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

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

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

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

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

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

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 . la tercera y cuarta fila (o quinta y sexta columna) no est´ an asignadas. luego se ha alcanzado el ´ optimo. la asignaci´ on ´ optima tiene un rendimiento esperado de 27. las dos opciones de asignaci´ on posibles representan que Ra´ ul y Sergio no integrar´ an el equipo.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. 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.

3 0. Sampras y Kuerten.4 0. Se pide determinar la mejor estrategia para ganar el torneo.1 0. 9 .2 Atchoum 0. Se cuenta con 3 tenistas: Agassi.3 muestra la probabilidad de ganar de cada tenista dependiendo de su rival.5 Prof 0.1 0.1 Grincheux 0.5 0.5 0.2 0.2 0.3: Probabilidad de ganar de cada tenista Ejercicio 3 Se est´ a organizando un torneo de tenis en donde se deben jugar 5 partidos.3 0.4 0.3 Cuadro 2. Cada uno debe jugar al menos un partido. La tabla 2.4 Dormeur 0.Primer Semestre 2004 Asignaci´ on Agassi Sampras Kuerten Simplet 0.

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

En este caso: u3 ≤ 5 u2 > 1 → u3 − u2 ≤ 5 − 2 = 3 11 (3. por ejemplo x32 de acuerdo al tour escogido. 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. . N ). un subtour podr´ ıa ser 1 − 5 − 2 − 1.4) y u4 − u3 + 5x43 ≤ 4 (3. Cualquier conjunto de valores de xij que conformen un tour sea una soluci´ on factible.Primer Semestre 2004 Asignaci´ on 1.7) (3. Supongamos ahora que la Ciudad 1 fue la primera visitada. Consideremos: t i = posici´ on en el tour cuando la ciudad i es visitada. La restricci´ on de x32 queda: u3 − u2 + 5x32 ≤ 4 → u 3 − u2 ≤ 4 (3. por lo tanto el subtour 3 − 4 − 3 no es una soluci´ on factible para el modelo de programaci´ on lineal. supongamos que se tiene como soluci´ on al problema del ejemplo x15 = x21 = x34 = x43 = x52 = 1. Para ilustrar el funcionamiento del modelo.3) La restricci´ on anterior no se puede satisfacer para la combinaci´ on x 43 = x34 = 1.6) (3. Consideremos ahora cualquier restricci´ on (d) que contenga un x ij = 1. 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. A modo de ejemplo. con una distancia total recorrida de: 217 + 113 + 196 + 79 + 132 = 737 [km]. Esta asignaci´ on contiene 2 subtours: 1 − 5 − 2 − 1 y 3 − 4 − 3. es decir. En el ejemplo. . consideremos el tour 1 − 3 − 4 − 5 − 2 − 1. .8) Como las variables ui representan la posici´ on en el tour. Entonces. que comienza y termina en la misma ciudad. Llamaremos tour a cualquier camino que satisfaga todas las condiciones del problema del vendedor viajero. pero que no pasa por todas las ciudades. las otras variables son: u 1 = 1. la restricci´ on (d) de x52 se satisface ya que: −1 + 5 ≤ 4 (3. u2 = 5. comience y termine en el mismo punto. En el ejemplo. se tiene que ui ≤ 5 y ui > 1 (i = 2. un tour podr´ ıa ser: 1 − 3 − 4 − 5 − 2 − 1. Un subtour es un camino cerrado. si ui = ti cualquier tour satisface las restricciones (d). Se puede verificar que las restricciones (d) son violadas por cualquier subtour posible. u4 = 3 y u5 = 4. Luego. u3 = 2. 2.5) Consideremos ahora una restricci´ on correspondiente a un xij = 0.9) . Cualquier conjunto de valores de xij que conformen un subtour no sean soluciones factibles. pase por todos los puntos sin repetir. Por ejemplo.

