Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Página 1
OPTIMIZACIÓN COMBINATORIA Y
PROGRAMACIÓN LINEAL
Modelos y algoritmos
Página 2
https://translate.googleusercontent.com/translate_f 1/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 3
OPTIMIZACIÓN COMBINATORIA Y
PROGRAMACIÓN LINEAL
https://translate.googleusercontent.com/translate_f 2/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Modelos y algoritmos
Página 4
Todos los derechos reservados y protegidos por la Ley n el 9.610 del 19/02/1998.
Ninguna parte de este libro, sin la autorización previa por escrito del editor,
podrá reproducirse o transmitirse por cualquier medio empleado:
electrónicos, mecánicos, fotográficos, de grabación o cualesquiera otros.
Publicación electrónica
Estudio Castellani
Revisión gráfica
Roberto Mauro Facce
Traducciones singulares y servicios editoriales
Proyecto gráfico
Elsevier Editora Ltda.
Conocimiento sin fronteras
Rua Sete de Setembro, 111 - Piso 16
20050-006 - Centro - Río de Janeiro - RJ - Brasil
ISBN 978-85-352-1520-5
https://translate.googleusercontent.com/translate_f 3/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Nota: Se utilizó mucho celo y técnica en la edición de este trabajo. Sin embargo, pueden ocurrir errores tipográficos,
impresión conceptual o duda. En cualquier caso, solicitamos la comunicación a nuestro Servicio.
Servicio al cliente, para que podamos aclarar o abordar el problema.
Ni el editor ni el autor asumen responsabilidad alguna por daños o pérdidas a personas
o bienes, derivados del uso de esta publicación.
G654o
2.ed.
Goldbarg, Marco Cesar
Optimización combinatoria y programación lineal: modelos y
algoritmos / Marco Cesar Goldbarg, Henrique Pacca L. Luna.
-2.ed. - Río de Janeiro: Elsevier, 2005 - 10 la reimpresión.
Illinois.
Incluye bibliografía
ISBN 978-85-352-1520-5
Página 5
PREFACIO
Los autores son profesores de renombre en las áreas de optimización, programación matemática e investigación.
Operacional. Guiar tesis de posgrado, impartir cursos de pregrado y posgrado.
en los temas tratados en este libro, publicar en revistas científicas indexadas y ejercitar
en sus universidades.
Marcos C. Goldbarg y Henrique PL Luna estaban felices de lanzar este libro, ya que eligieron un
momento favorable cuando hay muchos estudiantes y profesionales en Brasil interesados en los procesos
apoyo para la toma de decisiones.
Optimización combinatoria y programación lineal: modelos y algoritmos logra un equilibrio entre
arte del modelado matemático en optimización y los algoritmos para resolver estos modelos. Comenzando
del método simplex para resolver problemas de programación lineal, los autores revisan
de manera muy didáctica temas importantes como el flujo en redes, el camino más corto en un gráfico y
mínimo árbol generador de un gráfico, donde el lector puede percibir la necesidad o no
para orientar un gráfico. La noción de programación lineal con variables integrales está muy bien introducida
y sus aplicaciones en problemas de decisión, en los que algunas variables son bivalentes (0-1). Maestro-
La eliminación 0-1 es muy útil para problemas de ubicación de instalaciones, diseño de redes
servicio, rutas vehiculares.
Existen problemas clásicos de optimización combinatoria para los que métodos de programación específicos
Se desarrolló información lineal con variables bivalentes. Entre estos problemas, los autores
los siguientes son muy claros: del viajante de comercio, del tabique, del revestimiento, del
corte, carga, embalaje y desplazamiento de vehículos.
Dada la explosión combinatoria de algunos problemas de optimización combinatoria, muchas veces
si puede obtener una solución óptima; por lo tanto, los autores también consideraron métodos heurísticos
con complejidad numérica polinomial, con el objetivo de buscar buenas soluciones.
El libro está bien escrito, bien ilustrado, contiene buenos ejercicios y una bibliografía actualizada.
Lo considero un trabajo esencial para la enseñanza de la optimización combinatoria en Brasil.
https://translate.googleusercontent.com/translate_f 4/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
N ELSON M ACULAN
Secretario de Educación Superior del Ministerio de Educación
Profesor titular
Universidad Federal del Rio de Janeiro
Página 6
Llega la segunda edición del libro Combinatory Optimization and Linear Programming: Models and Algorithms
en un momento oportuno, cuando la necesidad de actualizar el asunto y la madurez de
autores en relación con la obra. Han pasado cinco años, se han impreso cuatro mil, con un
más de una tirada al año. Las mejoras ahora introducidas se basan en la experiencia
del uso del libro en el aula y de los comentarios de compañeros docentes que nos honran
con el uso de la primera edición.
