Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dualidad Sensibilidad PDF
Dualidad Sensibilidad PDF
55
56
Primal
Dual
[MIN] z = c x
[MAX] w = b u
A x b
xj 0
A u c
ui 0
Si se trata de obtener el dual del dual, se obtendr el primal: se trata de una correspondencia biunvoca.
De forma ms general, las reglas para obtener el dual de cualquier modelo lineal se indican en la tabla
adjunta:
Primal Dual
Maximizar la F.O.
Una variable no negativa
Una variable no positiva
Una variable no restringida en signo
Una restriccin menor o igual
Una restriccin mayor o igual
Una igualdad
Dual Primal
Minimizar la F. O.
Una restriccin mayor o igual
Una restriccin menor o igual
Una igualdad
Una variable no negativa
Una variable no positiva
Una variable no restringida en signo
En los ejemplos 4.2.1, 4.2.2 y 4.2.3 (adems del ejemplo 5), se muestran diversos ejemplos de obtencin del dual.
3.2.2 Interpretacin de las variables duales: precios sombra
Cada variable del dual est asociada a una restriccin del programa primal, y su valor ptimo representa el incremento de la funcin objetivo del primal por cada unidad que aumente el trmino independiente de dicha restriccin, siempre que este ltimo aumento no suponga un cambio de base. Es,
por tanto, el precio adicional mximo que estamos dispuestos a pagar por el incremento del recurso.
Los valores de estas variables se denominan precios sombra. De manera analtica, podemos escribir
que la variable dual de la restriccin i representar:
u i =
z
bi
Los precios sombra obtenidos a partir del ptimo del dual sern vlidos siempre que no vare la base
ptima. En consecuencia, los resultados obtenidos del dual estn ntimamente ligados al anlisis de
sensibilidad de los trminos independientes, tal como se muestra en el ejemplo 2.4.1.
Ejemplo 2.2.1 Problema de la granja
El problema de la granja puede modelizarse mediante un modelo lineal de mximo en forma cannica,
por lo que su dual tambin estar en forma cannica. Puede observarse que:
a)
Los coeficientes de la funcin objetivo son los trminos independientes de las restricciones del
dual y viceversa.
b)
Los coeficientes tecnolgicos de las restricciones en el primal son las columnas de los coeficientes tecnolgicos asociados a cada variable del primal. Ntese, por ejemplo, cmo la primera restriccin tiene los coeficientes asociados a la variable CEB.
57
Primal
Dual
sujeto a:
sujeto a:
CEB
80
CEB + LEC 110
4CEB + 8LEC 720
CEB, LEC 0
ARE + 8TRA 80
CUO + ARE + 4TRA 50
CUO, ARE, TRA 0
Recurdese que CEB y LEC son la superficie a cultivar de cebada y lechugas, respectivamente, por el
agricultor para maximizar su beneficio.
El dual del problema tiene tres variables, tantas como restricciones. Cada variable dual est asociada a
una restriccin:
1.
La primera restriccin del primal tiene asociada la variable CUO. Dicha restriccin indicaba la
cota mxima de cebada que poda cultivarse. El valor de dicha variable indicar el incremento del
beneficio del agricultor por unidad incrementada de la cantidad mxima de cebada.
2.
La segunda restriccin nos dice que la mxima rea cultivable es de 110. Su variable dual es
ARE. Representa el beneficio adicional obtenido al aumentar el rea cultivable en una unidad.
Tambin representa el precio mximo a pagar por una unidad ms de rea cultivable.
3.
Finalmente, con la tercera restriccin disponemos slo de 720 horas de trabajo. Su variable dual
es TRA. Representa el incremento del beneficio al contratar horas de trabajo adicionales, as como el precio mximo a pagar por dichas horas.
Dual
Funcin Objetivo:
Funcin Objetivo:
Restricciones:
Restricciones:
8,3u1 + 246u2 35
24,9u1 + 423u2 130
0,4u1 + 793u2 100
6u1 + 93u2 7
5,1u1 + 26u2 30
u1, u2 0
58
Las variables del dual u1 y u2 representan respectivamente los incrementos en el coste de la dieta que
supone la exigencia en el contenido de la misma de un gramo ms de protenas o una kilocalora ms.
Ejemplo 2.2.3 Transporte barato
En este caso, nos encontramos ante un modelo lineal que busca minimizar el coste de transporte desde
tres orgenes (i = 1, 2, 3) a cuatro destinos (j = 1, 2, 3). Se trata de un modelo de 4 3 = 12 variables y
4 + 3 = 7 restricciones.
El dual tendr 7 variables, tantas como restricciones del primal: tres asociadas a las restricciones de
capacidad en el origen (u1, u2, u3), y cuatro asociadas a los destinos (v1, v2, v3, v4). Por ser las restricciones de igualdad, las variables duales no estn restringidas en signo.
En cuanto a las restricciones del dual, sern 12, tantas como variables del primal. Cada variable xij
tendr asociada una restriccin de la forma:
ui + vj cij
El signo de la desigualdad viene determinado por el hecho de que las xij son no negativas.
En definitiva, el primal y el dual se muestran a continuacin:
Primal
Dual
Funcin Objetivo:
Funcin Objetivo:
Restricciones:
Restricciones:
59
mismo modo que el primal. Sin embargo, en general puede obtenerse la solucin del dual resolviendo
el primal. En los dos ejemplos siguientes, veremos dos modos de obtener la solucin ptima del dual:
a)
A partir de la tabla smplex ptima del primal, en el ejemplo 4.3.1. La solucin obtenida nos
permitir obtener un importante resultado: el teorema de la holgura complementaria.
b)
Mediante un programa informtico. Dado que en general los programas de resolucin de modelos
lineales realizan el anlisis de sensibilidad, podemos realizar un anlisis ms exacto de la evolucin de los precios sombra. Todo ello se muestra, con un modelo lineal sencillo, en el ejemplo
4.4.1.
Coefic.
H1
CEB
LEC
0
50
80
Valor
(RHS)
40
40
70
7600
50
CEB
0
1
0
0
80
LEC
0
0
1
0
0
H1
1
0
0
0
0
H2
-2
2
-1
-20
0
H3
0.25
-0.25
0.25
-7.5
80
CUO
-0.25
1
40
110
ARE
0
1
0
720
TRA
1
0
0
0
D1
-0.25
1
70
0
D2
0.25
-2
40
Coefic.
TRA
ARE
720
110
Valor
(RHS)
7.5
20
7600
Del examen de las dos tablas ptimas, podemos deducir algunas propiedades interesantes:
1.
El valor de la funcin objetivo del dual en el ptimo es igual que el valor de la funcin objetivo
del primal en el ptimo. Esta propiedad se cumple de manera general:
c x* = b u*
2.
La primera restriccin del primal se cumple con holgura (H1= 40), y su variable dual asociada es
igual a cero en el ptimo del dual (CUO = 0).
3.
Las otras dos restricciones se cumplen sin holgura (H2=H3=0) y sus variables asociadas TRA y
ARE son positivas. Se trata del precio sombra asociado a las restricciones y tiene la interpretacin siguiente:
ARE = 20 indica que si aumentamos la cantidad de tierra disponible en b2, la funcin objetivo aumenta en 20 b2. Por lo tanto, este es el mximo precio a pagar por tierra adicional.
60
TRA = 7,5 indica que si aumentamos la cantidad de trabajo en b3, la funcin objetivo aumenta en 7,5 b3. As que esta es la cantidad mxima a pagar por trabajo adicional.
No necesitamos resolver el dual para obtener el ptimo u* si disponemos de la tabla smplex ptima del primal y el modelo no tiene restricciones de igualdad. La solucin del dual se obtiene a
partir de los coeficientes de coste reducidos de las variables de holgura y exceso de las restricciones:
a)
b)
En las tablas puede observarse cmo podemos encontrar la solucin del dual en el primal y la del primal en el dual.
3.2.4 Teorema de la holgura complementaria
La propiedad observada en el ejemplo anterior es generalizable, dado el carcter de precio sombra de
las variables duales. En general, podremos decir que:
1.
