Fundamentos de Investigaci´ on de Operaciones Asignaci´ on y Vendedor Viajero

23 de mayo de 2004

Si bien la resoluci´ on del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas de transporte, para los cuales el m´ etodo no es eficiente. Estos problemas son los llamados Problemas de Asignaci´ on.

1.

Formulaci´ on del Problema de Asignaci´ on
A modo de ejemplo, construyamos el modelo de programaci´ on lineal para el siguiente problema.

Ejemplo 1 Una f´ abrica dispone de cuatro obreros para completar cuatro trabajos. Cada obrero s´ olo puede hacer uno de los trabajos. El tiempo que requiere cada obrero para completar cada trabajo se entrega en el Cuadro 1.1. Tiempo (Horas) Trabajo 2 Trabajo 3 5 8 12 6 8 3 4 6

Obrero Obrero Obrero Obrero

1 2 3 4

Trabajo 1 14 2 7 2

Trabajo 4 7 5 9 10

Cuadro 1.1: Tiempos requeridos por obreros La f´ abrica desea minimizar el tiempo total dedicado a los cuatro trabajos. Formule y resuelva un modelo que determine la mejor asignaci´ on de los obreros. En primer lugar debemos definir las variables de decisi´ on necesarias para representar las posibles alternativas de asignaci´ on. Evidentemente, de acuerdo a la naturaleza del problema conviene emplear variables binarias. Sea: xij = asignaci´ on de obrero i a trabajo j La variable binaria xij valdr´ a 1 si se asigna al obrero i al trabajo j y 0 en caso contrario. Por lo tanto, la formulaci´ on del problema queda: (1.1)

1

2. 4) (i = 1 . un problema de asignaci´ on es un problema de transporte balanceado con oferta y demanda igual a 1. j = 1 .Primer Semestre 2004 Asignaci´ on m´ ın s. el 2 al 4. . Como a la derecha de cada restricci´ on se tiene un 1. 2 . podemos olvidarnos de la condici´ on de que las variables deben ser enteras y resolver el problema mediante un tableau de transporte. Las restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero. se asigna el obrero 1 al trabajo 2. .t. los u ´nicos valores posibles para las variables son 1 y 0. . . 4. En general. Las restricciones de obreros imponen que s´ olo puede ser asignado un trabajo a cada obrero. 1} (i = 1 . . Luego. . Se puede demostrar que como las ofertas y demandas tienen valores num´ ericos enteros. Olvidando la naturaleza de las variables. . 4) (j = 1 .2) Donde cij representa el costo (tiempo) de la asignaci´ on del obrero i al trabajo j . incurriendo en un tiempo total de 5 + 5 + 3 + 2 = 15 horas. Siguiendo ese camino. podemos decir que el problema anterior es un problema de transporte balanceado donde cada punto de oferta entrega una unidad y cada punto de demanda requiere una unidad. Trabajo 1 14 Obrero 1 2 Obrero 2 7 Obrero 3 2 Obrero 4 Demanda 1 1 0 1 4 0 1 1 8 1 6 10 1 3 Trabajo 2 5 1 12 Trabajo 3 8 Trabajo 4 7 0 5 1 9 1 1 Oferta 1 6 Cuadro 1. se obtiene el Cuadro 1. 4 i=1 n j =1 cij xij j =4 j =1 xij i=4 i=1 xij xij = 1 = 1 = {0.2: Tableau de Transporte para el Ejemplo 1 Por lo tanto. 4) (Restricciones de obreros) (Restricciones de trabajos) (Variables binarias) (1. la soluci´ on ´ optima debe corresponder a un conjunto de valores enteros. el 3 al 3 y el 4 al 1. .