Constituir una versión actualizada que conserve el contenido original y mejore la forma en que se presenta.
presentación, esta segunda edición incluye una importante inclusión de referencias a la producción científica
del primer candelabro del nuevo milenio. La actualización resultó en un saldo positivo de decenas de
páginas, con la eliminación de algunas páginas del apéndice que no fueron referenciadas en el texto principal
de la primera edición. La rica ilustración del libro se reorganizó con la numeración restringida al alcance de
cada capítulo, incluyendo referencias a figuras, ecuaciones, tablas y tablas, que a su vez
presentación estandarizada.
La presente edición buscó principalmente actualizar las citas bibliográficas, especialmente en el
en relación con los algoritmos para resolver los problemas de optimización combinatoria abordados, y
las taxonomías utilizadas en los capítulos aplicados. Por ejemplo, el Capítulo 9, que trata sobre "Problema
pero enrutamiento ”, ha sido completamente rehecho con un esquema de clasificación más actual para
estructura relevante. A su vez, los capítulos 8 y 10, que tratan, respectivamente, del problema del secretario
Traveller y los problemas de "Cobertura, Partición y Ubicación" también se enriquecieron
y actualizado. Algunos materiales migraron del capítulo, con el fin de reunir materiales relacionados y dar mayor
adherencia a los nombres que etiquetan los capítulos.
Esta segunda edición llega en un momento en el que se consolida el vínculo entre optimización combinatoria
Programación lineal, que confirma la exactitud del nombre del libro y la importancia del material.
cualquier cosa. Otra tendencia que ya se había anticipado en la primera edición se refiere al interés
el uso de heurísticas clásicas y metaheurísticas para abordar problemas de optimización combinados
nativo. Estas dos tendencias mundiales se destacan en el libro y se reflejan en el trabajo de
investigación de los autores y sus estudiantes de posgrado, cuyos artículos científicos, tesis y disertaciones
más avanzado y complementario al tema basado en el libro. Dentro del alcance de
combinatoria, se busca un equilibrio entre la enseñanza de algoritmos exactos, que por regla general
mediante el uso de programación lineal de enteros mixtos y algoritmos aproximados, que como regla
utilizar metaheurísticas. El alumno debe darse cuenta de que la búsqueda de la optimalidad global es siempre
un ideal a perseguir, pero que frente a la complejidad de los problemas del mundo real
necesario idear un método heurístico para resolver el problema en cuestión. La lección es que el
El sentido común, la evaluación crítica y la competencia deben prevalecer al abordar un problema, evitando
tanto el miedo a la complejidad como la obsesión por la precisión.
Lanzada al comienzo del segundo candelabro del nuevo milenio, esta segunda edición se beneficia enormemente de
un momento en el que las redes de comunicación se han convertido en un agente eficaz para apoyar la enseñanza y las personas
desear. La falta de buenas bibliotecas ya no es, en términos de capacidad de búsqueda de conocimiento,
https://translate.googleusercontent.com/translate_f 5/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
uno de los factores determinantes de las desigualdades regionales.
Página 7
Del Nordeste brasileño, los autores obtuvieron prácticamente toda la colección de producción científica,
cuya referencia se agrega en esta segunda edición. Naturalmente, le corresponde al lector hacer un uso directo de
de esta rica información electrónica. Durante este período entre la primera y la segunda edición,
accesibilidad al conocimiento generado en el mundo. El material complementario que los autores ponen a disposición
en la Web es solo una parte de la información que el lector más interesado debería recuperar. Nuestro ambiente
Es necesario alentar al académico a aprovechar al máximo las fuentes de información enriquecidas y gratuitas
Internet y, principalmente, el pago y difusión por CAPES de las ediciones electrónicas de los principales
las principales revistas científicas.
Hay muchos ejercicios resueltos en el libro y, aunque la mayoría de los ejercicios propuestos son
posible, hay todo grado de dificultad en los ejercicios sugeridos, algunos constituyen problemas en
disertaciones de maestría o incluso tesis doctorales. Es normal, por tanto, que haya algunos ejercicios
abierto, y el lector maestro o alumno debe entender que en estos casos la resolución puede
ser obtenido después de un esfuerzo de investigación que aún no ha sido realizado ni siquiera por
res. En este sentido, el libro debe entenderse como un trampolín para la actividad investigadora, y es
esto también sirve para cursos de posgrado.
Por cierto, además del sitio web del editor, el lector interesado también puede recuperar información
en repositorios de posgrados y laboratorios de investigación. CAPES
actualmente recomienda transparencia y contenido electrónico para cada posgrado,
hacer que su material didáctico esté disponible en la red y fomentar las páginas de inicio para los propios estudiantes,
el cual debe mostrar sus ejercicios resueltos y su trabajo de computación científica. Esta
Recomendación adoptada en el Programa de Posgrado en Modelado Computacional del Conocimiento.
