Anlisis de sensibilidad, Problema de transporte, Problema de asignacin,

Artculos de investigacin de operaciones en la Ing. Qumica

Contenido
1. INTRODUCCION................................................................................................4
2. OBJETIVOS........................................................................................................5
2.1. OBJETIVO GENERAL....................................................................................5
2.2. OBJETIVOS ESPECIFICOS...........................................................................5
3. Anlisis de sensibilidad en investigacin de operaciones..................................6
3.2 Importancia.......................................................................................................6
4. Cambios en los parmetros del modelo.............................................................7
4.2.1Cambio del coeficiente en la funcin objetivo de una variable no bsica.. 9
4.2.2 Cambio del coeficiente en la funcin objetivo de una variable bsica.......10
4.4. Cambio 4: Incorporacin de una nueva variable..................................12
5. Mtodo de transporte...........................................................................................14
ALGORITMO DE VOGEL....................................................................................14
5.1 Modelo del problema de asignacin..............................................................23
5.2 Procedimiento de solucin: MTODO HNGARO.......................................23
5.2.1 Algoritmo Hngaro:......................................................................................23

1. INTRODUCCION.
La investigacin de operaciones es una disciplina en donde se renen diferentes
ciencias como la economa, matemtica, informtica entre otras. Por tal motivo su
estudio puede realizarse de muy diferentes formas segn el aspecto que quiera
conocer, entre ellos el econmico.
Bajo un punto practico la investigacin representa simultneamente, el camino a
seguir para elaborar racionalmente una buena decisin, relativa a actividades
econmicas, y un cierto nmero de mtodos de optimizacin aplicaciones, en
contextos varios, que son propios de estas actividades.
Con el fin de adaptarse al ambiente de continuo cambio del mercado caracterizado
por ser cada da ms exigente, en cuanto a demanda y
calidad del
producto, la empresa debe optimizar sus operaciones esto a travs de la
solucin de problemas en la misma. Existen distintos enfoques para interpretar,
analizar y resolver los problemas de la compaa. Uno de ellos es la utilizacin de
la investigacin de operaciones que consiste en la optimizacin de recursos
limitados mediante tcnica de modelaje matemtico. En este trabajo
se
hablara del Modelo de Transporte, el Modelo de asignacin, el cual es un caso
especial del modelo de transporte, y el anlisis de sensibilidad; esto con el
fin de afianzar los conocimientos sobre los distintos modelos matemticos para
la solucin de problemas.

2. OBJETIVOS
2.1. OBJETIVO GENERAL
Desarrollar la capacidad como estudiantes de ingeniera qumica para poder
identificar, analizar, formular y resolver problemas de decisin que surjan en
sistemas reales, mediante el empleo de modelos matemticos.
2.2. OBJETIVOS ESPECIFICOS
Analizar y diagnosticar problemas complejos relativos al anlisis de
sensibilidad, el problema de transporte y el problema de asignacin.
Representar por medio de modelos matemtico-lgicos los problemas de
anlisis de sensibilidad, el problema de transporte y el problema de
asignacin.
Aplicar mtodos y algoritmos de solucin para cada uno de stos
problemas.
Emplear tcnicas de validacin de los modelos y sus soluciones, mediante
la crtica permanente frente a los resultados obtenidos.

3. Anlisis de sensibilidad en investigacin de operaciones

El supuesto de que todos los parmetros de un modelo de programacin lineal son

constante conocidas, se ve alterado ya que en realidad son estimaciones basadas
en una prediccin de las condiciones futuras.
Una solucin es ptima, nada ms en lo que se refiere al modelo especifico que se
est usando para representar el problema real. Por estas razones es importante
llevar a cabo un anlisis de sensibilidad, para investigar el efecto que tendra
sobre la solucin ptima proporcionada por el mtodo simplex el hecho de que los
parmetros tomaran otros valores posibles.
El anlisis de sensibilidad consiste principalmente en la investigacin del efecto
que tiene sobre la solucin ptima, el hecho de hacer cambios en los valores de
los parmetros del modelo. Sin embargo los cambios en los parmetros en el
problema primal hacen que tambin cambien los valores correspondientes en el
problema dual. Por tanto, se puede elegir el problema que se usara para investigar
los cambios. [1]
3.2 Importancia
Dado que los parmetros que se muestran en el modelo utilizando valores
estimados basados en una prediccin de las condiciones futuras, los datos
obtenidos para desarrollar estas estimaciones son bastantes imperfectos; por esto
pueden tomar otros valores posibles. De ah la importancia de este anlisis.
El anlisis de sensibilidad es una herramienta efectiva, por dos razones
fundamentales:

