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

En general. 1} (i = 1 . Olvidando la naturaleza de las variables. . Luego. se obtiene el Cuadro 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. . . la soluci´ on ´ optima debe corresponder a un conjunto de valores enteros. se asigna el obrero 1 al trabajo 2. 4 i=1 n j =1 cij xij j =4 j =1 xij i=4 i=1 xij xij = 1 = 1 = {0.2. 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.Primer Semestre 2004 Asignaci´ on m´ ın s. 4) (Restricciones de obreros) (Restricciones de trabajos) (Variables binarias) (1. el 3 al 3 y el 4 al 1. podemos olvidarnos de la condici´ on de que las variables deben ser enteras y resolver el problema mediante un tableau de transporte. j = 1 .2: Tableau de Transporte para el Ejemplo 1 Por lo tanto. Se puede demostrar que como las ofertas y demandas tienen valores num´ ericos enteros. 4. 4) (j = 1 . . 2 . Como a la derecha de cada restricci´ on se tiene un 1. Las restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero. 4) (i = 1 . los u ´nicos valores posibles para las variables son 1 y 0. Las restricciones de obreros imponen que s´ olo puede ser asignado un trabajo a cada obrero. Siguiendo ese camino. . . . .t. un problema de asignaci´ on es un problema de transporte balanceado con oferta y demanda igual a 1. el 2 al 4.

Para resolver un problema de asignaci´ on cuyo objetivo es maximizar la funci´ on objetivo.2. Sea dicho costo k . Vuelva al Paso 1. 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. Similarmente al problema de transporte. Si se requieren menos de m l´ ıneas. el m´ etodo Simplex para problemas de transporte es poco eficiente para resolver problemas de asignaci´ on.Primer Semestre 2004 Asignaci´ on 2. Luego. Si se puede hacer una asignaci´ on m´ as de una vez. En primer lugar se busca el m´ ınimo por filas en la matriz de costos. El m´ etodo H´ ungaro resuelve un problema de minimizaci´ on a partir de una matriz de costos cuadrada. Construya una nueva matriz restando a cada costo el costo menor de esa fila. haciendo algunas modificaciones puede ser m´ as vers´ atil: 1. los ceros de la matriz reducida indican la asignaci´ on o ´ptima. Sin embargo. repita la fila o columna seg´ un corresponda cuantas veces sea necesario. A continuaci´ on determine el costo m´ ınimo en cada columna de la matriz resultante. 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). 2. La principal ventaja es que el m´ etodo h´ ungaro es considerablemente m´ as simple que el m´ etodo Simplex del problema de transporte. siga al Paso 3. Si se requieren m l´ ıneas. 2. Construya una nueva matriz (matriz de costos reducidos) restando a cada costo el menor costo de esa columna. Los costos de las filas o columnas artificiales deben ser id´ enticos para todas las combinaciones de forma de no generar preferencias. Ejemplo de Resoluci´ on A continuaci´ on se resuelve el problema del ejemplo mediante el M´ etodo H´ ungaro. Por ello. Si el n´ umero de filas y columnas en la matriz de costos no son iguales. M´ etodo H´ ungaro Descripci´ on En general. reste a todos los coeficientes no tarjados el valor k y sume a todos los coeficientes tarjados por dos l´ ıneas el valor k . 3. Balancee el problema. multiplique la matriz de costos por −1 y resuelva el problema de minimizaci´ on. 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 . balancee la matriz agregando filas o columnas artificiales seg´ un corresponda. el problema de asignaci´ on no est´ a balanceado. Paso 3 Determine el menor costo de la matriz reducida que no est´ a tarjado por las l´ ıneas del Paso 2.1. 2. especialmente en problemas de gran tama˜ no.

Restamos a todos los no tarjados 1 y sumamos 1 a los tarjados dos veces. luego x41 = 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. luego x12 = 1. Finalmente. Para interpretar la asignaci´ on debemos buscar aquellas filas y columnas que posean un u ´nico cero.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. De esta forma. la segunda columna posee un u ´nico cero en la primera fila. en la primera columna y cuarta fila s´ olo queda un cero. la fila y columna 3 posee un u ´nico 0. por lo tanto x24 = 1. 10 0 5 0 0 9 5 1 3 3 0 3 0 0 4 5 Luego. 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. Por ejemplo. Por otro lado. de los coeficientes no tarjados el menor es 1. 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. el u ´nico cero restante en la cuarta columna es el de la segunda fila. 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. luego x33 = 1.

