Beruflich Dokumente
Kultur Dokumente
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL
CURSO PARA
INGENIEROS
INDUSTRIALES
2012
UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL
INDICE
Pgina
UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL
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.
Pasos de la investigacin de operaciones:
Observacin cuidadosa y definicin del problema, incluyendo la toma de
datos.
Construccin del modelo cientfico (generalmente matemtico) que es una
abstraccin de la realidad, aqu se propone la hiptesis de que el modelo es
una buena representacin de la realidad, para que as las conclusiones o
soluciones sean vlidas para el problema real.
Realizacin de experimentos para probar la hiptesis
Validacin del modelo.
Conclusiones.
Donde:
U
: utilidad o valor de la ejecucin del sistema. Se le denomina funcin objetivo
xi
: variable o constante no controlable, pero que afecta a U, se le denomina
variables exgenas al modelo.
yi
: son variables controlables, se les denomina variables endgenas.
Adems, se requiere de una o ms ecuaciones o inecuaciones para expresar el
hecho de que algunas variables controlables o todas, pueden manejarse solo dentro
de ciertos lmites o rangos.
Luego, se resuelve el modelo matemtico, encontrando los valores de las variables
controlables que optimizan el sistema bajo estudio. La solucin del sistema puede
obtenerse mediante la simulacin del mismo por medio de anlisis matemtico.
Los valores de optimizacin de la solucin, mejora la ejecucin del sistema solo si el
modelo es una buena representacin del mismo, por lo tanto, debe probarse la
correspondencia del modelo a la realidad y valorar la solucin.
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.
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.
Una manera de resumir las etapas usuales (no secuenciales) de un estudio de IO es
el siguiente:
Definicin del problema de inters y recoleccin de datos relevantes.
Formulacin de un modelo matemtico que representa el problema.
Desarrollo de un procedimiento basado en computacin para derivar una
solucin al problema a partir del modelo.
Prueba del modelo y mejoramiento, segn sea necesario.
Preparacin para la aplicacin del modelo descrito por la administracin.
Puesta en marcha.
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.
En la vida real (problemas) los valores de los parmetros se deben estimar, a
diferencia de los problemas tericos en que stas son dadas; es por ello, que la
estimacin del parmetro (bajo un criterio de incertidumbre) debe someterse a un
anlisis de sensibilidad para ver de que forma cambiara la solucin (si es que
cambian) debido a la estimacin misma.
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.
Identificacin de la funcin objetivo.- lo ms comn puede ser: maximizar las
ganancias a largo plazo o minimizar las prdidas a largo plazo, pero puede ser
tambin mantener estables las ganancias, maximizar la participacin del mercado,
diversificar la produccin, mantener la estabilidad en los precios maximizar las
condiciones del trabajo, etc. Generalmente, se puede hacer en tres etapas:
Establecer el objetivo en forma verbal
Descomponer el objetivo en una suma, diferencia o producto de cantidades
individuales.
Expresar las cantidades individuales matemticamente, utilizando las
variables de decisin y otros datos conocidos en el problema.
Identificacin de las restricciones.- Las restricciones son condiciones que las
variables de decisin deben satisfacer para constituir una solucin aceptable, que
limitan el espacio de bsqueda de la solucin al problema, las que pueden provenir
de interrelaciones entre subsistemas, plazos o lmites de tiempo, costos o beneficios
y en su forma de medirlos , y de los efectos posibles en las diferentes partes
involucradas; adems, de la empresa misma como: los dueos (accionistas, los
empleados, los clientes, los vendedores, el gobierno y la nacin. Por lo general,
surgen de:
Limitaciones fsicas
Restricciones impuestas por la administracin
Restricciones externas
Relaciones implicadas entre variables
Restricciones lgicas sobre variables individuales.
Cj
bi
aij
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).
Formato Estndar del Modelo:
Consumo de recurso por unidad de actividad
Recurso
actividades
1
2
n
1
a11
a12
a1n
2
a21
a22
a2n
m
Contribucin a
Z por unidad
de actividad
am1
am2
amn
c1
c2
cn
Cantidad
de recurso
disponible
b1
b2
bm
11
2.2.- RESOLUCIN
DE UN PROBLEMA DE PROGRAMACIN
LINEAL (PPL) MEDIANTE EL MTODO GRFICO (DOS
VARIABLES DECISIONALES)
El mtodo de solucin grfica es aplicable slo a problemas simples que no excedan
de dos variables. No obstante, dos variables no son suficientes para describir o
representar problemas reales, pero ste mtodo proporciona importantes ideas de
los procedimientos de solucin de P.L.
Este mtodo grfico se muestra de mejor manera a travs de un ejemplo: una
pequea empresa de muebles fabrica dos productos: mesas y silla, que se deben
procesar a travs de los departamentos de ensamble y acabado. Ensamble tiene 60
horas disponibles y acabado puede manejar a lo mximo 48 horas de trabajo. La
fabricacin de una mesa requiere de 4 horas de ensamble y dos horas de acabado.
Cada silla requiere de dos horas de ensamble y cuatro horas de acabado.
Si la utilidad es de $8 u.m. por mesa y de $6 u.m. por silla. El problema es determinar
la mejor combinacin posible de mesas y sillas para producir, para as vender y
obtener la mxima utilidad.
Hay dos limitaciones (restricciones) en el problema: El tiempo disponible de
ensamble y de acabado.
Resumen de Informacin:
Ensamble
Acabado
Utilidad
Mesa
(u)
4 (hr)
2 (hr)
$8
Silla (u)
2 (hr)
4 (hr)
$6
Horas Directas
Disponibles (hr)
60
48
13
u.m.
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
Si : X m 0 X s 30
Si : X s 0 X m 15
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
Si : X m 0 X s 12
Si : X s 0 X m 24
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:
16
17
max
U 8X m 6X s
U $132 (u.m)
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;
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
18
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)
Corte
15
Armado
12
Tapicera
18,75
Cubierta
Contribucin
$ 25
a la utilidad (u.m.)
Costo Materia
$5
Prima (u.m)
Precio Venta (u.m)
$ 30
Costo Indirecto: $ 20.500 (u.m.)
Costo Mano de Obra: $ 13.500 (u.m.)
Costo Fijo Total: $ 34.000 (u.m.)
27.000
27.000
27.000
27.000
$ 75
$ 25
$ 100
15 X s 40 X e 27.000
Armado:
12 X s 50 X e 27.000
Tapicera:
18,75 X s
Cubierta:
27.000
56,25 X e 27.000
No Negatividad:
Xs 0
Xe 0
19
max
U 25 X s 75 X e
Representacin Grfica:
15
27.000
3
*Xs
Contribucin M
0,375
40
40
8
Armado
Xe
12
27.000
6
*Xs
Contribucin M
0,240
50
50
25
Tapicera
Xe
18,75
27.000
*Xs
Contribucin M
0
0
Cubierta
Xe
0
27.000
*Xs
Contribucin M 0
56,25
56,25
Funcin Objetivo:
Xe
25
U
1
*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:
20
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
A
(0; 0)
B
(1.440; 0)
C
(0; 480)
D
(1.000; 300)
E
(250; 480)
F
(1.440; 135)
34.000
34.000
34.000
34.000
34.000
34.000
7.200
12.000
12.500
13.250
10.575
34.000
41.200
46.000
46.500
47.250
44.575
43.200
48.000
60.000
55.500
56.700
(34.000)
2.000
2.000
13.500
8.250
12.125
21
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.
b.- no todas las variables crecen arbitrariamente.Ejemplo:
Max Z 5 X 1 4 X 2
s.a :
X1
2
X1 X 2 0
X 1 0; X 2 0
22
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
23
Max Z 4 X 1 X 2
s.a :
X1 X 2 2
3X1 3X 2 9
X 1 0; X 2 0
24
Max Z X 1 2 X 2
s.a :
X1 X 2 2
X1 3X 2 3
X 1 0; X 2 0
25
Las soluciones no son factibles en este caso, ya que no respetan las condiciones o
restricciones de no negatividad.
Nota: en la prctica no podemos asegurar que las restricciones sean consistentes y
la solucin acotada.
26
5 X l 3 X m 6 X n 250.000
3.- Capital
2X
72 X l 50 X m 10 X n 200 * 7,5 * 5 * 52
4.- No negatividad
Xi 0
i p, l , m, n
5 Xl
72 Xl
2 Xp
0,5 Xl
Xi 0
i p, l , m, n
6 Xn
10 Xn
250.000
390.000
Xm
1,5 Xn
y enteras
20.000.000
3 Xm
50 Xm
Chilln
Iquique
1.000.000
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
Bajo estas condiciones qu programa de distribucin mensual de botellas se
debera establecer a fin de satisfacer la demanda mensual en las fbricas de bebidas
sin exceder la produccin mensual y todo al costo mnimo?
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
Min
ij
* X ij Z
i 1 j 4
i = 1,2,3
planta de botellas
j = 4,5,6,7,8 planta de bebidas
Min
Z=
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 17
X 26
X 27
X 36
X 37
100
400
X 18
X 28
X 38
100
29
De Oferta
X 14
X 15
X 16
X 17
X 18
1.500
X 24
X 34
X 25
X 35
X 26
X 36
X 27
X 37
X 28
X 38
1.000
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
X Bp
X Cp
2.000
X Ac
X App
X Bc
X Bpp
X Cc
X Cpp
3.000
1.500
30
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
X Ac
X App
6.000
X Bp
X Bc
X Bpp
4.000
X Cp
X Cc
X Cpp
2.000
De proporcionalidad a la capacidad
2.000
3.000
1.500
Funcin Objetivo
Max
Z = 6000(XAp + XAc + XApp) + 8000(XBp + XBc + XBpp) + 5000(XCp + XCc + XCpp)
Opt
Z CX
s.a :
A X b
x0
(a )
(b)
(c )
(a) funcin lineal llamada funcin objetivo, donde el concepto de optimizacin puede
ser maximizar (para nuestro caso) o minimizar
(b) restricciones de desigualdad
(c) restricciones de no negatividad
31
x1
x
2
X
xn
n1
C:
C c1 , c2 , ... , c3 1 n
b :
b1
b
2
b
bm
m1
0:
0
0
0
0
n1
32
A:
a11 a12
a a
21 22
a1n
a2n
am1 am2
amn mn
Z=
c1 , c2
x1
x
2
, ... , c3 1n *
xn
n1
s.a:
a11 a12
a a
21 22
x1
x
2
a2n
am1 am2
b1
b
2
a1n
amn mn xn
n1
bm
m1
33
x1
x
2
0
0
xn
n1
n 1
y1
y
2
Y
ym
m1
0
0
0
m1
34
h1
h
2
H
hm
m1
0
0
0
m1
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
Ejemplos de cada regla.R1:
max
Z 3 x1 8 x2
min
Z 3 x1 8 x2
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).-
35
10 x1
7 x1
x2
2 x2
x2
2 x2
y1
5
1
x1 , x2 0
10 x1
7 x1
y2
5
1
x1 , x2 0
y1 , y2 0
x 2 x3 x1 0
x 2 x3 x1 0
x 2 x3 x1 0
Z 3 x1 4 x2 x3
s.a :
0,5 x1
2 x2
x2
(a)
x3
3
4
x1 0, x2 0, x3 no restingida
(b), (c)
(d), (e), (f)
Desarrollo
La funcin objetivo queda por R1:
Max U = -Z = -3x1 + 4x2 x3
Las restricciones quedan por R2:
0.5 x1 2 x 2 3
x4 x2 0
de (b)
de (e)
x 2 x 3 4 x 2 x3 4 x 4 x3 4
x 2 x3 4
x 2 x3 4 x 4 x3 4
x 4 x5 x6 4
x 4 x5 x6 4
36
37
n n!
m !(nm m)!
puntos extremos
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!