UFAL, en Maceió ( http://www.tci.ufal.br/mcc ). En particular, este programa está lanzando
Los once alumnos matriculados en el segundo semestre de 2004 en el
Optimización continua y combinatoria, impartido por el autor Henrique Pacca L. Luna, en el que
se adopta el libro y los estudiantes deben ejecutar en diferentes paquetes de optimización muchos de los ejercicios
resuelto y propuesto en el libro. Debido a una gran cantidad de información, con el debido
cuidado, el lector puede utilizar directamente este tipo de página de inicio como fuente de información completa
suplemento del libro. Otra fuente de carácter complementario se encuentra en las webs de los laboratorios de investigación.
quisa y CNPq, en particular el sistema Lattes, en el que se reanuda y
Grupos de investigación brasileños. En particular, el Centro de Excelencia en Optimización de Sistemas
Complexes, que articula un consorcio de investigación de instituciones del noreste, mineras y francesas
sas, y proporciona material digital en http://nexos.tci.ufal.br , en el que artículos, tesis,
disertaciones, conferencias, figuras, modelos computacionales y ejercicios resueltos de nuestros libros y
Apuntes de clase.
Reafirmamos nuestro agradecimiento a todos los que fueron citados explícita o implícitamente en el
introducción a la primera edición. A ellos se unen colegas docentes y estudiantes de pregrado y posgrado.
estudios de posgrado, de los cuales muchos se graduaron o se convirtieron en maestros y doctores en este período de
años entre la primera y la segunda edición del libro. Los compañeros de campo todavía están aquí
representado por el profesor Nelson Maculan, hoy Secretario de Educación Superior del MEC, quien
Nos honró enormemente con la presentación del libro. Profesora Elizabeth Ferreira Gouveia, de UFRN,
también nos ayudó en esta segunda edición y merece un agradecimiento especial. Esta vez tambien
a pesar de todos los esfuerzos de revisión, los errores que eventualmente persisten son responsabilidad
de los autores, que siguen estando disponibles a través de las direcciones de correo electrónico gold@dimap.ufrn.br y
pacca@tci.ufal.br para recibir críticas y sugerencias. Y finalmente agradecemos a los lectores, cuyo interés
La viabilidad económica de esta segunda edición se planteó sobre un tema que tanto nos fascina.
Marco C. Goldbarg
Henrique PL Luna
Noviembre de 2004
Página 8
https://translate.googleusercontent.com/translate_f 6/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 9
abre el camino para el uso de paquetes de programación matemática comerciales eficientes, cuyo
El progreso en la solución exacta de importantes problemas prácticos ha sido notable. Incluso para heurística
ciones que no requieren la formulación de una programación lineal completa, calidad
a menudo se hace usando la relajación del problema de programación lineal.
Lanzado en el cambio de milenio, el libro se beneficia de una época en la que las redes de comunicación
se convirtió en un eficaz agente de apoyo a la enseñanza, como parte de una propuesta del editor
Poner a disposición material complementario a través de Internet, principalmente para profesores registrados.
Desde. Se proporcionarán más detalles en el sitio web correspondiente, en función de la dinámica de interacción con
profesores y alumnos. Para ayudarlo a aprovechar al máximo este libro, hemos colocado algunos íconos
asociados a los ejercicios resueltos y por resolver. Así, los símbolos J, K, L, M y N indican el grado de
dificultad del ejercicio, en orden ascendente.
El material de esta primera edición fue probado y revisado durante un año, en
cursos de pregrado y posgrado, tanto en la UFRN como en la UFMG. La lista sería muy larga, pero gracias
Prestamos especial atención a todos estos estudiantes que sirvieron como conejillos de indias. Algunos compañeros de la zona
https://translate.googleusercontent.com/translate_f 7/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ayudó de diferentes maneras, y entendemos que todos están representados aquí por el profesor Nelson
Maculan, quien nos honra con la presentación del libro. También desempeñó un papel importante el
personal de seguimiento de las disciplinas de Investigación Operativa en la UFMG durante 1999. El estudiante de doctorado
Ricardo Poley Martins Ferreira produjo una serie de transparencias que permitieron
libro en clase. Estudiante de maestría Renata Couto Moreira ( renatacm@lapo.dcc.ufmg ) y estudiante de posgrado
Adriano César Machado Pereira ( adrianoc@dcc.ufmg.br ) continúa trabajando con nosotros en apoyo de
bell y la producción de material didáctico, especialmente en la resolución de ejercicios. Fue gracias a eso
apoyo que pudimos poner a disposición material complementario en Internet.
A la profesora Elizabeth Ferreira Gouvêa nuestro agradecimiento por las importantes observaciones realizadas
en la fase de revisión final.
A pesar de todos los esfuerzos de revisión, los errores que eventualmente persisten son naturalmente
responsabilidad de los autores, que se ponen a disposición a través de las direcciones de correo electrónico gold@dimap.ufrn.br
y pacca@dcc.ufmg.br , para recibir comentarios, críticas y sugerencias que se consideren oportunas. Esperamos que el
vro contribuye a apoyar la enseñanza de esta área del conocimiento que tanto nos fascina.