Por lo tanto. El monto (en miles de pesos) cobrado por cada obrero para realizar cada trabajo se indica en el Cuadro 2.4. 2. 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. Luego. el paso 1 crea una nueva matriz de costos que posee la misma soluci´ on ´ optima que el problema original. 5 . Entonces. 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. se ha encontrado una soluci´ on ´ optima para el problema original. Ejemplos Adicionales Ejercicio 1 Una constructora debe contratar obreros para realizar 4 trabajos. Los obreros 2 y 3 pueden ejecutar hasta dos trabajos. deben ser una soluci´ on ´ optima. 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 puede aplicar el mismo argumento a cualquier otra fila o columna.3. supongamos que se agrega una constante k a cada costo en la primera fila del ejemplo en estudio. la soluci´ on al problema es invariante. se crea al menos un nuevo cero en la matriz de costos. Para mostrar que el resultado es correcto. Por lo tanto.1. el paso 3 tambi´ en crea una nueva matriz con la misma soluci´ on ´ optima que la matriz original. Determine la asignaci´ on que minimiza los costos de ejecutar los cuatro trabajos. Trabajos 2 3 4 46 42 40 48 44 47 45 45 Obrero 1 Obrero 2 Obrero 3 1 50 51 - Cuadro 2. considerando un problema de asignaci´ on con costos no negativos. la soluci´ on ´ optima no cambia si se agrega una constante k a cada costo de la primera fila.Primer Semestre 2004 Asignaci´ on 2. cualquier asignaci´ on factible para la cual todos los xij iguales a 1 tienen un costo asociado nulo. 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. 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. Cada vez que se realiza el paso 3.1: Montos para realizar trabajos El obrero 1 tiene disponibilidad para ejecutar s´ olo un trabajo. 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. Justificaci´ on Intuitiva del M´ etodo H´ ungaro Para entregar una justificaci´ on intuitiva de c´ omo trabaja el M´ etodo H´ ungaro. Existen 3 obreros disponibles para ejecutar dichas labores. En suma.

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

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

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

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

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

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. pero que no pasa por todas las ciudades. consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. comience y termine en el mismo punto. En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3. por ejemplo x32 de acuerdo al tour escogido. es decir.8) Como las variables ui representan la posici´ on en el tour. La restricci´ on de x32 queda: u3 − u2 + 5x32 ≤ 4 → u 3 − u2 ≤ 4 (3. Cualquier conjunto de valores de xij que conformen un tour sea una soluci´ on factible. N ).9) .Primer Semestre 2004 Asignaci´ on 1. . con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km]. A modo de ejemplo.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1. u3 = 2. Un subtour es un camino cerrado. . se tiene que ui ≤ 5 y ui > 1 (i = 2. si ui = ti cualquier tour satisface las restricciones (d). supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1.7) (3. u2 = 5. Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. las otras variables son: u 1 = 1. Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. En el ejemplo. Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1. Entonces.4) y u4 − u3 + 5x43 ≤ 4 (3. u4 = 3 y u5 = 4. Supongamos ahora que la Ciudad 1 fue la primera visitada. Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. 2. En el ejemplo. un subtour podr´ ıa ser 1 − 5 − 2 − 1. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. pase por todos los puntos sin repetir. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1.6) (3. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3. 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. . Para ilustrar el funcionamiento del modelo.5) Consideremos ahora una restricci´ on correspondiente a un xij = 0. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal. Luego. que comienza y termina en la misma ciudad. Por ejemplo.

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

000000 132.000000 303.000000 0.000000 0.000000 58.000000 164.000000 217.000000 0.000000 290.000000 Por lo tanto. Al resolver el modelo con LINDO.000000 REDUCED COST 132.000000 4. La soluci´ on encontrada no es u ´nica.000000 0.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 0.000000 1.000000 0.000000 113.000000 0.000000 1. luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION..000000 1. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.000000 0.000000 79. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.000000 1.000000 0.000000 0.000000 2.000000 0.000000 0.000000 58.000000 0.0000 VALUE 0.000000 196.000000 0. 13 .000000 0.000000 164.000000 290.000000 0.000000 79.000000 0.000000 113.000000 201.000000 0.000000 1.000000 0.000000 217.000000 201.000000 303.000000 196. 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 1.