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

000000 0.000000 58.000000 201.000000 1.000000 0.000000 79.000000 0..000000 0.000000 0.000000 0.000000 1.000000 303.0000 VALUE 0. La soluci´ on encontrada no es u ´nica. el ´ optimo encontrado corresponde al tour 1 → 5 → 2 → 4 → 3 → 1 con una distancia total a recorrer de 668.000000 79.000000 0.000000 0.000000 113.000000 1..000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 58. Al resolver el modelo con LINDO.000000 132.000000 290.000000 196.000000 164. 13 .000000 1.000000 REDUCED COST 132.000000 290. OBJECTIVE FUNCTION VALUE 1) VARIABLE x12 x13 x14 x15 x21 x23 x24 x25 x31 x32 x34 x35 x41 x42 x43 x45 x51 x52 x53 x54 u2 u3 u4 u5 668.000000 0.000000 303.000000 164.000000 1.000000 0.000000 196. luego de una serie de iteraciones se obtiene: LAST INTEGER SOLUTION IS THE BEST FOUND RE-INSTALLING BEST SOLUTION.000000 4.000000 217.000000 113.000000 0.000000 0.000000 0. ya que el modelo podr´ ıa tambi´ en haber entregado la misma secuencia en sentido inverso.000000 Por lo tanto.Primer Semestre 2004 Asignaci´ on int int int int int int int int x41 x42 x43 x45 x51 x52 x53 x54 La instrucci´ on int xij de LINDO permite definir como variable binaria a xij.000000 201.000000 0.000000 2.000000 217.

por lo tanto no es ´ optima. x34 = 0 y c34 = M sobre el problema original.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. 3. 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 3.3 y aplicamos el M´ etodo H´ ungaro a la nueva matriz (Cuadro 3.4). De todas maneras. La asignaci´ on es: 1 → 2 → 5 → 1 y 3 → 4 → 3. Luego se asigna y se verifica 14 . ya que no incorpora restricciones adicionales para evitar que en la asignaci´ on aparezcan subtours. x43 = 0 y c43 = M sobre el problema original.2. Luego.Primer Semestre 2004 Asignaci´ on Si bien el planteo anterior permite resolver el problema mediante Simplex. Para ello construiremos una matriz de costos. resolveremos dos suproblemas: Subproblema 1 Se impone 3 →4. A continuaci´ on se procede a ramificar rompiendo el subtour de menor longitud. N ). podemos comenzar a construir el ´ arbol de ramificaci´ on (Figura 3. Subproblema 2 Se impone 4 →3.3 presenta dos soluciones alternativas. donde se incluyan las distancias c ij (i = j ) desde cada ciudad i a cada ciudad j . es decir. . incluiremos en la diagonal de la matriz de costos c ii = M (i = 1 .1). se verifica que una es hacer el recorrido en el sentido opuesto a a la otra. si la soluci´ on del problema de asignaci´ on constituye un tour. Buscando el n´ umero menor de l´ ıneas que cubran todos los ceros se determina que se est´ a en el ´ optimo (Cuadro 3. Se resta el menor valor por filas y luego por columnas.2. Para resolver el Subproblema 1 incorporamos una M al Cuadro 3.3).5).3: Matriz de Costos Reducida Si bien el Cuadro 3. con un largo total: z = 132 + 79 + 58 + 113 + 113 = 495. es decir. La soluci´ on contiene dos subtours. Resolviendo. tambi´ en ser´ a soluci´ on al problema del vendedor viajero. Adem´ as. 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. para evitar la asignaci´ on de una ciudad a si misma como se muestra en el Cuadro 3. se obtiene la matriz reducida del problema original (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. . 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). es decir.

con un largo total: z = 164 + 113 + 217 + 79 + 79 = 652. Antes de volver a ramificar debemos verificar que soluci´ on entrega la otra rama (Subproblema 2). Para resolver el Subproblema 2 incorporamos al Cuadro 3.5: 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. es decir generamos los 15 . Por lo tanto. 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. 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 → 2.7). En este caso. 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 = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. La soluci´ on encontrada tampoco es un tour. 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.Primer Semestre 2004 Asignaci´ on z = 495 1→2→5→1 3→4→3 3 →4 Subproblema 1 4 →3 Subproblema 2 ´ Figura 3. deberemos escoger aquel Subproblema con menor valor de funci´ on objetivo y volver a ramificar. Como el camino obtenido por ambas ramas es de id´ entica longitud. la soluci´ on obtenida tampoco es factible.3 una M en la asignaci´ on 4 → 3 (Cuadro 3. Nuevamente. En caso que dicha rama tampoco genere una soluci´ on factible.6). La asignaci´ on obtenida corresponde a la secuencia 1 → 3 → 4 → 1 y 2 → 5 → 2.