MC Goldbarg
HPL Luna
Noviembre de 1999
Página 10
1 MODELADO
PROBLEMAS
https://translate.googleusercontent.com/translate_f 8/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
se hizo más complejo, las necesidades para mejorar el proceso de comprensión crecieron
del mundo. En la antigüedad, se presentaron innumerables y sofisticadas estructuras de abstracción
representar las propiedades y los diferentes grados de interacción entre los diversos interferentes de este
todo. Ante la imposibilidad de abordar directamente la complejidad del mundo, el hombre se ha mostrado
cada vez más hábiles en la creación de metáforas para la representación y solución de su relación con este
mismo mundo.
Este proceso de buscar una visión bien estructurada de la realidad (aclaración) es fundamentalmente
un fenómeno de modelado. La palabra modelo puede tener varios significados. Modelo como
La representación sustitutiva de la realidad se distingue del verbo modelar. El verbo introduce la idea de
modulación de la realidad, que es más amplia que la simple representación.
Un modelo es un vehículo para una visión bien estructurada de la realidad . Un modelo también puede ser
visto, con el debido cuidado, como una representación sustituta de la realidad .
Todos hemos tratado con modelos, incluso en ocasiones en las que no lo hicimos
ser consciente de. Cuando le explicamos algo a una persona mediante fotografías o gráficos, o cuando representamos
nos sentamos planos o sólidos a través de ecuaciones matemáticas, no estamos haciendo nada más que
transmitir e interpretar la extraña realidad a través de metáforas o modelos de sustitución .
La geometría euclidiana es un modelo que satisface un conjunto de axiomas, o un modelo de
contexto axiomático. Del mismo modo, en esta línea, podemos identificar otros modelos que
desde las transformaciones de Laplace y su Mécanique Céleste hasta la Teoría Cuántica y el átomo de Bohr.
Evidentemente, no solo existen modelos axiomáticos. El contexto epistemológico es un ejemplo diferente
solamente. Tratando con lo concreto o dirigiéndose a lo imaginario, la mente del hombre trabaja con estructuras de
“Sustitución” que pretenden facilitar el razonamiento, estructuras que denominaremos genéricamente
de modelos.
Los modelos, para ser implementables, deben estar libres de pequeños detalles costosos. En esto
enfoque la importancia de la simplificación del equilibrio tiempos de validez es básica. Concluimos que:
Página 11
El poder de representatividad es la característica del modelo que lo hace deseable. La habilidad para
la simplificación le da viabilidad operativa. Hay varios criterios para medir la idoneidad
o adherencia del modelo a la realidad representada. En varias ocasiones la representatividad del modelo
se puede mejorar de forma interactiva. El proceso de verificación de representatividad se llama
validación del modelo de accidente cerebrovascular , y un paso necesario en cualquier procedimiento científico.
4 Enfoque holístico
Cuando buscamos solucionar un problema, en la mayoría de ocasiones la preocupación
Concatenar y gestionar los diversos impactos de nuestra solución en otros contextos es
significativo. Si nuestra solución puede crear otros problemas que posteriormente puedan cancelar
Para mostrar la contribución de nuestro esfuerzo, es indispensable un enfoque holístico.
4 Traducción adecuada
Un buen modelo requiere una traducción contextual conveniente. Una buena traducción contextual
se puede expresar mediante un correcto isomorfismo entre el fenómeno y su modelo. La figura
1.1 aclara el proceso de traducción, enfatizando su aspecto simplificador y estructurador.
Atención
Simplificador
Traducción
Modelo
https://translate.googleusercontent.com/translate_f 9/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Realidad
Complejo
Evidentemente, no todos los problemas son iguales. El proceso de traducción contextual debe poder
identificar los elementos fundamentales del tema y transportarlos a una representación capaz de
ser manipulado mediante engaños o métodos de solución. Las dificultades de la traducción y
son de naturaleza diferente, pero interfieren profundamente. La traducción apunta claramente a
Pagina 12
MODELADO DE PROBLEMAS 3
Para definir la "complejidad" elegiremos identificar las propiedades que causan e interfieren
con el fenómeno. Esta opción permite una vista muy operativa sin comprometer una posible
profundización teórica. El primer aspecto a destacar en la constitución de la complejidad de un modelo
es su "permeabilidad" al medio ambiente circundante. Un modelo simple tiene un perímetro
de interferencia simple y bien definida. Un segundo punto se refiere a su estructura interna. un
modelo simple tiene una estructura homogénea, morfología uniforme y un pequeño número
de variables. La última dimensión engloba la dinámica, correspondiente a la consideración de cómo
la estructura interna cambia con el tiempo.
Analizando estas tres dimensiones principales, a saber (ver Figura 2):
• Medio ambiente.
• Dominio.
• Dinámica.
Diremos que un modelo es simple cuando:
1
Usamos el término metamodelo porque este modelo es un gran enfoque que apoya la elaboración de otros modelos.
ellos más específicos.
https://translate.googleusercontent.com/translate_f 10/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 13
Los sistemas son componentes no atómicos (desde el punto de vista de la observación) de una unidad determinada
verso. Los sistemas, en general, todavía tienen las siguientes propiedades:
4 Simbiosis interna o propiedad de función compartida que hace que cada parte sea indispensable
dentro de la constitución del sistema.
