3X1 2 X 3 460
X1 4X 2 420
X 1 0, X 2 0, X 3 0
Para este caso:
C c1 c2 c3 3 2 5
1 2 3 6 2 5
Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20
117
X 2 100
X 230
3
X 20
X
X B 6
X N X1 0
X 4 0
X 5 0
Z 1.350
Es as, que es necesario calcular si existe un valor crtico *, de manera tal, que la
base ptima no cambie:
(z j c j )
* Mn
/ B 0 B01a j j 0
B 0 B0 a j j
jN 1
0
B 0 B01 a j j 2 3 6 B01 Y1 Y4 Y5 1 4 5
Para cada caso se tiene que:
1 / 2 1 / 4 0 1 1 0
1
B0 B a N 0 N 0
0 2 5 0 0 1/ 2 0 3 0 1 6 0 0
2 1 1 1 0 0
1 1 0
B 0 B01 a N 0 N 0 1 3 0 3 0 1 6 0 0 8 1 3 6 0 0
1 0 0
B 0 B01 a N 0 N 0 14 1 3
118
( z 4 c4 ) 1
* 1 1
B 0 B0 a 4 4 1
De esta manera, el rango de esta acotado por 0 1 , los cuales generan las
siguientes soluciones ptimas.
X 2 100
X 230
3
X B X 6 20
X
X N X1 0
X 4 0
X 5 0
X 2 100
Z B 0 (C B 0 B 0 ) X B 0 c 2 2 c3 3 c6 6 X 3 2 2 5 5 0 230
X 6 20
Z B 0 200 200 1.150 1.150 1.350 950
Analizando los elementos anteriores, se puede apreciar que X 4 debe entrar a la base
del problema original y aplicando el mtodo simplex se obtiene el nuevo tableau
ptimo, segn se muestra a continuacin:
Z X1 X2 X3 X4 X5 X6 Z*
1 18 0 0 0 5 0 2300
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20
Z X1 X2 X3 X4 X5 X6 Z*
1 18 0 0 0 5 0 2300
119
X4 0 -1/2 2 0 1 -1/2 0 200
X3 0 3/2 0 1 0 0 230
X6 0 1 4 0 0 0 1 420
Los resultados ptimos para el rango de que esta acotado por 1 1 ** son:.
X 4 200
X 230
3
X X 420
X B 6
X N X1 0
X 2 0
X 5 0
X4 100
Z B 0 (C B 0 B 0 ) X B 0 c4 4 c3 3 c6 6 X 3 0 5 5 0 230
X 6 20
Z B 0 1.150 1.150
Slo falta calcular si efectivamente existe un valor crtico **, de manera tal que acote
las soluciones y la funcin, a travs de:
B1 B11a j j 0, j 1,2,5
B1 B11a j j 4 3 6 B11 Y1 Y2 Y5 1 2 5
120
Es fcil ver ahora que:
27
B1 B11a1 1 0
2
B1 B11 a 2 2 2 0
5
B1 B11a5 5 0
2
1
Por lo cual, ninguno cumple la condicin que: B1 B1 a j j 0, j 1,2,5 , indicando
que ** es igual a infinito, es decir que 1 .
X 4 200
X 230
3
X X 420
X B 6
X N X1 0
X2 0
X 5 0
Z B 0 1.150 1.150
3.2.2.2.- Cambio Continuo En El Vector b
El problema a resolver es el siguiente:
121
max Z CX
s.a :
(PN )
AX b
X 0
donde:
b : vector paramtrico que indica los cambios continuos en la disponibilidad de
recursos b, con
: vector de m componentes
Este estudio estar restringido solo para 0 , puesto que para el caso de 0 ,
todos los resultados que se obtienen son anlogos. Sea B 0, la base ptima asociada
al problema original, es decir, cuando = 0.
max Z CX
s.a :
(PO)
AX b
X 0
Un cambio en el parmetro b hace variar el XB0 y el valor de la funcin objetivo
en el problema original. Sabemos que:
X B B 1b
Debemos determinar si existe algn valor crtico de , tal que para valores mayores
de , la sabe B0 dejara de ser ptima:
1. Si X B 0 B01 (b ) 0 , para cualquier valor de , entonces la base sigue
siendo ptima.
122
X B 0 B01b B01 X B 0 B01
X
* min 1B 0i / B01 i 0
i 1,, m
B0 i
Donde:
X B 0i : es la i-sima componente, i=1,,m del vector bsico X B0
i : es la i-sima componente, i=1,,m del vector
: el rango asociado sera 0 * .
Ejemplo:
Consideremos el siguiente caso de programacin lineal paramtrica:
max Z 3 X1 2 X 2 5 X 3
s.a. :
X1 2 X 2 X 3 430 100
( PN )
3 X1 2 X 3 460 200
X1 4 X 2 420 400
X1 0, X 2 0, X 3 0
Dnde:
b1 430 1 100
b b 2 460 , 2 200
b3 420 3 400
123
max Z 3X1 2 X 2 5 X 3
s.a. :
X1 2 X 2 X 3 430
(PO)
3 X1 2 X 3 460
X1 4 X 2 420
X1 0, X 2 0, X 3 0
De esta manera, aplicando los conceptos ya utilizados, se forma la base inicial y
mediante el mtodo simplex se obtiene el tableau ptimo del problema original:
Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20
1
Como B0 3 100 0 , efectivamente existe un valor crtico de *, siendo este:
124
X 230
* 1B 0i 2,3
B0 i 100
125
3.2.2.3.- Cambio Continuo En Una Columna Tecnolgica No Bsica a j De A
El nuevo problema a resolver es:
Max
A difiere de la matriz A,
nicamente en una columna no Z CX
bsica (la columna j), dnde:
a j a j j , j N sa : ( PN )
Con a j A y y j
vector columna de m A X b
componentes.
X 0
El anlisis se restringir slo para
el caso de 0 , ya que para 0 , todos los resultados obtenidos sern anlogos.
Hay que aclarar que, a diferencia de los dos casos anteriores, una vez obtenido el
valor crtico de (por ejemplo, el anlisis no se puede volver a realizar para
valores de * , ya que en este caso a j se convierte de un vector no bsico (
0 * ) a un vector bsico ( * ). Dicho este comentario, se continuar el
estudio paramtrico de esta variable.
z j c j C B 0 B01a j c j C B 0 B01 j
z j c j z j c j C B 0 B01 j , j N
126
2. Si z j c j 0 para algn valor de j N , entonces existe un , el cual se
determina por la siguiente relacin (como se ha efectuado en los casos
anteriores):
* Mn
zj cj
/ C B 0 B01 j 0
C B 0 B0 j
j 1,, m 1
En este caso, B0 es ptima solamente para el rango de 0 * y nada se puede
decir para valores de * .
Ejemplo:
Resuelva el siguiente PPL:
max Z 3 X 1 2 X 2 5 X 3
s.a. :
(1 ) X 1 2 X 2 X 3 430
(PN )
(3 ) X 1 2 X 3 460
X1 4X 2 420
X 1 0, X 2 0, X 3 0
Donde el vector tecnolgico paramtrico a1 es:
a1 a1 1
1 1
a1 3 1
1 0
127
Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20
De esta manera, el :
4
* 4
1
128
El tableau asociado seria:
Z X1 X2 X3 X4 X5 X6 Z*
1 0 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20
129
CAPITULO III: PROBLEMA DE TRANSPORTE,
TRANSBORDO Y ASIGNACIN
Hay que tener presente que cada destino puede absorber, a travs de su demanda,
la produccin de los distintos orgenes, por lo cual, el objetivo principal es determinar
la cantidad ptima que se debe enviar desde cada origen a cada destino, de manera
tal que el costo total de transporte sea mnimo.
La siguiente figura representa el modelo de transporte como una red con m centros
de oferta, que tienen que surtir a n centros de consumo, dnde cada nodo
representa un origen o destino y los arcos indican una conexin entre un origen y
destino indica que se puede transportar un producto.
130
Donde:
m n
Min Z Cij X ij
i1 j 1
s.a.
n
X ij ai , i 1, , m,
j 1
m
X b , j 1, , n
i1 ij j
X ij 0, i, j
a b
i 1
i
j 1
j
131
m n
i 1
ai
j 1
bj
132
X T X 11 X 12 X 1n X 21 X 22 X 2n X m1 X m2 X mn
C C11 C12 C1n C 21 C 22 C2n C m1 Cm 2 C mn
d T a1 a2 am b1 b2 bn
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
m renglones
A m n renglones
0 0 0 0 1
I n I n I n I I n n renglones
n
m n columnas
1 0 0 0
0 1 0 0
In n componentes
0 0 0 1
n componentes
Esta estructura y dos propiedades sobre la matriz A, permiten el desarrollo de un
nuevo algoritmo, llamado de transporte, que resuelve este tipo de problema de
manera ms eficiente (menos tiempo e iteraciones) que el mtodo simplex. De
acuerdo a lo ya estudiado, podemos analizar que la aplicacin del mtodo simplex
generara un sin fin de iteraciones, partiendo de una base inicial y llegando a la
solucin ptima, pero por la cantidad de variables puede resultar engorroso este
desarrollo. Pero mediante ciertos trucos que permiten simplificar este problema lineal
y mediante la simplificacin del cambio de las variables bsicas, le permitio a Dr.
