UNIVERSIDAD DE SANTIAGO DE CHILE DEPARTAMENTO DE INGENIERA EN MINAS AYUDANTA DE OPTIMIZACIN

APUNTES DE OPTIMIZACIN
Teora Parte 2

Autor: Felipe Quezada Castaeda

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Anlisis de Sensibilidad
El anlisis de sensibilidad investiga el cambio de la solucin ptima que resulta de hacer cambios en los parmetros del modelo de programacin lineal. La tabla siguiente contiene todos los casos posibles que pueden surgir en el anlisis de sensibilidad, as como las acciones necesarias para obtener la nueva solucin (suponiendo que sta exista): CONDICIN RESULTANTE DE LOS CAMBIOS La solucin actual queda ptima y factible La solucin actual se vuelve no factible La solucin actual se vuelve no ptima ACCIN RECOMENDADA No es necesaria accin alguna Usar el algoritmo smplex dual para recuperar la factibilidad Usar el algoritmo smplex estndar para recuperar la optimalidad

Tabla 7: Casos posibles y acciones recomendadas para los cambios que se van dando al realizar un anlisis de sensibilidad Con el siguiente ejemplo, vamos a comentar como resolver todos los cambios que se pueden realizar en un anlisis de sensibilidad. Ejemplo: La empresa constructora ASIOMAT Ltda. presta servicios de fortificacin a empresas mineras, por lo que provee cuatro tipos de fortificacin para las obras tratadas. El proceso de fortificacin comprende 3 etapas: preparacin, instalacin e inspeccin tcnica. ASIOMAT se encuentra preparando una nueva propuesta para la cual se han estimado un mximo de 9000 horas de preparacin, 10000 horas en instalacin y 3400 horas-hombre (HH) para la inspeccin tcnica de calidad. La empresa espera maximizar sus utilidades dentro de este perodo, y para ello ha resuelto emplear un modelo de programacin lineal, donde representa la cantidad de servicios de fortificacin del tipo , dado por: ( )

El resultado ptimo, obtenido mediante el algoritmo smplex, se muestra en el siguiente tableau ptimo: 2

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 7040 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 -z 0 280 0 100 0 30 180 -912000 Al respecto, se citan dos cambios significativos: 1. Cambios que afectan la factibilidad 2. Cambios que afectan la optimalidad

CAMBIOS QUE AFECTAN LA FACTIBILIDAD. La factibilidad de la solucin ptima de un problema de programacin lineal slo puede variar si: 1. Cambia el lado derecho (trmino dependiente) de las restricciones 2. Se agrega al modelo una restriccin nueva En ambos casos se tiene no factibilidad cuando al menos un elemento de la columna b de la tabla ptima se hace negativo; esto es, uno o ms de las variables bsicas se vuelve negativa. CAMBIOS EN EL LADO DERECHO DE LAS RESTRICCIONES: Estos cambios requieren volver a calcular el lado derecho del tableau (la columna b), usando la frmula definida en el mtodo smplex revisado:

Ejemplo: Cul es la nueva solucin y el valor de la funcin objetivo en el modelo de ASIOMAT, si las horas de instalacin aumentan a 12000 horas? Solucin: Lo primero es reconocer la matriz inversa del problema en la tabla ptima, llamada inversa ptima del PPL. Como bien sabemos, la matriz inversa de un PPL, para cualquier iteracin, es aquella cuyos elementos son los coeficientes de restriccin de las holguras del problema. Por lo tanto, para el caso de ASIOMAT, se tiene lo siguiente:

La matriz de recursos original del problema es:

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Donde la el primer elemento corresponde al lmite mximo del recurso preparacin (en horas), el segundo elemento corresponde al lmite mximo del recurso instalacin (en horas), y el tercer elemento corresponde al lmite mximo del recurso horas de inspeccin (en HH). Como ASIOMAT ha decidido que el mximo de horas de instalacin aumenten a 12000 horas, la nueva matriz de recursos asociada al problema es: ( )

Por lo tanto, utilizando la frmula del mtodo smplex revisado, la nueva solucin ptima est dada por:

( )

En consecuencia, concluimos que el aumento de las horas de instalacin a 12000 horas no genera la prdida de la factibilidad de la actual solucin ptima, porque los valores de las variables bsicas continan siendo positivos. El nuevo valor de la funcin objetivo se ( ) calcula remplazando estos valores, con lo cual se obtiene unidades monetarias. Si el cambio en el lmite del respectivo recurso conduce a la obtencin de una matriz con al menos uno de sus elementos negativos, entonces el problema se vuelve no factible, y debe aplicarse el algoritmo smplex dual a fin de recuperar la factibilidad del problema. Ejemplo: Por motivos econmicos, ASIOMAT se ha visto en la necesidad de cortar el suministro de algunos recursos para sus servicios de fortificacin. El gerente de operaciones ha estipulado que las horas de preparacin pueden bajarse a 1500, a fin de mantener una utilidad mxima estable Qu opina usted de esta decisin? Le convendr a la empresa? Solucin: En este caso, la nueva matriz inicial de recursos es la siguiente: ( )

Utilizando la frmula condicin anterior, se obtiene:

para obtener la solucin ptima del problema bajo la 4

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

( )

La variable bsica tiene valor negativo en la matriz , por lo que el problema se ha vuelto no factible. Para recuperar la factibilidad, se debe utilizar el algoritmo smplex dual. Para aplicarlo, se debe obtener una fila de coeficientes objetivo consistente con este mtodo (en la cual haya al menos un coeficiente reducido negativo). Como el algoritmo smplex dual est hecho para problemas de maximizacin, esto se logra multiplicando la ( ) fila objetivo por -1, porque as se cumple la condicin ( ). Reemplazando entonces los nuevos valores de en la tabla ptima entregada, y multiplicando la fila objetivo por -1, se obtiene: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 -960 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 z 0 -280 0 -100 0 -30 -180 912000 A esta tabla debe aplicrsele el mtodo smplex dual. Se le deja al lector comprobar que la solucin ptima, obtenida en la siguiente iteracin, es . ( ) El valor objetivo ptimo es unidades monetarias. Por lo tanto, concluimos que la opinin del gerente es errnea, porque la utilidad mxima disminuye con el corte del recurso de preparacin a 1000 horas.