30 30!(5030)!
38
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
n 2
Xs
X n m
39
X X
A , I b ; 0
X s Xs
Donde:
X
X
s
X
A , I b
Xs
40
X B1
X
B2
XB
X Bm
m1
bsicas de
x
x
s
B: es la matriz de base
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:
41
B 1 BX B B 1b
IX B B 1b
X
los valores de B en la funcin objetivo.
Z C B X B CB 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
42
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 C B 0 C B b
-1* 1
X B 0 B b B b
1 1
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:
1 C BB-1 1 C 0
1
1 CB B A C CB B 1
-1
0 B 0 A 1 0
B-1 A
B-1
43
C B B 1 A C
B-1 A
Z
CB B 1b
C B B 1
x
1
B-1
B b
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
Valores de
X1
X2 Xn
X n 1 X n 2 X n m
Z
variables base
Variables
CB X B
C B B -1 A C
CB B-1
1
bsicas
X B1
X B2
X Bm
0
0
B 1 A
B 1
B-1 b
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:
44
Max : Z - CX 0
s.a.
AX Y b
X0
Y0
Donde Y: vector de variables de holgura.
El PPL de manera de un sistema de ecuaciones:
Z
C1 x1
a11 x1
a 21 x1
a m1 x1
C 2 x2
a12 x 2
a 22 x 2
C n xn
a1n x n
0 * x n 1
x n 1
0 * xn 2
xn 2
0 * xn m
xn m
am 2 x2
a mn x n
x 1 0 ; x 2 0 x n 0 variables de decision
X n 1 0, x n 2 X n m 0 variables de holgura
Este paso es necesario, pues la adicin de las variables de holgura crea la primera
base B que resulta ser la matriz identidad. A su vez, se genera el primer punto
extremo de la regin de factibilidad cuyas coordenadas estn dadas por el vector b.
Paso 4:
Construir la tabla con los coeficientes del programa, como se muestra a continuacin:
Forma condensada:
X1
X2 Xn
Z
-1
CB B A C
1
xB1
0
0
xB 2
xBm
Forma extensa:
x1
Z
1
z1 c1
B 1 A
x2
z 2 c2
xn
X n 1 X n 2 X n m
CB B-1
C B xB
B 1
B-1 b
xn 1
z n cn
z n 1 c n1
xn 2
z n 2 cn 2
xn m
z nZ
m0 c n m
45
0
b1
b2
bm
AB1 0
AB 2 0
ABm 0
Y11
Y21
Ym1
Y12
Y22
Y1n
Y2 n
Ymn
Ym 2
Y1( n 1)
Y2 ( n 1)
Ym ( n 1)
Y1( n 2 )
Y2 ( n 2 )
Ym ( n 2 )
Y1( n m ) xB1
Y2 ( n m ) xB 2
Ym ( n m ) xBm
X Br
min
/ Ykj 0
k Y
Yrj
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:
Resolucin:
1: Mtodo Grfico
2: Mtodo Simplex
Paso 2 y 3
X1
-5.000
3
5
X2
-3.000
5
2
X3
0
1
0
X4
0
0
1
0
15
10
47
Tableau 1:
Z
1
X3 0
X1 0
Tableau 2:
Z
1
x2 0
x1 0
X1
0
0
1
x1
0
0
1
X2
-1.000
19/5
2/5
x2
0
1
0
X3
0
1
0
X4
1.000
-3/5
1/5
10.000
9
2
x3
x4
Z*
5.000/19 16.000/19 235.000/19
5/19
-3/19
45/19
-2/19
5/19
20/19
Z $
45
(u)
19
X4 0
X2
235000
(um)
19
48
X 2 fue una utilidad de $12.368,4. En este punto, el mtodo simplex determin que
Ejemplo:
X3
X4
Z
1
0
0
X1
-8
4
2
X2
-6
2
4
X3
0
1
0
X4
0
0
1
0
60
48
X1
Z
1
0
X1
0
1
X2
-2
1/2
X3
2
1/4
X4
0
0
120
15
49
X4
3 3
-1/2
18
Tableau 2:
X1
X2
La solucin es:
x1 12(u )
Z
1
0
0
X1
0
1
0
X2
0
0
1
x2 6(u )
X3
5/3
1/3
-1/6
X4
2/3
-1/6
1/3
Z*
132
12
6
Z $132(u.m)
Ejemplo:
4
x2 6
3x1 2 x2 18
x1 , x2 0
El PPL de manera cannico es:
50
x2 x 4 6
x2 6
x5 18
3x1 2x2 18 3x1 2x2
s a..
x1
x1 , x2 0
Tableau 0:
X3
X4
X5
U
1
0
0
0
X1
-3
1
0
-3
X2
5
0
1
-2
X3
0
1
0
0
X4
0
0
1
0
X5
0
0
0
1
Z0
0
4
6
-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.
variables de holgura (por lo general, ocurren las restricciones de igualdad y mayorigual). 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
z 4 X1 X 2
s.a :
3X1 X 2 3
4 X1 3X 2 6
X1 2 X 2 4
X1, X 2 0
max
z 4X1 X 2
s.a :
3X 1
4X1
X1
X2
3X 2
2X 2
X3
X4
3
6
4
X1, X 2 , X 3, X 4 0
X2
3X 2
W1
X3
W2
3
6
52
4X1
s.a :
3X 1
4X1
X1
X2
3X 2
2X 2
X2
MW1
MW2
W1
x3
W2
X4
3
6
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
3X 1
X2
W2
4X1
3X 2
X3
Z 4 X 1 X 2 M (3 3 X 1 X 2 ) M (6 4 X 1 3 X 2 X 3 )
Z 4 X 1 X 2 3M 3MX 1 MX 2 6M 4 MX 1 3MX 2 MX 3
Z X 1 ( 4 7 M ) X 2 (1 4M ) MX 3 9M
Z (4 7 M ) X 1 (1 4 M ) X 2 MX 3 9M
X2
3X 2
2X 2
W1
X3
W2
X4
3
6
4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0
X2
-(1+4M)
1
3
2
X3
M
0
-1
0
W1
0
1
0
0
W2
0
0
1
0
X4
0
0
0
1
-9M
3
6
4
53
X1
W2
X4
Z
1
0
0
0
X1
0
1
0
0
X2
(1-5M)/3
1/3
5/3
5/3
X3
M
0
-1
0
W1
(4+7M)/3
1/3
-4/3
-1/3
W2
0
0
1
0
X4
0
0
0
1
4-2M
1
2
3
Z
1
X1
0
X2
0
X3
1/5
W1
(8+5M)/5
X4
0
18/5
0
1
0
1/5
-3/5
1
3/5
-4/5
1
W2
-(15M)/5
-1/5
3/5
-1
0
0
1
3/5
6/5
1
X1 0
1
X2 0
0
X4 0
0
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):
54
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.
Si la primera fase es efectivamente ptima, se pasa a la siguiente fase.
FASE II:
55
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
4X1
X2
3X 2
X1
2X 2
X3
W1
W2
X4
3
6
X 1 , X 2 , X 3 , X 4 ,W1 ,W2 0
56
X2
4X1
3X 2
X1
2X 2
W1
X3
W2
X4
X 1 , X 2 , X 3 , X 4 ,W1 ,W2 0
X1
W2
X4
X1
X2
X4
W
1
0
0
0
W
1
0
0
0
X1
7
3
4
1
X2
4
1
3
2
X3
-1
0
-1
0
W1
0
1
0
0
W2
0
0
1
0
X4
0
0
0
1
X1
0
1
0
0
X1
0
1
0
0
X2
5/3
1/3
5/3
5/3
X2
0
0
1
0
X3
-1
0
-1
0
X3
0
1/5
-3/5
1
W1
-7/3
1/3
-4/3
-1/3
W1
-1
3/5
-4/5
1
W2
0
0
1
0
W2
-1
-1/5
3/5
-1
X4
0
0
0
1
X4
0
0
0
1
9
3
6
4
2
1
2
3
0
3/5
6/5
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
Las ecuaciones anteriores son exactamente equivalentes a la forma estndar del
problema original (antes de agregar las variables artificiales). Por lo tanto, el
problema original se puede rescribir como:
57
min
z 4X1 X 2
s.a. :
X1
X2
1
X3
5
3
X3
5
X3
X4
3
5
6
5
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.
Pero, para terminar de resolver el problema, nuevamente debemos sustituir las
variables X1 y X2 en la funcin objetivo (tal como se efecto en el mtodo de la Gran
M), utilizando la primera y segunda ecuacin, entonces:
Z 4X1 X 2
3 1
6 3
12 4
6 3
Z 4( X 3 ) ( X 3 )
X3 X3
5 5
5 5
5 5
5 5
1
18
z X3
5
5
X1
X2
1
X3
5
3
X3
5
X3
X4
3
5
6
5
1
X1, X 2 , X 3, X 4 0
X1
X2
X3
18/5
3/5
6/5
1
X4
58
X1
X2
X3
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
-1/5
-1/5
3/5
1
17/5
2/5
9/5
1
X 1 2 / 5
X B X 2 9 / 5
X
XN X3 1
X4 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.
59
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:
60
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.
Retomemos el ejemplo ya resuelto por el mtodo grfico:
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
X2
X4
Z
1
0
0
X1
-8
-1
1
X2
0
1
0
X3
2
1/2
-1
X4
0
0
1
4
1
2
X2
X1
Z
1
0
0
X1
0
0
1
X2
0
1
0
X3
-6
-1/2
-1
X4
8
1
1
20
3
2
61
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
La representacin grfica es la siguiente:
62
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.
Matemticamente, se tiene que si XA es el vector asociado al punto A y X B es el
vector asociado al punto B, entonces:
X X A (1 ) X B , 0 1
es tambin un punto ptimo.
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:
63
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.
Retomemos el ejemplo ya visto en este caso:
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
X3
X1
Z
1
0
0
X1
0
0
1
X2
0
38/5
0
X3
0
1
0
X4
1/2
-3/5
1/10
10
18
2
64
X1
X1
X
2
X3
X4
Z $10(um)
2
0
18
0
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
Esta tableau tambin es ptima y corresponde a un punto extremo X , cuyos
componentes son los siguientes:
X 1 20 / 19
X 45 / 19
2
X 2
X3 0
X4 0
Z $10(um)
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
*
1
2
,
X X (1 ) X
(1 )
18
0
0
0 1
65
Mx
Z 2 X1 2 X 2
sa :
X1 X 2 2
X1 X 2 4
X1, X 2 0
La representacin grfica es la siguiente:
Mx
Z 2 X 1 2 X 2 MW 0
sa :
X1 X 2 X 3
X1 X 2
X 4 W 4
X1, X 2 0
X3
W
Z
1
0
0
X1
-2
1
1
X2
-2
1
1
X3
0
1
0
X4
0
0
-1
W
M
0
1
0
2
4
X3
W
Z
1
0
0
X1
-2-M
1
1
X2
-2-M
1
1
X3
0
1
0
X4
M
0
-1
W
0
0
1
-4M
2
4
X1
W
Z
1
0
0
X1
0
1
0
X2
0
1
0
X3
2+M
1
-1
X4
M
0
-1
W
0
0
1
4-2M
2
2
67
Max
Z 3X 1 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
1
-3
-9
X3 0
1
4
X4 0
1
2
X2
X4
Z
1
0
0
X1
-3/4
1/4
1/2
X2
0
1
0
X3
0
1
0
X4
0
0
1
0
8
4
X3
9/4
-1/2
X4
0
0
1
18
2
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.