Dantzig desarrollar el algoritmo de transporte.
133
m n
Min Z Cij X ij
i1 j1
s.a.
n
X a , i 1, , m,
j 1 ij i
m
X b , j 1, , n
i1 ij j
X ij 0, i, j
Nota: Este algoritmo tambin se conoce como Stepping Stone Algorithm o Algoritmo
de Saltando Piedras.
En el caso que la oferta total sea mayor que la demanda total, entonces se tendr:
m n
ai b j
i 1 j 1
134
Para solucionar este conflicto, se introduce un Centro de Consumo Artificial, cuya
demanda estar dado por:
m n
bn1 ai b j
i 1 j 1
Los costos unitarios hacia ese centro de consumo b n+1 sern todos ceros, es decir, la
matriz de costos asociada quedar:
1 2 3 n n 1 Oferta
1 C11 C12 C13 C1n 0 a
1
2 C 21 C 22 C 23 C 2n 0 a
2
3 C31 C32 C33 C3n 0 a
3
m C m1 C m 2 C m3 C mn 0 a
n
Demanda b1 b2 b3 bn bn1
Los costos unitarios hacia ese centro d oferta a n+1, sern todos ceros, es decir, la
matriz de costos queda:
1 2 n Oferta
1 C11 C 21 C1n a1
2 C12 C 22 C 2n a2
m C m1 Cm2 C mn an
m 1 0 0 0 a m1
Demanda b1 b2 bn
Una vez que el problema de transporte est balanceado, ya sea agregando centros
de demanda o centros de oferta ficticios o artificiales, se asegura que cumple con la
condicin necesaria y suficiente para que el problema tenga solucin.
Con lo anterior, se requiere que dicha solucin inicial que sea bsica (SBFI) y
factible. Para obtener dicha solucin bsica factible inicial, se utilizan distintos
mecanismos para su obtencin, siendo en nuestro caso tres: Mtodo de la Esquina
Noroccidental, Mtodo del Mnimo Costo y Mtodo de Vogel.
135
3.1.2.1.- Mtodo Del Extremo Noroccidental (MEN)
El punto de partida es un matriz con orgenes, destinos, ofertas y demandas de un
problema balanceado, como se muestra a continuacin:
1 2 3 n Oferta
1 a1
2 a2
3 a3
m am
Demanda b1 b2 b3 bn
Para obtener una solucin bsica factible se empieza a construir una matriz de flujos
de la siguiente manera:
Paso 1:
En la posicin (1,1), que es la esquina N-0 de la matriz ( de ah su nombre), se
asigna el siguiente flujo a dicha posicin:
X 11 Min a1 , b1
a1 a1 X 11
b b1 X 11
1
Si se estuviera en una posicin cualesquiera (i, j):
X ij Min ai , b j
a i ai X ij
b b X ij
j i
Paso 2:
Ocurrir que una de los componentes, ya sea demanda u oferta ser igual a cero,
por lo cual:
Si a1 0 , pasar a la posicin (2,1) y hacer X 21 Min a2 , b1 Min a2 , b1 X11 .
Si b 0 ,
1 pasar a la posicin (1,2) y hacer X
12
2 1
Min a1 , b Min a X , b
11 2
Esta condicin de manera general, posicin (i, j) indica que:
1. Si ai 0 () , descender a la posicin (i+1, j) y hacer X i i, j Min ai 1 , b j .
b 0 ( ) Min
2. Si j , avanzar a la posicin (i, j+1) y hacer X
i, j 1 a i , b
j 1
Paso 3:
Continuar con la misma lgica hasta llegar a la posicin (m, n). La matriz de flujos
que se obtenga ser factible y bsica para el problema de transporte.
Ejemplo:
136
Se tiene tres plantas, las cuales abastecen a 5 regiones; como se indica a
continuacin:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 16 19 16 60
3 18 15 18 20 M 90
Demanda 30 40 70 40 60
Solucin:
Se debe analizar si la demanda es igual a la oferta, es decir:
a b
i
i
j
j
40 60 90 30 40 70 40 60
190 240
Como existe una mayor demanda que oferta, implica que de acuerdo a nuestras
definiciones, es necesario agregar un centro de oferta artificial (m+1=3+1=4), as la
matriz queda con un Centro de Oferta Artificial 4 y una oferta a 4=50 y los costos
asociados a cada centro de demanda es igual a cero, entonces la matriz de costos
asociada es la siguiente:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Con la matriz anterior, nos permite buscar nuestro objetivo, el cual es obtener la
matriz de flujos, siendo inicialmente igual a:
1 2 3 4 5 Oferta
1 40
2 60
3 90
4 50
Demanda 30 40 70 40 60
Iteracin 1:
Paso 1:
137
X 11 Min a1 , b1 Min 40,30 30
a1 40 30 10
b 30 30 0
1
De esta manera, el centro de consumo 1 ha sido abastecido completamente y con el
resto del centro de demanda 1, se puede abastecer a otro mercado.
Paso 2:
Como b1 0 , se pasa a la posicin (1,2), entonces:
X12 Mina1, b2 (10,4) 10
a1 10 10 0
b2 40 10 30
a 30 30 0
2
b 70 30 40
3
a 50 40 10
3
b 40 40 0
4
138
Iteracin 7: Como a 3 0 , entonces pasa a la posicin (4,5)
X 45 Min a 4 , b5 50,50 50
a 50 50 0
4
b 50 50 0
5
Costo MEN:
Cij X ij 20 * 30 19 *10 20 * 30 13 * 30 18 * 40 20 * 40 M *10 0 * 50 $3.300 10M
i j
Los nmeros sobre las flechas indican las iteraciones de MEN. La solucin inicial es
bsica, ya que hay m n 1 4 5 1 8 flujos que X ij 0 y el resto, es decir,
m n m n 1 4 5 8 12 flujos son iguales acero X ij 0 . Lo anterior indica que
se satisfacen las restricciones de oferta y las restricciones de demanda y adems, la
solucin inicial es no-degenerada, porque hay exactamente m n 1 flujos en la
base que son positivos.
Aunque este mtodo es sencillo, tiene como desventaja que la SBFI de la regin de
soluciones del PT, se encuentra demasiado alejado de la solucin ptima, es decir,
desde este punto hasta la solucin ptima se requerirn varias iteraciones, lo cual
puede ser costoso desde el punto de uso del computador. La cusa principal de este
problema es que este mtodo no toma en cuenta el costo, slo la oferta y la
demanda.
Del ejemplo anterior, se puede analizar que existe un valor extremadamente elevado
(10M), el cual no favorece para nada el costo del transporte, asociado a la solucin
inicial del problema.
139
Paso 1:
Construya la matriz de costos y flujos asociados al problema balanceado y vaya al
paso 3.
Paso 2:
Utilice el remanente de la matriz de costos y flujos una vez que estos ltimas se
hayan asignado.
Paso 3:
Se entiende por diferencia de fila (de columna) a la diferencia entre los dos nmeros
ms pequeos que hay en la fila (columna). Calcule todas las diferencias de filas o
columnas de la matriz de costos.
Paso 4:
Seleccione aquella fila o columna con mayor diferencia. Los empates se rompen de
manera arbitraria.
Paso 5:
Seleccione el costo ms pequeo en la matriz de costos, ya sea en la fila o columna
seleccionada en el paso anterior. Designe a esta posicin como C ij.
Paso 6:
En la matriz de flujo, hgase
X ij Min ai , b j , donde la posicin (i,j) fue identificada en
el paso anterior.
y la demanda bj igual a:
b b X ij
j i
Paso 7:
1. Si ai 0 , llnese la fila i de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese esa fila de cualquier consideracin futura en la matriz de
costos.
2. Si b j 0 , llnese la columna j de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese a esa columna de cualquier consideracin futura en la
matriz de costos.
Regrese al paso 2
Ejemplo
Resolvamos el mismo problema anterior, pero utilizando el mtodo de Vogel:
Iteracin 1:
Matriz de Costos y Flujos:
140
1 2 3 4 5 Oferta 1 2 3 4 5 Oferta
1 20 19 14 21 16 40 1 40
2 15 20 13 19 16 60 2 60
3 18 15 18 20 M 90 3 90
4 0 0 0 0 0 50 4 50
Demanda 30 40 70 40 60 Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta Diferenci
a
1 20 19 14 21 16 40 2
2 15 20 13 19 16 60 2
3 18 15 18 20 M 90 3
4 0 0 0 0 0 50 0
Demanda 30 40 70 40 60
Diferencia 15 15 13 19 16
Rojo: mnimos por fila . Azul: mnimos por columna .
Paso 4:
Se selecciona la columna cuatro por tener la mayor diferencia que es 19.
Paso 5:
El costo ms pequeo corresponde a Cij C 44 0 .
Paso 6:
X 44 min( a 4 , b4 ) min(50,40) 40
a 4 a4 X 44 50 40 10 b 4 b4 X 44 40 40 0
Paso 7:
Como b 4 0 , todos los elementos de la columna 4, a excepcin de X 44, se hacen
igual a cero y la columna 4 se elimina para cualquier consideracin futura.