INTERVALO DE FACTIBILIDAD DE LOS LIMITANTES DE LAS RESTRICCIONES: Otra forma de examinar el efecto de cambiar la disponibilidad de los recursos (la matriz columna , es determinar el intervalo para el cual la solucin actual (o del momento) permanece factible. Un intervalo de factibilidad permite que la base permanezca inalterable. No obstante, los valores de las variables bsicas pueden cambiar. Ejemplo: En el modelo de ASIOMAT Dentro de qu rango podra variar la cantidad de horas de instalacin sin que cambie la base ptima? Solucin: Se deben determinar todos los valores que puede tomar la limitante del recurso horas de preparacin. Para ello, pueden utilizarse dos mtodos bastante sencillos: Mtodo 1: Sea el cambio (positivo o negativo) en el recurso k. Se definen la cota superior ( ) y la cota inferior ( ) del cambio en la disponibilidad de un recurso cualquiera como: { } 5

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Donde es un elemento de la matriz en la tabla ptima (que, haciendo caso a la notacin, corresponde a la -sima iteracin, y es el coeficiente de la holgura asociada al recurso respectivo en la misma fila que , en la correspondiente iteracin. Mtodo 2: Se debe evaluar el cambio (positivo o negativo) en la matriz de recursos ptima en la iteracin k, , resultante de la frmula del mtodo smplex revisado:

Vamos a resolver el ejemplo utilizando ambos mtodos. Resolucin mediante el Mtodo 1: Se debe utilizar la tabla ptima del PPL: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 7040 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 -z 0 280 0 100 0 30 180 -912000

Lo primero es verificar cul es la holgura asociada al recurso respectivo. Como hablamos de las horas de instalacin, nos referimos a la segunda restriccin, y por tanto, la holgura asociada a este recurso es . Calculamos entonces las cotas del cambio del recurso horas de instalacin como: Cota superior: { De la tabla ptima: }

Cota inferior:

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

{ De la tabla ptima:

Por lo tanto, el cambio en la disponibilidad del recurso horas de instalacin siguiente:

es el

Sumando estas cantidades a la disponibilidad original del recurso horas de instalacin, que originalmente es de 10000, se tiene que:

Por lo tanto, concluimos que el recurso horas de instalacin puede variar desde las 6800 horas hasta las 13600 horas, sin que las variables bsicas cambien en el ptimo, y por ende, manteniendo la solucin ptima factible. Resolucin mediante el Mtodo 2: Sea el cambio (positivo o negativo) en la disponibilidad del recurso horas de instalacin. Sumando este cambio a la disponibilidad de este recurso en la matriz inicial de recursos, se tiene lo siguiente: ( )

Se debe ahora obtener la solucin ptima en funcin del parmetro , y verificar, utilizando el criterio de factibilidad, el rango de variacin que ste puede tener a fin de que la solucin ptima conserve las mismas variables bsicas. Utilizando entonces la frmula del mtodo smplex revisado, , se tiene:

( ( Luego: )

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

( ( ( ( ) )

Por la condicin de factibilidad, sabemos que ninguno de los componentes de la matriz debe ser negativo. Por lo tanto, se establece lo siguiente:

Las desigualdades anteriores implican que . Por lo tanto, sumando estas cantidades a la disponibilidad original del recurso horas de instalacin, que originalmente es de 10000, se tiene que:

Este resultado, naturalmente, es equivalente al obtenido mediante el Mtodo 1.

ADICIN DE NUEVAS RESTRICCIONES: la adicin de una nueva restriccin a un modelo existente puede llevar a uno de los dos casos siguientes: La nueva restriccin es redundante, lo que quiere decir que se satisface con la solucin ptima actual y, por consiguiente, se puede eliminar por completo del modelo. La solucin ptima actual viola la nueva restriccin. En este caso, se puede utilizar el mtodo smplex dual para recuperar la factibilidad de la nueva solucin ptima. Ejemplo: Debido al avance de la tecnologa en sistemas de fortificacin, ASIOMAT ha pensado en destinar algunos recursos y horas-hombre (HH) para el estudio e investigacin de nuevos mtodos de aplicacin de este servicio. Cada tipo de fortificacin consumir 3, 4, 1 y 2 unidades de recurso, respectivamente, con un lmite de 2000 HH para el estudio e investigacin de la aplicacin de las nuevas tecnologas al servicio que presta ASIOMAT Qu opina usted al respecto? Le conviene esta decisin a la empresa?

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Solucin: Del enunciado, es claro que este nuevo uso de recursos limita el modelo mediante una nueva restriccin. Lo anterior permite formular dicha restriccin en base al uso de los recursos y su lmite de uso como:

La solucin ptima actual del modelo de ASIOMAT, antes de la implementacin de esta nueva restriccin, es , , , . Reemplazando estos valores en la nueva restriccin, se obtiene:

Concluimos entonces que la solucin ptima actual cumple con la nueva restriccin, por lo que es posible implementar las HH de estudio e investigacin sin perturbar, de ninguna forma, el modelo actual de ASIOMAT.

CAMBIOS QUE AFECTAN LA OPTIMALIDAD. Ahora estudiaremos dos situaciones particulares que podran afectar la optimalidad de la solucin actual: 1. Cambios en los coeficientes objetivo originales 2. Adicin de una nueva variable al modelo En ambos casos, el punto esquina asociado a la solucin ptima cambia.

INTERVALO DE OPTIMALIDAD EN LOS COEFICIENTES DE LA FUNCIN OBJETIVO: Esos cambios slo afectan la optimalidad de la solucin. Por lo tanto, requieren recalcular los coeficientes de la fila z, con dos procedimientos distintos, que difieren dependiendo de la naturaleza de la variable asociada al cambio en el respectivo coeficiente objetivo. En ambos casos, lo que se requiere es determinar el intervalo de cambio para estos coeficientes, de tal modo que la solucin ptima permanezca con su base inalterada. a) Para coeficientes asociados a variables no bsicas: Si el coeficiente asociado a una variable no bsica cambia, el procedimiento para calcular el intervalo de optimalidad se resume con la siguiente desigualdad: En la expresin anterior, el coeficiente reducido de es el coeficiente original de la variable no bsica (el que se obtiene al llegar al ptimo). y es

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Ejemplo: En el modelo de ASIOMAT Cunto podra disminuir la utilidad del servicio 2 sin que cambie la base ptima? Solucin: Para efectos prcticos, recordaremos que la tabla ptima del modelo de ASIOMAT es la siguiente: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 7040 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 -z 0 280 0 100 0 30 180 -912000 El servicio 2 se corresponde con la variable no bsica en la fila z de esta tabla es . Adems, la tabla de inicio del modelo de ASIOMAT es: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 1 2 10 15 1 0 0 9000 s2 10 20 40 50 0 1 0 10000 s3 5 6 10 20 0 0 1 3400 -z -1200 -1400 -3000 -5000 0 0 0 0 Por lo tanto, el coeficiente original asociado a la variable no bsica Aplicando entonces la frmula anteriormente descrita, se tiene que: es . . El coeficiente reducido de