Para aplicar el m´ etodo se deben seguir los siguientes pasos: Paso 1 Determine el menor elemento en cada fila de la matriz de costos (m × m). Paso 2 Trace el n´ umero m´ ınimo de l´ ıneas (horizontales o verticales) que son necesarias para cubrir todos los ceros de la matriz reducida. Si se requieren menos de m l´ ıneas.2. siga al Paso 3. Si se requieren m l´ ıneas. 2. Construya una nueva matriz restando a cada costo el costo menor de esa fila.Primer Semestre 2004 Asignaci´ on 2. Paso 3 Determine el menor costo de la matriz reducida que no est´ a tarjado por las l´ ıneas del Paso 2. Ejemplo de Resoluci´ on A continuaci´ on se resuelve el problema del ejemplo mediante el M´ etodo H´ ungaro. especialmente en problemas de gran tama˜ no. balancee la matriz agregando filas o columnas artificiales seg´ un corresponda. el m´ etodo Simplex para problemas de transporte es poco eficiente para resolver problemas de asignaci´ on. M´ etodo H´ ungaro Descripci´ on En general. haciendo algunas modificaciones puede ser m´ as vers´ atil: 1. La principal ventaja es que el m´ etodo h´ ungaro es considerablemente m´ as simple que el m´ etodo Simplex del problema de transporte. reste a todos los coeficientes no tarjados el valor k y sume a todos los coeficientes tarjados por dos l´ ıneas el valor k . Por ello. los ceros de la matriz reducida indican la asignaci´ on o ´ptima. Si el n´ umero de filas y columnas en la matriz de costos no son iguales. 14 2 7 2 5 12 8 4 8 6 3 6 7 5 9 10 M´ ınimo por fila 5 2 3 2 Luego se resta el valor determinado en cada fila y se busca el m´ ınimo por columna: 3 . Vuelva al Paso 1. repita la fila o columna seg´ un corresponda cuantas veces sea necesario. En primer lugar se busca el m´ ınimo por filas en la matriz de costos. multiplique la matriz de costos por −1 y resuelva el problema de minimizaci´ on. el problema de asignaci´ on no est´ a balanceado. Sin embargo.1. Los costos de las filas o columnas artificiales deben ser id´ enticos para todas las combinaciones de forma de no generar preferencias. 2. Construya una nueva matriz (matriz de costos reducidos) restando a cada costo el menor costo de esa columna. Sea dicho costo k . 2. Balancee el problema. 3. para resolver problemas de asignaci´ on (minimizaci´ on) se emplea normalmente el M´ etodo H´ ungaro. El m´ etodo H´ ungaro resuelve un problema de minimizaci´ on a partir de una matriz de costos cuadrada. Si se puede hacer una asignaci´ on m´ as de una vez. A continuaci´ on determine el costo m´ ınimo en cada columna de la matriz resultante. Similarmente al problema de transporte. Luego. Para resolver un problema de asignaci´ on cuyo objetivo es maximizar la funci´ on objetivo.

Finalmente. 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 Como el n´ umero de l´ ıneas trazadas es igual a la dimensi´ on de la matriz se ha encontrado el ´ optimo. 4 . 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 El resultado verifica la soluci´ on obtenida mediante el tableau de transporte. en la primera columna y cuarta fila s´ olo queda un cero. el cero de la primera fila y cuarta columna puede ser descartado pues ya existe una asignaci´ on obligatoria en la primera fila. Volvemos a trazar el n´ umero m´ ınimo de l´ ıneas que cubran todos los ceros. luego x12 = 1. 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 A continuaci´ on se puede descartar el cero de la segunda fila y la primera columna pues ya existe una asignaci´ on obligatoria en esa fila. la fila y columna 3 posee un u ´nico 0. luego x33 = 1. De esta forma. luego x41 = 1. Restamos a todos los no tarjados 1 y sumamos 1 a los tarjados dos veces. Por ejemplo.Primer Semestre 2004 Asignaci´ on M´ ınimo por columna 9 0 4 0 0 0 10 5 2 0 3 4 0 4 0 2 3 6 8 2 Se resta el menor costo por columna y se trazan el menor n´ umero de l´ ıneas que cubran todos los ceros de la matriz de costos reducida: 9 0 4 0 0 10 5 2 3 4 0 4 0 1 4 6 Luego. la segunda columna posee un u ´nico cero en la primera fila. 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 Luego. de los coeficientes no tarjados el menor es 1. Para interpretar la asignaci´ on debemos buscar aquellas filas y columnas que posean un u ´nico cero. el u ´nico cero restante en la cuarta columna es el de la segunda fila. por lo tanto x24 = 1. Por otro lado.