Iteracin 2:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 40
2 0 60
3 0 90
4 40 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
141
1 2 3 4 5 Oferta Diferencia
1 20 19 14 16 40 2
2 15 20 13 16 60 2
3 18 15 18 M 90 3
4 0 0 0 0 10 0
Demanda 30 40 70 0 60
Diferenci 15 15 13 16
a
Paso 4:
Se selecciona la columna cinco por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a Cij C 45 0 .
Paso 6:
X 45 min(a 4 , b5 ) min(10,60) 10
a 4 a 4 X 45 10 10 0 b 5 b5 X 45 60 10 50
Paso 7:
Como a 4 0 , todos los elementos de la fila 4 se hacen cero, a excepcin de X 45 y la
fila 4 se elimina para cualquier consideracin futura.
Iteracin 3:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 40
2 0 60
3 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 20 19 14 16 40 2
2 15 20 13 16 60 2
3 18 15 18 M 90 3
4 0
Demanda 30 40 70 0 50
Diferenci 3 4 1 0
a
Paso 4:
Se selecciona la columna dos por tener la mayor diferencia que es 4.
142
Paso 5:
El costo ms pequeo corresponde a Cij C32 15 .
Paso 6:
X 32 min(a3 , b2 ) min(90,40) 40
a3 a3 X 32 90 40 5 0 b2 b2 X 32 40 40 0
Paso 7:
Como b2 0 , todos los elementos de la columna 2 se hacen cero, a excepcin de
X32 y la columna 2 se elimina para cualquier consideracin futura.
Iteracin 4:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 40
2 0 0 60
3 40 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 20 14 16 40 2
2 15 13 16 60 2
3 18 18 M 50 0
4 0
Demanda 30 0 70 0 50
Diferenci 3 1 0
a
Paso 4:
Se selecciona la columna uno por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a Cij C 21 15 .
Paso 6:
X 21 min(a 2 , b1 ) min(60,30) 30
a 2 a2 X 21 60 30 3 0 b1 b1 X 21 30 30 0
Paso 7:
Como b1 0 , todos los elementos de la columna 1 se hacen cero, a excepcin de
X21 y la columna 1 se elimina para cualquier consideracin futura.
143
Iteracin 5:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 40
2 30 0 0 60
3 0 40 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 14 16 40 2
2 13 16 30 3
3 18 M 50 M-18
4 0
Demanda 0 0 70 0 50
Diferenci 1 0
a
Paso 4:
Se selecciona la fila tres por tener la mayor diferencia que es M-18.
Paso 5:
El costo ms pequeo corresponde a Cij C33 18 .
Paso 6:
X 33 min(a 3 , b3 ) min(50,70) 50
a 3 a 3 X 33 50 50 0 b3 b3 X 33 70 50 20
Paso 7:
Como a3 0 , todos los elementos de la fila 3 se hacen cero, a excepcin de X 33 y la
fila 3 se elimina para cualquier consideracin futura.
Iteracin 6:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
144
1 2 3 4 5 Oferta
1 0 0 0 40
2 30 0 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 14 16 40 2
2 13 16 30 3
3 0
4 0
Demanda 0 0 20 0 50
Diferenci 1 0
a
Paso 4:
Se selecciona la fila dos por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a Cij C 23 13 .
Paso 6:
X 23 min( a 2 , b3 ) min(30,20) 20
a 2 a 2 X 23 30 20 10 b3 b3 X 23 20 20 0
Paso 7:
Como b3 0 , todos los elementos de la columna 3 se hacen cero, a excepcin de
X23 y la columna 3 se elimina para cualquier consideracin futura.
Iteracin 7:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 0 40
2 30 0 20 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
145
1 16 40 16
2 16 10 16
3 0
4 0
Demanda 0 0 0 0 50
Diferenci 0
a
Paso 4:
Se selecciona la fila uno o dos (arbitrariamente se rompe este empate) por tener la
mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a Cij C15 16 .
Paso 6:
X 15 min(a1 , b5 ) min(40,50) 40
a1 a1 X 15 40 40 0 b5 b5 X 15 50 40 10
Paso 7:
Como a1 0 , todos los elementos de la fila 1 se hacen cero, a excepcin de X 15 y la
fila 1 se elimina para cualquier consideracin futura.
Iteracin 8:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 0
2 16 10 16
3 0
4 0
Demanda 0 0 0 0 10
Diferenci 0
a
Paso 4:
146
Se selecciona la fila dos por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a Cij C 25 16 .
Paso 6:
X 25 min(a 2 , b5 ) min(10,10) 10
a 2 a 2 X 25 10 10 0 b5 b5 X 25 10 10 0
Paso 7:
Como a1 0 b5 0 , todos los elementos de la fila 2 y la columna 5 se hacen cero, a
excepcin de X25 y la fila 1 y la columna 5 se eliminan para cualquier consideracin
futura.
Iteracin 9:
Paso 2:
Notemos que efectivamente la iteracin anterior fue la ltima, por lo cual, se obtiene
la Matriz de Costos (sin tarjar) y La Matriz de Flujos final:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Matriz de Flujos:
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 10 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Para calcular el costo del Mtodo de Vogel se multiplican los flujos y costos
respectivos, correspondiente a la SBFI, obteniendo el siguiente valor:
Cij X ij 40 *16 30 *15 20 *13 10 *16 40 *15 50 *18 40 * 0 10 $3.010
i j
Paso 1:
147
Construya la matriz de costos y flujos asociados al problema balanceado y vaya al
paso 3.
Paso 2:
Utilice el remanente de la matriz de costos y flujos una vez que estas ltimas se
hayan asignado.
Paso 3:
Seleccione el costo ms pequeo en la matriz de costos, ya sea en fila o columna.
Designe a esta posicin como Cij.
Paso 4:
En la matriz de flujo, hgase
X ij Min ai , b j , donde la posicin (i,j) fue identificada en
el paso anterior.
Hgase la oferta ai igual a:
a i ai X ij
Paso 5:
3. Si ai 0 , llnese la fila i de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese esa fila de cualquier consideracin futura en la matriz de
costos.
4. Si b j 0 , llnese la columna j de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese a esa columna de cualquier consideracin futura en la
matriz de costos.
Regrese al paso 2
Ejemplo
Resolvamos el mismo problema anterior, pero utilizando el mtodo de Vogel:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Iteracin 1:
Paso 1:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
148
Demanda 30 40 70 40 60
Paso 3:
El costo ms pequeo de la matriz, corresponde completamente a la fila 4, por lo
cual, se elije arbitrariamente la posicin (4,5): Cij C 45 0 .
Paso 4:
X 45 min(a 4 , b5 ) min(50,60) 50
a 4 a 4 X 44 50 50 0 b5 b5 X 45 60 50 10
Paso 5:
Como a 4 0 , todos los elementos de la fila 4, a excepcin de X 45, se hacen igual a
cero y la fila 4 se elimina para cualquier consideracin futura.
Iteracin 2:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 40
2 60
3 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0
Demanda 30 40 70 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (2,3): Cij C 23 13 .
Paso 4:
X 23 min(a 2 , b3 ) min(60,70) 60
a 2 a2 X 23 60 60 0 b3 b3 X 23 70 60 10
Paso 5:
Como a 2 0 , todos los elementos de la fila 2, a excepcin de X 23, se hacen igual a
cero y la fila 2 se elimina para cualquier consideracin futura.
Iteracin 3:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
149
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 40
2 0 0 60 0 0 60
3 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 0
3 18 15 18 20 M 90
4 0
Demanda 30 40 10 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (1,3): Cij C13 14 .
Paso 4:
X 13 min(a1 , b3 ) min( 40,10) 60
a1 a1 X 13 40 10 3 0 b 3 b3 X 23 10 10 0
Paso 5:
Como b3 0 , todos los elementos de la columna 3, a excepcin de X 13, se hacen
igual a cero y la columna 3 se elimina para cualquier consideracin futura.
Iteracin 4:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 10 40
2 0 0 60 0 0 60
3 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 21 16 30
2 0
3 18 15 20 M 90
150
4 0
Demanda 30 40 0 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (3,2): Cij C32 15 .
Paso 4:
X 32 min(a3 , b2 ) min(90,40) 40
a 3 a3 X 32 90 40 5 0 b 2 b2 X 32 40 40 0
Paso 5:
Como b2 0 , todos los elementos de la columna 2, a excepcin de X 32, se hacen
igual a cero y la columna 2 se elimina para cualquier consideracin futura.
Iteracin 5:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 10 40
2 0 0 60 0 0 60
3 40 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 21 16 30
2 0
3 18 20 M 50
4 0
Demanda 30 0 0 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (1,5): Cij C15 16 .
Paso 4:
X 15 min(a1 , b5 ) min(30,10) 10
a1 a1 X 15 10 10 10
b5 b5 X 15 30 10 2 0
Paso 5:
Como b5 0 , todos los elementos de la columna 5, a excepcin de X 15, se hacen
igual a cero y la columna 5 se elimina para cualquier consideracin futura.
Iteracin 6:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
151
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 10 10 40
2 0 0 60 0 0 60
3 40 0 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 21 20
2 0
3 18 20 50
4 0
Demanda 30 0 0 40 0
El costo ms pequeo de la matriz, corresponde a la posicin (3,1): Cij C31 16 .