La expresin anterior indica que el cambio que admite el coeficiente de la variable no ). bsica para no alterar la base ptima corresponde al intervalo abierto ( Sin embargo, debe observarse que el modelo de ASIOMAT corresponde a un problema de maximizacin. El mtodo que se ha presentado para resolver un problema de anlisis de sensibilidad en este texto, al igual que el algoritmo smplex, est diseado para problemas de minimizacin, por lo que la solucin anterior corresponde al caso de minimizacin, ( ). Para obtener la solucin correspondiente al caso de maximizacin, debe invertirse el intervalo de optimalidad obtenido, multiplicndolo por -1. Por lo tanto, se tiene:

Multiplicando por -1:

10

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Por lo tanto, concluimos que el intervalo de optimalidad para el coeficiente corresponde al intervalo abierto ( ). Este intervalo nos indica que el coeficiente puede variar entre valores infinitamente pequeos, hasta un valor de 1680, de tal forma que este cambio no altere la base ptima correspondiente a la solucin del modelo de ASIOMAT. b) Para coeficientes asociados a variables no bsicas: Cuando se desea analizar el cambio en los coeficientes que se corresponden con las variables bsicas de un modelo, dicho anlisis debe realizarse de una forma algo distinta. Sea el cambio (positivo o negativo) en el coeficiente asociado a la variable bsica . Se definen la cota superior ( ) y la cota inferior ( ) del cambio en el coeficiente de dicha variable como: { }

Donde es el coeficiente reducido de la variable bsica en la tabla ptima (que, haciendo caso a la notacin, corresponde a la -sima iteracin), y es el coeficiente de restriccin de la variable no bsica que se ubica en la misma columna que , en la correspondiente iteracin. Ejemplo: En el modelo de ASIOMAT Cunto puede variar la utilidad del servicio 3 de tal forma que se conserve la base ptima? Solucin: Sea el cambio (positivo o negativo) en la utilidad del servicio 3. La tabla ptima asociada al modelo de ASIOMAT es la siguiente: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 7040 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 -z 0 280 0 100 0 30 180 -912000 Utilizando las frmulas anteriores, calculamos las cotas superior e inferior del coeficiente como sigue: { Lo que implica: }

11

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Adems, { Lo que implica: }

Por lo tanto, concluimos que . Al igual que lo que sucede en las variables no bsicas, este mtodo de anlisis est diseado para problemas de minimizacin. Como el modelo de ASIOMAT es de maximizacin, se debe multiplicar el intervalo de optimalidad por -1 para as invertirlo. Luego, . Sumando esta expresin al coeficiente de se obtiene:

Este cambio es el permitido para as asegurar que la base ptima no vare.

ADICIN DE UNA NUEVA VARIABLE AL MODELO: La adicin de una actividad en un modelo de programacin lineal equivale a agregar una nueva variable. En forma intuitiva, la adicin de una nueva actividad slo es deseable si sta ltima resulta ser rentable; esto es, si mejora el valor ptimo de la funcin objetivo. Como esta actividad no es todava parte de la solucin, se puede considerar como una variable no bsica. Eso quiere decir que los valores duales asociados con la solucin actual permanecen invariables, por lo que podemos utilizar la frmula del mtodo smplex revisado para calcular los coeficientes reducidos nuevos debido a la implementacin de esta variable: Ejemplo: ASIOMAT ha comenzado a considerar la implementacin de un nuevo servicio de fortificacin que permita ampliar la oferta de la empresa a operaciones mineras. Este nuevo servicio requiere del uso de 12 unidades del recurso de preparacin, 20 unidades del recurso de instalacin, y 22 unidades del recurso de inspeccin tcnica de calidad, con una utilidad asociada de 4500 unidades monetarias Cree usted que la implementacin de este nuevo servicio es beneficioso para ASIOMAT? Solucin: El nuevo servicio a implementar se define mediante una nueva variable, Utilizando lo descrito en el enunciado, se tiene que el modelo queda: .

12

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

( )

La mejor forma de evaluar el cambio en el modelo respecto de la adicin de una nueva variable, es utilizar la frmula del mtodo smplex revisado para calcular costos reducidos: Donde corresponde a la matriz de coeficientes originales de las variables del problema en la funcin objetivo (aquellos que se corresponden con la tabla de inicio), y es el vector fila de valores duales ptimos del PPL actual, con el signo opuesto. Utilizando la tabla ptima, sin considerar la inclusin de la nueva variable Tabla ptima actual: V.B. x1 x2 x3 x4 s1 s2 s3 b s1 0 -12/5 0 8 1 -4/10 6/10 7040 x3 0 2/5 1 1/2 0 1/20 -1/10 160 x1 1 2/5 0 3 0 -1/10 4/10 360 -z 0 280 0 100 0 30 180 -912000 El vector de valores duales es aquel conformado por los coeficientes reducidos (en la fila z) de las holguras, multiplicados por -1. Estos coeficientes se han marcado con color verde en la tabla anterior: ( ) : , se tiene:

Tabla smplex de inicio, considerando la inclusin de la nueva variable

V.B. x1 x2 x3 x4 x5 s1 s2 s3 b s1 1 2 10 15 12 1 0 0 9000 s2 10 20 40 50 20 0 1 0 10000 s3 5 6 10 20 22 0 0 1 3400 -z -1200 -1400 -3000 -5000 -4500 0 0 0 0 El vector de coeficientes objetivo originales, marcados con amarillo en la tabla de inicio anterior, es el siguiente: 13

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

La matriz de columnas de restriccin original correspondiente a las variables del problema, marcada con rojo en la tabla de inicio anterior, es la siguiente:

Por lo tanto, el vector de coeficientes reducidos es igual a:

Luego: ( )

Como ninguno de los coeficientes reducidos es negativo, seguimos estando en el ptimo. Es claro entonces que la inclusin de la nueva variable, , no mejorar el plan ptimo, porque no ingresar a la base y, por ende, ser nula en el ptimo, y por ende, no rentable de producir. Naturalmente, si se diera el caso de que entrara a la base (o dicho de otra forma, su coeficiente reducido fuese negativo), entonces se deber realizar una nueva iteracin, considerando a como una variable de entrada, y calculando la variable de salida y los respectivos elementos matriciales utilizando el mtodo smplex revisado.