Si una restriccin se cumple con holgura o exceso, su variable dual asociada es 0: al no ser activa
la restriccin, los incrementos del trmino independiente no afectarn al valor del ptimo.
2.
Si una restriccin se cumple con el signo de igualdad, su variable dual asociada puede ser diferente de 0: al ser la restriccin activa, cabr esperar que el ptimo, y en consecuencia el valor de
la funcin objetivo, varen al modificar el valor de su trmino independiente.
Este resultado es el teorema de la holgura complementaria, que puede expresarse como sigue:
(u*) ( A x* - b ) = 0
El primer trmino representa la solucin ptima del dual, y el segundo la holgura de las restricciones
en el ptimo. Se pretende expresar, de esta manera, que para cada una de las restricciones al menos
uno de los dos trminos ha de ser cero. El siguiente ejemplo muestra tambin cmo se cumple la holgura complementaria.
Ejemplo 2.4.1 Solucin problema de reparto mediante programa informtico
Un taller mecnico puede fabricar dos tipos de productos, P1 y P2. El beneficio unitario obtenido es de
20 y 60, respectivamente. Para fabricar estos dos productos dispone de dos recursos, horas hombre
(HH) y horas mquina (HM). En lo que respecta a las horas hombre, dispone de 2.700, y fabricar una
unidad de P1 consume 30 HH. En cuanto a las HM, sabemos que dispone de 850, y que fabricar una unidad de P1 consume 5 HM, y una de P2 10 HM. Adems, las condiciones contractuales le obligan a
fabricar un mnimo de 95 unidades, sean de P1 o de P2.
Para maximizar el beneficio, puede plantearse el siguiente modelo, en el que P1 y P2 es la cantidad a
producir en el ptimo de cada producto. Deben plantearse tres restricciones:
a)
b)
61
Una ltima restriccin PM que impone un nmero mnimo de 95 unidades, entre P1 y P2.
c)
20P1 + 60P2
30P1 + 20P2 < 2700
5P1 + 10P2 < 850
P1 + P2 > 95
4900.000
VARIABLE
P1
P2
FILA
HH)
HM)
PM)
VALOR
20.000000
75.000000
HOLGURA O MARGEN
600.000000
0.000000
0.000000
NO. ITERACIONES=
COSTE REDUCIDO
0.000000
0.000000
VARIABLES DUALES
0.000000
8.000000
-20.000000
El programa nos da el valor de la variable dual para cada restriccin (en rojo). El dual de este modelo
es:
[MIN] w =2700HH + 850HM + 95PM
30HH + 5HM + PM 20
20HH + 10HM + PM 60
HH, HM 0
PM 0
La interpretacin que cabe hacer del resultado es:
HH = 0:
Esta variable muestra que, si aumentamos el nmero de HH, no se obtiene beneficio adicional.
Este resultado concuerda con el hecho de que tenemos una holgura de 600 en HH (en azul): el
efecto de aadir HH ser el de aumentar dicha holgura, sin que el ptimo ni el valor de la funcin
objetivo se vean afectados.
HM = 8:
Aumentar las horas mquina supone (mientras se mantenga la base ptima) aumentar el beneficio, a razn de 8 unidades por cada HM adicional. Dado que estamos variando el trmino independiente, el ptimo se modificar (y el valor de la funcin objetivo) si variamos el nmero
mximo de HH.
62
PM = 20:
Dado que el primal es un programa de mximo, y la restriccin de nmero mnimo es de mayor o
igual, la variable PM debe ser no positiva. Esta variable muestra que la empresa puede obtener un
gran rendimiento de reducir la cantidad mxima. En los lmites de la base ptima actual, reducir
la cantidad mxima en una unidad supone aumentar en 20 la funcin objetivo. Ello se debe a que,
liberado de producir una cantidad mnima, la empresa puede dejar de producir P1 para producir
ms cantidad del ms rentable P2.
Estas interpretaciones son vlidas para los intervalos de valores de los trminos independientes para
los que se mantiene la base ptima, que son suministrados por el propio programa:
RANGOS PARA LOS QUE NO CAMBIA LA BASE:
FILA
HH
HM
PM
VALOR
ACTUAL
2700.000000
850.000000
95.000000
2.
3.
Una vez rebasados estos valores, la base ptima cambia y debe rehacerse el anlisis con los nuevos
valores.
Si el primal tiene solucin ptima acotada x*, el dual tambin tendr solucin ptima acotada u*.
Ambas soluciones darn el mismo valor de la funcin objetivo:
c x* = b u*
b)
Si uno de los dos problemas tiene ptimo no acotado, el otro no tendr solucin ( la regin factible ser un conjunto vaco).
c)
Si uno de los dos problemas no tiene solucin, el otro puede tener ptimo no acotado, o no tener
tampoco solucin.
PRIMAL
63
DUAL
ptimo
propio
ptimo
propio
ptimo
impropio
ptimo
impropio
Sin
soluciones
Sin soluciones
64
(1)
(2)
(3)
CEB, LEC 0
Las 3 restricciones de este modelo nos definen una regin factible (o dominio) en el plano CEB/LEC donde
se encuentran las infinitas soluciones factibles. Grficamente lo representaremos por la siguiente figura:
Por otro lado, sabemos identificar las soluciones factibles en los vrtices (A, B, C, D y O), una de las
cuales ser la solucin ptima.
Finalmente, existira un segundo plano, perpendicular al del papel, y que representara el plano de la
funcin objetivo. El punto ptimo ser aquel de la regin factible que est a mayor distancia (puesto que
la funcin es de maximizacin) entre el plano de la regin factible y el plano de la funcin objetivo.
Dado que tenemos resuelto el programa lineal, veamos que la tabla smplex nos da la solucin en el punto:
Base
Coefic.
H3
CEB
LEC
0
50
80
CEB* = 40
LEC* = 70
H3* = 40
Valor
(RHS)
40
40
70
7600
50
CEB
0
1
0
0
80
LEC
0
0
1
0
0
H3
1
0
0
0
0
H2
-2
2
-1
-20
0
H1
0.25
-0.25
0.25
-7.5
65
Para cuyo valor de la funcin objetivo es mximo en la regin factible y toma un valor de beneficio de 7600.
Grficamente, este hecho significa que el punto ptimo se encuentra en la interseccin de las restricciones (1) y (2), concretamente es la solucin factible en el vrtice que hemos denominado B. Presentando una holgura respecto a la restriccin (3) de H3 = 40.
El objeto de este ejemplo es ir ms all de lo estudiado hasta ahora, adentrndonos en el mundo de las
hiptesis y la sensibilidad que presenta el ptimo frente a ellas. Empezaremos con hiptesis referentes
a los trminos independientes de las restricciones:
Cambios en el trmino independiente de las restricciones
Lo primero que deberamos notar es que dos de las restricciones son activas las rectas (1) y (2)
mientras que la (3) es NO activa, es decir, tiene holgura. El hecho de que una restriccin sea activa
tiene ciertas implicaciones, puesto que indica que el recurso asociado a dicha restriccin ser escaso y
nos limita un incremento de la funcin objetivo. Como se ha visto anteriormente, las restricciones
activas tendrn un precio sombra diferente de cero. Esto significa que estaramos dispuestos a negociar
un incremento unitario del recurso a un precio inferior al precio sombra (valor que aumenta la funcin
objetivo por el aumento unitario del recurso). En este caso, los precios sombra son positivos: si
aumentamos las horas de trabajo o la superficie cultivable, aumentaremos el beneficio.
Por el contrario, una restriccin NO activa est asociada a un recurso NO escaso, del cual tenemos
disponibilidad a un nivel de produccin ptimo; por tanto, ser fcil concluir que su precio sombra
asociado ser nulo. Al tener holgura en dicho recurso no estaremos dispuestos a pagar ningn precio
por un incremento unitario del recurso y un incremento o decremento pequeo de su disponibilidad
(ms adelante veremos los lmites para los que es vlido este anlisis) no afectar al valor de la funcin objetivo en el ptimo.