Paso 4:
X 31 min(a 3 , b1 ) min(50,30) 30
a a X 50 30 2 0
3 3 31
b1 b1 X 31 30 30 0
Paso 5:
Como b1 0 , todos los elementos de la columna 1, a excepcin de X 31, se hacen
igual a cero y la columna 1 se elimina para cualquier consideracin futura.
Iteracin 7:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 10 10 40
2 0 0 60 0 0 60
3 30 40 0 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 21 20
2 0
152
3 20 20
4 0
Demanda 0 0 0 40 0
El costo ms pequeo de la matriz, corresponde a la posicin (3,4): Cij C34 20 .
Paso 4:
X 34 min(a 3 , b4 ) min(20,40) 20
b4 b4 X 34 40 20 2 0
a 3 a 3 X 31 20 20 0
Paso 5:
Como a 3 0 , todos los elementos de la fila 3, a excepcin de X 34, se hacen igual a
cero y la fila 3 se elimina para cualquier consideracin futura.
Iteracin 8:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 10 10 40
2 0 0 60 0 0 60
3 30 40 0 20 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 21 20
2 0
3 0
4 0
Demanda 0 0 0 20 0
El costo ms pequeo de la matriz, corresponde a la posicin (1,4): Cij C14 21 .
Paso 4:
X 14 min(a1 , b4 ) min(20,20) 0
a1 a1 X 14 20 20 0
b4 b4 X 14 20 20 0
Paso 5:
Como a1 0 b4 0 , todos los elementos de la fila 1 y columna 4, a excepcin de X 14,
se hacen igual a cero y la fila 1 y columna 4 se elimina para cualquier consideracin
futura.
Iteracin 9:
Paso 2:
153
Notemos que efectivamente la iteracin anterior fue la ltima, por lo cual, se obtiene
la Matriz de Costos (sin tarjar) y La Matriz de Flujos final:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Matriz de Flujos:
1 2 3 4 5 Oferta
1 0 0 10 20 10 40
2 0 0 60 0 0 60
3 30 40 0 20 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Para calcular el costo del Mtodo de Costo Mnimo, se multiplican los flujos y costos
respectivos, correspondiente a la SBFI, obteniendo el siguiente valor:
Cij X ij 10 *14 20 * 21 10 *16 60 *13 30 *18 40 *15 20 * 20 50 * 0 $3.040
i j
Paso 1:
Balancear el problema de transporte, a fin de cumplir la condicin necesaria y
suficiente para obtener una solucin ptima, es decir:
m n
ai b j
i 1 j 1
Paso 2:
Generar una solucin inicial que sea bsica y factible, utilizando, ya sea: Mtodo de
Vogel o Mtodo De Extremo NorOccidental o Mtodo de Mnimo Costo.
Paso 3:
Construir una matriz de costos C ij , asociada a la solucin bsica factible que se
tenga, donde:
C C , Si X est en la base
ij ij ij
C 0 , Si X no est en la base
ij ij
Paso 4:
Con esta matriz de costos, calcular el valor de todas las variables duales:
, con i 1,...., m v , con j 1,....., n
u
i j .
Utilizando la expresin:
154
ui v j Cij 0 i 1,..., m ; j 1,..., n
Paso 5:
Los parmetros zij cij se calculan por medio de la ecuacin zij cij (ui v j ) cij .
Como estamos usando el PT como minimizacin, si todos los Z ij Cij 0, i, j , la
solucin actual es ptima. En caso contrario, si Z ij Cij 0, i, j , se elije el valor ms
positivo, correspondiente a X ij , correspondiente a la variable de flujo X ij para debe
entrar a la base.
Paso 6:
Si la variable X ij entra a la base con un cierto valor 0 , la oferta ai y la demanda
b j se desequilibran en , a menos que exista un mecanismo de compensacin.
Tengamos presente que los cinco flujos generan una solucin bsica factible inicial
(m+n-1=5), ya que:
155
X 11 X ij a1
X in ai
X m1 X mn am
X 11 X m1 b1
X1 j bj
X in X mn bn
X 11 0, X 1 j 0, X in 0, X m1 0, X mn 0
156
X 11 X ij a1
X in ai
X m1 X mn am
X 11 X m1 b1
X 1j bj
X in X mn bn
Para que esta solucin sea bsica, es decir, que solamente estn m+n-1 elementos
en la base, debe ser lo suficientemente grande como para reducir el valor de uno
o varios flujos bsicos a cero. Si analizamos la matriz anterior, vemos que si
aumenta, los siguientes flujos disminuyen: X1 j , X in , X m1 , por lo tanto:
min
X 1 j , X in , X m1
Este circuito es nico, por lo cual, el paso 6 se puede resumir como sigue:
6.a.- Construya el circuito nico que contiene a la variable Xij que entra a la base.
Nota: Un regln o una columna pueden tener ms de dos celdillas en el circuito, pero
no pueden ser consecutivas ms de dos de ellas.
Ejemplo:
Sea el problema de transporte, que tiene tres orgenes con capacidad de 40, 60 y 90
unidades, respectivamente y cinco destinos con demandas de 30, 40, 70, 40 y 60
unidades, respectivamente y los costos unitarios estn dados en la siguiente tabla:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 No surte 90
Demanda 30 40 70 40 60
Iteracin 1:
Paso 1:
El problema esta desbalanceado, puesto que la oferta total es menor que la
demanda total en 50 unidades. Como se muestra a continuacin:
4 5
a 190 b j 240
i1 i j 1
157
De esta manera, para balancear el problema se debe crear un centro de oferta
artificial a5, el cual tiene una oferta de 50 unidades y cuyos costos son
C 4 j 0, j , ,5 . El problema ya balanceado, genera la siguiente matriz de costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Paso 2: Utilizando el Mtodo de Vogel, se obtiene la solucin bsica factible inicial, con un
costo de $3.010. La matriz de flujos asociada es:
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 10 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15 16 C 32 15
C 21 15 C 33 18
C 23 13 C 44 0
C 25 16 C 45 0
El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 15 0 13 0 16 u2
3 0 15 18 0 0 u3
4 0 0 0 0 0 u4
v1 v2 v3 v4 v5
Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n
De esta manera:
C 15 u1 v5 0
C 21 u 2 v1 0
C 23 u 2 v3 0
158
C 25 u 2 v5 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 44 u 4 v 4 0
C 45 u 4 v5 0
Se puede analizar que se puede, especficamente, utilizar tanto u2 o v5, las cuales
estn tres veces en las ecuaciones anteriores y por conveniencia asignaremos en
este caso u2=0.
En resumen:
u1 0 , v1 15
u2 0 , v2 10
u3 5 , v3 13
u4 16 , v4 16
v5 16
Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 (0 15) 5
11 11 11 1 1
z c C (u v ) 19 ( 0 10) 9
12 12 12 1 2
z c C (u v ) 14 (0 13) 1
13 13 13 1 3
z c C (u v ) 21 (0 16) 5
14 14 14 1 4
z c C (u v ) 20 (0 10) 10
22 22 22 2 2
z c C (u v ) 19 (0 16) 3
24 24 24 2 4
z c C (u v ) 18 (5 15) 2
31 31 31 3 1
z c C (u v ) 20 (5 16) 1
34 34 34 3 4
z c C (u v ) M (5 16) M 21
35 35 35 3 5
z c C (u v ) 0 ( 16 15) 1
41 41 41 4 1
z c C (u v ) 0 ( 16 10) 6
42 42 42 4 2
z c C (u v ) 0 ( 16 13) 3
43 43 43 4 3
159
Si zij cij 0 , indica que la solucin es ptima, pero dos elementos son negativos, por
lo cual se elije el ms negativo, es decir: z31 c31 2 0 , por lo tanto, X31 entra a la
base.
Pase 6:
El circuito queda representado, tabularmente, en la matriz de flujos:
1 2 3 4 5 Oferta
1 40 40
2 30- 20+ 10 60
3 40 50- 90
4 40 10 50
Demanda 30 40 70 40 60
El valor que debe tomar debe ser el mnimo de los flujos que disminuyen al
aumentar , es decir:
Min X , X Min 30,50 30
21 33
Iteracin 2:
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15 16 C 32 15
C 23 13 C 33 18
C 25 16 C 44 0
C 31 18 C 45 0
El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 0 0 13 0 16 u2
3 18 15 18 0 0 u3
160
4 0 0 0 0 0 u4
v1 v2 v3 v4 v5
Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n . De esta manera:
C 15 u1 v5 0
C 23 u 2 v3 0
C 25 u 2 v5 0
C 31 u 3 v1 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 44 u 4 v4 0
C 45 u 4 v5 0
En este caso se puede utilizar u3, la cual est tres veces en las ecuaciones
anteriores, entonces u3=0.
