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

4) (i = 1 . 4) (j = 1 . . . Como a la derecha de cada restricci´ on se tiene un 1. Luego. 4) (Restricciones de obreros) (Restricciones de trabajos) (Variables binarias) (1. Siguiendo ese camino. se asigna el obrero 1 al trabajo 2. 4.2) Donde cij representa el costo (tiempo) de la asignaci´ on del obrero i al trabajo j . se obtiene el Cuadro 1. Las restricciones de obreros imponen que s´ olo puede ser asignado un trabajo a cada obrero. Se puede demostrar que como las ofertas y demandas tienen valores num´ ericos enteros.2: Tableau de Transporte para el Ejemplo 1 Por lo tanto. 4 i=1 n j =1 cij xij j =4 j =1 xij i=4 i=1 xij xij = 1 = 1 = {0.2. . . . la soluci´ on ´ optima debe corresponder a un conjunto de valores enteros. Olvidando la naturaleza de las variables. . 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. 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. 1} (i = 1 . 2 . j = 1 . En general. Las restricciones de trabajos obligan a que todo trabajo deba ser asignado a un obrero.Primer Semestre 2004 Asignaci´ on m´ ın s. el 3 al 3 y el 4 al 1. incurriendo en un tiempo total de 5 + 5 + 3 + 2 = 15 horas. los u ´nicos valores posibles para las variables son 1 y 0.t. el 2 al 4. . . podemos olvidarnos de la condici´ on de que las variables deben ser enteras y resolver el problema mediante un tableau de transporte. un problema de asignaci´ on es un problema de transporte balanceado con oferta y demanda igual a 1.

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

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

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

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

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

las dos opciones de asignaci´ on posibles representan que Ra´ ul y Sergio no integrar´ an el equipo. la asignaci´ on ´ optima tiene un rendimiento esperado de 27. 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. 8 . Se vuelve a buscar el n´ umero m´ ınimo de l´ ıneas que cubran todos los ceros y se identifica el coeficiente menor no tarjado: 0 0 2 2 2 0 2 2 2 2 0 4 0 5 0 1 2 1 2 0 1 0 1 3 3 2 2 0 1 3 3 2 2 0 1 3 Se vuelve a aplicar el m´ etodo a la matriz siguiente: 0 0 2 3 2 0 2 2 2 3 0 4 0 5 0 2 2 1 2 0 1 1 1 3 2 1 1 0 0 2 2 1 1 0 0 2 En la nueva matriz de costos no es posible trazar un n´ umero inferior a 6 l´ ıneas para cubrir todos los ceros. luego se ha alcanzado el ´ optimo. 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.

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

Las restricciones (d) son las fundamentales.Primer Semestre 2004 Asignaci´ on 3. De acuerdo a las variables definidas. . Supongamos que se deben visitar las ciudades 1. se cii = M . En primer lugar. Definamos: xij = 1 la soluci´ on indica ir desde la ciudad i a la j 0 en caso contrario (3. i = 2 . Veamos un ejemplo. . . 3. 3. En t´ erminos generales. el problema del vendedor viajero consiste en determinar c´ omo se debe recorrer la totalidad de un conjunto de puntos. volviendo al punto desde donde se parti´ o. es decir. . N . donde M es un n´ umero muy grande en relaci´ on a las distancias del problema. N ) (b) (c) (d) (3. N ) (i = 1 . . formularemos un modelo de programaci´ on lineal entera. . j = 1 . Las restricciones (b) aseguran que se llegue s´ olo una vez a cada ciudad. . . sin pasar dos veces por un mismo lugar. .1.1) En forma alternativa simplemente se puede eliminar las variables xii del modelo para evitar las asignaciones no deseadas. se debe determinar el orden en que se deben recorrer las 5 ciudades partiendo desde la ciudad 1. minimizando el camino total recorrido. problemas que poseen un conjunto finito de soluciones factibles. . Ejemplo 2 El propietario de una peque˜ na cadena de almacenes visita una vez al mes todas sus tiendas. 2. Las distancias (km) entre las ciudades donde se ubican sus almacenes se entrega en el Cuadro 3. . . . . ¿ 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. j = 2 . N ) (i = 1 . Las restricciones (c) aseguran que se parta desde cada ciudad. Para todo i = j se tiene c ij = distancia desde la ciudad i a la ciudad j . . N . . El due˜ no de los almacenes vive en la Ciudad 1.2) ui − uj + N xij ≤ N −1 La funci´ on objetivo (a) refleja la longitud total del camino recorrido. N .1: Distancias entre ciudades Claramente. 1} 0 (j = 1 .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. 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 = j . N ) (j = 1 . ellas aseguran que: 10 .