Lo expuesto hasta ahora lo trasladaremos a la exposicin grfica: un cambio en el trmino independiente de una restriccin implica que la restriccin se mover paralelamente a su posicin actual.
En el caso de la granja, un incremento en el valor del trmino independiente de una restriccin implica
que dicha restriccin se desplazar hacia el exterior de la regin factible ampliando el rea de la regin
factible; consecuentemente, el ptimo se ver desplazado si la restriccin es activa, tal y como muestra
el grfico siguiente:
66
El caso de la recta (4) equivale a la frontera CEB + LEC = 120, mientras que el de la recta (5) equivaldra a la frontera CEB + LEC = 90. Recordemos que el valor actual es CEB + LEC = 110.
Un hipottico aumento o reduccin de los recursos disponibles, en este caso de las hectreas de terreno
para cultivar, deforma la regin factible, desplazando el ptimo si la restriccin estudiada es activa. El
desplazamiento del ptimo implica, as mismo, una variacin del valor de la funcin objetivo resultado
de multiplicar el precio sombra de la restriccin por el incremento del trmino independiente. En nuestro ejemplo sabemos que el precio sombra de la restriccin (2) asociada al rea tiene un valor de 20;
por tanto, si aumentramos nuestra rea de cultivo de 110 a 120 Ha, nuestra funcin objetivo aumentara en 20*10=200 unidades, pasando de un beneficio de 7600 a uno de 7800. Si, por el contrario,
nuestra rea de cultivo fuera de 90 Ha, la variacin sera en sentido opuesto 20*(-20)=400, pasando el
beneficio de 7600 a 7200.
No obstante, este incremento no se mantendr indefinidamente. Es fcil comprender que si tuviramos
un terreno ilimitado nuestro beneficio no sera infinito, puesto que muy posiblemente la limitacin de
otros recursos (mano de obra disponible o cuota de hectreas de cebada) nos limitaran la produccin.
Este ltimo hecho est asociado a que las condiciones que configuran nuestra solucin (la base) habr
cambiado.
El anlisis de sensibilidad resultar interesante, porque nos indicar el rango de valores para cada trmino independiente de modo que no se modifique la base de la solucin ptima (es decir, el ptimo se
encuentre en la interseccin de las mismas restricciones), mantenindose adems, para el citado rango
de valores del trmino independiente, el valor del precio sombra de la restriccin.
Es importante recordar que, como consecuencia de un desplazamiento de una restriccin activa, se
modificarn tanto el valor de las variables de decisin de la base como el valor de la funcin objetivo.
67
En el grfico presentado se ha ido modificando el valor del coeficiente asociado a la variable CEB.
Recordemos que la expresin original de la funcin objetivo era:
[MAX]Z = 50 CEB + 80 LEC , proyeccin que coincide con la recta (4) y cuya interseccin se situaba
a una distancia (altura, valor de la funcin objetivo) de 7600 respecto al eje FO.
En las rectas sucesivas hemos aumentado el coeficiente de CEB, resultando la funcin objetivo con la
siguiente expresin:
(5) [MAX]Z = 60 CEB + 80 LEC
(6) [MAX]Z = 80 CEB + 80 LEC
(7) [MAX]Z = 100 CEB + 80 LEC
Queda claro, pues, que el hecho de aumentar el beneficio por hectrea de cebada conlleva un aumento
en el beneficio total (como era de esperar).
68
No obstante, cuando el coeficiente de CEB toma un valor de 80 sucede un hecho destacable: la proyeccin de la recta interseccin tiene una direccin paralela a la restriccin (2), lo que implica que el
ptimo no se encontrar slo sobre el vrtice B, sino que se encontrar sobre el vrtice B, sobre el C, y
sobre los infinitos puntos que configuran la arista de unin BC, obtenindose un ptimo mltiple. Si
llegados a este punto, aumentramos un infinitsimo el coeficiente de CEB, nos encontraramos con
un cambio de base y el ptimo pasara de ubicarse en el vrtice B a ubicarse en el vrtice C; este hecho
sucede en el caso (7) donde la solucin no es B sino C (80,30).
Lo que estudia el anlisis de sensibilidad de los coeficientes de coste es precisamente dnde se encuentra el lmite superior e inferior de cada coeficiente para que el ptimo se mantenga en el mismo
vrtice (solucin) que en el programa original, sabiendo que en el lmite (superior e inferior) el ptimo
ser mltiple.
Cabe recordar que a pesar de que el valor de las variables de decisin de la solucin ptima no cambia puesto que no cambia la solucin (ni se deforma la regin factible), el valor de la FO en la solucin cambia al modificarse el valor de sus coeficientes.
Anlisis paramtrico
El anlisis paramtrico se aplica cuando la variacin que sufre el trmino independiente de una restriccin traspasa los lmites de los valores para los cuales se mantiene la base.
El anlisis paramtrico tiene en cuenta una serie de intervalos sucesivos en la evolucin del trmino
independiente desde a +. En cada uno de estos intervalos existir una base (vrtice) que indicar
cul es la solucin ptima para el intervalo, cules son los precios sombra (que se mantendrn) para
las restricciones activas en el intervalo y cul es el valor de la funcin objetivo en el lmite superior e
inferior del intervalo. Pudindose calcular su valor para el resto de puntos intermedios multiplicando
el incremento respecto al lmite por el valor del precio sombra.
Estudiemos grficamente qu implica rebasar los lmites del intervalo de mantenimiento de la base para el anlisis de sensibilidad, y para lo cual ser necesario un anlisis paramtrico.
Si observamos la siguiente figura, podremos notar que la restriccin (2) ha superado los lmites del
anlisis de sensibilidad, superior en el caso de (7) e inferior en el caso de (6).
69
(6)
la regin factible habra quedado reducida al rea interior al tringulo definido por CEB = 0, LEC = 0
y CEB + LEC = 60. El lmite de terreno disponible para cultivar sera mucho ms restrictivo que las
horas de mano de obra disponible o el lmite de cultivar 80 hectreas de cebada, y los vrtices de la
regin factible seran los tres vrtices del tringulo. Si los coeficientes de la funcin objetivo son 50 y
80 para la cebada y la lechuga respectivamente, est claro que cultivaramos las 60 Ha de nuestro terreno exclusivamente con lechuga.
Por otro lado, si lo que sucediera es que el trmino independiente de la restriccin (2) excede su valor
del anlisis de sensibilidad, como ocurre en el caso de (7):
CEB + LEC 160 (7)
En este caso, la regin factible sera el espacio contenido dentro de las restricciones (1) y (3) se puede avanzar que el punto ptimo sera el vrtice de interseccin entre (1) y (3). La restriccin (2) no
sera activa y en consecuencia tendra un precio sombra nulo.
Puede observarse, por lo tanto, que el anlisis paramtrico requiere de un conocimiento mucho ms
profundo del problema y de la modelizacin que el anlisis de sensibilidad, y que en cada anlisis
solamente podr tenerse en cuenta una restriccin, dejando el resto de condiciones invariables.
3.3.2 Anlisis de sensibilidad mediante programas informticos
Los programas informticos que resuelven modelos de programacin lineal, como el LINDO, suelen
incorporar la posibilidad de realizar el anlisis de sensibilidad de los coeficientes de coste c y de los
trminos independientes de las restricciones b. El resultado de este anlisis es el intervalo de valores
de estos parmetros para el que se mantiene la base. En el ejemplo siguiente (que corresponde al problema resuelto 4.1) vemos cmo muestra el programa LINDO los resultados del anlisis de sensibilidad.