68
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.
69
Max.
Z CX
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:
70
Min
G bT W
s.a.
Problema Dual
AT W CT
W 0
Donde:
b T : Vector de precios unitarios duales transpuesta del vector b; vector regln con m
componentes
1.-
71
T
Min Z C X Max G b W
s.a
2.-
s.a
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:
72
Max G bT W
s.a.
AT W C T
W 0
T
Max Z C X Min G b W
s.a
3.-
s.a
A X b AT W CT
X 0
W norestringida
T
Max Z C X Min G b W
s.a
4.-
s.a
A X b AT W CT
X 0
W 0
73
=
Irrestricta
Si la variable es:
La restriccin correspondiente es:
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
Encuentre el problema dual asociado:
74
1123
A 1 1 0 0
0 0 1 1
b -1
1
1
AT
2
3
46
1
0
0
1
3
8T
C
2
4
bT 5
46
C 3
Min
-1
46
W1
W2
W3
s.a.
1
1
2
3
1
0
0
0
1
1
W1
W2
W3
3
8
2
4
75
3
8
2W 1 W3
3W1 W3
2
4
W1,W2 ,W3 0
Usos del problema Dual:
a)
Ejemplo:
4 X1 X 2 8
X 1, X 2 0
b)
c)
Generar mtodos como el Dual Simplex para el anlisis de sensibilidad de los
P.L.L.
d)
Generar nuevos algoritmos para la solucin de problemas de redes de
optimizacin
Un resultado interesante que permite centrar la atencin, respecto a la relacin entre
ambos problemas y muestra que las denominaciones primal y dual son slo
arbitrarias, es la siguiente:
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
77
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
3.1.2.- Teoremas de Dualidad
Estos teoremas se basan en la siguiente estructura:
T
Max Z CX Min G b W
s.a
s.a
AX b AT W CT
X0 W 0
78
Dem:
Si X es factible para (P), entonces A X
T
T
W AX W b .
Si
W
T
b,
y premultiplicando por
X A X X C
T
0:
X 0:
Luego:
T
C X W AX bT W Z G
79
Max Z CX
s.a.
AX b
X0
Supongamos que la matriz A puede ser subdividida en:
A B| N
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
G bT W W T b
Z G
B
1b W
Tb
C
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.
80
Ejemplo:
Hallar el valor de las variables duales ptimas y su funcin objetivo del P.P.L:
Max Z 4 X1 3 X 2
s.a.
2 X1 3 X 2 18
( P)
4 X1 2 X 2 10
X1 , X 2 0
Formular el problema dual
2W1 4W2 4
3W1 2W2 3
W1,W2 0
La ltima tabla para el primal queda como:
Z
X1
X2
1
2
0
X3
0
-4
0
X2
0
2
1
X3
0
1
0
X4
3/2
-3/2
Z0
15
3
5
X*
2 5
X*
3 3
X*
4 0
W1* Z 3 C3 0
W2* Z 4 C 4 3 / 2
81
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 W 0
u
X 0
82
v b AX 0
u AT W C T 0
en la
AX W b
Dado que
T
W 0
v W 0,
se obtiene:
AX W b
CX
T
C X W AX b T W
Z ( X ) G (W )
W 0
implica
b.
AX b
implica
c.
X 0
implica
d. AT W C T
implica
AX b
W 0
A W CT
T
X 0
b,
o que X 0 AT W C T . El siguiente
(A W C ) X
T
(b-A X ) 0
implica
W 0
W 0
implica
b-A X 0
b. si
c. si
(A W C ) 0
implica
X 0
d. si
X 0
implica
AT W C T 0
83
j B
De esta manera:
B
1a
C
B
j
Y
Y
C
B
CB
j
CB
CB
, j B
B
1a C
C
j
j
B
j A
T b
Z W
Z '
T b
Z ' Z W
84
X* 3
3
X* 5
2
X* 0
1
Z* 15
11 10 1
3
33
Z ' Z W b 15 1
16.5
2
2
2
2
9 10 1
3
27
Z ' Z W b 15 ( 1)
13.5
2
2
2
2
Max Z C X Min G b W
T
s.a
A X b
X 0
s.a
T T
A W C
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
, j A
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
X ;X
0
Bi
Bi
i 1, , m
Paso 3
El vector xk de entrada a la base, debe satisfacer la siguiente regla, la cual es:
z c
zk ck
j
Max
, Y 0
r
Y
j
Yrk
j 1, , n
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.
86
Ejemplo:
Resolver usando el Simplex Dual:
W3
W4
H
1
0
0
W1
18
-2
-3
W2
10
-4
-2
W3
0
1
0
W4
0
0
1
H0
0
-4
-3
W2
W4
H
1
0
0
W1
13
1/2
-2
W2
0
1
0
W3
5/2
-1/4
-1/2
W4
0
0
1
H0
-10
1
-1
W2
W3
H
1
0
0
W1
3
3/2
4
W2
0
1
0
W3
0
0
1
W4
5
-1/2
-2
H0
-15
3/2
2
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
0 , j A
s.a
AX b
X 0
s.a
T T
A W C
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
88
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:
Z
1
W3
X1
2
Tableau Primal
W4
W1
X2
X3
0
0
W2
X4
3/2
Z0
15
89
X3
X2
0
0
-4
2
W2
W3
G
1
0
0
W1
3
3/2
4
0
1
Tableau Dual
W2
0
1
0
1
0
-3/2
1/2
3
5
W3
0
0
1
W4
5
-1/2
-2
G0
15
3/2
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
4W1 3W2
W1 2W2
3
(Pr oblema _ Dual)
6
3
W1, W2 0
Desarrollo:
El problema primal asociado al dual anterior es:
90
2
X5 1
X1, X 2 , X3 , X 4 , X5 0
Z
1
0
0
1
0
0
1
0
0
X4
X5
X4
X2
X1
X2
W1
W2
W5
G
1
0
0
0
X1
-3
3
1
-1
5/3
1/3
0
1
0
W1
0
1
0
0
Tableau Primal
X2
X3
X4
-6
-3
0
4
1
1
3
2
0
0
1
0
0
-5/3
1
1
2/3
0
0
0
3/5
0
-1
3/5
1
1
-1/5
Tableau Dual
W2
W3
0
2/5
0
-3/5
1
4/5
0
1
W4
1/5
1/5
-3/5
-1
X5
0
0
1
2
-4/3
1/3
6/5
-4/5
3/5
W5
0
0
0
1
Z0
0
2
1
2
2/3
1/3
12/5
2/5
1/5
G0
-12/5
3/5
6/5
0
b b , -
C C , -
a j a j , - , j A
Donde:
b, C , a j
b , C, A
Max Z C X
s.a.
A X b
X 0
Max Z C X
s.a.
A X b b
X 0
92
Al cambiar b a
b b
el vector
XB
X B
dado por:
Sea
X1: nmero de litros del producto qumico A.
X2: nmero de litros del producto qumico B.
El programa lineal y tableau inicial y ptimos son los siguientes:
(PO)
X1, X 2 0
Z
X1
X2
X3
X4
Z0
93
X3
X4
X3
X1
X2
X1
1
0
0
1
0
0
1
0
0
-5
3
5
0
0
1
0
0
1
-3
5
2
-1
19/5
2/5
0
1
0
0
1
0
0
1
0
5/19
5/19
-2/19
0
0
1
1
-3/5
1/5
16/19
-3/19
5/19
0
15
10
10
9
2
235/19
45/19
20/19
X2
45 / 19
X
X
20 / 19
X* B 1
X
X
N 3 0
X 0
4
5 / 19
B 1
2 / 19
Z* 235/19
3 / 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.
El nuevo vector de disponibilidad de recursos es:
94
15 10 5
b
1 0 5 5
El nuevo programa lineal a resolver es:
Max : Z 5X 3X
1 2
s.a.
3X 5X 5
1 2
5X 2X 5
1 2
X ,X 0
1 2
(PN )
95
5
1
0
/
1
9
5
/
1
9
3
/
1
9
X B 1bb 0
B 2 / 1 9 5 / 19 5 1 5 / 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:
X2
10 / 19
C
Z C BX
C
B
2
1 X 3 5 15 / 19
1
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.
b.- Supongamos ahora, que el personal se reduce a 10 personas, pero se produce
un incremento en el costo mximo por hora de produccin, siendo este de $20. El
nuevo escenario sera:
96
Max : Z 5X 3X
1 2
s.a.
3X 5X 10
1 2
5X 2X 20
1 2
X ,X 0
1 2
(PN )
1
0
1
0
/
1
9
5
/
1
9
3
/
1
9
X B 1bb 0
B 2/19 5/19 20 80/19
Por lo tanto, el nuevo vector es:
10/19
XB
80/19
no es ptimo
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:
97
X2
X1
X4
X1
Z
1
0
0
1
0
0
X1
0
0
1
0
0
1
X2
0
1
0
16/3
-19/3
5/3
X3
5/19
5/19
-2/19
5/3
-5/3
1/3
X4
16/19
-3/19
5/19
0
1
0
Z0
235/19
-10/19
80/19
10/3
10/3
1
Z * 50 / 3 $16,67
5 0 10
Obreros, lo cual genera que la holgura X3=0, mientras que la otra restriccin:
10
2 0
20 -
50
20
3
50 10
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
98
Max Z (C C)X
s.a.
A*X b
X0
Pr oblema Nuevo
z c c C B B 1a j c j c j W T a j c j c j
j j
j
asociado a la tabla ptima del problema original permanece ptimo y al nuevo valor
de la funcin objetivo ser:
Z C
X B
caso
Ejemplo:
a.- Sigamos con el ejemplo del caso anterior:
Max Z 5X 3X
1 2
s.a.
3X 5X 15
1 2
5X 2X 10
1 2
X ,X 0
12
Pr oblema Original
99
Max Z 5X X
1 2
s.a.
3X 5X 15
1 2
5X 2X 10
1 2
X ,X 0
1 2
C C 5
Por lo tanto
0 0
( PN )
0 5 1
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
19
16 5
1 3 1 2 0 ,
19 2
z 3 c3 0 .
X2
1
19/5
2/5
X4
1
-3/5
1/5
Z0
10
9
2
100
X3
9
X
X
X* B 1
X
X
N 2 0
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
1 2
5X 2X 10
1 2
X ,X 0
1 2
C C 5
Por lo tanto
0 4
( PN )
0 1 1
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
19
5
z 2 c2 c2 W T a 2 c2 c2
19
16 3
1 5 1 4 0
19 5
16
19
2 1 3 1 2 0 ,
X2
X1
Z
1
0
0
X1
0
0
1
X2
0
1
0
X3
3/19
5/19
-2/19
X4
2/19
-3/19
5/19
Z0
65/19
45/19
20/19
45 / 19
X
X
B 1 20 / 19
X*
X X 0
N 3
X 0
4
Z* 65 / 19 3, 42
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.
c.- Supongamos ahora el siguiente problema:
Max Z 3X 5X
1 2
s.a.
X 4
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z
X1
X2
1
9/2
0
X3
0
1
0
X2
0
3/2
1
Pr oblema Original
X3
0
1
0
X4
5/2
0
1/2
Z0
45
4
9
102
Max Z 6X 5X
1 2
s.a.
X
4
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3
0 3
0 6
( PN )
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
15
3
6
6 0,
2 3
2
2
4
X
X
X* B 2
X
X
0
N 1
X 0
4
Z* 45
103
Max Z 10X 5X
1 2
s.a.