Conocidos las variables duales v1, v2 y v3, se calculan ahora u1, u2, u4, v4 y v5:
C 15 u1 v5 0 u1 C 15 v5 16 21 5
C 23 u 2 v3 0 u 2 C 23 v3 13 18 5
C 25 u 2 v5 0 v5 C 25 u 2 16 (5) 21
C 44 u 4 v4 0 v 4 C 44 u 4 0 ( 21) 21
C 45 u 4 v5 0 u 4 C 45 v5 0 ( 21) 21
En resumen:
u1 5 , v1 18
u2 5 , v2 15
u3 0 , v3 18
u4 21 , v4 21
v5 21
Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 ( 5 18) 7
11 11 11 1 1
z c C (u v ) 19 ( 5 15) 9
12 12 12 1 2
z c C (u v ) 14 ( 5 18) 1
13 13 13 1 3
z c C (u v ) 21 ( 5 21) 5
14 14 14 1 4
161
z c C (u
v ) 15 ( 5 18) 2
21 21 21 1 2
z c C (u v ) 20 ( 5 15) 10
22 22 22 2 2
z c C (u v ) 19 ( 5 21) 3
24 24 24 2 4
z c C (u v ) 20 (0 21) 1
34 34 34 3 4
z c C (u v ) M (0 21) M 21
35 35 35 3 5
z c C (u v ) 0 ( 21 18) 3
41 41 41 4 1
z c C (u v ) 0 ( 21 15) 6
42 42 42 4 2
z c C (u v ) 0 ( 21 18) 3
43 43 43 4 3
Si zij cij 0 , indica que la solucin es ptima, pero un solo elemento es negativo, por
lo cual: z34 c34 1 0 , por lo tanto, X34 entra a la base.
Pase 6:
El circuito queda representado, tabularmente, en la matriz de flujos:
1 2 3 4 5 Oferta
1 40 40
2 50+ 10- 60
3 30 40 20- 90
4 40- 10+ 50
Demanda 30 40 70 40 60
El valor que debe tomar debe ser el mnimo de los flujos que disminuyen al
aumentar , es decir:
Min X , X , X Min10, 20, 40 10
25 33 44
162
El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 0 0 13 0 0 u2
3 18 15 18 20 0 u3
4 0 0 0 0 0 u4
v1 v2 v3 v4 v5
Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n . De esta manera:
C 15 u1 v5 0
C 23 u 2 v3 0
C 31 u 3 v1 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 34 u 3 v 4 0
C 44 u 4 v 4 0
C 45 u 4 v5 0
En este caso se puede utilizar u3, la cual est cuatro veces en las ecuaciones
anteriores, entonces u3=0.
Conocidos las variables duales v1, v2, v3 y v4, se calculan ahora u1, u2, u4 y v5:
C 15 u1 v5 0 u1 C 15 v5 16 20 4
C 23 u 2 v3 0 u 2 C 23 v3 13 18 5
C 44 u 4 v4 0 u 4 C 44 v4 0 (20) 20
C 45 u 4 v5 0 v5 C 45 u 4 0 ( 20) 20
En resumen:
163
u1 4 , v1 18
u2 5 , v2 15
u3 0 , v3 18
u4 20 , v4 20
v5 20
Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 ( 4 18) 6
11 11 11 1 1
z c C (u v ) 19 ( 4 15) 8
12 12 12 1 2
z c C (u v ) 14 ( 4 18) 0
13 13 13 1 3
z c C (u v ) 21 ( 4 20) 5
14 14 14 1 4
z c C (u v ) 15 ( 5 18) 2
21 21 21 2 1
z c C (u v ) 20 ( 5 15) 10
22 22 22 2 2
z c C (u v ) 19 ( 5 20) 4
24 24 24 2 4
z c C (u v ) 16 ( 5 20) 1
25 25 25 2 5
z c C (u v ) M (0 20) M 20
35 35 35 3 5
z c C (u v ) 0 ( 20 18) 2
41 41 41 4 1
z c C (u v ) 0 ( 20 15) 5
42 42 42 4 2
z c C (u v ) 0 ( 20 18) 2
43 43 43 4 3
Si z
ij
c 0, i , j N
ij , indica que la solucin anterior es ptima
164
Notemos que la oferta total era de 190 unidades y de demanda total de 240
unidades, por lo cual, existe una demanda insatisfecha de 50 unidades y de acuerdo
al problema de transporte, la manera ptima de no satisfacer esta demanda es
dejando insatisfecho a los centro de consumo 4 en 30 unidades (flujo X44) y al centro
de consumo 5 en 20 unidades (flujo X45).
165
3.2.- EL PROBLEMA DE TRANSBORDO
Uno de los requisitos esenciales del problema de transporte es que se debe conocer
de antemano la forma en que se van a distribuir las unidades de cada origen i a cada
destino j, para poder determinar el costo por unidad C ij. No obstante, en ciertas
ocasiones no es evidente cul es el mejor medio de distribucin, pues existe la
posibilidad de transbordos en los que los embarques pasaran a ser puntos de
transferencia o intermedios, lo que a su vez, pueden ser otros orgenes o destinos.
Las unidades que se mandan de cada centro de suministro genera un supervit neto
de unidades (valor positivo) que se deben distribuir y cada centro de recepcin
absorbe un dficit neto de unidades dado (valor negativo), mientras que las
conexiones no generan ni absorben unidades, ya que slo son un punto de reparto
de unidades de manera transitoria.
s.a :
m pn m pn
X
t 1
it X
t 1
ti ai , i 1, , m
t i t i
m pn m p n
Xt 1
m k ,t Xt 1
t ,m k 0, k 1, , p
t m k t m k
m pn m p n
X
t 1
t ,m p j X
t 1
m p j ,t bj , j 1, , m
t m p j t m p j
X ij 0, i 1, , m p n,
j 1, , m p n
166
Dnde:
La primera restriccin son nodos de origen, donde: (arcos que salen - arcos que
entran).
La segunda restriccin son nodos de transbordo, donde: (puntos de conexin).
La tercera restriccin son nodos de demanda, donde: (arcos que entran - arcos
que salen).
167
1 i m m 1 mk m p m
1 c11 c1i c1m c1, m 1 c1, m p c1, m
i c ii ci ,m k
m c m1 c mm c m , m 1 c m,m p c m, m
m 1 c m 1,1 C m 1, m c m 1, m 1 c m 1, m p c m 1,
mk c m k ,i c m k ,m k
m p c m p ,1 cm p,m c m p , m 1 c m p ,m p c m p
m p 1 c m p 1,1 c m p 1, m c m p 1, m 1 c m p 1, m p cm p
m p j c m p j ,i c m p j ,m k
m p n c m p n ,1 c m p n,m c m p n , m 1 c m p n,m p c m p
Demanda 0 0 0 0 0 0 b
Por fortuna, existe una manera muy sencilla de reformular el problema de transbordo
para que se ajuste al formato del problema de transporte, aunque tambin se puede
resolver por el mtodo simplex, pero sera poco eficiente, desde el punto de vista del
tiempo de ejecucin.
Solucin:
Se sabe que en una base ptima, no se pueden encontrar simultneamente los flujos
X ij X ji , i j , ambos con valores positivos. Se puede observar que el costo se
reduce si se enva el flujo neto, es decir:
X ij X ji , si X ij X ji , i j
168
X ji X ij , si X ji X ij , i j
169
quitar su columna (si es un centro de suministro) o su rengln (si es un centro de
recepcin) en la matriz de costos y requerimientos, junto con no agregar nada a sus
cantidades originales de oferta o demanda, respectivamente.
Ejemplo 1:
Despus de una mayor investigacin, la empresa agroindustrial AZAPAN encontr
que puede disminuir los costos de transporte de sus arvejas congeladas si elimina su
propia operacin de distribucin y usa servicios comerciales de distribucin. Como
ninguna compaa de servicios a toda rea completa de las plantas y los almacenes,
ser necesario transferir muchos de los embarques a otro camin, por lo menos una
vez en el camino. Esta transferencia se puede llevar a cabo en alguna de las plantas
o almacenes intermedios, o en otras cinco localidades (A, B, C, D, E) conocido como
conexiones. Los costos se dan en la tabla. El problema global es determinar como
debe mandarse la produccin de todas las plantas para cumplir con las demandas de
todos los almacenes y minimizar el costo total de embarque.
Solucin:
Como es un problema de transbordo, hay que reformular el problema a uno de
transporte, de la siguiente manera:
Cualquier localidad: 4 plantas, 5 conexiones y 4 almacenes se pueden convertir
en origen, destino o centro de distribucin, por lo tanto, el problema de transporte
contrara 12 orgenes y 12 destinos.
Los costos unitarios Cij se vieron en la tabla anterior.
170
segura para este nmero en cualquier localidad es el nmero total de cargas, que en
nuestro caso ser de 300 (u), segn lo siguiente:
Produccin: 75+125+100=300(u)
Asignacin: 80+65+70+85=300(u)
Nota: Hay que tener presente siempre que la condicin necesaria y suficiente para
plantear el problema de transporte es que:
m n
ai b j
i 1 j 1
En caso de no ocurrir esta igualdad, hay que crear un centro de demanda u oferta
ficticio, tal como lo hemos efectuado anteriormente.
Por lo tanto, sumamos 300(u) a cada centro de demanda y oferta, donde existen
rayas se asigna un costo M (no existe conexin entre ellas) y en los espacios vacos
se la asigna cero (segn lo explicado anteriormente), generando la matriz de costos
siguiente:
Matriz de Costos de Transbordo:
Destino
De/A 1 2 3 A B C D E 1 2 3 4 Ofta.