14

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Modelo de Trasporte
El problema de transporte corresponde a un tipo particular de programacin lineal. Si bien este problema puede ser resuelto mediante el Algoritmo Smplex, existe un mtodo simplificado especial para resolverlo.

DEFINICIN DEL MODELO DE TRANSPORTE: A modo de ejemplo, construiremos el modelo de programacin lineal para el siguiente problema. Una faena minera, explotada por la Compaa ASIOP Sociedad Annima Ltda. (ASIOPSAL) dispone de tres puntos de carguo para satisfacer la demanda de mineral de sus cuatro puntos de vaciado, conectados a planta. Los puntos de carguo 1, 2 y 3 pueden suministrar a los diferentes puntos de vaciado con 35, 50 y 40 kilo-toneladas. El valor mximo de consumo ocurre a las 14:00 horas, y es de 45, 20, 30 y 30 kilo-toneladas, respectivamente. El costo de enviar 1000 toneladas depende de la distancia que deban recorrer los equipos de transporte (camiones fuera de carretera). La siguiente tabla muestra los costos de envo unitario (cada 1000 toneladas, y en miles de dlares) desde cada punto de carguo a cada punto de vaciado, conectado a planta: PPM-01 PPM-02 PPM-03 PPM-04 Suministro (kt) PC-01 8 6 10 9 35 PC-02 9 12 13 7 50 PC-03 14 9 16 6 40 Requerimiento (kt) 45 20 30 30 La idea es formular un modelo de programacin lineal que permita minimizar los costos de satisfaccin de la demanda mxima en todos los puntos de vaciado conectados a planta. En primer lugar, debemos definir las variables de decisin necesarias para representar las posibles decisiones que puede tomar la Compaa Minera. En este caso, corresponde a la cantidad de material que se debe enviar desde cada punto de carguo a cada punto de vaciado. Luego, para y , tendremos: cantidad (en miles de toneladas) de material enviado desde el punto de carguo i hasta el punto de vaciado j En trminos de estas variables, el costo total de transportar este material a todos los puntos de vaciado es igual a la suma de los costos independientes desde cada punto de carguo; si tenemos: Desde el punto de carguo 1: Desde el punto de carguo 2: 15

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Desde el punto de carguo 3: Entonces el costo total, que denominamos expresiones anteriores. , es igual a la suma de las tres

El problema tiene dos tipos de restricciones. En primer lugar, la cantidad de material total suministrada por cada punto de carguo no puede exceder su capacidad. En este caso se habla de oferta, o mejor an, de restricciones de oferta o suministro. Como existen 3 puntos de oferta o suministro (los 3 puntos de carguo), existen 3 restricciones dadas por: Restriccin de oferta de PC-01: Restriccin de oferta de PC-02: Restriccin de oferta de PC-03: En segundo lugar, se deben plantear las restricciones que permiten asegurar que se satisfaga la demanda en los 4 puntos de vaciado. As, las restricciones de demanda para cada punto de demanda (los 4 puntos de vaciado) estn dadas por: Restriccin de demanda de PPM-01: Restriccin de demanda de PPM-02: Restriccin de demanda de PPM-03: Restriccin de demanda de PPM-04:

Naturalmente, no podemos enviar una cantidad negativa de material a los puntos vaciado, por lo que . Por otro lado, es posible construir grficamente una representacin de este problema:

16

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Figura 13: Esquema del problema de transporte La solucin de este problema, tal y como puede demostrarse, es la siguiente: ; ; ; ; ; ; ; ; ; USD.

El costo mnimo asociado es

FORMULACIN GENERAL DEL MODELO DE TRANSPORTE: Un problema de transporte queda definido por la siguiente informacin: 1. Un conjunto de puntos de oferta. Cada punto de oferta que designamos por . 2. Un conjunto de demanda . tiene asociado una oferta,

puntos de demanda. Cada punto de demanda

tiene asociado una

3. Cada unidad enviada desde un punto de oferta costo unitario de transporte . Consideremos:

a un punto de demanda

tiene un

Nmero de unidades enviadas desde el punto de oferta al punto de demanda .

17

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Luego, la formulacin del modelo de transporte queda:

( )

Si se satisface:

Se dice que el problema se encuentra balanceado. En el caso del ejemplo anterior, se tiene que tanto la suma de las ofertas como la suma de las demandas es igual a 125. En el caso de un problema de transporte balanceado todas las restricciones estarn al lmite, por lo tanto la formulacin queda:

( )

PROBLEMAS NO BALANCEADOS: Si la oferta total supera a la demanda total, se puede balancear el problema de transporte incorporando un punto de demanda artificial o dummy que tenga como demanda el excedente de oferta del problema. Como las asignaciones al punto artificial no son reales, se les asigna un costo unitario nulo. Para ilustrar el balance de un problema de transporte no balanceado, supongamos en el ejemplo anterior que la demanda del punto de vaciado PPM-01 disminuye a 40 kt. La

18

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Figura 14 ilustra la incorporacin del punto de demanda artificial y entrega la solucin respectiva.

Figura 14: Problema de transporte balanceado Una forma ms prctica de representar un problema de transporte es mediante un tableau de transporte. Una celda de la fila y la columna representa la variable . Se suele incorporar es la esquina superior derecha el costo unitario asociado a la combinacin . En general, el tableau queda de la siguiente forma: Oferta

Demanda 19

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Construyendo el tableau para el ejemplo anterior (caso balanceado), e introduciendo la solucin ptima, se tiene que: PPM-01 PC-01 PPM-02 PPM-03 PPM-04 Oferta

PC-02

PC-03 Demanda En este caso, se puede verificar que el problema est balanceado comprobando que la suma de la columna de oferta y la fila de demanda es idntica. As como un problema de transporte puede no estar balanceado cuando la demanda es inferior a la oferta, tambin es posible que la demanda supere a la oferta. En este caso, se recurre a un punto de oferta artificial con valor de oferta equivalente a la diferencia entre oferta y demanda, de modo de balancear el problema. Los costos asociados al envo de unidades desde un punto de oferta artificial tambin son nulos, y por ende no se consideran al igual que en el caso anterior.

