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 . . los u ´nicos valores posibles para las variables son 1 y 0. . En general. Las restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero. 1} (i = 1 .Primer Semestre 2004 Asignaci´ on m´ ın s. . 4. Siguiendo ese camino. se obtiene el Cuadro 1. . podemos olvidarnos de la condici´ on de que las variables deben ser enteras y resolver el problema mediante un tableau de transporte.t. 4 i=1 n j =1 cij xij j =4 j =1 xij i=4 i=1 xij xij = 1 = 1 = {0. incurriendo en un tiempo total de 5 + 5 + 3 + 2 = 15 horas.2: Tableau de Transporte para el Ejemplo 1 Por lo tanto. se asigna el obrero 1 al trabajo 2. Olvidando la naturaleza de las variables. 4) (Restricciones de obreros) (Restricciones de trabajos) (Variables binarias) (1. 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. Las restricciones de obreros imponen que s´ olo puede ser asignado un trabajo a cada obrero. el 2 al 4. la soluci´ on ´ optima debe corresponder a un conjunto de valores enteros. .2. Se puede demostrar que como las ofertas y demandas tienen valores num´ ericos enteros. . Luego. un problema de asignaci´ on es un problema de transporte balanceado con oferta y demanda igual a 1. . 4) (j = 1 . .2) Donde cij representa el costo (tiempo) de la asignaci´ on del obrero i al trabajo j . 4) (i = 1 . el 3 al 3 y el 4 al 1. j = 1 . 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. Como a la derecha de cada restricci´ on se tiene un 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.2. haciendo algunas modificaciones puede ser m´ as vers´ atil: 1. Construya una nueva matriz restando a cada costo el costo menor de esa fila. siga al Paso 3. A continuaci´ on determine el costo m´ ınimo en cada columna de la matriz resultante. los ceros de la matriz reducida indican la asignaci´ on o ´ptima. Para resolver un problema de asignaci´ on cuyo objetivo es maximizar la funci´ on objetivo. El m´ etodo H´ ungaro resuelve un problema de minimizaci´ on a partir de una matriz de costos cuadrada. especialmente en problemas de gran tama˜ no. Sea dicho costo k . Si el n´ umero de filas y columnas en la matriz de costos no son iguales. Vuelva al Paso 1. Ejemplo de Resoluci´ on A continuaci´ on se resuelve el problema del ejemplo mediante el M´ etodo H´ ungaro. Luego. para resolver problemas de asignaci´ on (minimizaci´ on) se emplea normalmente el M´ etodo H´ ungaro. 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. Los costos de las filas o columnas artificiales deben ser id´ enticos para todas las combinaciones de forma de no generar preferencias. Balancee el problema. reste a todos los coeficientes no tarjados el valor k y sume a todos los coeficientes tarjados por dos l´ ıneas el valor k . el problema de asignaci´ on no est´ a balanceado.1. repita la fila o columna seg´ un corresponda cuantas veces sea necesario. multiplique la matriz de costos por −1 y resuelva el problema de minimizaci´ on. Si se puede hacer una asignaci´ on m´ as de una vez. Si se requieren m l´ ıneas. M´ etodo H´ ungaro Descripci´ on En general. Construya una nueva matriz (matriz de costos reducidos) restando a cada costo el menor costo de esa columna. 3. el m´ etodo Simplex para problemas de transporte es poco eficiente para resolver problemas de asignaci´ on. Similarmente al problema de transporte. 2. Por ello. Sin embargo. 2. 2. Paso 3 Determine el menor costo de la matriz reducida que no est´ a tarjado por las l´ ıneas del Paso 2. 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 . 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).Primer Semestre 2004 Asignaci´ on 2. En primer lugar se busca el m´ ınimo por filas en la matriz de costos. balancee la matriz agregando filas o columnas artificiales seg´ un corresponda.

luego x12 = 1. Volvemos a trazar el n´ umero m´ ınimo de l´ ıneas que cubran todos los ceros. la segunda columna posee un u ´nico cero en la primera fila. el cero de la primera fila y cuarta columna puede ser descartado pues ya existe una asignaci´ on obligatoria en la primera fila. luego x41 = 1.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. 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. 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 Luego. la fila y columna 3 posee un u ´nico 0. Restamos a todos los no tarjados 1 y sumamos 1 a los tarjados dos veces. 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. el u ´nico cero restante en la cuarta columna es el de la segunda fila. de los coeficientes no tarjados el menor es 1. Finalmente. Por ejemplo. Por otro lado. 4 . De esta forma. en la primera columna y cuarta fila s´ olo queda un cero. por lo tanto x24 = 1. Para interpretar la asignaci´ on debemos buscar aquellas filas y columnas que posean un u ´nico cero. luego x33 = 1. 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.