1 0 146 M 324 286 M M M 452 505 M 871 375
2 146 0 M 393 212 570 609 M 335 407 688 784 425
3 M M 0 658 M 405 419 158 M 685 359 678 400
A 322 371 656 0 262 398 430 M 303 234 329 M 300
B 284 210 M 262 0 406 421 644 305 207 464 558 300
C M 369 403 398 406 0 81 272 397 253 171 282 300
Origen
D M 608 418 431 422 81 0 287 613 280 236 229 300
E M M 158 M 467 274 288 0 831 301 293 482 300
1 453 336 M 305 307 399 615 831 0 359 306 587 300
2 305 407 683 235 208 254 281 500 357 0 362 340 300
3 M 687 357 329 464 171 236 200 705 362 0 457 300
4 868 781 670 M 358 282 229 480 587 340 457 0 300
Dda. 300 300 300 300 300 300 300 300 380 365 370 385
En rojo los cambios efectuados sobre la matriz original.
Ejemplo 2:
Una empresa necesita transportar 70(u) de un cierto producto del sitio 1 a los sitios 2
y 3, en cantidades de 45 y 25 (u), respectivamente. Las tarifas C ij ( $ u.m.) de carga
area entre los sitios comunitarios se dan en la tabla y las lneas indican que no hay
servicio disponible, segn la siguiente tabla:
De/A 1 2 3 4 Produccin
1 -- 38 56 34 70
2 38 -- 27 --
3 56 27 -- 19
4 34 -- 19 --
Asignacin 45 25
171
Determinar un programa de embarque que asigne el nmero requerido de artculos a
cada destino, a un costo de mnimo de transporte. Ningn embarque requiere de
vuelo directo; se permiten los envos empleando puntos intermedios.
Solucin:
Veamos como se presenta el siguiente problema de manera esquemtica:
Podemos analizar que el problema consta de cuatro orgenes y cuatro destinos. Notemos que,
para este caso, no es ptimo enviar artculos del sitio 1 para que estos despus regresen, en
algn momento y nuevamente sean embarcados; de esta manera, es necesario no permitir que
existan embarques hacia el origen 1, restringindolo a ser el nico origen efectivo, lo cual el
problema se simplifica, mediante la eliminacin de su columna y mantener su oferta fija (no se
debe incrementar). De esta manera la matriz de costos queda:
1 4 2 3 Oferta
1 0 34 38 56 70
4 34 0 M 19 0
2 38 M 0 27 0
3 56 19 27 0 0
Demanda 0 0 45 25
Eliminar columna 1 y oferta fija del sitio 1.
172
4 2 3 Oferta
1 34 38 56 70
4 0 M 19 70
2 M 0 27 70
3 19 27 0 70
Demanda 70 115 95
Variable de Decisin
Xij: variable binaria (0 1), que representa la decisin no o si
1 , si el asignado i realiza la asignacin j
X ij
0 , en caso contrario
Min
n n
Z Cij X ij
i 1 j 1
s.a :
m
X
j 1
ij 1, i 1, , m
X
i 1
ij 1, j 1, , n
Xij 0 y binaria, i, j
173
Dnde:
La primera restriccin especifica que cada asignado realiza exactamente una
asignacin (y una mquina es asignada a un determinado lugar).
La segunda restriccin especifica que se requiere que cada asignacin sea
realizada exactamente por un asignado.
La restriccin Xij binaria puede ser eliminada, puesto que como toda oferta S i y
demanda Dj son enteros e iguales a 1, esto significa que toda solucin bsica factible
es entera. Las restricciones funcionales evitan que las variables sean mayores que
uno y las restricciones de no negatividad evitan valores menores que cero, por lo
tanto, la solucin que se tiene satisface automticamente la restriccin binaria.
Este tipo de problema puede ser resuelto de la misma forma que un Problema de
Transporte, es decir, buscar una solucin bsica inicial factible y luego obtener la
solucin ptima, pero sera muy ineficiente resolver este problema mediante esta
metodologa o incluso resolverlo mediante nuestros conocido mtodo simplex.
Debido a lo anterior, existen mtodos de solucin, llamados algoritmos de
asignacin, ms eficientes que el mtodo simplex o el algoritmo general de
transporte y que resuelve especficamente los problemas de asignaciones, como el
conocido Mtodo Hngaro, desarrollado por Knig y Egervary (matemticos), el cual
emplea como entrada la matriz de costos balanaceada.
174
La condicin necesaria y suficiente para que este tipo de problema tenga solucin, es
que debe estar balanceado. Si el problema esta desbalanceado, su restitucin se
logra como se efectu en los problemas de transporte, es decir:
Si m > n (m siendo los orgenes y n los destinos), se introducen m n destinos
con demanda unitaria igual a uno y costo nulo.
Si m < n (m siendo los orgenes y n los destinos), se introducen n m
orgenes con oferta unitaria en cada uno y costo nulo.
Paso 1:
Dada una matriz de costos de un problema de asignacin balanceado, reste en cada
columna el nmero ms pequeo de esa columna del resto de los elementos en
dicha columna. Repita este procedimiento, es decir, reste en cada fila el nmero ms
pequeo de esa fila del resto de los elementos en dicha fila (este procedimiento se
efecta despus de haber realizado la resta por columnas). Es decir:
C ij C ij Min C ij , j 1, , n
i
C ij C ij Min C ij , i 1, , m
j
Paso 2:
En la nueva matriz de costos, seleccinese un cero en cada rengln y columna.
Elimine durante el proceso de seleccin la columna y el rengln al que pertenece el
cero seleccionado. Si al finalizar este paso se ha efectuado una asignacin completa
de ceros, es decir, cada origen tiene asignado un solo destino y cada destino tiene
asignado un solo origen, se ha encontrado la asignacin ptima. En caso contrario,
contine al paso 3.
Paso 3:
Los paso a seguir son:
3.1.- Cbranse todos los ceros de la matriz de costos revisada, con el menor nmero
de lneas verticales y horizontales que sea posible. Cada lnea vertical debe pasar
por todos los elementos del rengln (sea p el nmero de lneas verticales) y cada
lnea horizontal debe pasar por todos los elementos de la columna (sea q el nmero
de lneas horizontales). El total de lneas cubiertas (filas y columnas) deber cumplir
con:
p q mx(m, n)
Ejemplo:
Una competencia de relevos de 400 mt. Incluye a 4 nadadores diferentes, quienes
nadan sucesivamente 100 mt. De dorso, de pecho, de mariposa y libre. El entrenador
175
tiene seis nadadores muy veloces, cuyos tiempos esperados (en segundos) en los
eventos individuales se dan en la siguiente tabla:
Solucin:
Iteracin 1
Paso 0:
Se debe analizar si la oferta = demanda (m = n), en nuestro caso:
N Nadador = N Estilo
64
Como esta desequilibrado la matriz de costos, se debe agregar 6 4 = 2 centros
ficticios de demanda: Estilo A y Estilo B, con lo cual matriz de costos actualizada es:
Dorso Pecho Mariposa Libre Estilo A Estilo B Recurso
1 65 73 63 57 0 0 1
2 67 70 65 58 0 0 1
3 68 72 69 55 0 0 1
4 67 75 70 59 0 0 1
5 71 69 75 57 0 0 1
6 69 71 66 59 0 0 1
Demanda 1 1 1 1 1 1
Paso 1:
Primero encontremos el menor Cij por columna:
1 2 3 4 5 6
1 65 73 63 57 0 0
2 67 70 65 58 0 0
3 68 72 69 55 0 0
176
4 67 75 70 59 0 0
5 71 69 75 57 0 0
6 69 71 66 59 0 0
Menor Cij 65 69 63 55 0 0
A continuacin, efectuemos la resta por columna con respecto al menor valor C ij,
quedando la siguiente matriz de Costos Revisado:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1
Finalmente, efectuemos la resta por fila con respecto al menor valor C ij, quedando la
ltima matriz de Costos Revisado:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1
Paso 2:
Con la matriz del paso 1, se buscan las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1
Rojo: posibles asignaciones
177
2-5: se elimina la fila 2 y la columna 5.
3-4: se elimina la fila 3 y la columna 4.
4-6: se elimina la fila 4 y la columna 6.
5-2: se elimina la fila 5 y la columna 2.
No es posible asignar el nadador 6 y la especialidad 3.
Se pasa al paso 3.
Paso 3:
3.1.- En nuestro caso, el nmero mximo de lneas a utilizar son seis (seis nadadores
y cuatro estilos), de acuerdo a lo indicado:
p q max(m, n)
p q max(4,6) 6
De esta manera, el nmero de lneas por columna y fila no puede exceder esta cantidad, as, la
matriz queda:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1
3.2.- Para revaluar la matriz, se busca el mnimo valor de los C ij no tachados, en este
caso es: C22=1, con lo cual la nueva matriz es:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1
Iteracin 2:
Paso 2:
Se buscan las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1
178
Una posible asignacin es:
1-1: se elimina la fila 1 y la columna 1.
2-2: se elimina la fila 2 y la columna 2.
3-4: se elimina la fila 3 y la columna 4.
4-5: se elimina la fila 4 y la columna 5.
6-6: se elimina la fila 6 y la columna 6.
Paso 3:
3.1.- Segn lo analizado, el nmero mximo de lneas a utilizar son seis (seis
nadadores y cuatro estilos).