Ejemplo 3.2.1 Anlisis de sensibilidad con el programa LINDO
A continuacin presentaremos los resultados de la resolucin mediante el programa LINDO del modelo lineal:
MAX
ST
HH)
HM)
PM)
END
20P1 + 60P2
30P1 + 20P2 < 2700
5P1 + 10P2 < 850
P1 + P2 > 95
La primera parte corresponde a la resolucin del modelo (cuya interpretacin ya se analiz en el tema
anterior):
LP OPTIMUM FOUND AT STEP
4900.000
70
VARIABLE
P1
P2
ROW
HH)
HM)
PM)
VALUE
20.000000
75.000000
REDUCED COST
0.000000
0.000000
SLACK OR SURPLUS
600.000000
0.000000
0.000000
NO. ITERATIONS=
DUAL PRICES
0.000000
8.000000
-20.000000
Ahora, sin embargo, podemos interpretar totalmente los resultados. La columna dual prices muestra el
valor de las variables duales asociadas a las restricciones en el ptimo. En el caso del programa LINDO, es importante saber que cuando analizamos un modelo de mnimo el programa nos da el valor de
las variables duales cambiadas de signo.
Si al resolver el modelo, respondemos s (yes) a la pregunta DO (RANGE) SENSITIVITY ANALYSIS?, obtenemos el siguiente listado:
RANGES IN WHICH THE BASIS IS UNCHANGED:
VARIABLE
P1
P2
ROW
HH
HM
PM
CURRENT
COEF
20.000000
60.000000
CURRENT
RHS
2700.000000
850.000000
95.000000
El programa nos suministra los rangos para los que la base no vara (RANGES IN WHICH THE BASIS IS UNCHANGED):
a)
Los coeficientes de la funcin objetivo (OBJ COEFFICIENT RANGES) de cada una de las variables.
b)
Los trminos independientes, que el programa llama valores del lado derecho (RIGHTHAND
SIDE RANGES) de cada una de las restricciones.
Para cada uno de estos parmetros, el listado suministra el valor original del modelo (CURRENT COEF para los coeficientes de coste y CURRENT RHS para los trminos independientes), y los incrementos mximo (ALLOWABLE INCREASE) y mnimo (ALLOWABLE DECREASE) para los que
se mantiene la base.
Por ejemplo, los valores del trmino independiente de la restriccin HM para los que no cambia la base son:
[850 300, 850 + 100]
[550, 950]
Y el rango de valores del coeficiente de coste de la variable P2 para el que no cambia la base es:
71
[60 20, 60 + ]
[40, ]
Como hemos visto anteriormente, esto no significa que el valor de las variables en el ptimo y el valor
de la funcin objetivo sea el mismo. Recordemos que en el caso de variaciones de c el valor de las
variables no vara, pero s la funcin objetivo. Cuando variamos b, cambian los valores de las variables de decisin (aunque las no bsicas siguen valiendo cero), y en consecuencia tambin el valor de la
funcin objetivo.
20P1 + 60P2
30P1 + 20P2 < 2700
5P1 + 10P2 < 850
P1 + P2 > 95
Una vez resuelto este modelo con un programa informtico, se han obtenido los siguientes resultados:
PTIMO OBTENIDO EN EL PASO
4900.000
VARIABLE
P1
P2
FILA
HH)
HM)
PM)
VALOR
20.000000
75.000000
HOLGURA O EXCESO
600.000000
0.000000
0.000000
NO. ITERACIONES=
COSTE REDUCIDO
0.000000
0.000000
VARIABLES DUALES
0.000000
8.000000
-20.000000
72
COEF
ACTUAL
20.000000
60.000000
TRMINO
ACTUAL
2700.000000
850.000000
95.000000
VARIABLE
P1
P2
FILA
HH
HM
PM
Aunque hemos traducido los resultados del modelo, el encargado no entiende nada, y le ha pedido que
analice los resultados. En la prctica, desea que les responda a las siguientes preguntas:
a)
Escriba el dual del modelo original, indicando el sentido de las variables duales en cada caso.
b)
Escriba el modelo original en forma estndar, con las variables de holgura y exceso de las restricciones. Qu variables forman la base en el ptimo?
c)
d)
e)
El cliente est dispuesto a negociar la cantidad mnima a suministrar de producto. Vale la pena?
Si es as, propondra aumentar o disminuir la cantidad mnima? Qu precio estara dispuesto a
pagar por aumentar (o disminuir) esta cantidad mnima? Hasta qu valor estara dispuesto a aumentar (o disminuir) esta cantidad?
Solucin
a)
Escriba el dual del modelo original, indicando el sentido de las variables duales en cada caso.
Escriba el modelo original en forma estndar, con las variables de holgura y exceso de las restricciones. Qu variables forman la base en el ptimo?
Esta es la forma estndar del modelo. H(xx) representan variables de holgura, y E(xx) representan
variables de exceso de la restriccin xx.
MAX 20P1 + 60P2
73
No se obtiene ningn beneficio adicional. Puede verse por el hecho de que H(HH) = 600 (es decir,
sobran 600 horas de trabajo), y por el hecho de que la variable dual asociada a la restriccin HH es
igual a cero.
d)
Si observamos en la solucin del programa informtico los rangos de valores para los que no cambia
la base, encontramos que el beneficio por unidad de P2 (coeficiente de coste de P2 en la funcin objetivo) puede bajar hasta 40 sin que cambie la base. Sabemos que, en estas condiciones, no cambia el
valor del ptimo, que contina siendo P1 = 20, y P2 = 75. En cuanto al valor de la funcin objetivo,
como para cada unidad de P2 tenemos una disminucin del beneficio de 10, el valor de esta funcin
disminuye en 10 75 = 750. Entonces el beneficio total ha sido de 4.900 750 = 4.150.
e)
El cliente est dispuesto a negociar la cantidad mnima a suministrar de producto. Vale la pena?
Si es as, propondra aumentar o disminuir la cantidad mnima? Qu precio estara dispuesto a
pagar por aumentar (o disminuir) esta cantidad mnima? Hasta qu valor estara dispuesto a aumentar (o disminuir) esta cantidad?
La variable dual de la restriccin PM vale 20. Esto significa que, si podemos, hemos de intentar
disminuir esta cantidad mnima. De hecho, podemos estar dispuestos a pagar hasta 20 um por unidad
que disminuye esta cantidad mnima. El valor mximo con que puede bajarse esta cantidad sin que
cambie la base es 10, tal como puede verse en los rangos de valores de los trminos independientes
del anlisis de sensibilidad. Esto significa que, por debajo de 95 10 = 85, la restriccin PM no es
activa, y no vale la pena pagar por variarla.
74
vrtice diferente al de la solucin original. En general, implica que las variables bsicas son diferentes
de dicha solucin original.
Dual de un programa lineal
Es otro programa lineal, que puede obtenerse a partir de un conjunto de reglas, cuya solucin u es el
valor de los precios sombra de las restricciones del programa original. La correspondencia es biunvoca: el dual del dual es el primal.
Holgura complementaria, teorema de la
Teorema que enuncia que el precio sombra de una restriccin que no se cumple con el signo igual
(esto es, cuya variable de holgura o exceso es diferente de cero) es igual a cero.
Precio sombra
El precio sombra de una restriccin es el incremento de la funcin objetivo por unidad de incremento
del trmino independiente de la restriccin, dentro del rango de valores del trmino independiente que
nos suministra el anlisis de sensibilidad. El precio sombra puede ser negativo (la funcin objetivo
disminuye al aumentar el trmino independiente) positivo (la funcin objetivo aumenta) o nulo (para
las restricciones que se cumplan con holgura o exceso no nulos).
Primal
Es el problema original del que se obtiene el programa dual. A su vez, es el dual de dicho dual.
Rangos de valores
Intervalos de valores de los coeficientes de coste y trminos independientes para los que no vara la
base ptima en un modelo lineal. Es el resultado del anlisis de sensibilidad obtenido por programas
informticos.
75
d1
o2
d2
o3
d3
d4
i =1
j =1
[MIN] z = c ij x ij
n
s.a.:
ij
= oi
j =1
76
ij
=dj
j = 1,...,n
restricciones destino
i =1
xij 0
El problema tiene entonces mn variables de decisin y m + n restricciones. Para un nmero de orgenes y destinos relativamente reducido, el problema es bastante voluminoso. Por ejemplo, para m = 3 y
n = 4 tenemos 12 variables de decisin y 7 restricciones. Sin embargo, la estructura bien definida del
problema hace que ste tenga propiedades que permiten resolverlo mediante procedimientos ms eficientes que el mtodo smplex.