Primera: los modelos de programacin lineal son con frecuencia grandes

y costosos; por lo tanto no es recomendable utilizarlos para un solo caso.
Segunda: los elementos que se dan como datos para un problema de
programacin lineal, la mayora de las veces son estimaciones; por lo
tanto es necesario investigar o tener en cuenta ms de un conjunto de
casos posibles.

Las labores del equipo de investigacin de operaciones an no concluye o se ha

realizado, sino, cuando ya se ha aplicado con xito el mtodo simplex o la
5

programacin lineal a fin de identificar una solucin ptima para el modelo

matemtico.
Esto quiere decir que, los valores usados en el modelo normalmente slo son
estimaciones o pronsticos basadas en una serie de predicciones futuras. Los
datos obtenidos para desarrollar estas estimaciones a menudo son un tanto
imprecisos o inconsistentes. Sin embargo, pueden representar sobreestimaciones
deliberadas o espordicas para proteger el inters de quienes los estiman. Por tal
motivo estas circunstancias que se presentan dejan algunos cabos sueltos, por
eso es importante llevar a cabo un anlisis de sensibilidad para investigar el efecto
sobre la solucin ptima proporcionada por la programacin lineal, para verificar si
los parmetros sufren una variacin y toman otros valores posibles [1].
3.3. Herramientas de Clculo

Para llevar a cabo el anlisis de sensibilidad se recomienda dos formas

diferentes, de acuerdo a la tecnologa disponible y la complejidad del
problema:
Si se tiene una calculadora programable o computadora y el problema es
pequeo se puede solucionar el modelo nuevamente con los dato de
experimentacin, tantas veces como se desee, para su posterior anlisis.
Si el problema es muy complejo no es necesario resolver todo el modelo
una y otra vez, sino que se puede utilizar ciertas propiedades del mtodo de
sensibilidad para hacer los ajustes a la solucin ptima.

4. Cambios en los parmetros del modelo

El anlisis de sensibilidad se lleva a cabo en:
Cambios en los niveles de recursos escasos.
Cambios en los coeficientes de la funcin objetivo (coeficientes de variables
bsicas y coeficientes de variables no bsicas).
Supresin y adicin de restricciones.
Adicin de nuevas variables.
El anlisis que se va a realizar se har teniendo en cuenta el mayor impacto sobre
la solucin ptima debido a las variaciones de los valores en los parmetros por
inexactitud en las estimaciones. Se empezaran por investigar las consecuencias
de las variaciones en los coeficientes de la funcin objetivo y recursos disponibles,
que a juicio del autor son los de mayor impacto y posteriormente se continuara
analizando las variaciones de los a ij, aparicin de una nueva restriccin y
necesidades de adicionar una nueva variable.

Para desarrollar las distintas opciones consideraremos el siguiente ejemplo en su

versin estndar:
Ejemplo 1
Z Max = 60x1 + 30x2 + 20x3
S.a.
8x1 + 6x2 + x3 + s1 = 48
4x1 + 2x2 + 1,5x3 + s2 = 20
2x1 + 1,5x2 + 0,5x3 + s3 = 8
Aplicando Simplex se obtiene, como solucin ptima z= 280, s 1= 24, x3= 8, x1= 2 y
x2= s2 = s3 = 0
base
s1
x3
x1
zj
cj-zj

cj
0
20
60

x1
60
0
0
1
60
0

x2
30
-2
-2
1,25
35
-5

x3
20
0
1
0
20
0

s1
0
1
0
0
0
0

s2
0
2
2
-0,5
10
-10

s3
0
-8
-4
1,5
10
-10

bi
24
8
2
280

4.1. Cambios en los niveles de recursos escasos o variaciones en los Bi

La sensibilidad de la solucin ptima de un problema de programacin lineal se
mide a travs de una cota superior y una inferior para el nivel de los recursos que
se modifica. En otras palabras, se busca un rango de factibilidad para el cual la
solucin sigue siendo ptima y solamente se vea afectada por la columna de los
Bi, donde aparecen los valores de las variables bsicas y el valor de la funcin
objetivo.
En forma grfica, la variacin en el nivel de recursos sirve para desplazar una
lnea, que representa la restriccin, de manera que se reduzca o aumente la
regin factible.
Un ejemplo puede apreciarse en la siguiente grfica:

Anlisis de la grfica anterior

Suponga que BC representa el nivel de recurso b 1, que B es el punto extremo que
representa la solucin ptima y, adems, ABCD son los puntos extremos que
demarcan la regin factible o conjunto convexo.
Ahora se supone que el nivel de recursos tiene un incremento B 1, el cual hace
que la lnea que lo representa sea BC.
Se preguntara entonces, cul es la solucin ptima? La solucin ptima se
encuentra en B, u y los puntos siguen siendo una combinacin X, Y con valores
diferentes, que conllevan, obviamente, a un valor ptimo de la funcin objetivo.
Si se representa una nueva superposicin, pero ya no de incremento de b 1 sino
de una disminucin, o sea, b1, cul sera la nueva solucin?
Si se observa la grfica, la combinacin ptima X, Y anterior ya no es ptima,
porque los puntos ptimos factibles son A o C. Por lo anterior, hay necesidad de
hallar el rango de factibilidad para poder estudiar las variables en la columna de
cantidades, de forma que la solucin inicial siga siendo ptima.
4.2. Cambios en los coeficientes de la funcin objetivo
4.2.1Cambio del coeficiente en la funcin objetivo de una variable no bsica.
En la base ptima del ejemplo 1 la nica variable de decisin no basal es x2.
Dicha variable, posee como coeficiente en la funcin objetivo: c2 = 30. Como x2
no est en la base, sera interesante determinar el valor de c2 necesario para que
la variable x2 sea incorporada a la base ptima. Debido a que slo se est
cambiando el coeficiente de una variable en la funcin objetivo, la regin factible
del problema se ve inalterada, es decir, no se ve modificada la factibilidad del
8

ptimo actual. Slo puede ocurrir que la solucin actual deje de ser la ptima si c2
crece lo suficiente. Para determinar dicho valor, se incorpora explcitamente una
variacin al coeficiente c2. Como conclusin de esto, se obtiene que si el cambio
del coeficiente de una variable no basal es lo suficiente para alterar el ptimo, se
est trasladando el ptimo de un punto extremo a otro, en ningn caso se altera la
regin factible del problema.
4.2.2 Cambio del coeficiente en la funcin objetivo de una variable bsica.
El estudio de variaciones en coeficientes en la funcin objetivo de variables
bsicas sigue la misma lgica de la variacin de coeficientes en la funcin objetivo
de variables no bsicas. La idea es determinar cmo varan los cj zj de todas las
variables y obtener a partir de dichas modificaciones un rango en el cual la base
se ve inalterada.
Evidentemente, una modificacin de este tipo no afecta la regin factible y slo
puede cambiar la optimalidad de la solucin actual si la variacin es lo
suficientemente importante.
4.3. Supresin y adicin de restricciones
Para analizar la sensibilidad de la solucin ptima ante la disminucin o
incremento de restricciones deben, estudiarse por separado dos efectos de este
tipo de variabilidad.
Supresin de restricciones
Si se tiene un conjunto convexo o regin factible, pueden observarse claramente
los efectos cuando se suprime una o ms restricciones.
Si la restriccin que se debe suprimir es parte de las limitantes, puede suceder
que la solucin ptima se mantenga inalterable o se aumente su valor.
En el caso contrario, si se agrega una restriccin, puede suceder que la funcin
objetivo optima quede igual o se aumente su valor.
Para entender mejor estos casos se presenta el siguiente grfico, representativo
de un modelo de programacin lineal:

Caso 1: si se suprime las restricciones (1) y (6), la regin ABCD sigue siendo la
misma y, por consiguiente, la funcin objetivo no se altera. El punto extremo
optimo sigue siendo B.

Figura: Supresin de restriccin redundante

Caso 2: suponga que se suprime la restriccin (3). En este caso la regin factible
esta bordeando el eje X, y la solucin ptima pasa a ser el punto C

10

Figura: supresin de restriccin limitante

Caso 3: si se adiciona una restriccin, puede suceder que la solucin ptima o
disminuya o se mantenga igual.

