P. 1
Ejercicios Resueltos Metodo Hungaro

Ejercicios Resueltos Metodo Hungaro

|Views: 4.951|Likes:
Publicado porjuancc2916

More info:

Published by: juancc2916 on Apr 11, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/05/2014

pdf

text

original

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

podemos olvidarnos de la condici´ on de que las variables deben ser enteras y resolver el problema mediante un tableau de transporte. el 3 al 3 y el 4 al 1. . Olvidando la naturaleza de las variables. Las restricciones de obreros imponen que s´ olo puede ser asignado un trabajo a cada obrero. 2 . los u ´nicos valores posibles para las variables son 1 y 0. 4) (Restricciones de obreros) (Restricciones de trabajos) (Variables binarias) (1. 4) (j = 1 .t. .2. Como a la derecha de cada restricci´ on se tiene un 1.2: Tableau de Transporte para el Ejemplo 1 Por lo tanto. . un problema de asignaci´ on es un problema de transporte balanceado con oferta y demanda igual a 1. . Siguiendo ese camino. 1} (i = 1 . 4. 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. .2) Donde cij representa el costo (tiempo) de la asignaci´ on del obrero i al trabajo j . el 2 al 4. . Las restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero. 4 i=1 n j =1 cij xij j =4 j =1 xij i=4 i=1 xij xij = 1 = 1 = {0. . En general. incurriendo en un tiempo total de 5 + 5 + 3 + 2 = 15 horas. . 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. la soluci´ on ´ optima debe corresponder a un conjunto de valores enteros.Primer Semestre 2004 Asignaci´ on m´ ın s. j = 1 . se obtiene el Cuadro 1. 4) (i = 1 . Se puede demostrar que como las ofertas y demandas tienen valores num´ ericos enteros. Luego. se asigna el obrero 1 al trabajo 2.

Ejemplo de Resoluci´ on A continuaci´ on se resuelve el problema del ejemplo mediante el M´ etodo H´ ungaro. M´ etodo H´ ungaro Descripci´ on En general. Si el n´ umero de filas y columnas en la matriz de costos no son iguales. siga al Paso 3. Sin embargo. Luego. Vuelva al Paso 1. Sea dicho costo k . el problema de asignaci´ on no est´ a balanceado. A continuaci´ on determine el costo m´ ınimo en cada columna de la matriz resultante. La principal ventaja es que el m´ etodo h´ ungaro es considerablemente m´ as simple que el m´ etodo Simplex del problema de transporte. Para resolver un problema de asignaci´ on cuyo objetivo es maximizar la funci´ on objetivo. En primer lugar se busca el m´ ınimo por filas en la matriz de costos. 2. el m´ etodo Simplex para problemas de transporte es poco eficiente para resolver problemas de asignaci´ on. multiplique la matriz de costos por −1 y resuelva el problema de minimizaci´ on. especialmente en problemas de gran tama˜ no. 2. balancee la matriz agregando filas o columnas artificiales seg´ un corresponda. los ceros de la matriz reducida indican la asignaci´ on o ´ptima. Si se requieren m l´ ıneas. Construya una nueva matriz (matriz de costos reducidos) restando a cada costo el menor costo de esa columna.1. 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. repita la fila o columna seg´ un corresponda cuantas veces sea necesario. 2. para resolver problemas de asignaci´ on (minimizaci´ on) se emplea normalmente el M´ etodo H´ ungaro. Si se puede hacer una asignaci´ on m´ as de una vez. Balancee el problema. Por ello. Paso 3 Determine el menor costo de la matriz reducida que no est´ a tarjado por las l´ ıneas del Paso 2. Si se requieren menos de m l´ ıneas. haciendo algunas modificaciones puede ser m´ as vers´ atil: 1. El m´ etodo H´ ungaro resuelve un problema de minimizaci´ on a partir de una matriz de costos cuadrada.Primer Semestre 2004 Asignaci´ on 2.2. Construya una nueva matriz restando a cada costo el costo menor de esa fila. reste a todos los coeficientes no tarjados el valor k y sume a todos los coeficientes tarjados por dos l´ ıneas el valor k . 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 . Los costos de las filas o columnas artificiales deben ser id´ enticos para todas las combinaciones de forma de no generar preferencias. 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).