En el ejemplo. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal. Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1.Primer Semestre 2004 Asignaci´ on 1. u4 = 3 y u5 = 4. . En el ejemplo. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3.4) y u4 − u3 + 5x43 ≤ 4 (3. 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. Un subtour es un camino cerrado. consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. por ejemplo x32 de acuerdo al tour escogido. Por ejemplo. con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km]. Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. Para ilustrar el funcionamiento del modelo. Luego. A modo de ejemplo. Supongamos ahora que la Ciudad 1 fue la primera visitada. es decir. pero que no pasa por todas las ciudades. N ). comience y termine en el mismo punto. 2. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3. que comienza y termina en la misma ciudad. Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1. u2 = 5. pase por todos los puntos sin repetir.5) Consideremos ahora una restricci´ on correspondiente a un xij = 0. Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. 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. 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. se tiene que ui ≤ 5 y ui > 1 (i = 2. las otras variables son: u 1 = 1. En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3.6) (3.8) Como las variables ui representan la posici´ on en el tour. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1.7) (3. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. un subtour podr´ ıa ser 1 − 5 − 2 − 1.9) . Entonces. . si ui = ti cualquier tour satisface las restricciones (d).

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

000000 0.000000 0.000000 58.000000 4.000000 113.000000 0.000000 0.000000 164. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.0000 VALUE 0. 13 .000000 290.000000 0.000000 0.000000 1.000000 0. luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION.000000 0.000000 REDUCED COST 132. Al resolver el modelo con LINDO.000000 0.000000 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 0.000000 196.000000 303.000000 79.000000 201.000000 217.000000 58. 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 164.000000 0.000000 2.000000 290. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.000000 217.000000 1.000000 0.000000 113.000000 0. La soluci´ on encontrada no es u ´nica.000000 132.000000 79.000000 1.000000 1.000000 Por lo tanto..000000 201..000000 303.000000 0.000000 196.000000 1.000000 0.000000 0.000000 0.000000 1.

donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . x34 = 0 y c34 = M sobre el problema original.4). tambi´ en ser´ a soluci´ on al problema del vendedor viajero. se obtiene la matriz reducida del problema original (Cuadro 3. resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. N ). por lo tanto no es ´ optima. 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). A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. Resolviendo. x43 = 0 y c43 = M sobre el problema original.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3. 3. es decir. Adem´ as. es decir. De todas maneras.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. Luego se asigna y se verifica 14 . si la soluci´ on del problema de asignaci´ on constituye un tour.3). es decir. para evitar la asignaci´ on de una ciudad a si misma como se muestra en el 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.2.3: Matriz de Costos Reducida Si bien el Cuadro 3.Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex. Luego. 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. ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. La soluci´ on contiene dos subtours.3 presenta dos soluciones alternativas. . Para resolver el Subproblema 1 incorporamos una M al Cuadro 3.2. podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3. con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495. M 132 217 164 58 132 M 290 201 79 217 290 M 113 303 164 201 113 M 196 58 79 303 196 M Cuadro 3. Subproblema 2 Se impone 4 →3. incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 . .1).5). Se resta el menor valor por filas y luego por columnas. Buscando el n´ umero menor de l´ ıneas que cubran todos los ceros se determina que se est´ a en el ´ optimo (Cuadro 3. Para ello construiremos una matriz de costos. se verifica que una es hacer el recorrido en el sentido opuesto a a la otra.