Figura: adicin de una restriccin.

En esta grafica se puede observar que la regin factible se ha disminuido, pero la

solucin ptima permanece igual. [2]

4.4. Cambio 4: Incorporacin de una nueva variable.

11

El anlisis consiste en determinar la conveniencia o no de la incorporacin de una

nueva variable (nuevo producto) a un problema, desde el punto de vista si la
nueva variable mejorar el valor actual de la funcin objetivo [3].
3. La Regla del 100 %

Los resultados del anlisis de sensibilidad en base a cambiar una variable

manteniendo las otras fijas se pueden emplear para estudiar variaciones
simultneas mediante la regla del 100 %. Se vern los siguientes casos: Variacin
de coeficientes en la funcin objetivo y Variacin de coeficientes del lado derecho.
Variacin simultnea de coeficientes de la funcin objetivo
Se consideran dos casos:
Caso 1: Todas las variables a las que se les modifica el coeficiente no son bsicas.
Caso 2: Al menos una de variables a las que se les modifica el coeficiente es
bsica.
Variacin simultnea de coeficientes del lado derecho
Tambin se consideran dos casos:
Caso 1: Todas las restricciones a las que se les modifica el coeficiente del lado
derecho son no activas, es decir, tienen su variable de holgura o exceso en la
base. Caso 2: Al menos una de las restricciones a las que se les modifica el
coeficiente del lado derecho es activa, es decir, tiene su variable de holgura o
exceso fuera de la base [3].

12

5. Mtodo de transporte
El modelo de transporte es una clase especial de programacin lineal que tiene
que ver con transportar un artculo desde fuentes (es decir, fabricas) hasta sus
destinos (es decir, bodegas). El objetivo es determinar el programa de transporte
que minimice el costo total del transporte y que al mismo tiempo satisfaga los
lmites de oferta y la demanda. En el modelo se supone que el costo de transporte
es proporcional a la cantidad de unidades transportadas en determinadas rutas.
En general, se puede ampliar el modelo de transporte a otras reas de operacin,
entre otras el control de inventarios, programacin de empleos y asignacin de
personal. [4]
El mtodo de aproximacin de Vogel es un mtodo heurstico de resolucin de
problemas de transporte capaz de alcanzar una solucin bsica no artificial de
inicio, este modelo requiere de la realizacin de un nmero generalmente mayor
de iteraciones que los dems mtodos heursticos existentes con este fin, sin
embargo produce mejores resultados iniciales que los mismos.
ALGORITMO DE VOGEL
El mtodo consiste en la realizacin de un algoritmo que consta de 3 pasos
fundamentales y 1 ms que asegura el ciclo hasta la culminacin del mtodo.
PASO 1
Determinar para cada fila y columna una medida de penalizacin restando los dos
costos menores en filas y columnas.
PASO 2
Escoger la fila o columna con la mayor penalizacin, es decir que de la resta
realizada en el "Paso 1" se debe escoger el nmero mayor. En caso de haber
empate, se debe escoger arbitrariamente (a juicio personal).
PASO 3
De la fila o columna de mayor penalizacin determinada en el paso anterior
debemos de escoger la celda con el menor costo, y en esta asignar la mayor
cantidad posible de unidades. Una vez se realiza este paso una oferta o demanda
quedar satisfecha por ende se tachar la fila o columna, en caso de empate solo
se tachar 1, la restante quedar con oferta o demanda igual a cero (0).
PASO 4: DE CICLO Y EXCEPCIONES
- Si queda sin tachar exactamente una fila o columna con cero oferta o demanda,
detenerse.

13

- Si queda sin tachar una fila o columna con oferta o demanda positiva, determine
las variables bsicas en la fila o columna con el mtodo de costos mnimos,
detenerse.
- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda,
determine las variables bsicas cero por el mtodo del costo mnimo, detenerse.
- Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las
ofertas y las demandas se hayan agotado. [5]
EL PROBLEMA
Una empresa energtica colombiana dispone de cuatro plantas de generacin
para satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot,
Medelln y Barranquilla. Las plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45
millones de KW al da respectivamente. Las necesidades de las ciudades de Cali,
Bogot, Medelln y Barranquilla son de 70, 40, 70 y 35 millones de Kw al da
respectivamente.
Los costos asociados al envo de suministro energtico por cada milln de KW
entre cada planta y cada ciudad son los registrados en la siguiente tabla.