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

Los obreros 2 y 3 pueden ejecutar hasta dos trabajos. 5 . deben ser una soluci´ on ´ optima. se ha encontrado una soluci´ on ´ optima para el problema original. 2. Para mostrar que el resultado es correcto. cualquier asignaci´ on factible para la cual todos los xij iguales a 1 tienen un costo asociado nulo. 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). 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.3. Ejemplos Adicionales Ejercicio 1 Una constructora debe contratar obreros para realizar 4 trabajos. se crea al menos un nuevo cero en la matriz de costos. 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 paso 3 tambi´ en crea una nueva matriz con la misma soluci´ on ´ optima que la matriz original. El monto (en miles de pesos) cobrado por cada obrero para realizar cada trabajo se indica en el Cuadro 2. Entonces. Determine la asignaci´ on que minimiza los costos de ejecutar los cuatro trabajos. En suma. supongamos que se agrega una constante k a cada costo en la primera fila del ejemplo en estudio. Trabajos 2 3 4 46 42 40 48 44 47 45 45 Obrero 1 Obrero 2 Obrero 3 1 50 51 - Cuadro 2. Existen 3 obreros disponibles para ejecutar dichas labores. Por lo tanto. Cada vez que se realiza el paso 3.4. Se puede aplicar el mismo argumento a cualquier otra fila o columna. Los pasos 1 y 3 tambi´ en aseguran que todos los costos sean no negativos.1: Montos para realizar trabajos El obrero 1 tiene disponibilidad para ejecutar s´ olo un trabajo. la soluci´ on ´ optima no cambia si se agrega una constante k a cada costo de la primera fila. la soluci´ on al problema es invariante. considerando un problema de asignaci´ on con costos no negativos. cuando el paso 2 indica que se requieren m l´ ıneas para cubrir todos los ceros de la matriz. 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. 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. Luego.1.Primer Semestre 2004 Asignaci´ on 2. el paso 1 crea una nueva matriz de costos que posee la misma soluci´ on ´ optima que el problema original. Justificaci´ on Intuitiva del M´ etodo H´ ungaro Para entregar una justificaci´ on intuitiva de c´ omo trabaja el M´ etodo H´ ungaro.

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

agregaremos dos columnas artificiales para cuadrar la matriz. 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 . 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. 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. Dado que el M´ etodo H´ ungaro s´ olo minimiza.2. 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. multiplicaremos por −1 la matriz de ganancias. el Club universitario debe enviar un equipo de 4 personas.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. Hay seis jugadores disponibles. por lo tanto se debe plantear como un problema de maximizaci´ on. cuyos rendimientos relativos en cada una de las posiciones se indican en el Cuadro 2. Ejercicio 2 Para participar en el pr´ oximo campeonato de bridge.

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

5 0.2 0. Se pide determinar la mejor estrategia para ganar el torneo. Sampras y Kuerten.1 0.2 Atchoum 0.3 0.1 0.2 0.1 Grincheux 0.3 0.Primer Semestre 2004 Asignaci´ on Agassi Sampras Kuerten Simplet 0.4 0.3 muestra la probabilidad de ganar de cada tenista dependiendo de su rival.5 0.4 Dormeur 0.5 Prof 0. La tabla 2. 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.4 0. 9 .3 Cuadro 2. Se cuenta con 3 tenistas: Agassi.