4 Sinergia o efecto multiplicador que permite que el sistema alcance niveles de rendimiento
superior al obtenido por la suma del rendimiento de cada parte aislada.
Otro elemento fundamental del concepto es el diseño de propiedad recursiva. Las partes de un sistema
El tema también puede considerarse subsistemas que disfrutan de la misma naturaleza de propiedades.
previsto para el conjunto. Esta propiedad permite una enorme flexibilidad de razonamiento. Con ese
de esta herramienta, muchas situaciones complejas de la realidad, antes de ser difíciles de abordar, podrían ser
Conceptualmente "organizado" con facilidad. De hecho, el enfoque sistémico ha facilitado enormemente
representación de la realidad y, en consecuencia, su mejor comprensión.
Un modelo no es lo mismo que la realidad, pero lo suficientemente similar para las conclusiones obtenidas a través de
el análisis y / o la operación pueden extenderse a la realidad.
En consecuencia, para la formalización de este modelo es fundamental definir:
Página 14
MODELADO DE PROBLEMAS 5
4 La interrelación fluye .
https://translate.googleusercontent.com/translate_f 11/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Como nuestro objetivo es perseguir una propuesta de modelado factible, examinaremos las condiciones
instrucciones para realizar una buena traducción a la luz de la complejidad. La figura 1.2 resume las tres dimensiones
batidos en el ítem número 1 y que representan las posibilidades de aplicación práctica del sistema
(Suntherland [1975] y Bertalanffy [1968]).
Dinámica
Indeterminado
Estocástico
Intratable
Medio ambiente
Está claro que el iconógrafo de la figura se puede aplicar para el análisis de todo tipo de sistemas, incluyendo
incluido el socioeconómico (quién puede representar a una sociedad o un país). Enfoque
en el objetivo del presente trabajo, los modelos de optimización, podemos identificar su área de restricción
la complejidad de la traducción entre los dos planos representados en la Figura 1.3. El plan integrado
que determina modelos deterministas, tratables y pequeños, se denomina
canismos.
La estructura relacional de los sistemas modelados se puede representar mediante dibujos o símbolos.
El comportamiento funcional se puede representar mediante funciones de desempeño en las que el posible
las posibles entradas en los subsistemas están asociadas con las salidas que genera.
Desde la propia definición del modelo y sus objetivos, las principales características de
modelos de optimización:
4 Elsegundo tema es el énfasis en la mejora mensurable en el proceso. En ese momento están involucrados
Los conceptos de optimización se enfrentaron en vista de las posibilidades de que el problema tuviera más de una solución.
posible. Los modelos de optimización suelen estar respaldados por variables cuantitativas
bien definido como muestra el iconógrafo.
Página 15
Dinámica
Indeterminado
Estocástico
Muchas variables
y heterogeneidad
Determinista
Dominio
Tratable
Intratable
Medio ambiente
https://translate.googleusercontent.com/translate_f 12/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIGURA 1.3 Espacio viable para el desempeño de modelos de optimización.
Minimizar f (x)
sujeto a:
h yo (x) = 0 , yo = 1 , ..., m h
g j (x) £ 0 , j = 1 , ..., m g
xÎÂn
Y
∅ ≠ ⊆F dos
C: F ® Â
un problema de optimización discreta puede entenderse como el deseo de obtener un conjunto satisfactorio S * Î F
zendo:
Página 16
MODELADO DE PROBLEMAS 7
La figura 1.4 presenta una clasificación con respecto a la naturaleza de los modelos:
Físicos
Hormigón
Geométrico
Modelos Matemáticos
Resumen Lógica
Esquemático
- Modelos icónicos .
- Modelos analógicos .
- Modelos simbólicos .
En modelos icónicos, las propiedades relevantes de los objetos reales se representan como tales. En esto
https://translate.googleusercontent.com/translate_f 13/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
si es tipo de modelo, una de las diferencias más significativas entre la realidad y el modelo está en la escala.
Los modelos icónicos son imágenes de la realidad. Algunos ejemplos de este tipo de modelo son fotografías
y mapas. Los modelos icónicos son generalmente concretos y difíciles de manipular experimentalmente.
Los modelos analógicos utilizan un conjunto de propiedades inherentes al modelo para representar la
conjunto de propiedades de la realidad. Un ejemplo clásico es la sustitución de sistemas hidráulicos por
eléctrico. Los gráficos son modelos analógicos que utilizan cantidades geométricas y posiciones en el plano para
representan varias variables y sus relaciones, representando, en muchas situaciones, problemas de decisión.