deben ser una soluci´ on ´ optima. 2. el efecto neto de los pasos 1 y 3 del M´ etodo H´ ungaro es crear una secuencia de problemas de asignaci´ on (con costos no negativos) tal que todos ellos poseen la misma soluci´ on ´ optima al problema de asignaci´ on original. Por lo tanto. Los obreros 2 y 3 pueden ejecutar hasta dos trabajos. Ejemplos Adicionales Ejercicio 1 Una constructora debe contratar obreros para realizar 4 trabajos. cualquier asignaci´ on factible para la cual todos los xij iguales a 1 tienen un costo asociado nulo. supongamos que se agrega una constante k a cada costo en la primera fila del ejemplo en estudio. El paso 1 del M´ etodo H´ ungaro consiste (para cada fila y columna) en restar una constante a cada elemento de la fila o columna. Existen 3 obreros disponibles para ejecutar dichas labores. Cada vez que se realiza el paso 3. es necesario discutir el siguiente resultado: Si se suma una constante a cada costo de una fila o de una columna de un problema de transporte balanceado.1. Se puede aplicar el mismo argumento a cualquier otra fila o columna. se crea al menos un nuevo cero en la matriz de costos. el paso 1 crea una nueva matriz de costos que posee la misma soluci´ on ´ optima que el problema original. El monto (en miles de pesos) cobrado por cada obrero para realizar cada trabajo se indica en el Cuadro 2. se ha encontrado una soluci´ on ´ optima para el problema original.3.Primer Semestre 2004 Asignaci´ on 2. Por lo tanto.1: Montos para realizar trabajos El obrero 1 tiene disponibilidad para ejecutar s´ olo un trabajo. El paso 3 del m´ etodo es equivalente a sumar k a cada costo de una fila tarjada y restar k a cada costo de las columnas no tarjadas (o viceversa). Determine la asignaci´ on que minimiza los costos de ejecutar los cuatro trabajos. Para mostrar que el resultado es correcto. considerando un problema de asignaci´ on con costos no negativos. Entonces: Nuevo valor de la funci´ on objetivo = valor anterior + k (x11 + x12 + x13 + x14 ) Como cualquier soluci´ on factible del problema debe cumplir que: x11 + x12 + x13 + x14 = 1 Nuevo valor de la funci´ on objetivo = valor anterior + k Debido a que minimizar el valor de una funci´ on m´ as una constante es equivalente a minimizar la funci´ on. la soluci´ on al problema es invariante. En suma. el paso 3 tambi´ en crea una nueva matriz con la misma soluci´ on ´ optima que la matriz original. 5 . cuando el paso 2 indica que se requieren m l´ ıneas para cubrir todos los ceros de la matriz. Los pasos 1 y 3 tambi´ en aseguran que todos los costos sean no negativos. Trabajos 2 3 4 46 42 40 48 44 47 45 45 Obrero 1 Obrero 2 Obrero 3 1 50 51 - Cuadro 2. Justificaci´ on Intuitiva del M´ etodo H´ ungaro Para entregar una justificaci´ on intuitiva de c´ omo trabaja el M´ etodo H´ ungaro. Luego. Entonces.4. la soluci´ on ´ optima no cambia si se agrega una constante k a cada costo de la primera fila.

As´ ı. por lo que se est´ a en el ´ optimo. Luego. El menor valor no tarjado es 1. descartando el de la primera fila: 1 0 0 M M 1 1 1 0 0 0 0 0 M 0 M 1 3 1 3 2 0 0 0 0 A continuaci´ on. Arbitrariamente asignaremos un cero en la primera celda de la segunda fila. por simplicidad emplearemos el cero. 0 1 1 M M 0 2 2 1 1 0 0 2 M 2 M 3 5 3 5 0 0 0 0 0 Restamos a los coeficientes no tarjados el 1 y se los sumamos a los tarjados dos veces. la matriz queda de 5 filas.Primer Semestre 2004 Asignaci´ on Como los obreros 2 y 3 pueden realizar hasta dos trabajos. Volvemos a identificar el n´ umero m´ ınimo de l´ ıneas y al menor valor no tarjado: 0 0 0 M M 0 1 1 0 0 0 1 1 2 2 0 M M 4 4 1 0 0 0 0 En este caso el n´ umero m´ ınimo de l´ ıneas para cubrir todos los ceros es 5. por lo que pueden existir soluciones alternativas. repetiremos una vez las filas dos y tres. Restando por columnas se obtiene: 0 1 1 M M 0 2 2 1 1 0 0 2 M 2 M 3 5 3 5 0 0 0 0 0 Luego. De la cuarta columna podemos asignar inmediatamente un cero. pues en cada fila hay un cero. Los costos de dicha columna deben ser id´ enticos para no generar preferencias. Luego. la matriz de costos queda (las M indican asignaci´ on imposible): 50 51 51 M M 46 48 48 47 47 42 44 44 45 45 40 M M 45 45 0 0 0 0 0 Restando por filas la matriz no cambia. se obtiene que el m´ ınimo de l´ ıneas para cubrir todos los ceros es 2. cuadramos la matriz agregando una columna ficticia. ni por filas ni por columnas existe un u ´nico cero. lo que obliga a hacer otras asignaciones: 6 .