X
4
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3
0 7
0 10
( PN )
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
15
5
10
10 0 ,
2 3
2
2
X3
0
1
0
X3
5/2
1
-3/2
X4
5/2
0
1/2
X4
5/2
0
1/9
Z0
45
4
9
Z0
55
4
3
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
X
X* B 2
X
X
0
N 3
X 0
4
Z* 45
B 1a
W T a j c j
Max Z 3X 5X
1 2
s.a.
X 4
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z
X1
X2
1
9/2
0
X3
0
1
0
X2
0
3/2
1
Pr oblema Original
X3
0
1
0
X4
5/2
0
1/2
Z0
45
4
9
105
Max Z 3X 5X
1 2
s.a.
2X
4
1
2X 2X 18
1 2
X ,X 0
1 2
( PN )
donde :
1
2
a a
1 3
1 2
Como slo se cambio el vector a1, entonces slo cambia el costo reducido
la siguiente manera:
z c W T a1 c 0
1 1
1
z c
1
1
de
5 2
3 53 2 0 ,
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:
X
X3
4
X
9
2
X
0
1
X 0
4
Z 45
106
Max Z 3X 5X
1 2
s.a.
10X
4
1
1X 2X 18
1 2
X ,X 0
1 2
( PN )
donde :
1
10
a a
1 3
1 1
z c W T a1 c 0
1 1
1
5
2
10
z c
1
1
de la
1 3 2 3 2 0,
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
107
X1
2/5
X B X 2 44 / 5
X
X
X
N 3 0
X 0
4
Z 181 / 5 36,2
Si el nuevo Z j C j
utilizacin es cero.
Max Z 3X 5X
1 2
s.a.
X 4
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z
X1
X2
1
9/2
0
X3
0
1
0
X2
0
3/2
1
Pr oblema Original
X3
0
1
0
X4
5/2
0
1/2
Z0
45
4
9
108
Max Z 3X 5X 7 X
1 2 5
s.a.
2X
X 4
1
5
2X 2X 2 X 18
1 2 5
X ,X , X 0
1 2 5
(PN )
donde :
1
a
5 2
z c W T a5 c 0
5
5
5
Como
0,
1
Y5 B 1a5
0
de la siguiente manera:
5 1
7 5 7 2 0 ,
2 2
0 1
1
1 / 2 2
1
109
X5
5
XB
X 0
X
X 1
N X
0
3
X 0
4
X2
Z 53
Max Z 3X 5X 4 X
1 2 5
s.a.
2X
10X 4
1
5
2X 2X 4 X 18
1 2 5
X ,X , X 0
1 2 5
( PN )
donde :
10
a
5 4
z c W T a5 c 0
5
5
5
es el siguiente:
5 10
4 10 4 6 0 ,
2 4
X3
0
1
0
X4
5/2
0
Z0
45
4
9
110
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:
X3
9
XB
X
X
X 1 0
N X
0
5
X 0
4
X2
Z 45
aij X j bi ,
j 1
i m 1, , m k
111
(PO)
X1, X 2 0
X2
X1
Z
1
0
0
X1
0
0
1
X2
0
1
0
X3
5/19
5/19
-2/19
X4
16/19
-3/19
5/19
Z0
235/19
45/19
20/19
45 / 19
X B X 1 20 / 19
X
X
X
N 3 0
X 0
4
Z 235/19
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 5X 2 15
5X1 2X 2 10
(PN )
X 1
2
X1, X 2 0
112
Max Z 5X1 3X 2
s.a.
3X1 5X 2 X 3
5X1 2X 2
X4
15
10
X5 1
2
X1, X 2 , X , X , X 0
3 4 5
X
X1
XB
X
X 3
N X
4
X
5
8/5
26 / 5
0
0
Z 11
113
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:
(PN )
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
5X1 2X 2
X4
15
10
X 5 10
2
X1, X 2 , X , X , X 0
3 4 5
X
Z0
235/19
45/19
20/19
10
114
XB
X
X
N
X1
45 / 19
20 / 19
X 145 / 19
5
X
0
3
X
0
4
235
12,37
19
MAX
Z (C ) X
sa :
(PN )
AX b
X 0
115
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 .
El estudio se restringir al caso de en que 0 , puesto que para el caso de 0 ,
todos los resultados que se obtengan sern anlogos.
De esta manera, cuando el vector paramtrico C varia, tambin lo hacen los
costos reducidos z j c j , j A . Para analizar esta variacin, se establecer que B 0
es la base ptima asociada al problema original cuando 0 , es decir:
MAX
Z CX
sa :
( PO)
AX B
X 0
De esta manera, el nuevo valor de los z j c j , j A , denotado por z j c j :
z j c j (C B 0 B 0 ) B01 a j (c j j ), j A
z j c j C B 0 B01a j B 0 B01a j c j j C B 0 B01 a j c j B 0 B01a j j
z j c j z j c j ( B 0 B01a j j ), j A
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 .
116
( z k ck )
*
1
B 0 B0 a j j
(z j c j )
* Mn
/ B 0 B01a j j 0
1
jN
B 0 B0 a j j
Z B 0 (C B 0 B 0 ) X B 0
(z j c j )
** Mn
/ B1 B11 a j j 0
1
jN
B1 B1 a j j
117
max Z 3 6 X 1 2 2 X 2 5 5 X 3
s.a. :
X 1 2 X 2 X 3 430
3X1
2 X 3 460
X1 4X 2
420
(PN )
X 1 0, X 2 0, X 3 0
Para este caso:
C c1
c2
2
c3 3 2 5
3 6 2 5
max Z 3 X 1 2 X 2 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
El Tableau inicial y ptimo, respectivamente, del problema original es el siguiente:
Z X1
X2
X3
X4
X5
X6
Z*
1 -3
-2
-5
0
0
0
0
X2 0
1
2
1
1
0
0
430
X3 0
3
0
2
0
1
0
460
X6 0
1
4
0
0
0
1
420
X2
X3
X6
Z X1
1
4
0 -1/4
0 3/2
0
2
X2
0
1
0
0
X3
0
0
1
0
X4
1
1/2
0
-2
X5
2
-1/4
1/2
1
X6
0
0
0
1
Z*
1350
100
230
20
X2
X
3
X6
100
230
20
X
X B
X N X1 0
X4 0
X 5 0
Z 1.350
Adems, los elementos necesarios a reconocer son:
1
0
1/ 2
0
2
VB0 X 2
VN 0 X 1
1/ 4
1/ 2
0
0
1
X3
X4
X6
X5
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
1
jN
B 0 B0 a j j
0
B 0 B01 a j j 2
6 B01 Y1
Y4
Y5 1
B0 B a N 0 N 0 1
1
0
B 0 B01 a N 0 N 0 14
1/ 2
0 0
2
1
0 3
1
1 3
1
0
0
1/ 4
1/ 2
1
0 1
0 3
1 1
0
1 6
0
1
0
0
1 6
0
0 8
3 6
( 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
X
20
X B 6
X N X1 0
X4 0
X 5 0
X2
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
z5 c5 z 5 c5 * ( B 0 B01a5 5 ) 2 1(3) 5
X1
18
X2
0
X3
0
X4
0
X5
5
X6
0
Z*
2300
120
X4 0 -1/2
X3 0 3/2
X6 0
1
2
0
4
0
1
0
1
0
0
-1/2
0
0
1
200
230
420
Los resultados ptimos para el rango de que esta acotado por 1 1 ** son:.
X 4 200
X 230
3
X B X 6 420
X
X N X1 0
X2 0
X 5 0
Z B 0 (C B 0 B 0 ) X B 0 c4 4
c3 3
X4
c6 6 X 3 0 5 5
X 6
100
0 230
20
Z B 0 1.150 1.150
1
0
0
VB1 X 4
VN1 X 1
1/ 2
1/ 2
1
X3
X2
0
0
1
X6
X5
Slo falta calcular si efectivamente existe un valor crtico **, de manera tal que acote
las soluciones y la funcin, a travs de:
B1 B11 a j j 0, j 1,2,5
B1 B11a j j 4
6 B11 Y1
Y2
Y5 1
B1 B11a N 1 N 1 0
5
2
0 3
1
1
B1 B a N 1 N 1
27
2
B1 B11a N 1 N 1
1/ 2
1/ 2
1
2
0
4
0 1
0 3
1 1
0
1 6
0
2
0
4
2
1 6
0
15
2
5
6
2
121
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 B X 6 420
X
X N X1 0
X4 0
X 5 0
Z B 0 1.350 950
X
X
420
X B 6
X N X1 0
X2 0
X 5 0
Z B 0 1.150 1.150
122
max Z CX
s.a :
AX b
(PN )
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 :
AX b
(PO)
X 0
Un cambio en el parmetro b hace variar el X B0 y el valor de la funcin objetivo
en el problema original. Sabemos que:
X B B 1b
Si efectivamente en b ocurre un cambio paramtrico:
X B 0 B01 (b )
Z C X
B0
B0
B0
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.
2.
Si alguna componente de X B 0 B01 (b ) 0 , B0 deja de ser ptima y el valor
de * se determina mediante la siguiente relacin:
123
X
* min 1B 0i / B01 i 0
i 1,, m
B0 i
Donde:
X B 0 i : 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 * .
Cuando * , se puede obtener una nueva solucin factible, utilizando el mtodo
simplex dual, una vez actualizado X B 0 y Z * el tableau ptimo del problema original.
Cuando se efecta la operacin respectiva, se obtiene una nueva solucin ptima
X B1 , la cual esta asociada a una nueva base B 1, lo cual nos permite, nuevamente,
obtener un segundo valor crtico de , siendo ste por lo tanto, el rango asociado
sera * * ** .
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
b b 2 460 ,
b3
420
1
100
2 200
3
400
124
max Z 3X1 2 X 2 5 X 3
s.a. :
X1 2 X 2 X 3 430
3 X1
2 X 3 460
X1 4 X 2
420
(PO)
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
Los resultados ptimos para este caso son:
X 2 100
X 230
3
X N X 1 0 constituyen el problema son:
1 / 2 1 / 4 0
X4 0
B01 0
1/ 2
0
X
0
5
2
Z 1.350
VB0 X 2
VN 0 X 1
X3
X4
X6
X5
X
* min 1B 0i / B01 i 0
i 1,, m
B0 i
1/ 2
B 0
2
1
0
1/ 4
1/ 2
1
0 100
100
0 200 100
0
1 400
1
Como B0 3 100 0 , efectivamente existe un valor crtico de *, siendo este:
125
X 230
* 1B 0i
2,3
B0 i 100
Es as que para el rango de 0 2,3 , la solucin ptima esta estructurada como:
X2
1 / 2 1 / 4 0 430
100
1
X B 0 X 3 B0 (b ) B0 b B0 0
1 / 2 0 460 100
X 6
2
0
1
1 420
X B 0
X 2 100 100
X 3 230 100
X 6
20
Z B 0 CB 0 X B 0 c2 c3 c6 X 3 2 5 0 230 100
X 6
20
Z B 0 1.350 300
126
difiere de la matriz A,
A
nicamente en una columna no
bsica (la columna j), dnde:
a j a j j , j N
Con a j A y y j
vector
columna
de
m
componentes.