En este tema, presentaremos en primer lugar las propiedades del problema del transporte y a continuacin un procedimientos de resolucin especfico. El procedimiento tiene dos etapas:
1.
2.
o = d
i
i =1
j =1
Una condicin para que el problema pueda resolverse mediante el procedimiento del transporte es que
dicho problema debe estar equilibrado. Podemos modificar un problema del transporte cualquiera para
que est equilibrado aadiendo orgenes y destinos ficticios.
Para el caso:
77
i =1
j =1
oi > d j
las disponibilidades de recursos en los orgenes es mayor que la demanda en los destinos. Por lo tanto,
no necesitamos transportar todos los recursos del origen al destino. Podemos equilibrar el problema
aadiendo un destino ficticio dF, de demanda:
m
i =1
j =1
oi d j
Las cantidades xiF que se obtengan en la solucin sern las cantidades no transportadas desde los orgenes. Por lo tanto, su coste de transporte ser nulo, y haremos ciF = 0.
La situacin contraria, esto es:
m
i =1
j =1
oi < d j
representa un problema que no tiene solucin, dado que los recursos en los orgenes son inferiores a
las demandas en los destinos. Aunque, formalmente, el problema no tenga solucin, s podemos encontrar la forma de transportar el mximo posible de recursos del origen al destino. Podemos equilibrar el problema as planteado creando un origen ficticio oF, que representar la demanda que no se ha
podido satisfacer en los destinos. La capacidad de dicho origen ser:
n
j =1
i =1
d j oi
Las cantidades xFj que se obtengan en la solucin representarn la demanda que no se ha podido cubrir en el destino j. Dado que se desea minimizar la cantidad no servida, haremos los coeficientes asociados al destino iguales a un nmero muy grande M: cFj=M.
El problema de la figura (del se adjunta la tabla de costes de transporte del destino i al origen j) est
desequilibrado debido a que las cantidades ofertadas en el origen superan a las demandas de los destinos.
O1 =100
DA = 160
O1
O2
O3
O2 =200
DB =70
DA
8
4
3
160
O3 = 150
DC = 120
DB
9
5
6
70
DC
9
8
5
120
DD
5
7
9
80
DD = 80
100
200
150
78
Para que el problema est equilibrado, debe aadirse un destino ficticio E, igual a la diferencia entre la
oferta total y la demanda total. En este caso, el valor del destino ficticio debe ser:
(100 + 200 + 150 ) (160 + 70 + 120 + 80 ) = 450 430 = 20
De manera que el problema se transforma en:
O1 = 100
DA = 160
O2 = 200
DB =70
O1
O2
O3
DA
8
4
3
160
O3 = 150
DC = 120
DB
9
5
6
70
DC
9
8
5
120
DD = 80
DD
5
7
9
80
DE
0
0
0
20
DE = 20
100
200
150
Formalmente, esto equivale a aadir variables de holgura a las restricciones originales asociadas a los
orgenes y a los destinos (con lo que se convierten en restricciones de igualdad), adems de aadir una
nueva restriccin (tambin de igualdad) para el destino ficticio.
Para el ejemplo, el conjunto de restricciones original era:
x1A +
x2A +
x3A +
x1A +
x1B +
x1C +
x1D +
x1B
x2B
x3B
x2A
x2B
x2C
x2D
+
+
+
+
+
+
+
x1B
x2B
x3B
x2A
x2B
x2C
x2D
x2E
+
+
+
+
+
+
+
+
79
DB
DC
DD
DE
160
70
120
80
100
200
150
20
Si queremos escribir una solucin al problema, bastar con asignar valores a las variables de modo que cumplan el conjunto de restricciones. En la tabla de transporte, escribiremos valores en
cada celda (i, j) asociada a la variable xij, de modo que la suma de los valores de cada fila i sea
igual a la oferta disponible en el centro emisor i y los valores de las columnas j iguales a la demanda de cada centro receptor j. Para conocer el valor de la funcin objetivo para la solucin as
obtenida, es til escribir en cada celda su coeficiente de coste asociado. El valor de la funcin objetivo se obtiene entonces como la suma de los productos de los valores de la celda por su coeficiente de coste.
Soluciones bsicas para el problema del transporte
Como es sabido, el nmero de variables bsicas de un programa lineal es igual al nmero de restricciones linealmente independientes (rango de la matriz B). En un problema de transporte equilibrado,
una de las restricciones es una combinacin lineal de las otras. En consecuencia, una solucin bsica
se caracterizar por tener un mximo de m+n1 variables bsicas. Por lo tanto, las posibles soluciones ptimas tendrn un mximo de m+n1 valores diferentes de cero, aunque en ocasiones podemos
tener alguna otra variable nula. La tabla de transporte siguiente muestra una solucin bsica para el
problema del transporte del ejemplo 2.a:
DA
O1
O2
O3
DB
DC
DD
70
4
0
20
70
120
20
0
120
160
100
30
160
3
DE
150
30
80
200
20
Una propiedad interesante de las soluciones bsicas de un problema de transporte es que, si unimos
con una recta las variables bsicas en un problema de transporte, obtenemos un rbol, esto es, un grafo
conexo y sin ciclos. En la tabla se ha dibujado el rbol para esta solucin bsica.
80
ahora se indica bajo la denominacin de algoritmo del transporte. Dicho mtodo se realiza en dos pasos:
a)
b)
Encontrar, por aproximaciones sucesivas, la solucin ptima a partir de la solucin factible inicial.
2.
3.
Paso 0
Se escoge x11
Paso 1
Se asigna a la variable escogida un valor tal que satura una fila (origen) o una columna (destino).
Paso 2
Paso 3;
Si i = m y j = n ; finalizar
Si no, ir a Paso 1
Ejemplo 4.1.a Encontrar una solucin inicial del problema del transporte del ejemplo 2.a mediante el
mtodo del rincn noroeste.
Partimos de la tabla del transporte para el problema equilibrado:
81
DA
O1
O2
O3
DB
DC
DD
DE
160
70
120
80
100
200
150
20
Comenzamos a saturar el rincn noroeste, asignando 100 a la celda (1,A). Esto satura la primera fila
(no podemos enviar nada ms desde el primer origen). Para indicar que se ha saturado, se ha marcado
en negrilla el valor de la cantidad total asociada al centro emisor.
DA
O1
O2
O3
DB
DC
DD
DE
100
100
160
70
120
80
200
150
20
Dado que la primera columna est saturada, ahora el rincn noroeste es (2,A). Slo podemos asignarle
60, con lo que la primera columna queda tambin saturada:
DA
O1
O2
O3
DB
DC
DD
DE
100
100
4
200
60
3
70
160
120
80
150
20
Se va procediendo segn el mismo sistema hasta que se encuentra una solucin inicial. Para este problema, deberemos repetir el proceso 5 + 3 1 = 7 veces, que es la cantidad de variables bsicas para
este problema:
Rincn noroeste: celda (2, A):
DA
O1
O2
O3
DB
DC
DD
DE
100
100
4
5
60
6
160
200
70
70
120
80
150
20
82
DA
O1
O2
O3
DB
DC
DD
DE
100
100
4
60
3
70
6
160
200
70
5
120
70
80
150
20
DA
O1
O2
O3
DB
DC
DD
DE
100
100
4
60
3
70
6
200
70
5
150
50
160
70
80
120
20
DA
O1
O2
O3
DB
DC
DD
DE
100
100
4
60
3
70
6
5
50
160
200
70
150
80
70
120
80
20
DB
DC
DD
DE
DA
O1
O2
O3
100
100
4
60
3
70
6
50
160
70
200
70
120
80
80
20
20
150
83
Multiplicando cada celda por su coste, obtenemos el valor de la funcin objetivo, que es el coste de
transporte total:
COSTE = 100 8 + 60 4 + +70 5 + 70 8 + 50 5 + 80 9 + 20 0 = 2.920
Mtodo de mnimos costes
El mtodo del rincn noroeste es un mtodo sencillo para obtener una solucin bsica, pero no nos
garantiza que se trate de una buena solucin, que economice el nmero de iteraciones a realizar en la
segunda etapa del algoritmo para llegar al ptimo. Ello se debe a que no hemos tenido en cuenta los
valores de los coeficientes de coste: bien pudiera ser que las variables bsicas de esta solucin estuvieran afectadas de los costes ms elevados.