la asignaci´ on queda: Obrero 1 Obrero 2 Obrero 3 → → → Trabajo 4 Trabajo 1 y 3 Trabajo 2 1 1 1 0 0 0 0 0 1 1 0 M M 3 3 2 0 0 0 0 Buscando las otras asignaciones alternativas. Dado que el M´ etodo H´ ungaro s´ olo minimiza.2. cuyos rendimientos relativos en cada una de las posiciones se indican en el Cuadro 2. por lo tanto se debe plantear como un problema de maximizaci´ on. Determine el mejor equipo que se podr´ ıa enviar al campeonato. Hay seis jugadores disponibles.2: Rendimientos de los jugadores En este caso interesa maximizar el rendimiento del equipo.Primer Semestre 2004 Asignaci´ on 1 0 0 M M 1 1 1 0 0 0 0 0 1 1 0 M M 3 3 2 0 0 0 0 Para completar la asignaci´ on volvemos a asignar arbitrariamente el cero de la cuarta fila y la segunda columna: 1 0 0 M M Por lo tanto. Adem´ as. Ejercicio 2 Para participar en el pr´ oximo campeonato de bridge. el Club universitario debe enviar un equipo de 4 personas. se repite la misma soluci´ on ´ optima. N 8 7 5 3 4 8 E 5 4 4 2 5 3 S 8 2 7 4 4 7 O 5 6 5 4 4 4 Juan Pedro Ra´ ul Sergio Arturo Carlos Cuadro 2. multiplicaremos por −1 la matriz de ganancias. luego la matriz de costos queda: -8 -7 -5 -3 -4 -8 -5 -4 -4 -2 -5 -3 -8 -2 -7 -4 -4 -7 7 -5 -6 -5 -4 -4 -4 0 0 0 0 0 0 0 0 0 0 0 0 . agregaremos dos columnas artificiales para cuadrar la matriz.

la asignaci´ on ´ optima tiene un rendimiento esperado de 27. A continuaci´ on se procede a asignar: 0 0 2 4 3 0 1 1 1 3 0 3 0 5 0 3 3 1 2 0 1 2 2 3 1 0 0 0 0 1 1 0 0 0 0 1 Si bien en el tableau anterior. luego se ha alcanzado el ´ optimo. la tercera y cuarta fila (o quinta y sexta columna) no est´ an asignadas. 8 .Primer Semestre 2004 Asignaci´ on A continuaci´ on se resta el m´ ınimo costo por filas y por columnas y se busca el n´ umero m´ ınimo de l´ ıneas que cubran todos los ceros: 0 0 2 1 1 0 3 3 3 2 0 5 0 5 0 0 1 1 3 1 2 0 1 4 4 3 3 0 1 4 4 3 3 0 1 4 Restando 1 a las celdas no tarjadas y sum´ andoselo a las tarjadas dos veces se obtiene el siguiente tableau. Se vuelve a buscar el n´ umero m´ ınimo de l´ ıneas que cubran todos los ceros y se identifica el coeficiente menor no tarjado: 0 0 2 2 2 0 2 2 2 2 0 4 0 5 0 1 2 1 2 0 1 0 1 3 3 2 2 0 1 3 3 2 2 0 1 3 Se vuelve a aplicar el m´ etodo a la matriz siguiente: 0 0 2 3 2 0 2 2 2 3 0 4 0 5 0 2 2 1 2 0 1 1 1 3 2 1 1 0 0 2 2 1 1 0 0 2 En la nueva matriz de costos no es posible trazar un n´ umero inferior a 6 l´ ıneas para cubrir todos los ceros. Luego: Juan Pedro Arturo Carlos → → → → S O E N 8 6 5 8 27 Por lo tanto. las dos opciones de asignaci´ on posibles representan que Ra´ ul y Sergio no integrar´ an el equipo.

3 muestra la probabilidad de ganar de cada tenista dependiendo de su rival.3 0. Cada uno debe jugar al menos un partido. La tabla 2.3 Cuadro 2.3 0.Primer Semestre 2004 Asignaci´ on Agassi Sampras Kuerten Simplet 0. Sampras y Kuerten.4 Dormeur 0.4 0.5 0. Se cuenta con 3 tenistas: Agassi.4 0.5 0.3: Probabilidad de ganar de cada tenista Ejercicio 3 Se est´ a organizando un torneo de tenis en donde se deben jugar 5 partidos. 9 .1 0.5 Prof 0.1 Grincheux 0. Se pide determinar la mejor estrategia para ganar el torneo.2 0.1 0.2 0.2 Atchoum 0.