Max
Z CX
sa :
( PN )
A X b
X 0
Max
Z CX
sa
(PO)
AX b
X 0
El cambio paramtrico en el vector a j ocasiona que los costos reducidos se
modifiquen de z j c j 0, j a z j c j , de la siguiente manera:
z j c j C B 0 B01a j c j , j N
z j c j C B 0 B01 ( a j j ) c j C B 0 B01a j C B 0 B01 j c j
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
127
zj cj
* Mn
/ C B 0 B01 j 0
1
j 1,, m
C B 0 B0 j
0 *
y nada se puede
Ejemplo:
Resuelva el siguiente PPL:
max Z 3X 1 2 X 2 5 X 3
s.a. :
(1 ) X 1 2 X 2 X 3 430
(3 ) X 1
2 X 3 460
X1 4X 2
420
(PN )
X 1 0, X 2 0, X 3 0
Donde el vector tecnolgico paramtrico a1 es:
a1 a1 1
1
1
a1 3 1
0
1
max Z 3 X 1 2 X 2 5 X 3
s.a. :
X 1 2 X 2 X 3 430
(PO)
3X1
2 X 3 460
X1 4X 2
420
X 1 0, X 2 0, X 3 0
El tableau asociado es:
128
X2
X3
X6
Z X1
1
4
0 -1/4
0 3/2
0
2
X2
0
1
0
0
X3
0
0
1
0
X4
1
1/2
0
-2
X5
2
-1/4
1/2
1
X6
0
0
0
1
Z*
1350
100
230
20
X
20 X1 en sus actividades tecnolgicas, ocasiona que los costos
X
X B 6
evaluar la siguiente expresin:
X 5 0
z1 c1 z1 c1 C B 0 B01 1
Z 1.350
Entonces:
z1 c1 4
C B 0 B 1 2
1
0
1/ 2
0 0
2
1/ 4
1/ 2
1
0 1
0 1 1
1 0
1
0 1 1
0
De esta manera, el :
4
* 4
X B X 6 20
X
X N X1 0
X4 0
X 5 0
Z 1.350
Por ejemplo, si =4, entonces:
z1 c1 0
129
X2
0
1
0
0
X3
0
0
1
0
X4
1
1/2
0
-2
X5
2
-1/4
1/2
1
X6
0
0
0
1
Z*
1350
100
230
20
130
131
Donde:
ai
bj
m n
Min Z Cij X ij
i1 j 1
s.a.
n
X a ,
j 1 ij i
m
X ij b j ,
i1
X ij 0, i, j
i 1, , m,
j 1, , n
i 1
j 1
ai b j
lo cual, nos permite definir el siguiente teorema.
Teorema 1: Una condicin necesaria y suficiente para que el problema de transporte,
tenga solucin es que la oferta sea igual a la demanda:
132
ai
i 1
bj
j 1
m n
Min Z Cij X ij
i1 j1
s.a.
n
X a ,
j 1 ij i
m
X b ,
i1 ij j
X ij 0, i, j
i 1, , m,
j 1, , n
Min
Z CX
sa :
PT
AX d
X 0
Donde:
133
X T X 11
C C11
d T a1
X 12
C12
a2
X 1n
C1n
am
X 21
C 21
b1
1 0 0 0
0 1 0 0
0 0 1 0
A
0 0 0 0
I
I n I n I n
n
m n columnas
b2
0
0
0
I n
X 22
C 22
C 2n
bn
X 2n
C m1
X m1
Cm2
X m2
C mn
X mn
m renglones
m n renglones
n renglones
1 0 0 0
0 1 0 0
n componentes
In
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.
134
m n
Min Z Cij X ij
i1 j1
s.a.
n
X a ,
j 1 ij i
i 1, , m,
X b ,
i1 ij j
X ij 0, i, j
j 1, , n
Oferta
C11
C 21
C12
C 22
C13
C 23
C1n
C 2n
a1
a2
C31
C32
C33
C3n
a3
C m1
Cm2
C m3
1
X 11
X 21
X 31
X m1
b1
2
X 12
X 22
X 32
X m2
b2
Demanda
1
2
3
m
Demanda
b1
b2
b3
3
X 13
X 23
X 33
X m3
b3
C mn
bn
n
X 1n
X 2n
X 3n
X mn
bn
Matriz de costos
am
Oferta
a1
a2
a3
Matriz de flujos
am
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
i 1
j 1
ai b j
135
C11
C 21
C12
C 22
C13
C 23
C1n
C 2n
3
C31 C32 C33 C3n
m
C m1 C m 2 C m3 C mn
Demanda b1
b2
b3 bn
n 1 Oferta
a
0
1
0
a
2
0
a
3
0
a
n
bn1
m 1
Los costos unitarios hacia ese centro d oferta a n+1, sern todos ceros, es decir, la
matriz de costos queda:
1
C11
C12
2
C 21
C 22
m
C m1
m 1
0
Demanda
b1
Cm2
0
b2
C mn
0
bn
1
2
n
C1n
C 2n
Oferta
a1
a2
an
a m1
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.
136
Oferta
a1
a2
2
3
a3
m
Demanda
am
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
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 a 2 , b1 Min a 2 , b1 X 11 .
Si
b 0 ,
1
12
Min a1 , b Min a X , b
1
11 2
2
0 ()
i, j 1
Min ai 1 , b j
i , b
Min a
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:
137
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
16
18
19
20
16
M
60
90
Demanda
30
40
70
40
60
a b
i
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
20
19
2
3
15
18
20
15
14
21
16
40
13
18
19
20
16
M
60
90
50
Demanda
30
40
70
40
60
Oferta
Con la matriz anterior, nos permite buscar nuestro objetivo, el cual es obtener la
matriz de flujos, siendo inicialmente igual a:
1
Oferta
40
2
3
60
90
4
Demanda
50
30
40
70
40
60
138
12
Min a1 , b (10,40) 10
2
a 10 10 0
1
b 40 10 30
2
60 30 30
b 30 30 0
2
30 30 0
b 70 30 40
3
b 40 40 0
3
10 10 0
b 60 10 50
5
139
50 50 0
b 50 50 0
5
30 10 2
3
4
Demanda
0
0
30
30 30 4
0
0
40
40
0
70
Oferta
40
60
40 10 7
0
50
40
60
90
50
Costo MEN:
Cij X ij 20 * 30 19 *10 20 * 30 13 * 30 18 * 40 20 * 40 M *10 0 * 50 $3.300 10 M
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 causa 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.
140
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 Cij .
Paso 6:
En la matriz de flujo, hgase
el paso anterior.
X ij Min ai , b j
y la demanda b j igual a:
b
b X ij
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.
141
Oferta
20
19
14
21
16
40
15
20
13
19
16
60
60
18
15
18
20
90
90
50
Demanda
30
40
70
40
60
Oferta
40
50
Demanda
30
40
70
40
60
Paso 3:
1
2
3
4
Demanda
Diferencia
Oferta
20
15
18
0
30
15
19
20
15
0
40
15
14
13
18
0
70
13
21
19
20
0
40
19
16
16
M
0
60
16
40
60
90
50
Diferenci
a
2
2
3
0
a 4 a4 X 44 50 40 10
b 4 b4 X 44 40 40 0
Paso 7:
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
13
18
19
20
16
M
60
90
4
Demanda
0
30
0
40
0
70
0
60
50
40
1
2
3
4
Demanda
30
40
70
4
0
0
0
40
40
Oferta
40
60
90
50
60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
142
1
2
3
4
Demanda
Diferenci
a
1
20
15
18
0
30
15
2
19
20
15
0
40
15
3
14
13
18
0
70
13
5
16
16
M
0
60
16
Oferta
40
60
90
10
Diferencia
2
2
3
0
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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
2
3
4
Demanda
0
30
0
40
0
70
0
40
4
0
0
0
40
40
10
60
Oferta
40
60
90
50
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1
2
3
4
Demanda
Diferenci
a
1
20
15
18
2
19
20
15
3
14
13
18
5
16
16
M
30
3
40
4
70
1
50
0
Oferta
40
60
90
0
Diferencia
2
2
3
Paso 4:
143
b2 b2 X 32 40 40 0
a3 a3 X 32 90 40 5 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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
1
2
3
4
Demanda
0
30
2
0
0
40
0
40
0
40
4
0
0
0
40
40
0
70
10
60
Oferta
40
60
90
50
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1
2
3
4
Demanda
Diferenci
a
1
20
15
18
3
14
13
18
5
16
16
M
30
3
70
1
50
0
Oferta
40
60
50
0
Diferencia
2
2
0
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.
144
Iteracin 5:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
13
18
19
20
16
M
60
90
50
Demanda
30
40
70
40
60
1
0
30
0
0
30
1
2
3
4
Demanda
2
0
0
40
0
40
4
0
0
0
40
40
0
70
Oferta
40
60
90
50
10
60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1
2
3
4
Demanda
Diferenci
a
3
14
13
18
5
16
16
M
70
1
50
0
Oferta
40
30
50
0
Diferencia
2
3
M-18
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
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
13
18
19
20
16
M
60
90
4
Demanda
0
30
0
40
0
70
0
60
50
40
145
1
0
30
0
0
30
1
2
3
4
Demanda
2
0
0
40
0
40
4
0
0
0
40
40
50
0
70
Oferta
40
60
90
50
0
10
60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1
2
3
4
Demanda
Diferenci
a
3
14
13
5
16
16
20
1
50
0
Oferta
40
30
0
0
Diferencia
2
3
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:
4
14
21
16
40
13
18
19
20
16
M
60
90
0
70
0
60
50
20
19
2
3
15
18
20
15
4
Demanda
0
30
0
40
1
2
3
4
Demanda
1
0
30
0
0
30
2
0
0
40
0
40
3
0
20
50
0
70
40
4
0
0
0
40
40
Oferta
5
0
10
60
Oferta
40
60
90
50
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
146
1
2
3
4
Demanda
Diferenci
a
5
16
16
50
0
Oferta
40
10
0
0
Diferencia
16
16
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
b5 b5 X 15 50 40 10
a1 a1 X 15 40 40 0
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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
0
30
0
0
30
1
2
3
4
Demanda
2
0
0
40
0
40
0
40
3
0
20
50
0
70
4
0
0
0
40
40
5
40
0
10
60
Oferta
40
60
90
50
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1
1
2
3
4
Demanda
5
16
Oferta
0
10
0
0
Diferencia
16
10
147
Diferenci
a
Paso 4:
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
b5 b5 X 25 10 10 0
a 2 a 2 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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
0
40
Matriz de Flujos:
1
2
3
4
Demanda
1
0
30
0
0
30
2
0
0
40
0
40
3
0
20
50
0
70
4
0
0
0
40
40
5
40
10
0
10
60
Oferta
40
60
90
50
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:
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
el paso anterior.
Hgase la oferta ai igual a:
X ij Min ai , b j
a i ai X ij
b X ij
i
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.