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

El menor valor no tarjado es 1. pues en cada fila hay un cero. 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. repetiremos una vez las filas dos y tres. lo que obliga a hacer otras asignaciones: 6 .Primer Semestre 2004 Asignaci´ on Como los obreros 2 y 3 pueden realizar hasta dos trabajos. 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. 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. se obtiene que el m´ ınimo de l´ ıneas para cubrir todos los ceros es 2. Luego. Los costos de dicha columna deben ser id´ enticos para no generar preferencias. ni por filas ni por columnas existe un u ´nico cero. por lo que pueden existir soluciones alternativas. 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. la matriz queda de 5 filas. As´ ı. De la cuarta columna podemos asignar inmediatamente un cero. Arbitrariamente asignaremos un cero en la primera celda de la segunda fila. cuadramos la matriz agregando una columna ficticia. 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. por lo que se est´ a en el ´ optimo.

agregaremos dos columnas artificiales para cuadrar la matriz. por lo tanto se debe plantear como un problema de maximizaci´ on. se repite la misma soluci´ on ´ optima. 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.2: Rendimientos de los jugadores En este caso interesa maximizar el rendimiento del equipo. multiplicaremos por −1 la matriz de ganancias. el Club universitario debe enviar un equipo de 4 personas. Dado que el M´ etodo H´ ungaro s´ olo minimiza. Adem´ as. Hay seis jugadores disponibles. cuyos rendimientos relativos en cada una de las posiciones se indican en el Cuadro 2. 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 . Determine el mejor equipo que se podr´ ıa enviar al campeonato. Ejercicio 2 Para participar en el pr´ oximo campeonato de bridge.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.2. 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.

la asignaci´ on ´ optima tiene un rendimiento esperado de 27. luego se ha alcanzado el ´ optimo. la tercera y cuarta fila (o quinta y sexta columna) no est´ an asignadas. 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. 8 . las dos opciones de asignaci´ on posibles representan que Ra´ ul y Sergio no integrar´ an el equipo. 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.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. Luego: Juan Pedro Arturo Carlos → → → → S O E N 8 6 5 8 27 Por lo tanto.

3 muestra la probabilidad de ganar de cada tenista dependiendo de su rival. Se pide determinar la mejor estrategia para ganar el torneo. 9 .5 0. La tabla 2.1 0.2 Atchoum 0.4 0.1 Grincheux 0.3 0.2 0.4 Dormeur 0.5 Prof 0.2 0.5 0.Primer Semestre 2004 Asignaci´ on Agassi Sampras Kuerten Simplet 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.4 0.1 0.3 Cuadro 2. Se cuenta con 3 tenistas: Agassi. Sampras y Kuerten. Cada uno debe jugar al menos un partido.3 0.

.2) ui − uj + N xij ≤ N −1 La funci´ on objetivo (a) refleja la longitud total del camino recorrido. ¿ 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. . Las restricciones (c) aseguran que se parta desde cada ciudad. . . 3. N ) (j = 1 .Primer Semestre 2004 Asignaci´ on 3. Las distancias (km) entre las ciudades donde se ubican sus almacenes se entrega en el Cuadro 3. N ) (i = 1 . se cii = M . j = 2 . formularemos un modelo de programaci´ on lineal entera. sin pasar dos veces por un mismo lugar. N ) (i = j . . Veamos un ejemplo. Supongamos que se deben visitar las ciudades 1.1: Distancias entre ciudades Claramente. el problema del vendedor viajero consiste en determinar c´ omo se debe recorrer la totalidad de un conjunto de puntos. Ejemplo 2 El propietario de una peque˜ na cadena de almacenes visita una vez al mes todas sus tiendas. problemas que poseen un conjunto finito de soluciones factibles. N ) (b) (c) (d) (3. . Para todo i = j se tiene c ij = distancia desde la ciudad i a la ciudad j . Definamos: xij = 1 la soluci´ on indica ir desde la ciudad i a la j 0 en caso contrario (3. Las restricciones (d) son las fundamentales. i = 2 . El Problema del Vendedor Viajero Descripci´ on General El problema del Vendedor viajero pertenece a la familia de problemas de optimizaci´ on combinatoria.1. N . . . . ellas aseguran que: 10 . j = 1 . . . minimizando el camino total recorrido. es decir. donde M es un n´ umero muy grande en relaci´ on a las distancias del problema. 2.1. .1) En forma alternativa simplemente se puede eliminar las variables xii del modelo para evitar las asignaciones no deseadas. . En primer lugar. En t´ erminos generales. Las restricciones (b) aseguran que se llegue s´ olo una vez a cada ciudad. . . N . volviendo al punto desde donde se parti´ o. se debe determinar el orden en que se deben recorrer las 5 ciudades partiendo desde la ciudad 1. . 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. N . . N ) (i = 1 . 3. 1} 0 (j = 1 . De acuerdo a las variables definidas. El due˜ no de los almacenes vive en la Ciudad 1.

supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1. Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. Para ilustrar el funcionamiento del modelo. por ejemplo x32 de acuerdo al tour escogido. Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1.5) Consideremos ahora una restricci´ on correspondiente a un xij = 0.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1.6) (3. La restricci´ on de x32 queda: u3 − u2 + 5x32 ≤ 4 → u 3 − u2 ≤ 4 (3.8) Como las variables ui representan la posici´ on en el tour. u2 = 5. si ui = ti cualquier tour satisface las restricciones (d). Por ejemplo. pase por todos los puntos sin repetir. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3. u4 = 3 y u5 = 4. Cualquier conjunto de valores de xij que conformen un tour sea una soluci´ on factible. es decir. u3 = 2. 2.9) . En el ejemplo. Supongamos ahora que la Ciudad 1 fue la primera visitada. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1. En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3. N ). . En el ejemplo. que comienza y termina en la misma ciudad.4) y u4 − u3 + 5x43 ≤ 4 (3. consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. A modo de ejemplo. . Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. las otras variables son: u 1 = 1. Luego. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. comience y termine en el mismo punto. Entonces. pero que no pasa por todas las ciudades. 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. Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. un subtour podr´ ıa ser 1 − 5 − 2 − 1. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal. 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. Un subtour es un camino cerrado.Primer Semestre 2004 Asignaci´ on 1. .7) (3. se tiene que ui ≤ 5 y ui > 1 (i = 2. con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km].

el modelo resuelve el problema del Vendedor Viajero.u3 + 5 x43 <= 4 u4 . las restricciones (d) para las variables xij = 0 tambi´ en se satisfacen cuando las variables contienen un tour. el modelo efectivamente elimina cualquier secuencia de N ciudades que comiencen en la Ciudad 1 y que contengan un subtour.u2 + 5 x32 <= 4 u3 . Luego. el modelo crece r´ apidamente seg´ un aumente el n´ umero de ciudades incluidas en el problema.u5 + 5 x45 <= 4 u5 .u3 + 5 x23 <= 4 u2 .u4 + 5 x24 <= 4 u2 .Primer Semestre 2004 Asignaci´ on Por lo tanto. por lo tanto tiende a ser poco eficiente. Evidentemente.u5 + 5 x35 <= 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 .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 . Para el problema del ejemplo.u2 + 5 x52 <= 4 u5 .u2 + 5 x42 <= 4 u4 .u5 + 5 x25 <= 4 u3 .u3 + 5 x53 <= 4 u5 .u4 + 5 x34 <= 4 u3 . Por lo tanto.

La soluci´ on encontrada no es u ´nica.000000 290.000000 79.0000 VALUE 0.000000 0.000000 0.000000 0.000000 1.000000 0. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.000000 58.000000 217.000000 0.000000 113.000000 58.000000 0.000000 0. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.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 4..000000 290.000000 1.000000 196.000000 1.000000 1. 13 . luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION.000000 0.000000 201.000000 0.000000 1. Al resolver el modelo con LINDO.000000 79.000000 Por lo tanto.000000 201.000000 303.000000 0.000000 0.000000 0.000000 0.000000 196.000000 0.000000 1..000000 113.000000 164. 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 0.000000 0.000000 0.000000 0.000000 164.000000 0.000000 REDUCED COST 132.000000 303.000000 217.000000 2.000000 132.

resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. es decir. 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. se obtiene la matriz reducida del problema original (Cuadro 3. . x34 = 0 y c34 = M sobre el problema original. si la soluci´ on del problema de asignaci´ on constituye un tour. 3. De todas maneras. con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495.3).4). Buscando el n´ umero menor de l´ ıneas que cubran todos los ceros se determina que se est´ a en el ´ optimo (Cuadro 3. .Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex.3: Matriz de Costos Reducida Si bien el Cuadro 3. para evitar la asignaci´ on de una ciudad a si misma como se muestra en el Cuadro 3. La soluci´ on contiene dos subtours. Para ello construiremos una matriz de costos.2.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3. Luego se asigna y se verifica 14 .3 presenta dos soluciones alternativas. x43 = 0 y c43 = M sobre el problema original. 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). 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. tambi´ en ser´ a soluci´ on al problema del vendedor viajero. Resoluci´ on del Problema del Vendedor Viajero A continuaci´ on se resolver´ a el problema del Vendedor Viajero como un problema de asignaci´ on. Subproblema 2 Se impone 4 →3. donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . Resolviendo.2.5). Se resta el menor valor por filas y luego por columnas. Para resolver el Subproblema 1 incorporamos una M al Cuadro 3. A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. es decir. podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3. se verifica que una es hacer el recorrido en el sentido opuesto a a la otra. es decir. N ). Adem´ as. Luego.1). incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 .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. La asignaci´ on es: 1 → 2 → 5 → 1 y 3 → 4 → 3. por lo tanto no es ´ optima.

Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2).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. 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.7).3 una M en la asignaci´ on 4 → 3 (Cuadro 3. Luego restamos el menor valor por fila y luego por columna. La soluci´ on encontrada tampoco es un tour.Primer Semestre 2004 Asignaci´ on z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 4 →3 Subproblema 2 ´ Figura 3. En caso que dicha rama tampoco genere una soluci´ on factible. escogeremos arbitrariamente abrir la rama de la izquierda.6). Nuevamente. con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652. 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. La asignaci´ on obtenida corresponde a la secuencia 1 → 3 → 4 → 1 y 2 → 5 → 2. el Subproblema 1 genera como soluci´ on los subtours 1 → 4 → 3 → 1 y 2 → 5 → 2.5: Matriz Final Subproblema 1 Luego. Por lo tanto. es decir generamos los 15 .4: Matriz de Costos Subproblema 1 si la asignaci´ on corresponde a un tour. deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar. Como el camino obtenido por ambas ramas es de id´ entica longitud. interrumpiremos el subtour 2 → 5 → 2. En este caso. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. la soluci´ on obtenida tampoco es factible. Para resolver el Subproblema 2 incorporamos al Cuadro 3.

Luego.7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5. es decir. 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. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 . x25 = 0 y c25 = M sobre el Subproblema 1. 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. 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 3.9 en cual se puede asignar. Iterando se obtiene el 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. es decir.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. Subproblema 4 Se impone 5 →2.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 3.8). x52 = 0 y c52 = M sobre el Subproblema 1.5.2. El ´ arbol de ramificaci´ on hasta este punto se ilustra en la Figura 3.

5. Como la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 5 → 2. la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada.11). Como en la rama de la derecha (Subproblema 2). obteniendo la secuencia 1 → 4 → 3 → 2 → 5 → 1 con una distancia total asociada de: z = 164+113+290+79+58 = 704 (Cuadro 12).9: Matriz Final Subproblema 3 conforma un tour. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (Cuadro 3. pero por debajo de la cota superior. Como por el momento es la mejor soluci´ on disponible fijaremos 668 como cota superior para el problema. Sin embargo. el valor de la funci´ on objetivo est´ a por debajo de la cota superior. El resultado anterior no evita resolver el Subproblema 4. 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. La secuencia encontrada constituye un tour. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3.8: 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. por lo que representa una soluci´ on factible.10: Matriz Inicial Subproblema 4 17 .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 3.10). debemos completar la ramificaci´ on pues a´ un es factible encontrar una soluci´ on que sea igual o mayor a 652. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. por la tanto constituye una soluci´ on factible para el problema del Vendedor Viajero.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. Finalmente podemos asignar.

Adem´ as. La soluci´ on del Subproblema 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2. En suma. con una distancia total asociada de z = 704. es decir. 18 . es decir. con una distancia total asociada de z = 910. no representa una soluci´ on ´ optima.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. la mejor soluci´ on es la obtenida a trav´ es del Subproblema 3. debemos interrumpir el subtour 2 → 5 → 2. x52 = 0 y c52 = M sobre el Subproblema 2. por lo que puede ser descartada. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668. Como la soluci´ on obtenida contiene dos subtours. Por lo tanto. 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. pero est´ a por sobre la cota superior. Subproblema 6 Se impone 5 →2.11: 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 3.12: Matriz final Subproblema 4 impedirlo. La Figura 3. por ejemplo el m´ as m´ as corto.3 muestra el ´ arbol de ramificaci´ on completo. x25 = 0 y c25 = M sobre el Subproblema 2. es decir generamos los subproblemas: Subproblema 5 Se impone 2 →5. La soluci´ on del Subproblema 5 genera la secuencia: 1 → 5 → 2 → 3 → 4 → 1. Siguiendo la metodolog´ ıa empleada anteriormente. reemplazamos la M respectiva en cada problema en la matriz final del Subproblema 2 e iteramos en caso de ser necesario. La soluci´ on constituye un tour.

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