N . .1. . se debe determinar el orden en que se deben recorrer las 5 ciudades partiendo desde la ciudad 1. . el problema del vendedor viajero consiste en determinar c´ omo se debe recorrer la totalidad de un conjunto de puntos. . Las restricciones (c) aseguran que se parta desde cada ciudad. Las restricciones (b) aseguran que se llegue s´ olo una vez a cada ciudad. N ) (i = 1 . sin pasar dos veces por un mismo lugar. . N ) (i = 1 . 3. . El Problema del Vendedor Viajero Descripci´ on General El problema del Vendedor viajero pertenece a la familia de problemas de optimizaci´ on combinatoria. volviendo al punto desde donde se parti´ o.2) ui − uj + N xij ≤ N −1 La funci´ on objetivo (a) refleja la longitud total del camino recorrido. . En t´ erminos generales. j = 2 . N ) (j = 1 . . Las distancias (km) entre las ciudades donde se ubican sus almacenes se entrega en el Cuadro 3.1: Distancias entre ciudades Claramente. Veamos un ejemplo. N ) (b) (c) (d) (3. 3. . N ) (i = j . el modelo de programaci´ on lineal queda: Min st i=N i=1 j =N j =1 i=1 j =1 cij xij (a) xij xij xij uj = = = ≥ 1 1 {0. . El due˜ no de los almacenes vive en la Ciudad 1. es decir. se cii = M . ellas aseguran que: 10 . . N . En primer lugar. Para todo i = j se tiene c ij = distancia desde la ciudad i a la ciudad j . De acuerdo a las variables definidas. .Primer Semestre 2004 Asignaci´ on 3. Ejemplo 2 El propietario de una peque˜ na cadena de almacenes visita una vez al mes todas sus tiendas. minimizando el camino total recorrido. 1} 0 (j = 1 . Supongamos que se deben visitar las ciudades 1. . . Las restricciones (d) son las fundamentales.1.1) En forma alternativa simplemente se puede eliminar las variables xii del modelo para evitar las asignaciones no deseadas. i = 2 . Definamos: xij = 1 la soluci´ on indica ir desde la ciudad i a la j 0 en caso contrario (3. . problemas que poseen un conjunto finito de soluciones factibles. . formularemos un modelo de programaci´ on lineal entera. j = 1 . ¿ Qu´ e recorrido debe seguir para minimizar la distancia total recorrida ? Ciudad 1 0 132 217 164 58 Ciudad 2 132 0 290 201 79 Ciudad 3 217 290 0 113 303 Ciudad 4 164 201 113 0 196 Ciudad 5 58 79 303 196 0 Ciudad Ciudad Ciudad Ciudad Ciudad 1 2 3 4 5 Cuadro 3. . donde M es un n´ umero muy grande en relaci´ on a las distancias del problema. N . 2.

Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. es decir. que comienza y termina en la misma ciudad. Para ilustrar el funcionamiento del modelo. En el ejemplo. La restricci´ on de x32 queda: u3 − u2 + 5x32 ≤ 4 → u 3 − u2 ≤ 4 (3. u4 = 3 y u5 = 4. Si escogemos el subtour que no contiene a la Ciudad 1 (3-4-3) y escribimos las restricciones (d) correspondiente a estas asignaciones se obtiene: u3 − u4 + 5x34 ≤ 4 Sumando ambas restricciones se obtiene: 5(x34 + x43 ) ≤ 8 (3. 2.8) Como las variables ui representan la posici´ on en el tour. Cualquier conjunto de valores de xij que conformen un tour sea una soluci´ on factible. por ejemplo x32 de acuerdo al tour escogido. las otras variables son: u 1 = 1. A modo de ejemplo. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3.9) . Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. Por ejemplo. . pero que no pasa por todas las ciudades. un subtour podr´ ıa ser 1 − 5 − 2 − 1. Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal.Primer Semestre 2004 Asignaci´ on 1. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3. u2 = 5. supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. Un subtour es un camino cerrado. si ui = ti cualquier tour satisface las restricciones (d). Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1. En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3.4) y u4 − u3 + 5x43 ≤ 4 (3. Supongamos ahora que la Ciudad 1 fue la primera visitada. Entonces. la restricci´ on correspondiente a x52 es: u5 − u2 + 5x52 ≤ 4 Como la Ciudad 2 es la que sigue inmediatamente a la Ciudad 5 se tiene: u5 − u2 = −1 Por lo tanto. .5) Consideremos ahora una restricci´ on correspondiente a un xij = 0.7) (3. con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km]. pase por todos los puntos sin repetir. N ). Luego. se tiene que ui ≤ 5 y ui > 1 (i = 2. En el ejemplo. . consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. comience y termine en el mismo punto.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1. u3 = 2.6) (3.