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
13
18
19
20
16
M
60
90
50
Demanda
30
40
70
40
60
1
20
15
2
19
20
Iteracin 1:
Paso 1:
1
2
3
14
13
4
21
19
5
16
16
Oferta
40
60
149
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
0
40
M
0
60
90
50
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
Oferta
20
19
14
21
16
40
2
3
15
18
20
15
13
18
19
20
16
M
60
90
4
Demanda
0
30
0
40
0
70
0
60
50
40
1
2
3
4
Demanda
0
30
0
40
0
70
0
40
50
60
Oferta
40
60
90
50
Paso 3:
1
2
3
4
Demanda
1
20
15
18
2
19
20
15
3
14
13
18
4
21
19
20
5
16
16
M
30
40
70
40
10
Oferta
40
60
90
0
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:
150
Oferta
20
19
14
21
16
40
15
20
13
19
16
60
18
15
18
20
90
50
Demanda
30
40
70
40
60
1
2
3
4
Demanda
60
0
30
0
40
0
70
0
40
50
60
Oferta
40
60
90
50
Paso 3:
1
2
3
4
Demanda
1
20
2
19
3
14
4
21
5
16
18
15
18
20
30
40
10
40
10
Oferta
40
0
90
0
b 3 b3 X 23 10 10 0
a1 a1 X 13 40 10 3 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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
2
3
4
Demanda
0
30
0
40
3
10
60
0
0
70
0
40
0
40
50
60
Oferta
40
60
90
50
Paso 3:
1
2
3
1
20
2
19
18
15
4
21
5
16
20
Oferta
30
0
90
151
4
Demanda
0
30
40
40
10
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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
1
2
3
4
Demanda
2
0
0
40
0
40
0
0
30
3
10
60
0
0
70
0
40
0
40
50
60
Oferta
40
60
90
50
Paso 3:
1
2
3
4
Demanda
1
20
18
30
4
21
5
16
20
40
10
Oferta
30
0
50
0
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:
152
Oferta
20
19
14
21
16
40
15
20
13
19
16
60
18
15
18
20
90
50
Demanda
30
40
70
40
60
1
1
2
3
4
Demanda
2
0
0
40
0
40
0
0
30
3
10
60
0
0
70
5
10
0
0
50
60
0
0
40
Oferta
40
60
90
50
Paso 3:
1
2
3
4
Demanda
1
20
4
21
18
20
30
40
Oferta
20
0
50
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:
4
14
21
16
40
13
18
19
20
16
M
60
90
0
70
0
60
50
40
20
19
2
3
15
18
20
15
4
Demanda
0
30
0
40
1
2
3
4
Demanda
1
0
0
30
0
30
2
0
0
40
0
40
3
10
60
0
0
70
4
0
0
40
Oferta
5
10
0
0
50
60
Oferta
40
60
90
50
Paso 3:
1
1
2
4
21
Oferta
20
0
153
3
4
Demanda
20
0
20
0
40
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
Oferta
1
2
20
15
19
20
14
13
21
19
16
16
40
60
3
4
Demanda
18
0
30
15
0
40
18
0
70
20
M
0
60
90
50
1
2
3
4
Demanda
1
0
0
30
0
30
2
0
0
40
0
40
3
10
60
0
0
70
0
40
4
0
20
0
40
5
10
0
0
50
60
Oferta
40
60
90
50
Paso 3:
1
2
3
4
Demanda
4
21
20
Oferta
20
0
0
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:
154
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:
4
14
21
16
40
13
19
16
60
15
18
20
90
0
40
0
70
0
60
50
20
19
15
20
18
4
Demanda
0
30
40
Oferta
Matriz de Flujos:
1
0
0
30
0
30
1
2
3
4
Demanda
2
0
0
40
0
40
3
10
60
0
0
70
4
20
0
20
0
40
5
10
0
0
50
60
Oferta
40
60
90
50
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
ij
ij
C
0
ij
,
Si X
Si X
ij
ij
est en la base
no est en la base
Paso 4:
Con esta matriz de costos, calcular el valor de todas las variables duales:
u
, con i 1,...., m v , con j 1,....., n
i
j
.
Utilizando la expresin:
155
ui v j Cij 0
i 1,..., m ; j 1,..., n
X 11
X1 j
Oferta
a1
X in
ai
X m1
Demanda
b1
X mn
bj
am
bn
Tengamos presente que los cinco flujos generan una solucin bsica factible inicial
(m+n-1=5), ya que:
156
X 11
X m1
X 11
X1 j
X in
X ij
X in
X mn
X m1
X mn
a1
ai
am
b1
bj
bn
X 11 0, X 1 j 0, X in 0, X m1 0, X mn 0
X 11
Oferta
X1j
a1
/ X ij
X in
ai
X m1
Demanda
b1
X mn
bj
am
bn
in
a a
i
i
y por el otro lado, la demanda del destino j es mayor que bj, siendo:
X
b b
1j
j
j.
Existe un desequilibrio que nicamente puede desaparecer si se resta o suma
unidades en ciertos puntos de la matriz de flujos; lo anterior, permite construir un
circuito, tal como se indica a continuacin:
1
X 11
X1 j
a1
X m1
Demanda
b1
bj
Oferta
X in
ai
X mn
am
bn
157
X 11
X m1
X 11
X in
1j
ij
X in
X mn
X m1
X mn
a1
ai
am
b1
bj
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
,X
,X
1j
in
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.
6.b.- X ij , donde es el mnimo de los vectores bsicos en el circuito que
disminuyen su valor a medida que aumenta.
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
Por razones tcnicas, el origen 3 no puede abastecer al destino 5.
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
a 190 b j 240
i1 i
j 1
158
16
15
13
16
C 32
C 33
C 44
C 45
15
18
0
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
u1
1
0
0
0
0
16
u2
2
15
0
13
0
16
u3
3
0
15
18
0
0
u4
4
0
0
0
0
0
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
159
C 25 u 2 v5 0
C 32 u 3 v 2 0
C 33 u 3 v3 0
C 44 u 4 v4 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.
Las ecuaciones anteriores, nos permiten conocer v1, v3 y v5:
C 21 u 2 v1 0 v1 C 21 15
C 23 u 2 v3 0 v3 C 23 13
C 25 u 2 v5 0 v5 C 25 16
Conocidos las variables duales v1, v3 y v5, se calculan ahora u1, u3, u4, v2 y v4:
C 15 u1 v5 0 u1 C 15 v5 16 16 0
C 33 u 3 v3 0 u 3 C 33 v3 18 13 5
C 45 u 4 v5 0 u 4 C 45 v5 0 16 16
C 32 u 3 v 2 0 v 2 C 32 u3 15 5 10
C 44 u 4 v4 0 v4 C 44 u 4 0 ( 16) 16
En resumen:
u1
u2
0
0
,
,
v1
v2
15
10
u3
u4
5
16
,
,
v3
v4
13
16
v5
16
Paso 5:
Utilizando la formula:
optimalidad:
ij
c
C (u v ), i , j N
ij
ij
i
j
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
160
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:
Oferta
1
2
3
4
5
1
40
40
2
10
60
30-
20+
3
40
90
50-
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
La nueva solucin al PT en la Matriz de Flujos es:
1
2
3
4
1
2
50
3
30
40
20
4
40
Demand
30
40
70
40
a
5
40
10
10
60
Oferta
40
60
90
50
Volver al paso 3.
Iteracin 2:
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15
C 23
C 25
C 31
16
13
16
18
C 32
C 33
C 44
C 45
15
18
0
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
u1
1
0
0
0
0
16
u2
2
0
0
13
0
16
u3
3
18
15
18
0
0
161
0
v1
Paso 4:
Se generan las ecuaciones:
0
v2
0
v3
ui v j Cij 0
0
v4
0
v5
i 1,..., m ; j 1,..., n
u4
. De esta manera:
C 15 u1 v5 0
C 23 u 2 v3 0
C 25 u 2 v5 0
C 31 u3 v1 0
C 32 u 3 v 2 0
C 33 u 3 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.
Las ecuaciones anteriores, nos permiten conocer v1, v2 y v3:
C 31 u3 v1 0 v1 C 31 18
C 32 u 3 v 2 0 v2 C 32 15
C 33 u 3 v3 0 v3 C 33 18
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 v 4 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
u2
5
5
,
,
v1
v2
18
15
u3
u4
0
21
,
,
v3
v4
18
21
v5
Paso 5:
Utilizando la formula:
optimalidad:
z
11
z
12
z
13
z
14
c
11
c
12
c
13
c
14
21
z
ij
c
C (u v ), i , j N
ij
ij
i
j
C
(u v ) 20 ( 5 18) 7
11
1
1
C
(u v ) 19 ( 5 15) 9
12
1
2
C
(u v ) 14 ( 5 18) 1
13
1
3
C
(u v ) 21 ( 5 21) 5
14
1
4
162
z
z
z
z
z
z
z
z
21
22
24
34
35
41
42
43
21
c
c
22
24
c
34
c
35
c
41
c
42
c
43
v ) 15 ( 5 18) 2
1
C
(u v ) 20 ( 5 15) 10
22
2
2
C
(u v ) 19 ( 5 21) 3
24
2
4
C
(u v ) 20 ( 0 21) 1
34
3
4
C
(u v ) M (0 21) M 21
35
3
5
C
(u v ) 0 ( 21 18) 3
41
4
1
C
(u v ) 0 ( 21 15) 6
42
4
2
C
(u v ) 0 ( 21 18) 3
43
4
3
21
(u
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:
Oferta
1
2
3
4
5
1
40
40
2
60
50+
10-
3
30
40
90
20-
4
50
40- 10+
Demanda
30
40
70
40
60
El valor que debe tomar debe ser el mnimo de los flujos que disminuyen al
aumentar , es decir:
Min10,20,40 10
Min X
,X
,X
25
33
44
La nueva solucin al PT en la Matriz de Flujos es:
1
2
3
1
2
60
3
30
40
10
4
Demand
30
40
70
a
El costo asociado a la nueva solucin es:
5
40
10
30
40
20
60
Oferta
40
60
90
50
Volvemos al paso 3:
Tercera Iteracin:
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15
C 23
C 31
16
13
18
C 33
C 34
C 44
18
20
0
C 32
15
C 45
163
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
u1
1
0
0
0
0
16
u2
2
0
0
13
0
0
u3
3
18
15
18
20
0
u4
4
0
0
0
0
0
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 u3 v1 0
C 32 u 3 v 2 0
C 33 u 3 v3 0
C 34 u 3 v 4 0
C 44 u 4 v4 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.
Las ecuaciones anteriores, nos permiten conocer v1, v2, v3 y v4:
C 31 u3 v1 0 v1 C 31 18
C 32 u 3 v 2 0 v2 C 32 15
C 33 u 3 v3 0 v3 C 33 18
C 34 u 3 v 4 0 v 4 C 34 20
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:
164
u1
u2
4
5
,
,
v1
v2
18
15
u3
u4
0
20
,
,
v3
v4
18
20
v5
20
Paso 5:
Utilizando la formula:
optimalidad:
ij
c
C (u v ), i , j N
ij
ij
i
j
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
ij
c 0, i , j N
ij
165
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).
166
( m p n ) ( m p n )
i 1
j 1
ij
X ij ,
(i j )
s.a :
m p n
X
t 1
t i
it
m p n
m p n
t 1
t mk
m k ,t
X
t 1
t i
t 1
t m p j
t ,m p j
X ij 0,
m p n
t 1
t mk
m p n
ai ,
ti
t ,m k
i 1, , m
0,
m p n
t 1
t m p j
m p j ,t
k 1, , p
bj ,
j 1, , m
i 1, , m p n,
j 1, , m p n
167
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).
Esquemticamente se puede ver como:
168
m
m 1
mk
m p
m p 1
1
c11
i
c1i
c m1
c m 1,1
c m k ,i
c m p ,1
c m p 1,1
m pn
Demanda
c m p n ,1
0
c m p j ,i
c m p n,m
0
c m p n , m 1
0
c m p n,m p
0
si X ij X ji ,
c m p
c m p
c m p j ,m k
c m p,m p
c m p 1, m p
c m p , m 1
c m p 1, m 1
c m,m
c m 1,
c m p,m
c m p 1, m
c m,m p
c m 1, m p
c m k ,m k
m
c1, m
c m , m 1
c m 1, m 1
m p
c1, m p
ci ,m k
c mm
C m 1, m
mk
m 1
c1, m 1
m
c1m
c ii
m p j
i j
169
c m p
b
X ji X ij ,
si X ji X ij ,
i j
i 1
j 1
ai b j
Los flujos no deseables, es decir, los flujos en exceso en un punto t, t 1, , m n p ,
se previenen mediante una absorcin del tipo X tt , a un costo de
Ctt 0, t 1, , m n p . Entonces, si se incrementan las demandas de todos los
destinos en unidades, las ofertas en todos los orgenes en unidades y se
hacen los costos Ctt 0, t 1, , m n p , de esta manera, el problema anterior se
transforma en un problema de transporte con las siguientes caractersticas, asociada
a su matriz de costos:
Matriz de Costos:
1
m
m 1
mk
m p
m p 1
m p j
m pn
Demanda
1
0
i
c1i
cm1
cm 1,1
m
c1m
Cm 1, m
cm p ,1
cm p 1,1
cm p j , i
cm p n ,1
cm p n , m
cm p n , m 1
cm , m
cm 1,
cm p , m 1
cm p 1, m 1
cm , m p
cm 1, m p
cm p , m
cm p 1, m
m
c1, m
m p
c1, m p
cm , m 1
0
cm k , i
mk
ci , m k
m 1
c1, m 1
cm p 1, m p
cm p ,
0
cm p j , m k
cm p n , m p
cm p
b1
Planta
Conexin
Almacn
De/A
1
2
3
A
B
C
D
E
1
2
3
4
Asig.