Planta 1
Planta 2
Planta 3
Planta 4

Cali
5
3
6
4

Bogot
2
6
1
3

Medelln
7
6
2
6

barranquilla
3
1
4
6

El primer paso es determinar las medidas de penalizacin y consignarlas en el

tabulado de costos, tal como se muestra a continuacin.

El paso siguiente es escoger la mayor penalizacin, de esta manera:

14

El paso siguiente es escoger de esta columna el menor valor, y en una tabla

paralela se le asigna la mayor cantidad posible de unidades, podemos observar
como el menor costo es "2" y que a esa celda se le pueden asignar como mximo
60 unidades "que es la capacidad de la planta 3".

Dado que la fila de la "Planta 3" ya ha asignado toda su capacidad (60 unidades)
esta debe desaparecer.

15

Se procede a eliminar la fila correspondiente a al a Planta que ha quedado sin

unidades, adems observaciones como la demanda de Medelln se modifica,
ahora solo necesita 10 unidades, dado que se le resta la cantidad ya asignada.
Se ha llegado al final del ciclo, por ende se repite el proceso

Cuadro solucin

16

Por ende asignamos en esta celda la mayor cantidad de unidades posibles, es

decir 30, dada la capacidad de la planta 2

Dado que la planta 2 se ha quedado sin unidades se elimina, y la demanda de

Barranquilla ahora es 35-30=30
Iterando nuevamente

El menor valor de esta columna es 3, por ende le asignamos la mayor cantidad de

unidades posibles, la cual se ve restringida por la demanda de Barranquilla, la cual
es de tan solo 5 unidades.
Cuadro solucin

Podemos observar cmo queda satisfecha la demanda de Branquilla por ende

desaparecer, as mismo la oferta de la planta 1 queda limitada a 80-5=75
unidades.

17

Continuando con las iteraciones

Cuadro solucin

Iniciaremos otra iteracin

18

Cuadro solucin

Al finalizar esta iteracin podemos observar como el tabulado queda una fila sin
tachar y con valores positivos, por ende asignamos las variables bsicas y hemos
concluido el mtodo.

19

Ahora podemos observar como cada demanda es satisfactoria sin superar los
niveles establecidas por la oferta de cada planta.
Los costos asociados a la distribucin son:

20

5. Problema de asignacin
El problema de asignacin es un tipo especial de problema de programacin lineal
en el que los asignados son recursos destinados a la realizacin de tareas. Por
ejemplo, los asignados pueden ser empleados a quienes se tiene que dar trabajo.
La asignacin de personas a trabajos es una aplicacin comn del problema de
asignacin. Sin embargo, los asignados no tienen que ser personas. Tambin,
pueden ser mquinas, vehculos, plantas a los que se asignan tareas. Para que un
problema se ajuste a la definicin de problema de transporte se deben cumplir las
siguientes suposiciones:
1) El nmero de asignados es igual al nmero de tareas. (Este nmero se denota
por n).
2) Cada asignado se asigna a una tarea.
3) Cada tarea debe realizarla exactamente un asignado.
4) Existe un costo cij asociado con el asignado i (i = 1,2..., n) que realiza la tarea j
(j= 1,2...n).
5) El objetivo es determinar cmo deben hacerse la n asignaciones para minimizar
los costos totales.
Cualquier problema que satisface estas suposiciones puede resolverse en forma
extremadamente eficiente mediante los algoritmos diseados especialmente para
los problemas de asignacin.
21

5.1 Modelo del problema de asignacin

El problema de asignacin en el cual se determinan n trabajadores a n trabajos
puede representarse como un modelo de programacin lineal usando las variables
de decisin como sigue [7]:
xij = 1, si el asignado i realiza la asignacin j
xij = 0, en caso contrario.
Para i = 1,2..., n y j = 1,2...n. Entonces, cada xij es una variable binaria (toma
valores 0 o 1). Estas variables representan decisiones de si o no: Debe el
asignado i realizar la tarea j?.