Los modelos simbólicos utilizan letras, números y otros símbolos para representar las variables y sus relaciones.
ciones. En la mayoría de los casos, toman la forma de relaciones lógicas o matemáticas (ecuaciones). De una
En general, todos los modelos y, en particular, los modelos simbólicos se desarrollan de forma integrada.
por aproximaciones. Los diagramas de flujo y DFD (diagrama de flujo de datos) son modelos típicos
desarrollos simbólicos, generalmente en etapas de aproximación. Los modelos desarrollados en el primer
Las diferentes fases del modelado a menudo se denominan modelos conceptuales . En estos modelos conceptuales
las relaciones entre los elementos del sistema a menudo se describen cualitativamente. DFD y
Las placas de Petri son ejemplos de esto. La optimización tiene como objetivo, siempre que sea posible, construir modelos
simbólicos porque permiten el tratamiento cuantitativo del sistema y sus propiedades.
Página 17
4 Descripción.
4 físicos.
4 Simbólico.
4 Procesal.
Los modelos descriptivos se expresan en el lenguaje actual. Son muy limitados, ya que su
El método de predicción es interno.
Los modelos físicos van desde representaciones en miniatura para la organización del diseño hasta
los túneles de viento. Tienen un coste elevado y son muy específicos.
Los modelos procedimentales también pueden denominarse simulación.
4 objetivos.
4 niveles de detalle.
Formulación y construcción
del modelo inicial
https://translate.googleusercontent.com/translate_f 14/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 18
MODELADO DE PROBLEMAS 9
El secreto del éxito del modelo de optimización depende de la adecuación de su traducción, también
llamado "formulación". El término "formular", ampliamente utilizado para expresar el proyecto
proceso de construcción de modelos de optimización, trae consigo una enorme cantidad cuantitativa y matemática
ca . Por otro lado, la adecuación pretendida también depende de elementos que escapan al contenido
estrictamente técnico, que implica la percepción del diseñador del modelo (o equipo de diseño),
una facultad cognitiva de alto nivel. Las fórmulas o ecuaciones en el modelo no existen listas y
en la naturaleza, tienen que ser identificados o creados. Curiosamente, se obtiene la precisión de la traducción
mediante procesos menos rigurosos o conocidos, que involucran:
4 Intuición.
4 Experiencia.
4 Creatividad.
4 Existe una fuerte tendencia a considerar la actividad de formular un modelo como un arte .
El enfoque artístico del fenómeno de la formulación tiene sus justificaciones, pero puede traer
en sí mismo un elemento perverso: cambiar el enfoque del desarrollo de técnicas de modelado a un
contexto poco conocido y controlable. Si, por un lado, la construcción de un modelo es innegable
actividad subjetiva, que puede requerir características innatas del modelador, por otro lado, en la mayoría
En ocasiones, conjugar el verbo modelar requerirá un esfuerzo absolutamente técnico. A pesar del lado brillante
y casi místico, en la mayoría de los casos de la vida real, se conocerán los factores predominantes de elaboración
conocimientos y habilidades parroquiales, cuyo aprendizaje y desarrollo serán perfectamente
cáncer del individuo medio.
En la fase de formulación del modelo de optimización, los tipos de variables que se utilizarán en la
presentación, así como el nivel apropiado de agregación de estas variables. Todavía en la formulación,
Las restricciones del problema están representadas , tanto cuantitativas como lógicas. El modelo
Ser apropiado a la naturaleza de los datos de entrada y salida, además de poder expresar las funciones.
cambios de rendimiento que probablemente sean necesarios en el proceso de optimización. Las funciones de
el desempeño, como regla, se llamará funciones objetivas . La formulación se completará con el
establecimiento de hipótesis de representación que guiarán la elección y posible uso de
datos existentes y técnicas de solución (exactas, heurísticas, etc.) para el caso.
La construcción de modelos determina la inclusión de parámetros y constantes que serán responsables
definiendo y dimensionando las relaciones entre las variables del modelo ( constantes de similitud ).
En la fase de validación del modelo, es necesario comparar su comportamiento con la realidad y, si es necesario,
Actuar sobre estos elementos para aproximar el comportamiento del sistema modelo tanto como sea posible.
el del sistema real.
Estándar 1 : cuando la estructura del sistema es lo suficientemente simple y evidente como para ser entendida por
inspección. En este caso, el modelo se puede construir fácilmente, lo que no significa que no pueda
https://translate.googleusercontent.com/translate_f 15/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 19
Ser muy difícil o incluso imposible evaluar las variables no controladas y varios otros parámetros.
metros. El número de variables controladas también puede hacer imposible la solución práctica del proyecto.
blema. El patrón de modelado 1 se aplica claramente a los sistemas que pertenecen al plano de la mecánica
el iconógrafo de la Figura 1.3.
Patrón 2 : cuando la estructura del sistema es relativamente aparente, pero la representación simbólica no es tan aparente
cerrar . En esta situación, la búsqueda de un sistema analógico con una estructura conocida es una buena opción. O
Un sistema análogo puede ayudar a descubrir las propiedades del sistema en estudio.
Ejemplificamos la aplicación del patrón 2 en el caso del modelo de recocido simulado, en el que el máximo
Las funciones complejas se investigan mediante una analogía con el proceso de recocido.
ciertos materiales.