Subproblema 4 Se impone 5 →2. 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. x25 = 0 y c25 = M sobre el Subproblema 1. 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. Iterando se obtiene el Cuadro 3.Primer Semestre 2004 Asignaci´ on M 0 104 51 0 0 M 156 67 0 106 158 M M 245 53 69 0 M 138 0 0 243 136 M Cuadro 3. es decir.5.9 en cual se puede asignar.2: Arbol de Ramificaci´ on Actualizado Para resolver el Subproblema 3 agregamos una M en la combinaci´ on 2 − 5 en el Cuadro 3.8).7: Matriz Final Subproblema 2 subproblemas: Subproblema 3 Se impone 2 →5. Luego. La secuencia anterior 4 →3 Subproblema 2 z = 652 1→3→4→1 2→5→2 16 .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. 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. es decir.

ya que a´ un es posible encontrar una soluci´ on que sea mayor a 652. la soluci´ on obtenida est´ a por sobre la cota superior por lo que puede ser desechada.11).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. Como la secuencia obtenida en el Subproblema 2 es 1 → 3 → 4 → 1 y 2 → 5 → 2. Para resolver el Subproblema 4 incorporamos una M a la combinaci´ on 5 − 2 del Cuadro 3.10).9: Matriz Final Subproblema 3 conforma un tour. con un largo total: z = 217 + 113 + 164 + 79 + 79 = 652 (Cuadro 3. Como en la rama de la derecha (Subproblema 2).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. Sin embargo. obteniendo la secuencia 1 → 4 → 3 → 2 → 5 → 1 con una distancia total asociada de: z = 164+113+290+79+58 = 704 (Cuadro 12).10: Matriz Inicial Subproblema 4 17 . el valor de la funci´ on objetivo est´ a por debajo de la cota superior. pero inferior a 668. debemos completar la ramificaci´ on pues a´ un es factible encontrar una soluci´ on que sea igual o mayor a 652.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. pero por debajo de la cota superior. por la tanto constituye una soluci´ on factible para el problema del Vendedor Viajero. Como por el momento es la mejor soluci´ on disponible fijaremos 668 como cota superior para el problema. Finalmente podemos asignar. Una vez m´ as podemos trazar un n´ umero inferior a 5 l´ ıneas por lo que debemos volver a iterar (Cuadro 3. 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. por lo que representa una soluci´ on factible.5.

Por lo tanto.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. es decir. La Figura 3. En suma. x52 = 0 y c52 = M sobre el Subproblema 2. La soluci´ on del Subproblema 5 genera la secuencia: 1 → 5 → 2 → 3 → 4 → 1. con una distancia total asociada de z = 704. por lo que puede ser descartada. la mejor soluci´ on es la obtenida a trav´ es del Subproblema 3. es decir. es decir generamos los subproblemas: Subproblema 5 Se impone 2 →5.11: 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. dada por la secuencia: 1 → 5 → 2 → 4 → 3 → 1 con una distancia total asociada de: z = 58 + 79 + 201 + 113 + 217 = 668. por ejemplo el m´ as m´ as corto. Subproblema 6 Se impone 5 →2. Adem´ as. debemos interrumpir el subtour 2 → 5 → 2. no representa una soluci´ on ´ optima. Siguiendo la metodolog´ ıa empleada anteriormente.12: Matriz final Subproblema 4 impedirlo. La soluci´ on constituye un tour. pero est´ a por sobre la cota superior. x25 = 0 y c25 = M sobre el Subproblema 2. 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.3 muestra el ´ arbol de ramificaci´ on completo. con una distancia total asociada de z = 910. 18 . 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 6 genera la secuencia: 1 → 3 → 1 y 2 → 5 → 4 → 2. Como la soluci´ on obtenida contiene dos subtours.

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 .