SOLUCIN DEL MODELO DE TRANSPORTE. SOLUCIN BSICA DE INICIO: Consideremos un problema de transporte con puntos de oferta y puntos de demanda. De acuerdo a la formulacin vista anteriormente, el problema tendr restricciones de igualdad. Existen tres mtodos distintos para poder obtener una solucin bsica de inicio en un modelo de transporte, siendo la gran diferencia entre ellos el nmero de pasos (iteraciones) sucesivos que se tengan que hacer posteriormente para alcanzar la solucin ptima del problema. Dichos mtodos son los siguientes: Mtodo de la Esquina Noroeste Mtodo de Costo Mnimo Mtodo de aproximacin de Vogel

20

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Antes de proceder al estudio de estos mtodos, conviene detenernos un poco en la definicin de qu es una solucin bsica de inicio. En particular, se debe observar que si un conjunto de valores para las variables satisface todas las restricciones salvo una, entonces automticamente satisface la otra restriccin. Por ejemplo, consideremos que en el ejemplo anterior se sabe que los valores de las variables satisfacen todas las restricciones, salvo la primera restriccin de oferta. Por lo tanto, los valores de las satisfacen kt, y proveen kt de los puntos ( ) de carguo 2 y 3. Por lo tanto, el punto de carguo 1 debe proveer kt. Luego los valores de tambin satisfacen la primera restriccin de oferta. Al respecto, para poder resolver el problema, consideraremos que se satisfacen restricciones, omitiendo alguna. En forma arbitraria, omitiremos la primera restriccin de oferta. Naturalmente, cualquier coleccin de variables no necesariamente conforman una solucin bsica factible para el problema de transporte que queramos trabajar. Para asegurar que, en efecto, s lo sean, definiremos el concepto de loop o circuito. Un orden secuencial de al menos cuatro celdas distintas se denomina loop o circuito si se cumple que: Dos celdas consecutivas estn en la misma columna o en la misma fila No tiene tres celdas consecutivas en una misma columna o en una misma fila La ltima celda de la secuencia tiene una fila o columna comn con la primera celda de la secuencia Las Figura 15 muestra ejemplos de lo que es un loop.

Figura 15: Ejemplos de loops o circuitos La Figura 16 muestra ejemplos de secuencias de celdas que no conforman un loop, pues no satisfacen todas las condiciones establecidas en su definicin.

21

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Figura 16: Ejemplos de secuencias que no conforman un loop Habiendo introducido el concepto de loop, estableceremos el siguiente teorema. TEOREMA DE SECUENCIACIN: Consideremos un problema de transporte balanceado con puntos de oferta y puntos de demanda. Las celdas correspondientes a un conjunto de variables no contienen un loop si y slo si las variables constituyen una solucin bsica inicial. El teorema anterior puede demostrarse utilizando lgebra lineal de forma muy sencilla, puesto que se desprende del hecho de que en un conjunto de celdas, stas no contienen un loop siempre y cuando las columnas correspondientes a las celdas son linealmente independientes. Ahora s estamos en condiciones de revisar los mtodos para poder construir una solucin bsica de inicio. Para ello, utilizaremos el siguiente ejemplo. Ejemplo: La compaa Sun-Ray Transport transporta grano desde tres silos hasta tres molinos. La oferta (en camionadas) y la demanda (tambin en camionadas) se resumen en el tableau de transporte que se presenta a continuacin, junto con los costos unitarios de transporte por camionada en las distintas rutas. Los costos unitarios de transporte (que se ven en la esquina superior derecha o esquina noreste de cada celda), estn en cientos de US$. Molino 1 Silo 1 Molino 2 Molino 3 Molino 4 Oferta

Silo 2

Silo 3 Demanda

22

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

En el modelo de Sun Ray Transport se busca el programa de transportes entre silos y molinos que tenga costo mnimo. Esto equivale a determinar la cantidad transportada desde el silo hasta el molino ( ). 1. Mtodo de la Esquina Noroeste: el mtodo, como lo indica su nombre, comienza en la celda (ruta) noroeste, o superior izquierda, del tableau de transporte (es decir, la celda ). Paso 1: Asignar todo lo que ms se pueda a la celda seleccionada y ajustar las cantidades de oferta y demanda asociadas restando la cantidad asignada a la celda respectiva. Paso 2: Salir de la fila o columna cuando se alcance oferta o demanda cero, y tacharlo, para indicar que no se pueden hacer ms asignaciones a esa fila o columna. Si una fila y una columna dan cero al mismo tiempo, tachar slo uno (la fila o columna) y dejar una oferta (o demanda) cero en la fila (columna) que no se tach. Paso 3: Si queda exactamente una fila o columna sin tachar, detenerse. En caso contrario, avanzar a la celda de la derecha si se acaba de tachar una columna, o a la de abajo si se acaba de tachar una fila. Seguir con el paso 1. Ejemplo: Al aplicar el procedimiento al modelo de Sun Ray Transport se obtiene la solucin bsica de inicio que se da en el tableau siguiente. Las flechas indican el orden en el que se generan las cantidades asignadas. Molino 1 Silo 1 Molino 2 Molino 3 Molino 4 Oferta

Silo 2

Silo 3 Demanda Al respecto, se debe notar que la sumatoria por filas (columnas) de las unidades asignadas en cada celda debe igualar la cantidad de oferta (demanda) asociada a la fila (columna) respectiva. La solucin de inicio es entonces la siguiente: 23

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

El costo de este programa de inicio es el siguiente:

2. Mtodo de Costo Mnimo: Este mtodo determina una mejor solucin bsica de inicio, porque se concentra en las rutas menos costosas. Se inicia asignando todo lo posible a la celda que tenga el mnimo costo unitario (los empates se rompen en forma arbitraria). A continuacin, la fila o columna ya satisfechos se tacha, y las cantidades de oferta y demanda se ajustan en consecuencia. Si se satisfacen en forma simultnea una fila y una columna al mismo tiempo, slo se tacha uno de los dos, igual que en le mtodo de la esquina noroeste. A continuacin se busca la celda no tachada con el costo unitario mnimo y se repite el proceso hasta que queda sin tachar exactamente una fila o una columna. Ejemplo: Se aplicar el mtodo de costo mnimo al modelo de Sun Ray Transport de la siguiente manera: a) La celda (1, 2) tiene el costo unitario mnimo de toda la tabla (= US$ 2). Lo ms que se puede transportar por (1, 2) es camionadas, y en este caso se satisfacen al mismo tiempo la fila 1 y la columna 2. Se tacha en forma arbitraria la columna 2 y se ajusta la oferta de la fila 1 a cero. b) La celda (3, 1) tiene el mnimo costo unitario sin tachar (= US$ 4). Se asigna camionadas, se tacha la columna 1 porque qued satisfecha y se ajusta la demanda de la fila 3 a camionadas. c) Al continuar de este modo, se asignan en forma sucesiva 15 camionadas a la celda (2, 3), 5 camionadas a la celda (3, 4) y 10 a la celda (2, 4) (verifquelo!). La solucin bsica de inicio que se obtiene de esta forma es la siguiente:

El costo de este programa de inicio es

El tableau de transporte definido por la solucin bsica usando el mtodo de costo mnimo es el siguiente:

24

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Molino 1 Silo 1

Molino 2

Molino 3

Molino 4

Oferta

Silo 2

Silo 3 Demanda A pesar de que la asignacin anterior es correcta, se debe tener en consideracin que la solucin bsica, como bien se dijo, debe estar conformada por una coleccin de variables bsicas, de tal forma que stas no formen un loop. Sin embargo, en el tableau anterior, slo hay 5 variables bsicas, cuando debera haber asignaciones. Lo anterior se arregla asignando una nueva variable bsica a una celda, de tal forma que sta tenga valor cero, y adems, no forme un loop con las variables bsicas que fueron asignadas con anterioridad. Lo primero es entonces descartar los posibles loops de la siguiente forma: Molino 1 Silo 1 Molino 2 Molino 3 Molino 4 Oferta

Silo 2

Silo 3 Demanda Las celdas remarcadas en amarillo no pueden, por tanto, ser utilizadas para asignar valores nulos y completar la asignacin de variables bsicas, porque se generara un loop y por ende se violara el teorema de secuenciacin. Cualquier otra eleccin nos sirve. Sin embargo, se recomienda elegir aquella celda cuyo costo sea mnimo para asignar un 25

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

cero, puesto que as se alcanza ms rpido la solucin (la celda (2, 2) cumple este requisito). La calidad de la solucin bsica de inicio obtenida mediante el mtodo de costo mnimo es mejor que la que se obtuvo con el mtodo de la esquina noroeste, porque da un costo mnimo menor. 3. Mtodo de aproximacin de Vogel: Es una versin mejorada del mtodo de costo mnimo, que en general produce mejores soluciones de inicio. Paso 1: Determinar para cada fila (columna) una medida de penalizacin o penalidad restando el elemento de costo unitario mnimo en la fila (columna) del elemento del elemento con costo unitario siguiente al mnimo de la misma fila (columna). Paso 2: Identificar la fila (columna) con la mayor penalizacin. Romper los empates en forma arbitraria. Asignar todo lo posible a la variable que tenga el mnimo costo unitario de la fila o columna seleccionada. Ajustar la oferta y la demanda y tachar la fila o columna ya satisfechos. Si se satisfacen una fila y una columna de forma simultnea, slo se tacha uno de los dos y al que queda se le asigna una oferta o demanda de cero. Paso 3: a) Si queda sin tachar exactamente una fila o columna con cero oferta o demanda, detenerse. b) Si queda sin tachar una fila (columna) con oferta (demanda) positiva, determinar las variables bsicas en la fila (columna) con el mtodo de costo mnimo. Detenerse. c) Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda (restante), asignar las variables bsicas cero por el mtodo de costo mnimo. Detenerse. d) En cualquier otro caso, seguir al paso 1. Ejemplo: Se aplicar el mtodo de Vogel al modelo de Sun Ray Transport. En el siguiente tableau de transporte se calcula el primer conjunto de penalidades.

26

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Molino 1

Molino 2

Molino 3

Molino 4

Oferta

Penalidades de fila

Silo 1

Silo 2

Silo 3 Demanda Penalidades de columna Como en la fila 3 se tiene la mxima penalidad (= 10) y la celda (3, 1) tiene el costo unitario mnimo de esa fila, se asigna la cantidad 5 a . Queda satisfecha ahora la columna 1 y se debe tachar. A continuacin se vuelven a calcular las penalizaciones, como se ve en el siguiente tableau de transporte. Molino 1 Molino 2 Molino 3 Molino 4 Oferta Penalidades de fila

Silo 1

Silo 2

Silo 3 Demanda Penalidades de columna En este caso se ve que la fila 1 tiene la penalidad mxima (= 9). En consecuencia, se asigna la mxima cantidad posible a la celda (1, 2), con lo que se obtiene , y al mismo tiempo se satisfacen tanto la columna 2 como la fila 1. En forma arbitraria se tacha la columna 2 y se ajusta a cero la oferta en la fila 1.

27

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Con la continua asignacin sugerida por el mtodo de Vogel, y luego completando las 6 variables bsicas con ceros en aquellas celdas que no formen un loop con las variables asignadas (verifquelo!), se obtiene la siguiente solucin (los ceros se han asignado a celdas arbitrarias):

El costo de este programa de inicio es , que coincide con el obtenido en el mtodo de costo mnimo. Sin embargo, el mtodo de Vogel suele obtener mejores soluciones iniciales, lo que asegura una cantidad de iteraciones menor para llegar a la solucin ptima del problema.

CLCULO DE LA SOLUCIN PTIMA: A continuacin se expondrn los pasos para aplicar el algoritmo completo de transporte. Estos pasos suponen un problema de transporte con puntos de oferta y puntos de demanda: Paso 1: Si el problema de transporte no est balanceado, balancearlo. Construir el tableau de transporte asociado. Paso 2: Encontrar una solucin bsica de inicio utilizando cualquiera de los mtodos estudiados con anterioridad. Verificar las asignaciones y completarlas si es necesario. Paso 3: Plantear y resolver el sistema que se obtiene a travs de: Definir para cada fila del tableau la variable ( ). Definir para cada columna del tableau la variable ( ). Plantear para cada celda la ecuacin , donde es el costo unitario asociado a la celda ( ). Asignar un valor arbitrario a una de las variables. Normalmente se suele asignar . Luego, despejar las dems variables planteadas. Paso 4: Calcular en todas las celdas no asignadas (variables no bsicas) los costos reducidos como ( ). En este caso, es el costo reducido de la variable no bsica . Si , hemos llegado al ptimo. Si existe algn , incorporar la variable no bsica con el ms negativo, siempre y cuando se pueda formar un loop. En dicho caso, asignar el mayor valor posible a modo de mantener las variables bsicas mayores o iguales a cero. Paso 5: Si la solucin no es la ptima, emplear la solucin del paso anterior para volver a plantear y resolver el sistema planteado en el paso 3, y seguir al paso 4. 28

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Debe observarse que las variables planteadas las iteraciones sucesivas son las VARIABLES DUALES del problema de transporte para las respectivas iteraciones. Luego, al obtener la solucin ptima del problema de transporte con este algoritmo, se obtendr adems, la solucin ptima del dual, porque tendremos calculados por valores de en el ptimo. Ejemplo: Vamos a resolver el modelo de Sun Ray Transport utilizando este algoritmo. Utilizaremos para ello la solucin bsica de inicio encontrada utilizando el mtodo de la esquina noroeste. Molino 1 Silo 1 Molino 2 Molino 3 Molino 4 Oferta

Silo 2

Silo 3 Demanda Asociamos entonces las variables duales respectivamente. Se tiene entonces (asumiendo Variable bsica Ecuaciones y ): Solucin para la oferta y la demanda,

Tabla 8: Valores duales del problema de Sun Ray Transport para la primera iteracin Calculamos ahora los costos reducidos para las variables no bsicas:

29

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Variable no bsica Costo reducido: ( ) ( ) ( ) ( ) ( ) ( )

).