Sea Z el costo total, el modelo del problema de asignacin es:

Minimizar:
n

Z = c ij x ij
i=1 j=1

Sujeta a:

x ij=1 ; para i=1,2, n

j=1
n

x ij =1 ; para j=1,2, n
i=1

x ij 0; ( i, j)
Para resolver este tipo de problemas, se debe aplicar el siguiente algoritmo
denominado MTODO HNGARO.
5.2 Procedimiento de solucin: MTODO HNGARO
El mtodo Hngaro es un mtodo de optimizacin de problemas de asignacin,
recibe ste nombre gracias a que los primeros aportes al mtodo clsico definitivo
fueron de Dnes Knig y Jen Egervry dos matemticos hngaros. El algoritmo
tal como se detallar a continuacin est diseado para la resolucin de
problemas de minimizacin:

22

5.2.1 Algoritmo Hngaro:

Paso 1: construir una matriz de costos n*m (en este caso conocida como matriz
m*m, dado que el nmero de filas es igual al nmero de columnas n = m), una vez
construida esta se debe encontrar el elemento ms pequeo en cada fila de la
matriz.
Paso 2: consiste en obtener los costos de oportunidad para cada rengln y
columna, mediante la resta en renglones y columnas. Esto se hace restando el
nmero ms pequeo que aparezca en cada rengln o columna de los restantes
valores del rengln respectivo.
Paso 3: este paso consiste en realizar el mismo procedimiento de los dos pasos
anteriores referidos ahora a las columnas, es decir, se halla el valor mnimo de
cada columna, con la diferencia que este se halla de la matriz resultante en el
segundo paso, luego se construir una nueva matriz en la cual se consignarn los
valores Resultantes de la diferencia entre cada costo y el valor mnimo de la
columna a la cual cada costo corresponde, matriz llamada "Matriz de Costos
Reducidos".
Paso 4: A continuacin se deben de trazar lneas horizontales o verticales o ambas
(nicamente de esos tipos) con el objetivo de cubrir todos los ceros de la matriz de
costos reducidos con el menor nmero de lneas posibles, si el nmero de lneas
es igual al nmero de filas o columnas se ha logrado obtener la solucin ptima (la
mejor asignacin segn el contexto de optimizacin), si el nmero de lneas es
inferior al nmero de filas o columnas se debe de proceder con el paso 5.
Paso 5: consiste en encontrar el menor elemento de aquellos valores que no se
encuentran cubiertos por las lneas del paso 4, ahora se restar del restante de
elementos que no se encuentran cubiertos por las lneas; a continuacin este
mismo valor se sumar a los valores que se encuentren en las intersecciones de
las lneas horizontales y verticales, una vez finalizado este paso se debe volver al
paso 4. En el siguiente ejemplo se ver la aplicacin de este algoritmo en un
problema de asignacin [6]. Se trata de asignar cuatro personas a la realizacin
de cuatro tareas diferentes. La puntuacin relativa de cada persona a cada tarea
se podra determinar mediante puntuaciones de prueba, intentos u opiniones
subjetivas. Esas puntuaciones se disponen en forma de matriz como se indica en
la Tabla 3.
Tareas
1
2
1
2
6
2
1
2
Personas
3
4
3
4
2
4
Tabla 3: puntuacin relativa de cada persona a cada tarea
Paso 1: Encontramos el menor elemento de cada fila.
Tareas
23

3
3
5
1
1

4
5
3
5
5

1
2
6
3
2
1
2
5
Personas
3
4
3
1
4
2
4
1
Tabla 4: encuentro del el menor elemento de cada fila.

5
3
5
5

Nmero
menor
2
1
1
1

Paso 2: Construimos una nueva matriz con las diferencias entre los valores de la
matriz original y el elemento menor de la fila a la cual corresponde.