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

Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. . Un subtour es un camino cerrado. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3. pero que no pasa por todas las ciudades.5) Consideremos ahora una restricci´ on correspondiente a un xij = 0. Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1. u4 = 3 y u5 = 4. . con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km]. Supongamos ahora que la Ciudad 1 fue la primera visitada. es decir. Entonces. por ejemplo x32 de acuerdo al tour escogido. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3. que comienza y termina en la misma ciudad. pase por todos los puntos sin repetir. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1. En el ejemplo.7) (3. N ). Por ejemplo. En el ejemplo. Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1.6) (3.8) Como las variables ui representan la posici´ on en el tour.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1. . 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.4) y u4 − u3 + 5x43 ≤ 4 (3.Primer Semestre 2004 Asignaci´ on 1. u2 = 5. 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. Luego. Para ilustrar el funcionamiento del modelo. 2. si ui = ti cualquier tour satisface las restricciones (d). las otras variables son: u 1 = 1. A modo de ejemplo. se tiene que ui ≤ 5 y ui > 1 (i = 2. consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3. un subtour podr´ ıa ser 1 − 5 − 2 − 1.9) . Cualquier conjunto de valores de xij que conformen un tour sea una soluci´ on factible. u3 = 2. La restricci´ on de x32 queda: u3 − u2 + 5x32 ≤ 4 → u 3 − u2 ≤ 4 (3. Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. comience y termine en el mismo punto. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal.

u4 + 5 x34 <= 4 u3 .u5 + 5 x35 <= 4 u4 .u5 + 5 x25 <= 4 u3 . 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 .u2 + 5 x32 <= 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 . por lo tanto tiende a ser poco eficiente.u3 + 5 x43 <= 4 u4 .u3 + 5 x53 <= 4 u5 . Luego.u2 + 5 x52 <= 4 u5 . el modelo crece r´ apidamente seg´ un aumente el n´ umero de ciudades incluidas en el problema.u2 + 5 x42 <= 4 u4 . Evidentemente. 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.u3 + 5 x23 <= 4 u2 . Para el problema del ejemplo.u5 + 5 x45 <= 4 u5 .Primer Semestre 2004 Asignaci´ on Por lo tanto. el modelo resuelve el problema del Vendedor Viajero.u4 + 5 x24 <= 4 u2 . Por lo tanto.

000000 0.000000 0. luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION.000000 1.000000 201.000000 290.000000 0.000000 0.000000 0.000000 290.000000 1. 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 79.000000 0.000000 0.000000 217.000000 REDUCED COST 132.000000 1.000000 Por lo tanto. 13 .000000 0.000000 164. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.000000 0.000000 0.000000 164.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 303.000000 217.000000 0.000000 79.000000 196.000000 113.000000 0.000000 0..000000 113. Al resolver el modelo con LINDO.000000 58.000000 1.000000 0.000000 0.000000 58.000000 196..000000 0.000000 2.000000 0.000000 0. La soluci´ on encontrada no es u ´nica.000000 132.000000 0.000000 1.000000 201.0000 VALUE 0.000000 4.000000 1.000000 303. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.

1). 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. resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. Se resta el menor valor por filas y luego por columnas.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3.Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex. A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. Luego.4). 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. tambi´ en ser´ a soluci´ on al problema del vendedor viajero. . por lo tanto no es ´ optima. Resolviendo. se verifica que una es hacer el recorrido en el sentido opuesto a a la otra. 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. ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. La soluci´ on contiene dos subtours. 3. si la soluci´ on del problema de asignaci´ on constituye un tour. x43 = 0 y c43 = M sobre el problema original. Luego se asigna y se verifica 14 . N ). es decir. podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3. .2. La asignaci´ on es: 1 → 2 → 5 → 1 y 3 → 4 → 3. donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495.2. Adem´ as.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. Para resolver el Subproblema 1 incorporamos una M al Cuadro 3.5). se obtiene la matriz reducida del problema original (Cuadro 3. incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 . Subproblema 2 Se impone 4 →3. De todas maneras.3). 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. Resoluci´ on del Problema del Vendedor Viajero A continuaci´ on se resolver´ a el problema del Vendedor Viajero como un problema de asignaci´ on.3: Matriz de Costos Reducida Si bien el Cuadro 3. 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). x34 = 0 y c34 = M sobre el problema original.3 presenta dos soluciones alternativas.