Patrón 3 : cuando la estructura del sistema no es aparente , sin embargo, un análisis estadístico del mismo puede
cumplir con lo deseado. En este caso, el sistema se considera una caja negra, en la que sabemos, con
seguridad, respuestas a ciertos estímulos.
Patrón 4 : cuando la estructura del sistema no es aparente y no es posible aislar los efectos de las distintas variables
mediante análisis estadístico . En este caso, una buena política será el diseño de experimentos, con el fin de
determinar las variables y correlaciones relevantes y reducir el caso al estándar 3.
Patrón 5 : cuando comprobamos las situaciones del patrón 4, pero los posibles experimentos en el modelo
se limitan al fin deseado. ¿Será el final de la línea? En este caso, todavía existen modelos de conflicto
y juegos de operaciones (véase Ackoff [1971]). Si eso todavía no es suficiente, entonces la dimensión creativa de
el modelado debe estar activado.
Conceptos básicos
Las técnicas y algoritmos que abordaremos en el presente trabajo tienen como finalidad estructurar y resolver
los modelos cuantitativos que se pueden expresar matemáticamente. En esta rama del conocimiento
desarrollo humano, destaca la Investigación Operativa (PO), disciplina tradicional que aglutina a diferentes
versos de las técnicas más reconocidas de modelado matemático. Los modelos de PO son estructuralmente
lógicamente y apoyado por la herramienta matemática de representación, claramente
determinar las mejores condiciones operativas para los sistemas representados. los
Los principales modelos de PO se denominan Programación Matemática y constituyen uno de los más
variedades importantes de modelos cuantitativos. Inicialmente, es necesario deshacer una pequeña duda.
de lo que les puede pasar a los principiantes, especialmente debido al uso de la palabra "programación". Programa
La información aquí se entiende en el sentido de planificación. Aunque el término se ha utilizado recientemente
asociado con el proceso de comando computacional o la "programación" computacional, es
igualmente adecuado para expresar actividades genéricas de programación de actividades. Inevit-
Sin embargo, la programación matemática implicará programación computacional, ya que
que el número de variables de decisión y limitaciones es enorme en la práctica. Obviamente, esto se tomará
en cuenta las técnicas de modelado y solución empleadas. En el momento adecuado,
hagámoslo.
El campo de la Programación Matemática es enorme, y sus técnicas han sido consagradas en vista de su
gran utilidad en la resolución de problemas de optimización. Debido a las diversas peculiaridades
inherentes a los diferentes contextos de programación (planificación), los métodos de solución han sufrido
especializaciones y especializaciones. El proceso de modelado matemático en sí mismo varía poco;
sin embargo, las técnicas de solución terminaron agrupadas en varias subáreas como:
Página 20
MODELADO DE PROBLEMAS 11
Programación lineal
Un caso particular de modelos de programación en el que las variables son continuas y tienen
comportamiento lineal, tanto en relación a las restricciones como a la función objetivo. Caso extremadamente importante
importante debido a la eficiencia de los algoritmos de solución existentes y la posibilidad de transformar
Modelos de programación no lineal en modelos de programación lineal. La literatura en esta clase de
problemas es particularmente rico, incluidos los autores brasileños Barroso y Ellenrieder
(1971), Puccini (1975), Maculan y Pereira (1980), Humes y Humes (1987) y Gonzaga (1989).
https://translate.googleusercontent.com/translate_f 16/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Programación no lineal
Programación completa
Página 21
seleccionar, entre varias decisiones posibles, la más adecuada para lograr un determinado objetivo. Oración-
esta elección, generalmente, un elaborado proceso de:
4 Comparación de alternativas.
Los pasos mencionados no se realizan fácilmente, ya que existen muchas razones y obstáculos
que obstruyen el proceso. Quizás el primer obstáculo sea la propia deficiencia de información.
medio ambiente e incertidumbre sobre el futuro. Otro paquete problemático radica en el
conflictos de interés y dificultad para estandarizar los valores de evaluación. Para superar estos desafíos,
Surgió la Teoría de la Decisión , una disciplina orientada a la toma de decisiones, a través de un enfoque
metodología sistemática, cuantitativa y normativa. Por tanto, la teoría de la decisión busca explicar el comportamiento
comportamiento del hombre racional, y tiene como objetivo el desarrollo de métodos y técnicas capaces de ayudar
tomadores de decisiones para tomar decisiones de manera eficiente y efectiva.
Podemos contextualizar la Teoría de la Decisión como una disciplina que incorpora la Teoría de la Utilidad.
de , teoría de la probabilidad e investigación operativa . La teoría de la utilidad tiene como objetivo estudiar un
https://translate.googleusercontent.com/translate_f 17/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
para la comparación de diferentes valores y riesgos, proporcionando conocimiento de preferencias
agentes económicos. La teoría de la probabilidad proporciona un mecanismo para lidiar con la incertidumbre o
con información incompleta. Finalmente, la Investigación Operativa tiene como objetivo el desarrollo de métodos
y técnicas para la resolución de problemas y la toma de decisiones. Los siguientes elementos son comunes
en la toma de decisiones, independientemente de la naturaleza o situación:
4 Escala de valor o preferencia : se refiere al criterio adoptado por el decisor para seleccionar
alternativa, midiendo la situación o valor de utilidad que el tomador de decisiones asocia con cada resultado.