.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3.2.Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex. 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. Buscando el n´ umero menor de l´ ıneas que cubran todos los ceros se determina que se est´ a en el ´ optimo (Cuadro 3. es decir. Subproblema 2 Se impone 4 →3. La soluci´ on contiene dos subtours. se obtiene la matriz reducida del problema original (Cuadro 3. . La asignaci´ on es: 1 → 2 → 5 → 1 y 3 → 4 → 3. N ).3: Matriz de Costos Reducida Si bien el Cuadro 3. se verifica que una es hacer el recorrido en el sentido opuesto a a la otra. ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 . podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3.2: 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. 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. Adem´ as.1).4). es decir. Para ello construiremos una matriz de costos. x43 = 0 y c43 = M sobre el problema original. Resoluci´ on del Problema del Vendedor Viajero A continuaci´ on se resolver´ a el problema del Vendedor Viajero como un problema de asignaci´ on. con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495. 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). De todas maneras. si la soluci´ on del problema de asignaci´ on constituye un tour. Se resta el menor valor por filas y luego por columnas. Resolviendo.2.3). donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . por lo tanto no es ´ optima. tambi´ en ser´ a soluci´ on al problema del vendedor viajero.3 presenta dos soluciones alternativas. es decir. x34 = 0 y c34 = M sobre el problema original. A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. para evitar la asignaci´ on de una ciudad a si misma como se muestra en el Cuadro 3. Para resolver el Subproblema 1 incorporamos una M al Cuadro 3. 3. Luego se asigna y se verifica 14 .5). resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. Luego.

Luego restamos el menor valor por fila y luego por columna. 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.3 una M en la asignaci´ on 4 → 3 (Cuadro 3.1: 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. con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652.6). escogeremos arbitrariamente abrir la rama de la izquierda. la soluci´ on obtenida tampoco es factible. es decir generamos los 15 . con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (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 → 2.4: Matriz de Costos Subproblema 1 si la asignaci´ on corresponde a un tour. Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2). En este caso.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. Para resolver el Subproblema 2 incorporamos al Cuadro 3. Por lo tanto. interrumpiremos el subtour 2 → 5 → 2. 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. Como el camino obtenido por ambas ramas es de id´ entica longitud.7). Nuevamente.5: Matriz Final Subproblema 1 Luego. La soluci´ on encontrada tampoco es un tour. deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar.

x25 = 0 y c25 = M sobre el Subproblema 1.6: 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. Iterando se obtiene el Cuadro 3. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 .7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5. 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.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).9 en cual se puede asignar.5. 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: Arbol de Ramificaci´ on Actualizado Para resolver el Subproblema 3 agregamos una M en la combinaci´ on 2 − 5 en el Cuadro 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. x52 = 0 y c52 = M sobre el Subproblema 1. Subproblema 4 Se impone 5 →2. es decir. es decir.2. Luego.

5. El resultado anterior no evita resolver el Subproblema 4. Nuevamente se puede volver a trazar 4 l´ ıneas y volver a iterar (Cuadro 3. La secuencia encontrada constituye un tour.10).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. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. debemos completar la ramificaci´ on pues a´ un es factible encontrar una soluci´ on que sea igual o mayor a 652. por la tanto constituye una soluci´ on factible para el problema del Vendedor Viajero. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3.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. Como en la rama de la derecha (Subproblema 2). ya que a´ un es posible encontrar una soluci´ on que sea mayor a 652. Como por el momento es la mejor soluci´ on disponible fijaremos 668 como cota superior para el problema. pero inferior a 668. pero por debajo de la cota superior. por lo que representa una soluci´ on factible. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (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. Finalmente podemos asignar. Sin embargo. la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada. obteniendo la secuencia 1 → 4 → 3 → 2 → 5 → 1 con una distancia total asociada de: z = 164+113+290+79+58 = 704 (Cuadro 12).11).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 la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 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. pero est´ a por sobre la cota superior.3 muestra el ´ arbol de ramificaci´ on completo. no representa una soluci´ on ´ optima. x52 = 0 y c52 = M sobre el Subproblema 2. La soluci´ on del Subproblema 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2. En suma. 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. Adem´ as. es decir. la mejor soluci´ on es la obtenida a trav´ es del Subproblema 3. es decir. Subproblema 6 Se impone 5 →2. por ejemplo el m´ as m´ as corto. 18 . x25 = 0 y c25 = M sobre el Subproblema 2. reemplazamos la M respectiva en cada problema en la matriz final del Subproblema 2 e iteramos en caso de ser necesario. Como la soluci´ on obtenida contiene dos subtours.12: Matriz final Subproblema 4 impedirlo.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 soluci´ on constituye un tour. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668. con una distancia total asociada de z = 910. debemos interrumpir el subtour 2 → 5 → 2. por lo que puede ser descartada. La Figura 3. con una distancia total asociada de z = 704. 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. Por lo tanto.

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