las restricciones (d) para las variables xij = 0 tambi´ en se satisfacen cuando las variables contienen un tour.u4 + 5 x24 <= 4 u2 .u5 + 5 x45 <= 4 u5 . Por lo tanto.u3 + 5 x23 <= 4 u2 . Evidentemente. el modelo resuelve el problema del Vendedor Viajero.u5 + 5 x35 <= 4 u4 . Luego. por lo tanto tiende a ser poco eficiente. el modelo efectivamente elimina cualquier secuencia de N ciudades que comiencen en la Ciudad 1 y que contengan un subtour.u4 + 5 x34 <= 4 u3 .u4 + 5 x54 <= 4 end int x12 int x13 int x14 int x15 int x21 int x23 int x24 int x25 int x31 int x32 int x34 int x35 12 .Primer Semestre 2004 Asignaci´ on Por lo tanto. Para el problema del ejemplo.u5 + 5 x25 <= 4 u3 .u2 + 5 x42 <= 4 u4 .u2 + 5 x52 <= 4 u5 . el modelo crece r´ apidamente seg´ un aumente el n´ umero de ciudades incluidas en el problema.u2 + 5 x32 <= 4 u3 .u3 + 5 x43 <= 4 u4 . el modelo en LINDO queda: min 132 x12 + 217 x13 + 164 x14 + 58 x15 + 132 x21 + 290 x23 + 201 x24 + 79 x25 + 217 x31 + 290 x32 + 113 x34 + 303 x35 + 164 x41 + 201 x42 + 113 x43 + 196 x45 + 58 x51 + 79 x52 + 303 x53 + 196 x54 st x12 + x13 + x14 + x15 = 1 x21 + x23 + x24 + x25 = 1 x31 + x32 + x34 + x35 = 1 x41 + x42 + x43 + x45 = 1 x51 + x52 + x53 + x54 = 1 x21 + x31 + x41 + x51 = 1 x12 + x32 + x42 + x52 = 1 x13 + x23 + x43 + x53 = 1 x14 + x24 + x34 + x54 = 1 x15 + x25 + x35 + x45 = 1 u2 .u3 + 5 x53 <= 4 u5 .

13 .000000 1.0000 VALUE 0.000000 113.000000 2.000000 196.000000 217.000000 58.000000 0.000000 79.000000 290.000000 0.000000 4. OBJECTIVE FUNCTION VALUE 1) VARIABLE x12 x13 x14 x15 x21 x23 x24 x25 x31 x32 x34 x35 x41 x42 x43 x45 x51 x52 x53 x54 u2 u3 u4 u5 668..000000 290.Primer Semestre 2004 Asignaci´ on int int int int int int int int x41 x42 x43 x45 x51 x52 x53 x54 La instrucci´ on int xij de LINDO permite definir como variable binaria a xij.000000 201.000000 0.000000 164. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.000000 1.000000 0.000000 REDUCED COST 132. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.000000 0.000000 164.000000 0.000000 0.000000 201.000000 1.000000 1.000000 0. luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION.000000 0.000000 303.000000 0.000000 0.000000 0.000000 1.000000 58.000000 0.000000 79.000000 0.000000 132.000000 113.000000 196.000000 0.000000 Por lo tanto.000000 0..000000 1.000000 0.000000 0. La soluci´ on encontrada no es u ´nica.000000 217. Al resolver el modelo con LINDO.000000 303.000000 0.