Mediante el mtodo de mnimos costes, escogemos como variable bsica aquella afectada con el mnimo coste que no corresponda a una columna o fila saturadas. De esta manera, al tener en cuenta los
costes, es de esperar obtener una solucin inicial con un valor ms pequeo de la funcin objetivo.
Ejemplo 4.1.b Encontrar una solucin inicial del problema del transporte del ejemplo 2.a mediante el
mtodo de mnimos costes.
Tenemos toda una columna con costes 0. Eligiendo una celda cualquiera de esa columna, por ejemplo
(1,E), tenemos:
DA
O1
O2
O3
DB
DC
9
DD
5
DE
0
20
160
70
120
80
100
200
150
20
Ahora vamos saturando filas o columnas, escogiendo siempre aquella variable susceptible de ser bsica (en columna o fila no saturada) con un coeficiente de coste menor:
Mnimos costes: celda (3, A). Queda saturada la fila 3:
DA
O1
O2
O3
DB
DC
9
DD
5
DE
0
20
4
3
200
150
150
160
70
120
80
100
20
84
DA
O1
O2
O3
DB
DC
DD
DE
0
20
200
10
3
150
150
70
160
120
80
100
20
Ahora nos encontramos con un empate: las celdas (1,D) y (2,B) son las de coste mnimo. El algoritmo
no nos indica cul de las dos es preferible, por lo que optaremos por la segunda:
DA
O1
O2
O3
DB
DC
DD
DE
0
20
5
10
200
70
6
150
150
160
120
70
80
100
20
DA
O1
O2
O3
DB
DC
DD
DE
0
20
80
4
5
10
200
70
6
150
150
160
120
70
80
100
20
Ntese que esta ltima asignacin ha saturado a la vez una fila y una columna. Cuando esto sucede y
no estamos en el ltimo paso, tenemos una solucin degenerada: debemos considerar saturada una sola
de las dos y asignar un valor de 0 a la otra en un paso posterior.
DA
O1
O2
O3
DB
DC
DD
DE
0
80
10
3
70
6
20
200
0
5
150
150
160
70
120
80
100
20
85
DA
O1
O2
O3
DB
DC
DD
DE
0
80
10
70
150
150
160
70
120
80
100
200
120
5
20
20
De modo que ahora se obtiene una nueva solucin, con un coste considerablemente ms bajo que en la
etapa anterior:
COSTE = 80 5 + 20 0 + 10 4 + 70 5 + 120 8 + 7 0 + 150 3 = 2.200
La solucin obtenida por el mtodo de mnimos costes es mucho mejor que la obtenida por el mtodo
del rincn noroeste en el ejemplo 4.1.a.
Mtodo de Vogel (o de mxima ganancia)
Es un mtodo basado en el concepto de ganancia. La ganancia para una fila o columna se define como:
ganancia = coste que sigue al mnimo coste mnimo
La estrategia del mtodo de Vogel consiste en ir asignando valores a las celdas de menor coste no
saturadas, de manera que de las posibles filas o columnas que puedan saturarse, lo haga la de
ganancia mxima. De esta manera, nos aseguramos de no saturar aquellas celdas con costes bajos
(pero superiores al mnimo) y tener que escoger celdas con un coste elevado en los siguientes pasos. Ello se debe a que las filas o columnas con coeficientes de coste bajos, pero no mnimos, tendrn valores de ganancia reducidos. En cada una de las iteraciones deberemos recalcular las ganancias.
Ejemplo 4.1.c Encontrar una solucin inicial del problema del transporte del ejemplo 2.a mediante el
mtodo de Vogel.
Seguidamente se proceder a obtener una solucin inicial mediante este mtodo para nuestro problema. En cada caso, la ganancia se escribe junto a la denominacin del origen o destino.
Las ganancias ms elevadas se encuentran en las filas, pero no podemos saturar ninguna de ellas. Por
lo tanto, saturaremos la columna de ganancia ms elevada en la celda de coste mnimo:
1 DA
5 O1
4 O2
3 O3
1 DB
3 DC
2 DD
0 DE
100
200
150
120
160
70
120
80
20
86
Ahora debemos recalcular las ganancias de las filas, dado que hemos eliminado la columna C. Dicha
columna no tiene ganancia, porque ya est saturada. La fila o columna de mayor ganancia que puede
saturarse es la columna D:
1 DA
5 O1
4 O2
3 O3
1 DB
DC
2 DD
0 DE
0
100
80
4
200
150
120
160
70
80
120
20
Ahora podemos saturar la primera fila, con ganancia 8. Obsrvese cmo se satura tambin la columna
E. Sin embargo, no la damos por saturada para tener una solucin con n + m 1 variables bsicas,
alguna de las cuales ser cero.
1 DA
8 O1
4 O2
3 O3
1 DB
8
4
3 O3
0 DE
0
20
70
120
1 DB
150
20
80
DC
DD
0 DE
0
80
4
3
30
20
70
120
100
200
150
120
160
100
200
120
1 DA
4 O2
DD
80
160
O1
DC
20
80
Ahora slo podemos saturar las columnas, que carecen de ganancia (al quedar slo una fila por saturar,
el concepto de ganancia para las columnas deja de tener sentido). Las vamos saturando por coste mnimo creciente, empezando por la columna E:
DA
O1
4 O2
O3
DB
DC
DD
DE
0
80
5
130
70
0
5
30
160
20
120
80
200
150
120
70
100
20
87
DA
O1
O2
O3
DB
DC
DD
DE
0
80
130
20
70
0
5
30
70
120
80
200
150
120
160
100
20
[MIN]
z = cij xij
i =1 j =1
n
x
j =1
ij
ij
[MAX] w =
=o i
i =1
j =1
oi u i + d j v j
u i + v j cij
i = 1,...,m; j = 1,...,n
= dj
i =1
xij 0
ui , vj n.r.s.
88
Esto significa que podemos obtener los valores de las variables duales asociadas a una solucin del
primal resolviendo un sistema de ecuaciones indeterminado: podemos fijar arbitrariamente el valor de
al menos una de las variables y obtener las dems.
Para las variables no bsicas xij = 0, el coste reducido de la variable es igual a la holgura de la restriccin:
(cij zij) = cij (ui + vj)
Por lo tanto, una vez obtenidos los valores de las variables duales, podremos obtener los coeficientes
de coste reducidos. Para el problema de mnimo, si todos resultan ser positivos, hemos hallado el ptimo. En caso contrario, obtendremos una nueva solucin construyendo un ciclo de desplazamiento a
partir del coste reducido negativo de mayor valor absoluto.
Ejemplo 4.2.a. Determinar el ptimo para el problema del transporte del ejemplo 2.a, a partir de la
solucin obtenida por el mtodo de Vogel en el ejemplo 4.1.c.
Apliquemos el algoritmo a la solucin obtenida por el mtodo de Vogel. En la tabla se indican las
variables asociadas a cada uno de los orgenes y destinos.
vA DA
u1 O1
u2 O2
u3 O3
vB DB
vC DC
vD DD
vE DE
0
80
130
3
70
6
0
5
30
160
20
120
80
200
150
120
70
100
20
89
vA = 4
u1 = 0
u2 =0
u3 =-1
vB = 5
4
vC = 6
4
5
70
2
vE = 0
0
80
2
7
9
30
160
vD = 5
3
130
3
20
0
0
1
120
70
120
80
100
200
150
20
Como todos los coeficientes reducidos son positivos, hemos llegado al ptimo. Al no haber ningn
coeficiente de coste reducido nulo, sabemos adems que la solucin es nica. En este problema, el mtodo de Vogel ha permitido dar con el ptimo.