Tareas
1
2
3
4
1
0
4
1
3
2
0
1
4
2
Personas
3
3
2
0
4
4
1
3
0
4
Tabla 5: matriz con las diferencias entre los valores de la matriz original y el
elemento menor de la fila a la cual corresponde.
Se puede observar que en cada regln aparece un cero; los valores distintos de
cero son los costos de oportunidad que resultaran al no asignar a la persona con
la mayor puntuacin al puesto ms adecuado. Hecho esto se procede a verificar si
existe solucin ptima para el problema. Cuando hay un solo cero en cada rengln
y columna, se tiene la mejor combinacin posible, en la matriz anterior no hay
ceros en las columnas 2 y 4, de manera tal que se debe continuar aplicando el
mtodo una vez ms por lo menos.
Paso 3: En la matriz construida en el paso anterior se procede a efectuar el paso 1
esta vez en relacin a las columnas, por ende escogemos el elemento menor de
cada columna. Igualmente construimos una nueva matriz con la diferencia entre
los valores de la matriz 2 y el elemento menor de la columna a la cual corresponde
cada valor.
Tareas

Personas

1
2
3
4
Nmero
menor

1
0
0
3
1

2
4
1
2
3

3
1
4
0
0

4
3
2
4
4

Tareas
24

1
2
1
0
3
2
0
0
Personas
3
3
1
4
1
2
Tabla 6: matriz con la diferencia entre los valores de la
menor de la columna a la cual corresponde cada valor.

3
1
4
0
0
matriz 2 y

4
1
0
2
2
el elemento

Las columnas 1 y 3 no han variado, ya que contenan ceros. Los ceros revelan
ahora los costos de oportunidad de las interacciones empleado puesto.
Se realizar entonces una nueva verificacin de la solucin ptima. De la matriz,se
observa que el empleado 2 tiene tres de los costos de oportunidad disponibles, por
lo tanto, se requiere otra operacin en la matriz.
Paso 4: En este paso trazaremos la menor cantidad de combinaciones de lneas
horizontales y verticales con el objetivo de cubrir todos los ceros de la matriz de
costos reducidos.
Tareas
1
2
3
4
1
0
3
1
1
2
0
0
4
0
Personas
3
3
1
0
2
4
1
2
0
2
Tabla 7: trazo de la menor cantidad de combinaciones de lneas horizontales y
verticales
Paso 5: En este paso seleccionamos el menor elemento de los elementos no
subrayados. Ese nmero se suma a todos los valores que se encuentran en las
intersecciones de las lneas y se resta de todos los numero no cruzados. En la
matriz anterior el nmero ms pequeo no cruzado es el 1, en las celdas del
empleado 1, puesto 4; y del empleado 3 puesto 2. Se suma al valor de cada celda
en la interseccin de lneas:
Empleado 2, puesto 1: 0 +1 = 1
Empleado 2, puesto 3: 4 + 1 = 5
Tareas
1
2
3
4
1
0
2
1
0
2
1
0
5
0
Personas
3
3
0
0
1
4
1
1
0
1
Tabla 8: seleccionamos el menor elemento de los elementos no subrayados.
Para hacer una rpida verificacin, la matriz se somete nuevamente al trazado de
lneas que crucen los ceros. En este caso vemos que no hay manera de cruzar
todos los ceros con menos de cuatro lneas rectas, por lo tanto se ha encontrado
25

la solucin. Las asignaciones especficas se identifican localizando cualquier cero

que aparezca solo en un rengln o columna. El nico cero de la columna 1 est en
el rengln 1. Por lo tanto el empleado 1 se asigna al puesto 1.
Nos queda ahora una matriz de 3 x 3: el rengln 1 y la columna 1 fueron tomados
ya por la primera asignacin.
En el rengln 4, la nica asignacin posible es el empleado 4 al puesto 3. Las dos
asignaciones restantes son el empleado 2 al puesto 4, y el empleado 3 al puesto
2. Las combinaciones y las puntuaciones son las siguientes:
Combinacin empleado-puesto: E1 a P1, E2 a P4, E3 a P2, E4 a P3
Puntuacin empleado-puesto:

Ninguna otra combinacin puede ofrecer mejores puntuaciones por puesto.