1).2. si la soluci´ on del problema de asignaci´ on constituye un tour. Resoluci´ on del Problema del Vendedor Viajero A continuaci´ on se resolver´ a el problema del Vendedor Viajero como un problema de asignaci´ on. es decir.2. podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3. De todas maneras. Para ello construiremos una matriz de costos. para evitar la asignaci´ on de una ciudad a si misma como se muestra en el Cuadro 3. se verifica que una es hacer el recorrido en el sentido opuesto a a la otra. x43 = 0 y c43 = M sobre el problema original.Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex. La soluci´ on contiene dos subtours. es decir. Adem´ as. donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . 3.3).3: Matriz de Costos Reducida Si bien el Cuadro 3. Luego.5). existe un m´ etodo m´ as simple que permite resolver el problema manualmente a trav´ es una combinaci´ on del M´ etodo H´ ungaro y la t´ ecnica de Ramificaci´ on y Acotamiento (Branch-and-Bound).2: Matriz de Costos del Problema Original La resoluci´ on del problema anterior como un problema de asignaci´ on constituye una relajaci´ on del problema original. se obtiene la matriz reducida del problema original (Cuadro 3. Para resolver el Subproblema 1 incorporamos una M al Cuadro 3. ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. N ). A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. M 0 104 51 0 0 M 156 67 0 106 158 M 0 245 53 69 0 M 138 0 0 243 136 M Cuadro 3. con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495. La asignaci´ on es: 1 → 2 → 5 → 1 y 3 → 4 → 3. x34 = 0 y c34 = M sobre el problema original.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3. incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 . tambi´ en ser´ a soluci´ on al problema del vendedor viajero. resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. es decir. Se resta el menor valor por filas y luego por columnas. . por lo tanto no es ´ optima. Buscando el n´ umero menor de l´ ıneas que cubran todos los ceros se determina que se est´ a en el ´ optimo (Cuadro 3. Luego se asigna y se verifica 14 .4). Resolviendo. M 132 217 164 58 132 M 290 201 79 217 290 M 113 303 164 201 113 M 196 58 79 303 196 M Cuadro 3. . Subproblema 2 Se impone 4 →3.3 presenta dos soluciones alternativas.

deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar. En este caso. es decir generamos los 15 .5: Matriz Final Subproblema 1 Luego. el Subproblema 1 genera como soluci´ on los subtours 1 → 4 → 3 → 1 y 2 → 5 → 2. escogeremos arbitrariamente abrir la rama de la izquierda. Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2). En caso que dicha rama tampoco genere una soluci´ on factible. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. Como el camino obtenido por ambas ramas es de id´ entica longitud. Nuevamente.1: Arbol de Ramificaci´ on M 0 104 51 0 0 M 156 67 0 106 158 M 0 245 53 69 M M 138 0 0 243 136 M Cuadro 3. M 0 0 51 0 0 M 52 67 0 106 158 M 0 245 0 16 M M 85 0 0 139 136 M Cuadro 3. Por lo tanto.Primer Semestre 2004 Asignaci´ on z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 4 →3 Subproblema 2 ´ Figura 3. interrumpiremos el subtour 2 → 5 → 2.4: Matriz de Costos Subproblema 1 si la asignaci´ on corresponde a un tour. Luego restamos el menor valor por fila y luego por columna. La asignaci´ on obtenida corresponde a la secuencia 1 → 3 → 4 → 1 y 2 → 5 → 2. La soluci´ on encontrada tampoco es un tour. el n´ umero menor de l´ ıneas que cubran todos los ceros es 5 por lo tanto se est´ a en el ´ optimo y se procede a asignar. la soluci´ on obtenida tampoco es factible.3 una M en la asignaci´ on 4 → 3 (Cuadro 3. con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652.7).6). Para resolver el Subproblema 2 incorporamos al Cuadro 3.

6: Matriz de Costos Subproblema 2 M 0 104 0 0 0 M 156 16 0 0 52 M M 139 53 69 0 M 138 0 0 243 85 M Cuadro 3.2: Arbol de Ramificaci´ on Actualizado Para resolver el Subproblema 3 agregamos una M en la combinaci´ on 2 − 5 en el Cuadro 3. z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 z = 652 1→4→3→1 2→5→2 2 →5 5 →2 Subproblema 3 Subproblema 4 ´ Figura 3. El tableau deja de ser final ya que el n´ umero m´ ınimo de l´ ıneas para cubrir todos los ceros es 4 (Cuadro 3.9 en cual se puede asignar. Subproblema 4 Se impone 5 →2. Luego.5. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 .8). es decir.7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5. es decir. x25 = 0 y c25 = M sobre el Subproblema 1. El ´ arbol de ramificaci´ on hasta este punto se ilustra en la Figura 3. la soluci´ on ´ optima para el Subproblema 3 corresponde a la secuencia 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668.2. x52 = 0 y c52 = M sobre el Subproblema 1. Iterando se obtiene el Cuadro 3.Primer Semestre 2004 Asignaci´ on M 0 104 51 0 0 M 156 67 0 106 158 M M 245 53 69 0 M 138 0 0 243 136 M Cuadro 3.