De esta manera, el nmero de lneas por columna y fila no puede exceder esta cantidad, as, la
matriz queda:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1
3.2.- Para revaluar la matriz, se busca el mnimo valor de los C ij no tachados, en este
caso es: C22= C23= C41=1, con lo cual la nueva matriz es:
1 2 3 4 5 6 Recurso
1 0 5 0 3 2 2 1
2 0 0 0 2 0 0 1
3 2 3 5 0 1 1 1
4 0 5 5 3 0 0 1
5 5 0 11 2 1 1 1
6 2 1 1 3 0 0 1
Demanda 1 1 1 1 1 1
Iteracin 3:
Paso 2:
Se buscan nuevamente las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 5 0 3 2 2 1
2 0 0 0 2 0 0 1
3 2 3 5 0 1 1 1
4 0 5 5 3 0 0 1
5 5 0 11 2 1 1 1
6 2 1 1 3 0 0 1
179
Demanda 1 1 1 1 1 1
Como existe una nica asignacin posible (existen mas, pero al mismo costo), se
termina la iteracin
180
El tiempo mnimo total (en segundos) se calcula a partir de:
6 6
C
i 1 j 1
ij X ij C11 * X 11 C 23 * X 23 C34 * X 34 C 45 * X 45 C52 * X 52 C 66 * X 66
6 6
C
i 1 j 1
ij X ij C11 C 23 C 34 C 45 C 52 C 66 65 65 55 0 69 0 254( seg )
181
CAPITULO 4: PROGRAMACION ENTERA
4.1.- INTRODUCCION
La programacin entera se refiere a la solucin de problemas en los cuales se fuerza
a los resultados a no tener valores fraccionales, es decir, desde el punto de vista de
conjuntos, los resultados pertenecen a Z + (incluyendo el cero). El PPL asociado a
este tipo de problemas presenta la siguiente estructura:
Max
Z CX
sa :
AX b
x
Existen varios mtodos que convergen a soluciones ptimas enteras, pero algunos
son dependiendo de las circunstancias, demasiados lentos o demorosos, lo cual es
injustificable sus operaciones, desde el punto de vista del costo.
La diferencia con los problemas de programacin lineal (PPL), es que esta ltima se
minimiza o maximiza sobre un rea factible de solucin (factibilidad convexa),
mientras que la programacin entera se maximiza una funcin sobre una regin de
factibilidad que, generalmente, no es convexa, por lo cual, es de muchos rdenes de
magnitud ms complicados que los PPL ya conocidos.
Dado el estado del arte de los mtodos de programacin entera, estos no aseguran
que un problema entero pueda ser resuelto en un tiempo razonable, por lo tanto, los
algoritmos seleccionados en este captulo obedecen a los siguientes criterios:
Histricos.- presentaron avances en la teora al ser descubiertos.
Prcticos.- resuelven eficientemente ciertos problemas enteros.
De vanguardia.- representan la materia actual de investigacin que
probablemente abrir la brecha en el futuro.
182
Planos de corte.- no son eficientes para resolver problemas de tamao modesto
(medios), pero fueron los primeros estudios de este tipo de programacin
(entera).
Enumeracin implcita.- trabajan adecuadamente para problemas de tipo binario
(0,1).
Bifurcacin y acotacin (ramificacin y acotacin o tambin llamado mtodo de
Branch and Bound).- son los que aparentemente se comportan mejor en la
solucin de problemas enteros con dimensiones intermedias.
Teoras de grupos.- requieren de temes profundos de lgebra moderna.
Algoritmos heursticos.- para poder resolver problemas de caractersticas de
combinatoria, tal como secuenciacin de rutas y determinacin del tamao de
flota de vehculos.
183
Balance de lneas de produccin.- este tipo de problema consiste en decidir que
actividades deben ser desempeadas por cada trabajador, a medida que u
producto se desplaza por una lnea de produccin. El objetivo consiste en
minimizar el nmero de trabajadores (o de estaciones de trabajo) en funcin de
una tasa de produccin.
Asignacin cuadrtica.- para problemas de localizacin, existe un conjunto de n
posibles lugares en donde se piensa construir m plantas (m < n).
Paso1:
Resuelva el problema entero relajado, es decir, sin las condiciones de integralidad,
por medio del mtodo simplex de programacin lineal:
184
( Pk ) Max
Z CX
sa :
AX b
x0
~
Definamos Z como incumbente o mejor solucin entera, que inicialmente tiene valor
~
de Z 0 .
Paso 2:
En el nodo del rbol se obtuvieron las soluciones, entonces escoja arbitrariamente
una variable entera X i , cuyo resultado en el paso 1 sea fraccional e igual a X Bi , es
decir X i X Bi .
Paso 3:
Efectu una ramificacin del problema original, es decir, resuelva un par de nuevos
problemas, similares al problema anterior, pero se le adicionar a cada problema una
restriccin que impida tomar el valor X i X Bi , es decir:
1. El problema original con una restriccin adicional X i X Bi :
( Pk ) Max
Z CX
sa :
AX b
X i X Bi
x0
2. El problema original con una restriccin adicional X i X Bi 1 :
185
( Pk )Max
Z CX
sa :
AX b
X i X Bi 1
x0
La notacin X i se refiere al entero menor de X i , (a modo de ejemplo:
3,25 3 3,25 1 4 ). La resolucin de este tipo de problemas, se puede hacer
por anlisis de sensibilidad agregando una restriccin.
Paso 4:
De los programas lineales resueltos en el paso 3, inclyase en el anlisis a seguir
solo aquellos programas cuya solucin (entera o fraccional) sea mejor a cualquiera
de las soluciones enteras conocidas (esto es el mayor en el caso de maximizar o
menor en el caso de minimizar). Lo anterior indica el proceso de acotamiento (o
poda) de una rama, ya que un nodo del rbol puede no requerir ms ramificaciones.
En este caso puede ocurrir:
1. El problema en el nodo es infactible, por lo que todos los subproblemas
generados a partir de l sern infactibles tambin.
2. El problema en el nodo tiene un valor ptimo Z * peor que la mejor solucin
entera encontrada Z * Z , por lo que todos los subproblemas generados a partir
de l sern peores.
3. El problema en el nodo tiene una solucin entera. Si el valor ptimo Z * es mejor
que la mejor solucin encontrada hasta el momento Z * Z , actualizamos el
incumbente como Z Z * .
Paso 5:
Seleccione aquel programa lineal que tenga el mejor valor de la incumbente, es decir,
mximo valor de la funcin objetivo del subproblema (o mnimo en caso de
minimizacin de la funcin objetivo). Si las variables definidas enteras tienen valor
entero se ha conseguido la solucin ptima. En caso contrario, regrese al paso 2 con
la estructura del problema lineal resuelto en este paso.
186
Fuente: autor: Prawda.
Ejemplo 1:
187
X1 X2 X3 X4 XB
Z 0 0 0,25 1.5 18,75
X2 0 1 0,75 -0,5 1,25
X1 1 0 -0,25 0,5 3,25
Como ninguna de las variables bsicas es entera entonces se va al paso 2
Paso2
Se escoge arbitrariamente una de las soluciones fraccionales, a modo de ejemplo se
evaluar X 2 1,25
Paso 3
Se resuelven dos problemas lineales distintos uno con restriccin adicional
X 2 1,25 1 y el otro problema con otra restriccin adicional, la cual es
X 2 1,25 1 2 , es decir:
Problema 1:
( P1) max Z 5 X1 2 X 2
s.a :
2 X1 2 X 2 9
3 X 1 X 2 11
X2 1
X i 0 , i , enteros
Problema 2:
( P2 ) max Z 5 X1 2 X 2
s.a :
2 X1 2 X 2 9
3 X1 X 2 11
X2 2
X i 0 , i , enteros
Aplicando anlisis de sensibilidad cuando se agrega una restriccin adicional a un
PPL (se utilizar la tcnica de la cota superior) y solucionndolo, quedan los
siguientes tableau:
Problema 1:
188
X1 X2 X3 X4 XB
Z1 0 0,33 0 1,67 18,67
X3 0 -1,33 1 -0,67 0,33
X1 1 -0,33 0 0,33 3,33
Problema 2
X1 X2 X3 X4 XB
Z2 0 3 2,5 0 16,5
X4 0 -2 -1,5 1 1,5
X1 1 1 0,5 0 2,5
Paso 4
Como no hubo solucin entera en todo el proceso, se incluyen ambos tableaus en el
anlisis.
Paso 5
Como el mejor valor de la funcin objetivo hasta el momento corresponde al
problema 1, entonces este nuevo problema se toma como base y se vuelve al paso 2
Iteracin 2:
Paso 2
Se escoge arbitrariamente de esta nueva estructura un resultado fraccional, a modo
de ejemplo x1 = 3,33
Paso 3
Se resuelven los dos problemas lineales nuevamente cada uno con una restriccin
adicional diferente: X 1 3,33 3 y X 1 3,33 1 4
189
por lo que este ltimo se descarta su estructura para anlisis posteriores (no existir
ramificacin asociada a este nodo).