El ciclo de desplazamiento
El fundamento del ciclo de desplazamiento reside en que podemos obtener una nueva solucin para el
problema de transporte si sumamos y restamos la misma cantidad a dos casillas de una fila o columna.
A partir de cualquier variable no bsica, puede construirse un ciclo dentro de la tabla de transporte,
formado por la casilla de la variable no bsica y de al menos tres casillas de variables bsicas. A la
casilla de variable no bsica se le asignar un signo + (indicando que en la nueva solucin tendr un
valor no nulo). A partir de ah, se van asignando alternativamente signos + y . Cada fila y columna
afectadas tendr al menos un par de signos + y .
La variable saliente en la iteracin ser aquella de menor valor de las afectadas de signo , dado que
ninguna variable puede ser negativa. Una vez detectada esta variable, se suma y resta su valor (segn
el signo asignado) a cada una de las variables afectadas por el ciclo, obtenindose as la nueva solucin.
Mnimos costes
Mxima ganancia
Paso 1
Paso 2
Prueba de ptimo: para las variables no bsicas, se encuentra su coste reducido a partir de:
(cij zij) = cij (ui + vj)
Si todos los valores obtenidos son no negativos: la solucin es ptima. Fin del algoritmo.
Si alguno de los valores es negativo. Ir a paso 3.
Paso 3
Variable entrante: la variable entrante ser aquella que asegure un mayor decrecimiento de la
funcin objetivo, esto es, aquella con un (cij zij) negativo de mayor valor absoluto.
Paso 4
Paso 5
90
Ejemplo 4.2.c Determinar el ptimo para el problema del transporte del ejemplo 2.a a partir de la
solucin obtenida por el mtodo del rincn noroeste en el ejemplo 4.1.b.
La tabla asociada a la solucin obtenida por el mtodo del rincn noroeste es:
vA = 4
u1 = 4
u2 = 0
u3 =-3
vB = 5
vC = 8
-3
vD = 12
-11
vE = 3
-7
-5
-3
100
4
5
60
2
8
70
4
70
5
50
160
70
80
120
20
80
100
200
150
20
Ahora encontramos que algunos coeficientes de coste reducido son positivos, indicando que no
estamos en el ptimo. En particular, la variable x1D resulta ser la variable entrante, puesto que asegura el mayor decrecimiento de la funcin objetivo. El ciclo de desplazamiento para esta variable
ser:
vA = 4
u1 = 4
u2 = 0
u3 =-3
8
4
+
3
vB = 5
vC = 8
70
4
8
5
+
-3
100
5
60
2
160
70
5
+
7
vD = 12
-11
vE = 3
-7
-5
-3
70
50
9
-
120
0
80
20
80
100
200
150
20
Ntese como intervienen, en este caso, seis variables bsicas en el ciclo de desplazamiento. La variable saliente ser la (2,C), por ser la de menor valor de las afectadas con signo -.
La nueva solucin ser:
vA = 12
u1 =-4
u2 =-8
u3 = 0
vB = 13
9
vC = 5
0
vD = 9
8
30
4
5
130
-9
8
70
-7
11
70
6
7
9
70
120
120
160
vE = 0
20
10
80
100
200
150
20
Todava no hemos llegado al ptimo, puesto que en la tabla tenemos coeficientes de coste negativos.
Para este caso particular, se alcanza el ptimo despus de otras tres iteraciones, por lo que preferimos
mostrar el proceso completo en el problema de mximo del ejemplo 5.a.
91
vB = 5
vC = 8
5
6
+
70
4
8
+
5
-
-3
vD = 12
-11
vE = 3
-7
-5
-3
100
4
60
2
3
160
70
70
9
50
80
120
20
80
100
200
150
20
Ahora hemos de buscar coeficientes de coste reducidos que permitan aumentar la funcin objetivo,
esto es, de signo positivo. Vemos que el coeficiente ms grande se encuentra en la celda (3, B), por lo
que x3B ser la variable entrante. En la misma tabla se indica el ciclo de desplazamiento. La variable
saliente, en este caso, ser x3C. La cantidad a incrementar y disminuir ser la ms pequea de las celdas
afectadas con signo -, que en este caso es 50. La nueva solucin es:
vA = 4
u1 = 4
u2 = 0
u3 = 1
vB = 5
vC = 8
0
-3
vD = 12
-7
-1
vE = -1
0
-3
0
+
0
-
100
4
60
-2
3
160
5
6
+
8
20
120
-4
50
70
80
120
80
20
100
200
150
20
Ahora la variable entrante es x2E, la nica con coeficiente de coste reducido positivo. Una vez obtenido
el ciclo de desplazamiento, vemos que la variable saliente puede ser tanto x2B como x3E, puesto que
ambas tienen el mismo valor. Haremos salir de la base a x3E y dejaremos dentro de la base, con un
valor igual a cero, a x2B.
92
Al calcular los coeficientes de coste reducidos para la nueva solucin, comprobaremos que hemos
llegado al ptimo, puesto que todos los coeficientes de coste reducidos son negativos:
vA = 4
u1 = 4
u2 = 0
u3 = 1
vB = 5
vC = 8
0
vD = 8
-3
vE = 0
-7
-1
-4
100
4
5
60
-2
8
0
120
-4
70
160
70
20
-1
80
120
80
100
200
150
20
El valor de la funcin objetivo es de 3.140 y tiene la siguiente interpretacin en trminos del problema
original del ejemplo 2.a:
a)
Desde el origen 1, deben enviarse 100 unidades al destino 1. El origen 1 trabaja a plena capacidad.
b)
Desde el origen 2, deben enviarse 60 unidades al destino 1 y 120 al destino 2, que es servido
exclusivamente desde este origen. Quedan 20 unidades de capacidad del origen 2 sin utilizar.
c)
Formalmente, esta no es la nica solucin ptima, puesto que el coeficiente de coste reducido de (1,B)
es igual a cero. Sin embargo, si obtenemos el ciclo de desplazamiento observamos que la nica diferencia de las dos soluciones es dnde se encuentra la variable bsica igual a cero: en (2,B) en la solucin actual, y en (1,B) en la nueva solucin. A efectos prcticos, la distribucin de recursos es la misma en las dos soluciones.
Demanda
Inventario mn.
M1
100
10
M2
250
25
M3
130
13
M4
200
20
La capacidad productiva es de 175 lotes por mes. No se cuenta con inventarios al principio del periodo.
93
a)
Determinar cul debe ser el plan de produccin (produccin prevista para cada mes) que minimice el total de costes de produccin y almacenamiento, as como los niveles de inventarios en
cada mes.
La idea es la de modelizar esta situacin mediante un problema de transporte, en el que los orgenes
sean la produccin y los destinos la demanda. Entonces, las variables de decisin xij representarn el
valor de la produccin del mes i para servir la demanda del mes j. Tendremos los siguientes casos:
i = j Produccin que se utiliza para servir la demanda del mes. Estas unidades no incurrirn en
costes de almacenamiento.
i < j Produccin que se utiliza para servir la demanda de meses futuros. Estas unidades incurrirn
en costes de almacenamiento.
i > j Representara la produccin que se utiliza para servir demanda de meses anteriores. En principio, asumiremos que no pueden permitirse retrasos en el servicio, y asignaremos a estas
posibilidades un coste muy elevado M.
Una complicacin adicional que tenemos en este problema es la existencia de un inventario mnimo.
Esto supone que hemos de incluir en la demanda las necesidades asociadas al mantenimiento de este
inventario mnimo, utilizando la demanda corregida para tal fin. Dicha demanda se calcula como:
demanda corregida = demanda + inventario mnimo final inventario mnimo inicial
Teniendo en cuenta que el inventario al principio de M1 es cero, tenemos:
Demanda
Inventario mn.
Dem. corregida
M1
100
10
110
M2
250
25
265
M3
130
13
118
M4
200
20
207
La demanda corregida total para los cuatro meses es de 700, cantidad igual a la capacidad productiva
para los cuatro meses (1754 = 700), por lo que el problema de transporte est equilibrado.