1
146
-322
284
---453
305
-868
0
Planta
2
146
-371
210
369
608
-336
407
687
781
0
3
--656
-403
418
158
-683
357
670
0
A
324
393
658
262
398
431
-305
235
329
-0
Conexin
B
C
D
286
--212 570 609
-405 419
262 398 430
406 421
406
81
422 81
467 274 288
307 399 615
208 254 281
464 171 236
358 282 229
0
0
0
E
--158
-644
272
287
831
500
200
480
0
1
452
335
-303
305
397
613
831
357
705
587
80
Almacn
2
3
505
-407 688
685 359
234 329
207 464
253 171
280 236
301 293
359 306
362
362
340 457
65
70
4
871
784
678
-558
282
229
482
587
340
457
Prod.
75
125
100
0
0
0
0
0
0
0
0
0
85
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.
A continuacin, para seguir con su reformulacin, es necesario obtener las
cantidades demandadas y ofertadas.
El nmero de cargas transferidas en cualquier localidad se debe incluir tanto en su
demanda, cuando acta como destino, como en los recursos con que cuenta si es un
origen. Como este nmero no se conoce de antemano, se puede agregar
simplemente una cota superior, adems, no sera conveniente regresar una carga
para hacer un transbordo, ms de una vez en la misma localidad, una cota superior
171
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
i 1
j 1
ai b j
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:
Origen
De/A
1
2
3
A
B
C
D
E
1
2
3
4
Dda.
1
0
146
M
322
284
M
M
M
453
305
M
868
300
2
146
0
M
371
210
369
608
M
336
407
687
781
300
3
M
M
0
656
M
403
418
158
M
683
357
670
300
A
324
393
658
0
262
398
431
M
305
235
329
M
300
B
286
212
M
262
0
406
422
467
307
208
464
358
300
Destino
C
D
M
M
570 609
405 419
398 430
406 421
0
81
81
0
274 288
399 615
254 281
171 236
282 229
300 300
E
M
M
158
M
644
272
287
0
831
500
200
480
300
1
452
335
M
303
305
397
613
831
0
357
705
587
380
2
505
407
685
234
207
253
280
301
359
0
362
340
365
3
M
688
359
329
464
171
236
293
306
362
0
457
370
4
871
784
678
M
558
282
229
482
587
340
457
0
385
Ofta.
375
425
400
300
300
300
300
300
300
300
300
300
1
-38
56
34
2
38
-27
-45
3
56
27
-19
25
4
34
-19
--
Produccin
70
172
1
0
34
38
56
0
4
34
0
M
19
0
2
38
M
0
27
45
3
56
19
27
0
25
Oferta
70
0
0
0
173
4
34
0
M
19
70
2
38
M
0
27
115
3
56
19
27
0
95
Oferta
70
70
70
70
X ij
174
Min
n n
Z Cij X ij
i 1 j 1
s.a :
m
X
j 1
ij
1,
i 1, , m
ij
1,
j 1, , n
X
i 1
Xij 0 y binaria, i, j
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.
El problema de asignacin slo es un caso especial de los problemas de transporte,
dnde los orgenes son ahora los asignados y los destinos las asignaciones, dnde:
n de origenes (m) n de destinos (n)
mn
Demanda
1
C11
C i1
C n1
1
j
C1 j
C ij
C nj
1
nm
C1n
C in
C nn
1
Re curso
1
175
j 1, , n
C ij C ij Min C ij ,
i 1, , m
176
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)
Dorso
65
67
68
67
71
69
1
Pecho
73
70
72
75
69
71
1
Mariposa
63
65
69
70
75
66
1
Libre
57
58
55
59
57
59
1
Estilo A
0
0
0
0
0
0
1
Estilo B
0
0
0
0
0
0
1
Recurso
1
1
1
1
1
1
177
Dorso
Pecho
Mariposa
Libre
Estilo A
Estilo B
Recurso
1
1
1
1
1
1
Paso 1:
Primero encontremos el menor Cij por columna:
1
65
67
68
67
71
69
65
1
2
3
4
5
6
Menor Cij
2
73
70
72
75
69
71
69
3
63
65
69
70
75
66
63
4
57
58
55
59
57
59
55
5
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
A continuacin, efectuemos la resta por columna con respecto al menor valor C ij,
quedando la siguiente matriz de Costos Revisado:
1
0
2
3
2
6
4
1
1
2
3
4
5
6
Demanda
2
4
1
3
6
0
2
1
3
0
2
6
7
12
3
1
4
2
3
0
4
2
4
1
5
0
0
0
0
0
0
1
6
0
0
0
0
0
0
1
Recurso
1
1
1
1
1
1
1
2
3
4
5
6
2
4
1
3
6
0
2
3
0
2
6
7
12
3
4
2
3
0
4
2
4
5
0
0
0
0
0
0
6
0
0
0
0
0
0
Menor Cij
0
0
0
0
0
0
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
1
0
2
3
2
6
2
4
1
3
6
0
3
0
2
6
7
12
4
2
3
0
4
2
5
0
0
0
0
0
6
0
0
0
0
0
Recurso
1
1
1
1
1
178
6
Demanda
4
1
2
1
3
1
4
1
0
1
0
1
Paso 2:
Con la matriz del paso 1, se buscan las posibles asignaciones factibles:
1
2
3
4
5
6
Demanda
1
0
2
3
2
6
4
1
2
4
1
3
6
0
2
1
3
0
2
6
7
12
3
1
4
2
3
0
4
2
4
1
5
0
0
0
0
0
0
1
6
0
0
0
0
0
0
1
Recurso
1
1
1
1
1
1
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
Demanda
1
0
2
3
2
6
4
1
2
4
1
3
6
0
2
1
3
0
2
6
7
12
3
1
4
2
3
0
4
2
4
1
5
0
0
0
0
0
0
1
6
0
0
0
0
0
0
1
Recurso
1
1
1
1
1
1
1
0
1
2
4
0
3
0
1
4
2
2
5
1
0
6
1
0
Recurso
1
1
179
3
4
5
6
Demanda
3
1
6
3
1
3
5
0
1
1
6
6
12
2
1
0
3
2
3
1
1
0
1
0
1
1
0
1
0
1
1
1
1
1
5
1
0
1
0
1
0
1
6
1
0
1
0
1
0
1
Recurso
1
1
1
1
1
1
Iteracin 2:
Paso 2:
Se buscan las posibles asignaciones factibles:
1
2
3
4
5
6
Demanda
1
0
1
3
1
6
3
1
2
4
0
3
5
0
1
1
3
0
1
6
6
12
2
1
4
2
2
0
3
2
3
1
1
0
1
3
1
6
3
1
2
4
0
3
5
0
1
1
3
0
1
6
6
12
2
1
4
2
2
0
3
2
3
1
5
1
0
1
0
1
0
1
6
1
0
1
0
1
0
1
Recurso
1
1
1
1
1
1
1
0
2
5
3
0
4
3
5
2
6
2
Recurso
1
180
2
3
4
5
6
Demanda
0
2
0
5
2
1
0
3
5
0
1
1
0
5
5
11
1
1
2
0
3
2
3
1
0
1
0
1
0
1
0
1
0
1
0
1
1
1
1
1
1
Iteracin 3:
Paso 2:
Se buscan nuevamente las posibles asignaciones factibles:
1
2
3
4
5
6
Demanda
1
0
0
2
0
5
2
1
2
5
0
3
5
0
1
1
3
0
0
5
5
11
1
1
4
3
2
0
3
2
3
1
5
2
0
1
0
1
0
1
6
2
0
1
0
1
0
1
Recurso
1
1
1
1
1
1
Dorso
1
Pecho
Mariposa
Libre
Estilo A
Estilo B
1
1
1
1
1
1
1
Recurso
1
1
1
1
1
1
181
C
i 1 j 1
6
ij
X ij C11 * X 11 C 23 * X 23 C 34 * X 34 C 45 * X 45 C 52 * X 52 C 66 * X 66
ij
C
i 1 j 1
182
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.
Los mtodos que se presentarn resumen el estado de la programacin entera, pero
les falta para ser 100% eficientes en la solucin de todos los tipos de problemas
enteros.
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.
Problemas de naturaleza entera, pueden ser resueltos por:
183
184
185
( Pk ) Max
Z CX
sa :
AX b
x0
~
Definamos Z
como incumbente o mejor solucin entera, que inicialmente tiene valor
~
de Z 0 .
( Pk ) Max
Z CX
sa :
AX b
X i X Bi
x0
186
( Pk )Max
Z CX
sa :
AX b
X i X Bi 1
x0
187
Ejemplo 1:
188
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
3X 1 X 2 11
X2 1
X i 0 , i , enteros
Problema 2:
( P2 ) max Z 5 X 1 2 X 2
s.a :
2 X1 2 X 2 9
3 X 1 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:
189
Z1
X3
X1
X1
0
0
1
Z2
X4
X1
X1
0
0
1
X2
0,33
-1,33
-0,33
X3
0
1
0
X4
1,67
-0,67
0,33
XB
18,67
0,33
3,33
X3
2,5
-1,5
0,5
X4
0
1
0
XB
16,5
1,5
2,5
Problema 2
X2
3
-2
1
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
( P3 ) max Z 5 X1 2 X 2
(P4 ) max Z 5 X1 2 X 2
s.a :
2 X1 2 X 2 9
s.a :
2 X1 2 X 2 9
3 X1 X 2 11
3X1 X 2 11
X2 1
X2 1
X1 3
X1 4
X i 0 , i , enteros
X i 0 , i , enteros
190
por lo que este ltimo se descarta su estructura para anlisis posteriores (no existir
ramificacin asociada a este nodo).
El tableau del tercer problema es el siguiente:
X3
X1
X2
Z3
5
2
0
X3
-2
-2
1
X4
-3
-1
0
X4
0
0
1
XB
17
1
1
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:
191
Max
Z 5 X1 8 X 2
sa :
X1 X 2
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 X 1 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:
192
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
X2 3
5 X1 9 X 2 45
X2 4
X1 , X 2 0
X1 , X 2 0
193
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:
194
( P3 )Max Z 5 X1 8 X 2
( P4 )Max Z 5 X1 8 X 2
sa :
X1 X 2 6
5 X1 9 X 2 45
sa :
X1 X 2 6
5 X1 9 X 2 45
X2 4
X2 4
X1
1
X1 , X 2 0
X1
2
X1 , X 2 0
Z 3 40,55; X 1 1; X 2 4,44
Z 4 ; X 1 ; X 2 Infactible
195
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
X1
X2 4
X2 5
X1 , X 2 0
X1 , X 2 0
Z 5 37; X 1 1; X 2 4
196
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.