Expresado de otro modo, este es el programa que tiene el costo de oportunidad
mnimo. [6]

26

UN MODELO DE PROGRAMACION LINEAL MIXTO PARA EL PROBLEMA DE LA

GESTIN ENERGTICA DE MICRORREDES.
Autores:
Daniel Tenfen, Erlon Cristian Finardi
LabPlan / UFSC, Planificacin de Sistemas Elctricos Laboratorio de Investigacin
de la Universidad Federal de Santa Catarina, en el Campus Universitario, CP 476,
CEP 88040-900 Florianpolis, Brasila.
Historia del artculo:
- Recibido: el 30 de junio 2014
- Recibido: en forma revisada: 12 de diciembre 2014
- Aceptado: 19 de diciembre 2014
- Disponible en lnea: 09 de enero 2015

RESUMEN
Este trabajo presenta un modelo matemtico para el problema de gestin de la
energa (EM) de una microrred (MG) por medio del enfoque de mtodos de
programacin lineal. En el problema de EM, el objetivo es determinar una
generacin y una poltica de demanda de carga controlable que minimice, en un
horizonte de planificacin, el costo de operacin sujetas a restricciones
econmicas y tcnicas. Proponemos un modelado detallado de micro turbinas
(MTs) y pilas de combustible (FC), donde las restricciones asociadas a factores
tales como las rampas, el mnimo, el tiempo de inactividad, y los lmites de
generacin, representan diversas peculiaridades. El modelo propuesto tambin
considera una oficial representacin detallada y cargas reprogramables, que son
aspectos importantes en el concepto MG. Para analizar el modelado propuesto, un
MG se utiliza junto con una MT, un FC, una batera de banco, el viento y
generadores fotovoltaicos conectados a la red principal. Los resultados indican
que el modelo es adecuado para la MG EM.

27

LAS SINERGAS ENTRE LA INVESTIGACION DE OPERACIONES Y LA

MINERA DE DATOS: EL EMERGENTE USO DE ENFOQUES MULTIOBJETIVOS.

Autores:
David Corne a, Clarisse Dhaenens b, c, Laetitia Jourdan b,c.
Universidad Heriot-Watt, Escocia, Reino Unido.
Laboratorio de informtica fundamental Lille, UMR CNRS 8022, Cit Scientifique,
Btiment M3, 59655 Villeneuve d'Ascq Cedex, Francia c INRIA Lille Nord-Europa,
Parc Scientifique de la Haute Borne, 40 avenue Halley, 59650 Villeneuve d'Ascq,
Francia.
Historia del artculo
- Recibido: 23 de septiembre 2011
- Aceptado: 23 de marzo 2012
- Disponible: en lnea 30 de marzo 2012
-Lo ltimo: la investigacin de operaciones, los sistemas basados en el
conocimiento y en el descubrimiento de conocimientos de la optimizacin
multi-objetivo.
RESUMEN
La investigacin de operaciones y la minera de datos ya tienen una larga tradicin
historia comn. De hecho, con el tamao de las bases de datos y la cantidad de
datos disponibles creciente, la minera de datos se ha vuelto crucial en la
modernidad la ciencia y la industria. Problemas de minera de datos plantean retos
interesantes para varios campos de investigacin y en particular para la
investigacin de operaciones, ya que necesitan grandes espacios de bsqueda de
soluciones para ser explorado. Por lo tanto, se han propuesto muchos mtodos de
investigacin de operaciones para hacer frente a este tipo de problemas difciles.
Pero las relaciones entre estos dos dominios no se limitan a estas aplicaciones en
cuanto a los enfoques de investigacin de operaciones. Tambin es importante
tener en cuenta, que los enfoques de minera de datos tambin se han aplicado
para mejorar las tcnicas de la investigacin de operaciones. El objetivo de este
artculo es poner de relieve la interaccin entre estas dos disciplinas de
investigacin. Un especial nfasis se colocar en el emergente tema de la
aplicacin de enfoques multi-objetivo.

28

Bibliografas
[1] Gomlolln Flix Alonso, Ejercicios de operacin de investigaciones, editorial
ESIC, Madrid, 1996, Pg. 56.
[2] Gonzales Ariza ngel Len, Manual de Investigacin de
editorial Uninorte, Barranquilla 2003, Pg. 149-166.

Operaciones 1,

[3] http://www.inf.utfsm.cl/~esaez/fio/s2_2003/apuntes/sensibilidad-2003-2.pdf
[4] A. Taha Hamdy, Investigacin de Operaciones sptima edicin, editorial
Pearson, Mexico, 2004, Pg.165.
[5]
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-de-aproximaci
%C3%B3n-de-vogel/
HAMDY A. TAH. Investigacin de operaciones. Novena edicin. PEARSON
EDUCACIN, Mxico, 2012. ISBN: 978-607-32-0796-6. Pgina 200.

29