Con estos datos, podemos proceder a elaborar la tabla del transporte para este problema. Por ejemplo,
c13 representa el coste de producir en el mes 1 y servir en el mes 3: como el lote ha estado almacenado dos meses, tenemos unos costes de 100 + 220 = 140 euros por lote.
M1
M1
M2
M3
M4
M2
M3
M4
100
120
140
160
100
120
140
100
120
100
110
265
118
175
175
175
175
207
94
u1=120
-M
u2=100
-M
v1=M-20
100
100
M
M-80
v3=100
M-80
160
v4=120
M-60
120
M-80
140
M-80
65
100
20
u4=-20
140
175
M
u3=0
v2=M
120
40
100
25
20
120
118
M-80
32
100
175
110
265
118
175
175
175
175
207
Formalmente. el problema de transporte tiene solucin factible. Sin embargo, la solucin obtenida no
es satisfactoria: aunque la capacidad productiva es suficiente, nos vemos obligados a servir 25 lotes de
la demanda del mes 2 con un mes de retraso, o bien, no contar con stock de seguridad durante ese mes.
Podemos evaluar esta situacin elaborando la tabla siguiente, basada en la ecuacin:
stock inicial (SI) + produccin (P) = demanda (D) + stock final (SF)
SI
0
75
0
45
M1
M2
M3
M4
P
175
175
175
175
D
100
250
130
200
SF
75
0
45
20
Stock seg.
10
25
13
20
Vemos que tenemos niveles de inventario por encima del nivel de seguridad de tres meses, excepto el
segundo, en el que podemos decir que tenemos rotura de inventario, dado que no tenemos inventario
de seguridad en el mes en que la demanda es ms alta. Aadir capacidad, por ejemplo, mediante capacidad adicional, permite una planificacin de la produccin ms ajustada a los requerimientos.
Vistos los resultados del apartado anterior, se plantea la posibilidad de aadir capacidad adicional.
Los costes de produccin de esta capacidad adicional son de 130 euros por lote y su valor mximo es
de 50 nuevos lotes por mes.
b)
Determinar cul ser ahora el plan de produccin que minimice los costes totales de produccin
y almacenamiento.
Ahora hemos aadido 450=200 lotes de capacidad adicional. En el modelo de transporte, deberemos
aadir un destino ficticio adicional de valor 200 lotes que representar la capacidad no utilizada. Adems, deberemos aadir cuatro nuevos orgenes que representarn las posibilidades de produccin suministradas por la capacidad adicional. Su coste ser el mismo que en la capacidad inicial, ms un
sobrecoste de 30 euros por lote.
M1
M1
M2
M3
M2
100
M3
120
110
M4
DF
140
160
120
140
100
120
175
65
100
175
175
M
118
32
25
175
95
M4
100
175
175
130
M1(A)
150
170
190
0
50
M2(A)
130
150
170
25
M
M3(A)
25
130
150
0
50
M4(A)
130
0
50
110
265
118
207
50
50
50
50
200
La solucin es la misma que en el apartado anterior, con una excepcin: las 25 unidades que se
tenan que servir con retraso se producen ahora usando la capacidad adicional. Es la nica ocasin
en que usamos esta posibilidad. La capacidad adicional da una produccin ms ajustada a la demanda:
SI
0
75
25
45
M1
M2
M3
M4
c)
P
175
200
150
175
D
100
250
130
200
SF
75
25
45
20
Stock seg.
10
25
13
20
Cul ser el nuevo plan de produccin si los costes de la capacidad productiva adicional baja a
110 euros por lote?
En el caso anterior, era ms econmico producir con un mes de antelacin que producir usando la
capacidad adicional (100 + 20 < 130). Ahora, al disminuir el coste de la capacidad adicional, ser preferible usar la capacidad adicional a pagar costes de almacenamiento adicionales.
M1
M1
M2
M3
M4
M1(A)
M2(A)
M3(A)
M4(A)
M2
100
M3
120
110
M4
140
DF
160
40
100
25
120
140
120
175
175
M
100
118
57
100
150
170
190
0
50
130
150
170
130
150
0
50
130
0
32
110
265
118
207
50
50
50
M
175
175
175
130
175
18
200
50
50
96
A diferencia del caso anterior, producimos en horas extra en los meses M2 (50 unidades) y M4 (32
unidades). La produccin ahora ser:
SI
0
50
25
13
M1
M2
M3
M4
P
150
225
118
207
D
100
250
130
200
SF
50
25
13
20
Stock seg.
10
25
13
20
F1
F2
Demanda
a)
A1
4
5
80
A2
6
3
60
A3
2
7
90
Capacidad
100
150
Determinar cmo deben abastecerse los almacenes para minimizar la suma de costes de produccin y transporte.
Se ofrece la posibilidad de que la demanda de cada almacn no sea fija, sino que pueda estar entre dos
valores (demanda mxima dmax y demanda mnima dmin), tal como se indica en la tabla. La demanda
total debe seguir siendo de 230, como en el caso anterior.
dmax
dmn
A1
70
90
A2
50
70
A3
80
100
b) Determinar cmo deben abastecerse ahora los almacenes para minimizar la suma de costes de
produccin y transporte. La flexibilidad supone un ahorro de costes respecto del planteamiento
anterior?
(Solucin: En a) el coste de produccin y transporte total ptimo es de 2.320 euros. En b) el coste ptimo es de 2.300 euros).
Problema 7.2
El fabricante de productos de limpieza Lavablanc se plantea optimizar la poltica a seguir respecto de
la fabricacin y distribucin de uno de sus productos.
97
Para la produccin dispone de tres fbricas (en adelante F1, F2 y F3) con costes de produccin por
unidad de 10, 12 y 15 respectivamente. La capacidad productiva de las tres fbricas es la misma: 150
unidades a la semana.
Las ventas se realizan en tres puntos de venta V1, V2 y V3. La demanda mxima en cada uno de los
puntos de venta es de 100, 200 y 300 respectivamente. Los precios a los que se puede vender el producto tambin varan: son de 30, 25 y 27 para V1, V2 y V3 respectivamente.
El ltimo componente del coste es el de transporte. En la tabla adjunta se detallan los costes asociados
a transportar una unidad desde un centro de produccin a uno de ventas:
V1
3
4
7
F1
F2
F3
V2
9
2
8
V3
7
6
9
Se desea hallar, mediante el algoritmo del transporte, las unidades que se deben transportar desde los
diferentes centros de produccin a los diferentes centros de ventas para maximizar los beneficios totales.
(Solucin: Mediante el mtodo de Vogel se obtiene la solucin ptima. El beneficio para esta solucin
es de 4.300).
Problema 7.3
Textilsa, empresa del ramo textil, le ha encargado la elaboracin de su plan maestro de produccin
para los prximos seis meses. Para ello cuenta con los siguientes datos:
1.
En cada da laborable (ver tabla), la empresa tiene una capacidad de produccin de 15 lotes/da.
El coste de fabricacin de cada lote en esas horas es de 100 um/lote. Si se desea, pueden producirse en horas extra siempre en das laborables hasta 4 um/lote, a un coste de 130 um/lote.
2.
Se desea mantener un stock mnimo de seguridad (medido a final de mes), igual al 10% de la demanda del mes. El mantenimiento de dicho stock, as como del stock adicional que fuera necesario, ser igual a 20 um/lote almacenado a final de mes.
MES
DEMANDA
stock inicial
STOCK SEGURIDAD
DAS LABORABLES
50
MAYO
260
26
20
JUNIO
270
27
22
JULIO
200
20
23
AGOSTO
290
29
SEPTIEMBRE
270
27
18
OCTUBRE
270
27
21
98
b)
Obtener una solucin inicial para este problema mediante el mtodo de los mnimos costes.
c)
(Solucin: La solucin de mnimos costes es la ptima. Se producen 72 lotes en horas extra en agosto,
y en julio tenemos un inventario de 152 unidades por encima del de seguridad. El coste total del plan
ptimo es de 162.020).
99