Finalmente, la solucin ptima del problema viene dado por:
Z * 40
X 1* 0
X 2* 5
197
198
REDES
Los problemas de redes surgen en una gran variedad de situaciones, las redes de transporte,
elctricas y de comunicaciones predominan en nuestra vida diaria. La utilizacin de redes se
utiliza ampliamente en reas tan diversas como produccin, distribucin, planeacin de
proyectos, localizacin de instalaciones, administracin de recursos y planeacin financiera,
por nombrara slo unos cuantos ejemplos. De hecho, una representacin de redes proporciona
un panorama general tan poderoso y una ayuda conceptual para visualizar las relaciones entre
las componentes de los sistemas que se usa casi en todas las reas cientficas, sociales y
econmicas.
Uno de los mayores desarrollos recientes en investigacin de operaciones ha sido el rpido
avance tanto en la metodologa como en la aplicacin de los modelos de optimizacin de
redes. La aparicin de algunos algoritmos ha tenido un impacto importante, al igual que las
ideas en el rea ciencias de la computacin sobre estructuras de datos y la manipulacin
eficiente de los mismos. En consecuencia ahora se dispone de algoritmos y paquetes de
199
computadoras y se estn usando en forma rutinaria para resolver problemas muy grandes que
no se habran podido manejar hace unos veinte aos.
Muchos modelos de optimizacin de redes son en realidad tipos especiales de problemas de
programacin lineal. Por ejemplo los dos tipos especiales de problemas vistos anteriormente,
el problema de transporte y de asignacin, tambin son problemas de optimizacin de redes
que se pueden resolver con la metodologa de redes debido a su representacin.
CONCEPTOS BSICOS
Red: Es un conjunto de puntos y un conjunto de lneas que unen ciertos pares de puntos.
Nodos (o vrtices): Son los puntos de la red y se representan por crculos, estos nodos pueden
representar aeropuertos, cruces de caminos, estaciones de bombeo, centros de trabajo, etc.
Arco (ligaduras, ramas):
Son las lneas que conectan pares de nodos. Los arcos se etiquetan dando nombre a los nodos
en sus puntos terminales. Por ejemplo: AB es el arco entre los nodos A y B.
Los arcos pueden representar caminos, cables, canales, tuberas, rutas de manejo de
materiales. Estos arcos pueden tener el flujo de algn tipo que pasa por ellos, por ejemplo:
En caminos: son vehculos
Lneas areas: aviones
Cables, canales: mensajes
Tuberas: fluidos
Ruta, manejo de materiales: trabajos.
Arco dirigido: El flujo a travs del arco se permite en una direccin, la direccin se indica
agregando una flecha al final de la lnea que representa el arco. Al etiquetar un arco dirigido
con el nombre de los nodos que une, siempre se pone primero el nodo de donde viene y
despus el nodo a donde va (como en una calle de un sentido), esto es un arco dirigido del
nodo A al nodo B debe etiquetarse como B y no como BA. Otra manera de etiquetarlo es
A B.
Arco no dirigido (ligadura): El flujo se permite en ambas direcciones, por ejemplo una tubera
usada para bombear fluido en ambas direcciones.
Nota: Aunque se permita que el flujo a travs de un arco no dirigido ocurra en cualquier
direccin se supone que este flujo ser en una direccin, en la seleccionada y no se tendrn
flujos simultneos en direcciones opuestas (en este caso requiere usar un par de arcos dirigidos
en direcciones opuestas)
Sin embargo la toma de decisin sobre el flujo en un arco no dirigido (secuencia de asignacin
de flujos en direcciones opuestas) se entiende de que el flujo real ser el flujo neto la
diferencia de los flujos asignados en las dos direcciones, por ejemplo: asignamos un flujo de
200
Trayectoria dirigida: una trayectoria dirigida del nodo i al nodo j es una sucesin de arcos cuya
direccin es hacia el nodo j, de manera que el flujo del nodo i al nodo j a travs de esta
trayectoria es factible.
Figura 2
201
Trayectoria no dirigida: del nodo i al nodo j es una sucesin de arcos cuya direccin puede ser
hacia o desde el nodo j, observe que una trayectoria dirigida tambin satisface la definicin de
trayectoria no dirigida, pero el inverso no se cumple, con frecuencia una trayectoria no
dirigida tendr algunos arcos dirigidos hacia el nodo j y otros desde l (es decir hacia el nodo
i).
La figura 2 muestra una red dirigida comn, los nodos A y B representan dos fbricas y los
nodos D y E representan dos almacenes, el nodo C es un centro de distribucin y los arcos
representan las rutas de embarque. La sucesin de los arcos AB BC CE A B C E
es una trayectoria dirigida del nodo A al nodo E, ya que el flujo hacia el nodo E a lo largo de
toda esta trayectoria es factible. Por otro lado, BC AC AD B C A D no es una
trayectoria dirigida del nodo B al nodo D, porque la direccin del arco AC es desde el nodo D
(sobre la trayectoria).
Ciclo: trayectoria que comienza y termina en el mismo nodo. En una red dirigida un ciclo
puede ser dirigido o no dirigido, segn si la trayectoria en cuestin es dirigida o no dirigida,
(como una trayectoria dirigida tambin es no dirigida, un ciclo dirigido es un ciclo no dirigido,
pero en general el inverso no es cierto). Por ejemplo en la figura 2 DE-ED es un ciclo dirigido
porque DE y ED son arcos distintos. AB-BC-AC no es un ciclo dirigido ya que la direccin
del arco AC es opuesta a la de los arcos AB y BC, por otro lado AB-BC-AC no es un ciclo
dirigido porque A B C A es una trayectoria no dirigida. En la figura 1, OA-AB-BC-CO
son ciclos, note que la definicin de trayectoria (una sucesin de arcos distintos) elimina la
posibilidad de retroceder al formar un ciclo. Por ejemplo OB-BO no califica como ciclo ya
que son dos etiquetas para el mismo arco.
Una red conexa es una red en la que cada par de nodos est conectado, entonces las redes de
las figuras 1 y 2 son ambas conexas. La figura 2 no sera conexa si se eliminaran los arcos AD
y CE.
rbol: Es una red conexa (para algn subconjunto de n nodos), por ejemplo los 5 nodos de la
figura 2, en la que se han eliminado todos los arcos. Se puede entonces hacer crecer un rbol
agregando un arco o rama a la vez a partir de la red original de cierta manera. El primer arco
puede ir en cualquier lugar para conectar algn par de nodos. De ah en adelante cada arco
nuevo debe agregarse entre un nodo que ya ha sido conectado a otros nodos y a un nuevo nodo
no conectado. Si se agregan arcos de esta manera, se evita que se forme un ciclo y adems se
asegura que el nmero de nodos conexos es uno ms que el nmero de arcos. Cada nuevo arco
crea un rbol ms grande, que es una red conexa (para algn subconjunto de n nodos) que no
contiene ciclos no dirigidos. Una vez que se ha agregado el (n-1)-simo arco, el proceso se
detiene porque el rbol resultante se expande (conecta) a todos los n nodos. Este rbol se llama
rbol de expansin y es una red conexa para los n nodos que no contienen ciclos no dirigidos.
Todo rbol de expansin tiene exactamente n-1 arcos, ya que este es el nmero mnimo de
arcos necesario tener una red conexa y el mximo nmero posible para que no haya ciclos no
dirigidos.
La figura 3 muestra los 5 nodos y algunos de los arcos de la figura 2 para ilustrar este proceso
de hacer crecer un rbol poniendo un arco a la vez, hasta que se obtiene un rbol de expansin
202
en ste caso; observe cmo cada nuevo arco que se agrega satisface las condiciones
especificadas anteriormente.
Figura 3
Capacidad de arco: Es la cantidad mxima de flujo que puede circular en un arco dirigido.
Nodo fuente (nodo origen): Se caracteriza porque el flujo que sale del nodo excede al flujo que
entra a l.
Nodo demanda (nodo destino): El flujo que llega al nodo excede al que sale.
Nodo trasbordo (nodo intermedio): Satisface la conservacin del flujo, lo que implica que el
flujo que entra es igual al que sale.
Encontrar el n-simo nodo ms cercano al origen, repetir el paso para n=1,2,., hasta que el
n-simo nodo ms cercano sea el nodo destino.
Datos:
Ejemplo:
nodo no resuelto
204
Apndice
Resumen Mtodo Simplex Revisado
-Inicializacin: Igual que el mtodo Simplex original
-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.
4
x1
x2 12
3x1 2x2 18
X1 0 ; X 2 0
Max :
Z 3X1 5 X 2
s.a.
x1
2x2
3x1
x3
x4
2x2
x5
12
18
X i 0 : i 1,5
Solucin:
C = (3,5)
1
A, I 0
3
2
0
0
0
1
0
0
1
205
4 x3
x1
b 12 ; x ; x S 4
x2
18 x5
Iteracin 0:
X3
xB X4
X5
001
B 010 B1
100
206
4
b 12
18
C B 0 0 0
001 4 4
x 010 12 12
B
100 18 18
4
Z 0 0 0 12 0
18
Iteracin 1:
207
x3
x x
B 2
x5
1 0 1 0
B 0 2 0 B10 /2 01
0 2 1 0 -1
208
x3 1 0 0 4 4
x x 0 1/2 0 12 6
B 2
x5 0 -1 1 18 6
4
Z 050 6 30
6
Iteracin 2:
209
x3 1 1/3 1/3 4 2
x x 0 1/2 0 12 6
B 2
x1 0 1/3 1/3 18 2
CB 0 5 3
Z 0 5 3 6 36 Z36
2
Ejercicio en la iteracin 2:
210
1
B A 0
0
1
CB B
1/ 3
1/ 2
1/ 3
5
CB B A C 0
1
1/ 3 1
0 0
1 / 3 3
1
3 0
0
5
1/3
1/2
- 1/3
0
0 0
2 0 1
1 0
2
1 / 3
0 0 3 / 2
1 / 3
0
3 0
1
1
0
3 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:
211
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.
n1
n
2
a'
ik ; Si i r
a'
n ; do nde r k
i 1
; Si i r
nm a'
rk
xK : Variable que entra a la base
a ik : Coeficiente 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
x3
x4
x5
Z
1
0
0
0
x1
-3
1
0
3
x2
-5
0
2
2
x3
0
1
0
0
x4
0
1
0
0
x5
0
0
0
1
0
4
12
18
212
X3
xB X4
X5
0
1/2
1
1 0 0
E 0 1/2 0
0 -1 1
1 0 0 1 0 0 1 0 0
BN1 0 1/2 0 0 1 0 0 1/2 0
0 1 1 0 0 1 0 1 1
213
1 0 0 4 4
1
xB B b 0 1/ 2 0 12 6
0 1 1 18 6
1 0 0 1 -
1
CBB ANB CNB 0,5,0 0 /1 2 0 0 - ,3 ,3
0 1 1 3 -
1 0 0
1
CBB 0,5,0 0 1/ 2 0 0,5/ 2,0
0 1 1
Iteracin 2:
x3
x2
x5
Z
1
0
0
0
x1
-3
1
0
3
x2
-
x3
0
1
0
0
x4
5/2
0
1/2
-1
x5
0
0
0
1
4
6
6
214
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
x3
x2
x1
Las soluciones son:
X 1 12 u
Z
1
0
0
0
X 2 6 u
x1
-
x2
-
x3
1
0
0
x4
3/2
1/3
-1/3
x5
1
-1/3
0
1/3
36
2
6
2
Z $132(um)
215