Tabla 9: Costos reducidos para la primera iteracin en el problema de Sun Ray Transport De la tabla anterior, se tiene que el costo reducido ms negativo es . La variable entra a la solucin bsica. Notemos adems que no es necesario escribir las ecuaciones duales para calcular los y , ya que stos pueden calcularse fcilmente en el tableau de transporte, asignando un cero a . Habiendo determinado a como la variable de entrada, se necesita determinar la variable de salida. La seleccin de como variable de entrada indica que se quiere transportar por esta ruta porque se reduce el costo total de transporte Cul es el mximo que se puede transportar por esa ruta? Veamos el tableau con los valores duales asignados y los costos reducidos (abajo a la izquierda de la celda). Oferta

Demanda Obsrvese que en el tableau anterior, si la ruta (3, 1) transporta valor mximo de se determina en base a dos condiciones: (es decir, ), el

1. Los lmites de oferta y los requerimientos de demanda permanecen satisfechos. 2. Los transportes en todas las rutas deben ser no negativos. Esas dos condiciones determinan el valor mximo de y la variable de salida como sigue: primero se forma un loop que comienza y termina en la celda de la variable de entrada, 30

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

. Naturalmente, el loop consiste en segmentos horizontales y verticales conectando (no se permiten diagonales). Excepto para la variable de entrada, cada esquina del loop debe coincidir con una variable bsica. Existe siempre uno y slo un loop para cada variable de entrada. El tableau siguiente muestra como se genera el loop para la variable . Oferta

Demanda A continuacin se le asigna la cantidad a la celda de la variable de entrada (3, 1). Para que se sigan satisfaciendo los lmites de la oferta y la demanda, se debe alternar entre restar y sumar la cantidad en las esquinas sucesivas del loop, como se ve en el tableau anterior. Los valores de las variables siguen siendo no negativos siempre que:

De lo anterior, el valor mximo de es 5, que se presenta tanto cuando como llegan a nivel cero. Como slo una variable bsica actual debe salir de la base, se puede escoger entre estas dos variables como variable de salida. Escogeremos arbitrariamente a para que salga de la solucin. La seleccin de como variable de entrada y como variable de salida requiere el ajuste de los valores de las variables bsicas en las esquinas del loop. Como cada unidad que se transporta por la ruta (3, 1) reduce el costo de transporte en 9 unidades monetarias ( ), el costo total asociado con el programa de transporte es unidades monetarias menos que en el programa anterior. Con la nueva solucin bsica, se repite el clculo de los valores duales ve en la siguiente tabla. La variable de entrada es . El loop indica que variable de salida es . y , como se y que la 31

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Oferta

Demanda La nueva solucin se ve en la tabla siguiente: cuesta unidades monetarias menos que la anterior, y el costo nuevo total es de 435 unidades monetarias. Adems, , lo que implica que hemos llegado al ptimo. El tableau siguiente muestra este resultado. Oferta

Demanda

32

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

FORMULACIN DUAL DEL PROBLEMA DE TRANSPORTE: Como ya se mencion con anterioridad, el modelo de transporte tiene la siguiente estructura:

( )

Esto, claro est, suponiendo que el problema est balanceado. Lo que haremos ahora ser construir el problema dual asociado. Para ello, se debe tener en cuenta que deben diferenciarse, por comodidad, las variables duales respecto a las restricciones primales de oferta y demanda. As, diremos que la variable dual corresponder a la -sima restriccin de oferta, y la variable dual corresponder a la -sima restriccin de demanda. Luego, el problema dual asociado al modelo de transporte anterior es el siguiente:

( )

Notemos que el problema dual tiene un total de variables duales, las cuales estn definidas explcitamente para las restricciones primales de oferta y demanda, tales que . Esta relacin ya la habamos estudiado en el desarrollo del mtodo de resolucin del problema de transporte, y concluimos que la relacin anterior es del tipo cuando est referida a variables no bsicas, y es del tipo cuando est referida a variables bsicas. Por lo tanto, es posible deducir la solucin ptima del problema dual del modelo de transporte simplemente verificando los valores ptimos de y , y generando la funcin objetivo dual:

( )

Se debe corroborar que

( )

( ).

33

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

MODELO DE ASIGNACIN. La mejor persona para el puesto es una buena descripcin del Modelo de Asignacin. El caso se puede ilustrar con la asignacin de diversos trabajadores de distintos niveles de capacitacin a los puestos. Un puesto que coincide con los conocimientos de un trabajador cuesta menos que uno en el cual un trabajador no es tan hbil. El objetivo del modelo es determinar la asignacin ptima (de costo mnimo) de trabajadores a los distintos puestos. El modelo general de asignacin de asignacin con representa en la siguiente tabla: trabajadores y puestos se

Puestos

Trabajador

Tabla 10: Tabla de costos para el modelo de asignacin El elemento representa el costo de asignar el trabajador al puesto ( ). No se pierde generalidad al suponer que la cantidad de trabajadores es siempre igual a la cantidad de puestos disponibles, porque siempre se pueden agregar trabajadores o puestos ficticios para cumplir esa condicin. El modelo de asignacin es, en realidad, un caso particular del modelo de transporte, en el cual los trabajadores representan las fuentes que definen la oferta y los puestos representan los destinos que definen la demanda. La cantidad de oferta en cada fuente, y la cantidad de demanda en cada destino son exactamente iguales a 1. El costo de transportar el trabajador al puesto es . De hecho, se puede resolver el modelo de asignacin en forma directa como un modelo normal de transporte. Sin embargo, el hecho de que todas las ofertas y demandas sean iguales a 1 ha permitido el desarrollo de un sencillo algoritmo de solucin, conocido como mtodo hngaro. Aunque parezca que este nuevo mtodo sea totalmente ajeno al modelo de transporte, en realidad el algoritmo tiene su raz en el mtodo smplex, al igual que el algoritmo de transporte.