Para resolver el Subproblema 2 incorporamos al Cuadro 3. M 0 0 51 0 0 M 52 67 0 106 158 M 0 245 0 16 M M 85 0 0 139 136 M Cuadro 3. Nuevamente. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. En caso que dicha rama tampoco genere una soluci´ on factible. Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2). la soluci´ on obtenida tampoco es factible.6).5: Matriz Final Subproblema 1 Luego.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. Luego restamos el menor valor por fila y luego por columna.4: Matriz de Costos Subproblema 1 si la asignaci´ on corresponde a un tour. Por lo tanto. Como el camino obtenido por ambas ramas es de id´ entica longitud. deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar.7). La soluci´ on encontrada tampoco es un tour. La asignaci´ on obtenida corresponde a la secuencia 1 → 3 → 4 → 1 y 2 → 5 → 2. interrumpiremos el subtour 2 → 5 → 2. escogeremos arbitrariamente abrir la rama de la izquierda. el Subproblema 1 genera como soluci´ on los subtours 1 → 4 → 3 → 1 y 2 → 5 → 2.3 una M en la asignaci´ on 4 → 3 (Cuadro 3. es decir generamos los 15 . 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. 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. con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652.

es decir. Luego.8). El ´ arbol de ramificaci´ on hasta este punto se ilustra en la Figura 3. es decir. x25 = 0 y c25 = M sobre el Subproblema 1. Iterando se obtiene el Cuadro 3. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 .9 en cual se puede asignar.7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5.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. Subproblema 4 Se impone 5 →2.2: 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. 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 3.2.6: 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. 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. x52 = 0 y c52 = M sobre el Subproblema 1.5.

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). ya que a´ un es posible encontrar una soluci´ on que sea mayor a 652. Nuevamente se puede volver a trazar 4 l´ ıneas y volver a iterar (Cuadro 3. Finalmente podemos asignar. la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada. Sin embargo. el valor de la funci´ on objetivo est´ a por debajo de la cota superior. La secuencia encontrada constituye un tour. debemos completar la ramificaci´ on pues a´ un es factible encontrar una soluci´ on que sea igual o mayor a 652. El resultado anterior no evita resolver el Subproblema 4.9: Matriz Final Subproblema 3 conforma un tour. por la tanto constituye una soluci´ on factible para el problema del Vendedor Viajero. Como la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 5 → 2.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 3.7) 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 3.8: 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. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (Cuadro 3.10). 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. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3.5. pero inferior a 668.10: Matriz Inicial Subproblema 4 17 . por lo que representa una soluci´ on factible. Como en la rama de la derecha (Subproblema 2).

pero est´ a por sobre la cota superior. En suma. La soluci´ on constituye un tour. x52 = 0 y c52 = M sobre el Subproblema 2. por ejemplo el m´ as m´ as corto. La Figura 3. 18 . con una distancia total asociada de z = 704. reemplazamos la M respectiva en cada problema en la matriz final del Subproblema 2 e iteramos en caso de ser necesario. La soluci´ on del Subproblema 5 genera la secuencia: 1 → 5 → 2 → 3 → 4 → 1. 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. Como la soluci´ on obtenida contiene dos subtours. Por lo tanto. es decir generamos los subproblemas: Subproblema 5 Se impone 2 →5. es decir. con una distancia total asociada de z = 910.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. debemos interrumpir el subtour 2 → 5 → 2. x25 = 0 y c25 = M sobre el Subproblema 2. es decir. no representa una soluci´ on ´ optima.3 muestra el ´ arbol de ramificaci´ on completo. La soluci´ on del Subproblema 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668.12: Matriz final Subproblema 4 impedirlo. por lo que puede ser descartada.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. Adem´ as. 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.

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 3.3: Arbol de Ramificaci´ on Final Subproblema 6 z = 910 2→5→4→2 1→3→1 19 .

Sign up to vote on this title
UsefulNot useful