7).4: Matriz de Costos Subproblema 1 si la asignaci´ on corresponde a un tour. Por lo tanto. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3.5: Matriz Final Subproblema 1 Luego. Para resolver el Subproblema 2 incorporamos al Cuadro 3. La soluci´ on encontrada tampoco es un tour. es decir generamos los 15 .6). Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2). interrumpiremos el subtour 2 → 5 → 2. Como el camino obtenido por ambas ramas es de id´ entica longitud. Nuevamente. deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar.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. En este caso. 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. el Subproblema 1 genera como soluci´ on los subtours 1 → 4 → 3 → 1 y 2 → 5 → 2. 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. En caso que dicha rama tampoco genere una soluci´ on factible. Luego restamos el menor valor por fila y luego por columna. escogeremos arbitrariamente abrir la rama de la izquierda. con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652. la soluci´ on obtenida tampoco es factible.Primer Semestre 2004 Asignaci´ on z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 4 →3 Subproblema 2 ´ Figura 3. La asignaci´ on obtenida corresponde a la secuencia 1 → 3 → 4 → 1 y 2 → 5 → 2.

Iterando se obtiene el Cuadro 3. x52 = 0 y c52 = M sobre el Subproblema 1.5. es decir.7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5.2. x25 = 0 y c25 = M sobre el Subproblema 1. es decir. Luego. 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. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 .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). 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. El ´ arbol de ramificaci´ on hasta este punto se ilustra en la 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 3.2: Arbol de Ramificaci´ on Actualizado Para resolver el Subproblema 3 agregamos una M en la combinaci´ on 2 − 5 en el Cuadro 3. Subproblema 4 Se impone 5 →2.9 en cual se puede asignar.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.

ya que a´ un es posible encontrar una soluci´ on que sea mayor a 652. el valor de la funci´ on objetivo est´ a por debajo de la cota superior.5. pero por debajo de la cota superior.10: Matriz Inicial Subproblema 4 17 .11). Como la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 5 → 2. Sin embargo.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 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. obteniendo la secuencia 1 → 4 → 3 → 2 → 5 → 1 con una distancia total asociada de: z = 164+113+290+79+58 = 704 (Cuadro 12). la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada. Finalmente podemos asignar. pero inferior a 668.7) 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. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3.10). con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. La secuencia encontrada constituye un tour.9: Matriz Final Subproblema 3 conforma un tour. por lo que representa una soluci´ on factible. Como por el momento es la mejor soluci´ on disponible fijaremos 668 como cota superior para el problema. Como en la rama de la derecha (Subproblema 2). El resultado anterior no evita resolver el Subproblema 4. Nuevamente se puede volver a trazar 4 l´ ıneas y volver a iterar (Cuadro 3. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (Cuadro 3.8: 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.

reemplazamos la M respectiva en cada problema en la matriz final del Subproblema 2 e iteramos en caso de ser necesario.12: Matriz final Subproblema 4 impedirlo. x52 = 0 y c52 = M sobre el Subproblema 2. Como la soluci´ on obtenida contiene dos subtours. La soluci´ on constituye un tour. es decir. por ejemplo el m´ as m´ as corto.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. La soluci´ on del Subproblema 5 genera la secuencia: 1 → 5 → 2 → 3 → 4 → 1. es decir generamos los subproblemas: Subproblema 5 Se impone 2 →5. En suma. con una distancia total asociada de z = 704. 18 . no representa una soluci´ on ´ optima. La soluci´ on del Subproblema 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2. debemos interrumpir el subtour 2 → 5 → 2. Adem´ as.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. por lo que puede ser descartada. x25 = 0 y c25 = M sobre el Subproblema 2. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668. es decir. 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. con una distancia total asociada de z = 910.3 muestra el ´ arbol de ramificaci´ on completo. La Figura 3. Siguiendo la metodolog´ ıa empleada anteriormente. la mejor soluci´ on es la obtenida a trav´ es del Subproblema 3. Subproblema 6 Se impone 5 →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.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->