7) debemos escoger uno de los subtour e M 0 0 51 0 0 M 52 67 M 106 158 M 0 245 0 16 M M 85 0 0 139 136 M Cuadro 3. Como por el momento es la mejor soluci´ on disponible fijaremos 668 como cota superior para el problema. obteniendo la secuencia 1 → 4 → 3 → 2 → 5 → 1 con una distancia total asociada de: z = 164+113+290+79+58 = 704 (Cuadro 12).10). Finalmente podemos asignar.5.8: Matriz Inicial Subproblema 3 M 0 0 67 16 0 M 36 67 0 106 142 M 0 245 0 0 M M 85 0 M 123 136 M Cuadro 3.10: Matriz Inicial Subproblema 4 17 . el valor de la funci´ on objetivo est´ a por debajo de la cota superior.9: Matriz Final Subproblema 3 conforma un tour. El resultado anterior no evita resolver el Subproblema 4. por la tanto constituye una soluci´ on factible para el problema del Vendedor Viajero. debemos completar la ramificaci´ on pues a´ un es factible encontrar una soluci´ on que sea igual o mayor a 652. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3.11). La secuencia encontrada constituye un tour. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (Cuadro 3. Sin embargo. la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada. Como en la rama de la derecha (Subproblema 2). Como la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 5 → 2. pero por debajo de la cota superior.Primer Semestre 2004 Asignaci´ on M 0 0 51 0 0 M 52 67 0 106 158 M 0 245 0 16 M M 85 0 M 139 136 M Cuadro 3. por lo que representa una soluci´ on factible. ya que a´ un es posible encontrar una soluci´ on que sea mayor a 652. pero inferior a 668. Nuevamente se puede volver a trazar 4 l´ ıneas y volver a iterar (Cuadro 3.

con una distancia total asociada de z = 910. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668. En suma.Primer Semestre 2004 Asignaci´ on M 0 0 67 0 0 M 36 67 M 106 142 M 0 229 0 0 M M 69 16 0 139 152 M Cuadro 3.11: Segunda Iteraci´ on Subproblema 4 M 36 0 103 0 0 M 0 67 M 106 142 M 0 229 0 0 M M 69 16 0 103 152 M Cuadro 3. pero est´ a por sobre la cota superior. La soluci´ on del Subproblema 5 genera la secuencia: 1 → 5 → 2 → 3 → 4 → 1.3 muestra el ´ arbol de ramificaci´ on completo. es decir generamos los subproblemas: Subproblema 5 Se impone 2 →5. Como la soluci´ on obtenida contiene dos subtours.12: Matriz final Subproblema 4 impedirlo. con una distancia total asociada de z = 704. por ejemplo el m´ as m´ as corto. Adem´ as. x25 = 0 y c25 = M sobre el Subproblema 2. La Figura 3. la mejor soluci´ on es la obtenida a trav´ es del Subproblema 3. Por lo tanto. es decir. La soluci´ on constituye un tour. Siguiendo la metodolog´ ıa empleada anteriormente. no conviene seguir ramificando pues el valor de la funci´ on objetivo est´ a muy por sobre la cota superior y al ramificar s´ olo se obtendr´ an valores iguales o peores al de partida. Subproblema 6 Se impone 5 →2. reemplazamos la M respectiva en cada problema en la matriz final del Subproblema 2 e iteramos en caso de ser necesario. 18 . debemos interrumpir el subtour 2 → 5 → 2. x52 = 0 y c52 = M sobre el Subproblema 2. no representa una soluci´ on ´ optima. por lo que puede ser descartada. es decir. La soluci´ on del Subproblema 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2.

3: Arbol de Ramificaci´ on Final Subproblema 6 z = 910 2→5→4→2 1→3→1 19 .Primer Semestre 2004 Asignaci´ on z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 z = 652 1→4→3→1 2→5→2 2 →5 Subproblema 3 z = 668 1→5→2→4→3→1 5 →2 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 2 →5 5 →2 Subproblema 4 z = 704 1→4→3→2→5→1 Subproblema 5 z = 704 1→5→2→3→4→1 ´ Figura 3.

Sign up to vote on this title
UsefulNot useful