Paso 4
Por ser una solucin entera, se incluye en el anlisis
Paso 5
Los valores finales del problema tercero, nos permitirn llegar al ptimo del problema
original, es decir:
Z 17 Z 17
X 1 0 3 X1 X1 3 X1 3
X 2 0 1 X 2 X 2 1 , o sea: X 2 1
X3 1 X3 1
X4 1 X4 1
El problema anterior, se puede representar como una red con estructura de rbol:
Ejemplo 2:
190
Dado el siguiente problema, resulvalo mediante el algoritmo B&B:
Max
Z 5 X1 8 X 2
sa :
X1 X 2 6
5 X1 9 X 2 45
X1 , X 2 0 y enteros
Desarrollo:
Lo primeros que debemos hacer, es inicializar el incumbente en Z~ 0 e inicializar la
lista de problemas con la relajacin lineal del problema:
( P0 )Max
Z 5 X1 8 X 2
sa :
X1 X 2 6
5 X1 9 X 2 45
X1 , X 2 0
Como es el nico problema en la lista, lo resolvemos; en un caso real, esta relajacin
se debe resolver mediante el mtodo simplex, pero para fines acadmicos se
aplicar el mtodo grfico, del cual se obtiene la solucin ptima:
191
Z 0 41,25; X 1 2,25; X 2 3,75
Como vemos, las dos variables son fraccionales, por lo cual, se puede tomar
cualquiera de ellas como variable de ramificacin. Escojamos arbitrariamente X 2 para
ramificar, por lo cual, se generan los siguientes problemas:
( P1 )Max Z 5 X1 8 X 2 ( P2 )Max Z 5 X1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X 1 9 X 2 45 5 X1 9 X 2 45
X2 3 X2 4
X1 , X 2 0 X1 , X 2 0
192
Z1 39; X 1 3; X 2 3
Z 2 41; X 1 1,8; X 2 4
En este caso, el (P1) tiene soluciones enteras y nos permite actualizar el incumbente
a Z~ 33 , por lo cual, esta rama se acota (corta) y no se ramifica nuevamente hasta
una futura revaluacin. Pero notemos que (P 2) tiene un valor objetivo mayor que el
incumbente, por lo cual, es posible encontrar posibles soluciones enteras y con mejor
valor de la incumbente anterior. De esta manera, se genern dos nuevos problemas
a resolver al tener que restringir X1, ya que X2 es entera:
193
( P3 )Max Z 5 X1 8 X 2 (P4 )Max Z 5 X1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X1 9 X 2 45 5 X1 9 X 2 45
X2 4 X2 4
X1 1 X1 2
X1 , X 2 0 X1 , X 2 0
Z 3 40,55; X 1 1; X 2 4,44
Z 4 ; X 1 ; X 2 Infactible
194
En este caso, el (P4) no puede ser resuelto, debido a su infactibilidad, generando que
no sea posible su ramificacin. Notemos que (P 3) tiene un valor objetivo mayor que el
incumbente, por lo cual, es posible encontrar posibles soluciones enteras y con mejor
valor de la incumbente. De esta manera, se generan dos nuevos problemas a
resolver al tener que restringir X2, ya que X1 es entera:
( P5 )Max Z 5 X 1 8 X 2 ( P6 )Max Z 5 X 1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X 1 9 X 2 45 5 X 1 9 X 2 45
X2 4 X2 4
X1 1 X1 1
X2 4 X2 5
X1 , X 2 0 X1 , X 2 0
Z 5 37; X 1 1; X 2 4
195
Z 6 40; X 1 0; X 2 5
Notemos que el (P5) y (P6) tienen soluciones enteras, por lo cual es necesario
actualizar la incumbente: si analizamos el (P 5), el valor objetivo es mayor que la
incumbente anteriormente establecida, es decir, es necesario actualizar dicho valor a
~
Z 37 , pero si analizamos ahora el (P 6), el valor de esta solucin es mejor que la
incumbente recin obtenida, por lo cual, hay que actualizar nuevamente dicho valor a
~
Z 40 . Esto nos permite indicar que cualquier valor que se obtenga, ya sea al
ramificar (P3) o (P5) siempre nos dar una peor incumbente.
196
4.2.2.- Algoritmo de Land Doig: Problemas Entero - Mixto
Los problemas entero mixto (PEM) se refieren a que algunos valores de las variables
puedan ser fraccionales y otros, los que se especifican, deben ser enteros, entonces
el conjunto solucin del problema est compuesto por valores enteros y decimales.
La resolucin de este tipo de problemas es igual al del problema entero, pero cuando
se debe elegir una variable arbitrariamente, se tiene que elegir entre las variables
que se especifican que sean enteras. El proceso termina totalmente de iterar cuando
las variables que deberan ser enteras, efectivamente lo son.
197
Apndice
Resumen Mtodo Simplex Revisado
-Paso iterativo:
Determine la variable bsica que entra; igual que el mtodo Simplex original.
Determine la variable bsica que sale; igual que el mtodo original excepto, que se
calculan nicamente los miembros requeridos para esto (los coeficientes de la
variable bsica que entra en todas las ecuaciones, menos la cero) y despus el
segundo miembro de cada ecuacin para cada coeficiente estrictamente positivo.
Ejemplo:
Min : Z 3 X 1 5 X 2
s.a.
x1 4
x2 12
3x1 2x2 18
X1 0 ; X 2 0
Max :
Z 3X1 5 X 2
s.a.
x1 x3 4
2x2 x4 12
3x1 2x2 x5 18
X i 0 : i 1,5
Solucin:
1 0 1 0 0
C = (3,5) A, I 0 2 0 1 0
3 0 0 0 1
198
4 x3
x1
b12 ; x ; xS4
x2
18 x5
Iteracin 0:
X 3 001
xBX4 B 010 B1
X5 100
199
4 001 4 4
b 12 x 010 1212
B
18 100 18 18
4
C B 0 0 0 Z 0 0 012 0
18
Iteracin 1:
200
x3 1 0 1 0
x x B0 2 0 B10 /2 01
B 2
x5 0 2 1 0 -1
201
x3 1 0 0 4 4
x x 0 1/2 0 126
B 2
x5 0 -1 1 18 6
4
Z 050 630
6
Iteracin 2:
202
x3 1 1/3 1/34 2
x x 0 1/2 0 12 6
B 2
x1 0 1/3 1/3 18 2
CB 0 5 3
2
Z 0 5 36 36 Z36
2
Ejercicio en la iteracin 2:
203
1 1/ 3 1 / 3 1 0 0 0
B A 0
1
1/ 2 0 0 2 0 1
0 1/ 3 1 / 3 3 2 1 0
1 1/3 1 / 3
CB B 1
0 5 3 0 1/2 0 0 3/ 2 1
0 - 1/3 1 / 3
0 0
CB B A C 0
1
5 3 0 1 3 3 0 0
1 0
Z
1 0 0 0 3/ 2 1 X1 36
X
0 0 0 1 1/ 3 1/ 3 2 2
0 0 1 0 1 / 2 0 X 3 6
0 1 0 0 1/ 3 1/ 3 X4 2
X5
Z 36
Mtodo Alternativo:
Como B (y por tanto B-1) cambian tan poco de una iteracin a otra, resulta ms
eficiente obtener:
204
BN1 EB A1
B N1 : matriz nueva de B -1
B A1 : matriz de B -1 de la iteracin anterior
E : matriz identidad, excepto su m - sima columna reemplazada por el vector.
a'
n1 ik ; Si i r
n a'
n 2; donde rk
i 1
; Si i r
nm a'
rk
xK : Variable que entra a la base
a ik : Coeficient e de x K en la ecuacin i actual para i 1,2, , m
r : Nmero de la ecuacin que tiene la variable bsica que sale.
Ejemplo:
Iteracin 1
Z x1 x2 x3 x4 x5
1 -3 -5 0 0 0 0
x3 0 1 0 1 1 0 4
x4 0 0 2 0 0 0 12
x5 0 3 2 0 0 1 18
205
X3
xB X4
X5
0 1 0 0
1/2 E0 1/2 0
1 0 -1 1
1 0 01 0 0 1 0 0
BN1 0 1/2 00 1 00 1/2 0
0 1 10 0 1 0 1 1
206
1 0 04 4
1
xB B b 0 1/ 2 012 6
0 1 118 6
1 0 01 -
CBB ANB CNB 0,5,00 1/ 2 00 - ,3 ,3
1
0 1 13 -
1 0 0
1
CBB 0,5,00 1/ 2 0 0,5/ 2,0
0 1 1
Iteracin 2:
Z x1 x2 x3 x4 x5
1 -3 - 0 5/2 0
x3 0 1 - 1 0 0 4
x2 0 0 - 0 1/2 0 6
x5 0 3 - 0 -1 1 6
207
1 0 1 / 3 1 0 0 1 1 / 3 1 / 3
BN1 0 1 0 0 1 / 2 0 0 1 / 2 0
0 0 1 / 3 0 1 1 0 1 / 3 1 / 3
1 / 3 1 / 3
CB B 1 0,5,3 1 / 2 0 ,3 / 2,1
1 / 3 1 / 3
1 1 / 3 1 / 3 4 2
xB B 1b 0 1 / 2 0 12 6
0 1 / 3 1 / 3 18 2
2
Z CB B 1B 0,5,3 6 36
2
Z x1 x2 x3 x4 x5
1 - - - 3/2 1 36
x3 0 - - 1 1/3 -1/3 2
x2 0 - - 0 0 6
x1 0 - - 0 -1/3 1/3 2
Las soluciones son:
X 1 12 u X 2 6 u Z $132(um)
208