ALGORITMO HNGARO: El algoritmo hngaro es un mtodo sencillo desarrollo en forma exclusiva para resolver los problemas de asignacin. Su explicacin, as como su desarrollo, se har patente en el siguiente ejemplo:

34

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Ejemplo: El jefe de carguo y transporte de una operacin a cielo abierto debe asignar cuatro operadores a cuatro palas en el turno. Los costos unitarios (en unidades monetarias) que expresan la habilidad del operador se dan a continuacin. Aquellos costos indeterminados (-) representan la condicin de no aplicabilidad del operador a la pala respectiva. Operador 1 Operador 2 Operador 3 Operador 4 9 3 5 7 2 7 6 5 5 2 7 4 3 2

Pala 1 Pala 2 Pala 3 Pala 4

Tabla 11: Costos unitarios de cada operador en cada una de las palas Determine la asignacin ptima de estos operadores a cada pala, de tal forma que el costo unitario total de dicha asignacin sea mnimo. Solucin: El algoritmo hngaro procede de una forma muy sencilla. Lo primero es generar una matriz de costos. Por definicin del modelo de asignacin, dicha matriz siempre debe ser cuadrada. Si no lo fuera, siempre se pueden generar puestos o trabajadores ficticios de costo nulo para poder as siempre tener una matriz de este orden. Para este problema, se tiene lo siguiente:

En la matriz anterior, la constante M (la cual, como en el mtodo de la gran M, se asume que tiene valores infinitamente grandes) representa las asignaciones que no se pueden hacer. Al asumir costos infinitos, el algoritmo ignora de forma automtica la asignacin no permitida, asegurando un resultado correcto. El siguiente paso es identificar el valor mnimo de cada fila y restarlo de todos los elementos de esa misma fila. De forma explcita, para este problema, se tiene que los mnimos por fila son 3, 2, 2 y 2, respectivamente (de arriba hacia abajo). Restando estos elementos a las filas respectivas, se obtiene:

( )

Ahora, en la matriz resultante, que denotamos por , deben identificarse los elementos mnimos de cada columna, y luego restarlos a todos los elementos de esa misma columna. En este caso, se tendr lo siguiente: 35

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

( ( Con lo cual, )

En este punto, se deben verificar los elementos nulos en la matriz resultante, que llamamos . Si es posible que estos elementos nulos puedan estar distribuidos de forma independiente entre filas y columnas, la asignacin es ptima y el problema ha sido resuelto. Sin embargo, en la matriz , se debe notar los elementos nulos no conforman una asignacin ptima, porque no es posible aislarlos de forma independiente para filas y columnas. Si lo anterior sucede, entonces se deben seguir los siguientes pasos: Trazar la cantidad mnima de lneas horizontales y verticales en la matriz , de tal forma que stas cubran todos los elementos que son cero. Seleccionar el mnimo elemento no tachado, restarlo de todo elemento no tachado y, a continuacin, sumarlo a todo elemento ubicado en la interseccin de dos lneas. Si no se puede encontrar una asignacin ptima factible entre los elementos cero que resulten, repetir el primer paso. En caso contrario, se ha llegado a una asignacin ptima. En nuestro caso, se tiene lo siguiente:

El mnimo elemento no tachado es 2, el cual se resta a todos los elementos no tachados. Luego se suma a los elementos que se encuentren en la interseccin de dos lneas, que en este caso se han marcado con amarillo. La matriz resultante de este operacin es la siguiente:

36

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Los ceros que han sido marcados con amarillo indican la asignacin ptima encontrada: Asignar el operador 1 a la pala 2 Asignar el operador 2 a la pala 1 Asignar el operador 3 a la pala 3 Asignar el operador 4 a la pala 4

El costo mnimo de esta asignacin se calcula sumando los costos unitarios originales que se corresponden con los ceros que definen nuestra asignacin ptima. En particular: ( ) Luego, la asignacin ptima tiene un costo mnimo de 11 unidades monetarias.

MODELO DE TRANSBORDO. En el modelo de transbordo, se reconoce que puede ser ms econmico el transporte pasando por nodos intermedios o transitorios antes de llegar al destino final. Este concepto es ms general que el modelo normal de transporte, en el que slo se permiten envos directos entre una fuente y un destino. Ejemplo: Dos fbricas de automviles, P1 y P2, se enlazan con tres agencias, D1, D2 y D3, a travs de dos centros de distribucin, T1 y T2. La siguiente red representa este problema:

Figura 17: Red con nodos de transbordo

37

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

Las cantidades de oferta en las plantas P1 y P2 son 1000 y 1200 autos, y las cantidades de demanda en las agencias D1, D2 y D3 son 800, 900 y 500 autos, respectivamente. El costo de transporte por vehculo se ve en los enlaces o arcos de la red. En esta red hay transbordos, porque toda la oferta de 2200 autos de los nodos P1 y P2 podra pasar en principio por cualquier nodo de la red, antes de llegar a su destino en los nodos D1, D2 y D3. Al respecto, los nodos de la red que tiene n arcos de entrada y salida al mismo tiempo (T1, T2, D1 y D2) funcionan como fuentes y destinos al mismo tiempo, y se llaman nodos de transbordo. Los nodos restantes pueden ser nodos de oferta pura (P1 y P2) o nodos de demanda pura (D3). El modelo de transbordo puede transformarse en un modelo normal de transporte usando el siguiente recurso algebraico: Oferta en un nodo de oferta pura = Oferta original Demanda en un nodo de demanda pura = Demanda original Oferta en un nodo de transbordo = Oferta original + Amortiguador Demanda en un nodo de transbordo = Demanda original + Amortiguador

El amortiguador, denotado comnmente por B, se define como cualquier cantidad lo suficientemente grande como para permitir que toda la oferta (o demanda) original pase por cualquier de los nodos de transbordo. Es muy comn que se defina como la suma de las ofertas originales, porque as se satisface siempre este requisito. Luego, amortiguador = 1000 + 1200 = 2200. El modelo de transporte representativo de este modelo de transbordo es el siguiente:

38

Universidad de Santiago de Chile Departamento de Ingeniera en Minas Ayudanta de Optimizacin

T1 P1

T2

D1

D2

D3

Oferta

P2

T1

T2

D1

D2 Demanda

Los costos definidos por la constante M (que es infinitamente grande) representan rutas imposibles o absurdas, de tal forma que se evite que el algoritmo de transporte las considere en la solucin ptima. Este problema puede ahora ser resuelto de forma normal.

39