4 Estado de naturaleza o medio ambiente : se refiere a la condición del medio ambiente en el que se toman las decisiones.
generalmente fuera del control de quien toma las decisiones.
El objetivo principal de la toma de decisiones comerciales es maximizar la utilidad del tomador de decisiones,
en la práctica traducido maximizando los beneficios o minimizando los costes. Este objetivo se da en
Cualquiera de las siguientes situaciones en las que se puede contemplar el uso de un sistema de apoyo a la toma de decisiones
decisión:
Situación de certeza : donde tienes información completa, conociendo a priori el resultado asociado
cada acción. Esta situación suele estar indicada para el uso de técnicas de programación matemática.
Situación de riesgo o incertidumbre : donde hay información parcial, sabiendo que para cada acción
Pueden resultar dos o más consecuencias, cada una asociada con un estado de naturaleza cuya probabilidad
se conoce la estabilidad. La complejidad computacional impuesta por estos modelos puede inducirnos
el uso de métodos heurísticos, en detrimento del ideal de optimización.
Página 22
MODELADO DE PROBLEMAS 13
Situación de conflicto : es aquella en la que el estado de naturaleza es reemplazado por un oponente racional que
tiene como objetivo, al mismo tiempo, maximizar su utilidad y minimizar la utilidad del oponente. Enchufe
en situaciones de conflicto se estudia en Teoría de Juegos .
4 Determinarvalores de referencia para los diferentes productos en diferentes etapas de la cadena de suministro.
producción, procesamiento, almacenamiento y transporte.
Como veremos en el transcurso de este trabajo, la Programación Matemática puede ser útil en casi cualquier
áreas de actividades productivas. En este punto, podemos completar la presentación del
gran marco que enmarca el proceso de modelado, abordando la dimensión del flujo de información
ciones que impregna la actividad. La figura 1.6 será útil a este respecto. El esquema complementa el diagrama de flujo
Figura 1.5, en la medida en que detalla la interrelación entre el desarrollo del modelo y el proceso
desarrollo cognitivo del modelador.
La fase de adquisición de conocimientos sobre el sistema suele iniciarse mediante un enfoque
aproximación analítica. El sistema se examina y, por regla general, se descompone en una red de relaciones.
causa x efecto para que su arquitectura y desempeño puedan ser entendidos y justificados. Después del análisis
si, le corresponde al modelador identificar las partes más importantes y significativas del sistema, elaborando,
para el caso, una representación simplificada y eficiente. El proceso de síntesis avanza hacia
verso al análisis, reorganizando las partes ya analizadas anteriormente sólo ahora en un nuevo
estructura, la del modelo. La síntesis se elabora sobre una representación tentativa que se adapta
https://translate.googleusercontent.com/translate_f 18/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
en la medida de su construcción. Esta es una etapa inexacta, considerada por algunos como
Síntesis
Descomposición
Sistema real
Retroalimentación
Consistencia
Página 23
como arte , lo que da como resultado un modelo prototipo. Completado el diseño del modelo, debe ser probado
junto con el problema real. La fase de confrontación entre el modelo y el sistema representado también es
nominado para validación , y su aplicación prospectiva de simulación (ver Figura 1.5). Como regla general, la
La validación requiere un procedimiento iterativo que refina gradualmente el ajuste entre el modelo y
la realidad. La base de la validación es el funcionamiento del modelo cuando se alimenta con datos reales y
su comparación con el rendimiento del sistema original. En la mayoría de las ocasiones, esto es posible
hecho, pero no siempre. La operación de retroalimentación o retroalimentación en la Figura 1.6 representa este proceso
ajuste iterativo (ver también paso de reformulación del modelo ), observado bajo la cara de la interferencia
consolidar la información y transformarla en conocimiento.
Dado que el proceso de modelado depende del espíritu creativo del hombre, es posible que no podamos
definiendo con claridad los límites de los modelos de Programación Matemática y sus aplicaciones. A pie-
Como resultado, podría decirse que están más calificados para abordar el contexto tecnológico (lo que sugiere
uso de variables numéricas) dentro de decisiones en situaciones de certeza. Genéricamente, podríamos
digamos que su trabajo clásico sería:
Como modelo complejo, por regla general, no se puede elaborar en un solo paso, las características
Las fases descritas en la Figura 1.7 son:
La etapa de formular o traducir las condiciones del problema al contexto del modelado:
https://translate.googleusercontent.com/translate_f 19/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
estado).
Página 24
MODELADO DE PROBLEMAS 15
4 Horizontes de tiempo.
4 Un gran proceso de retroalimentación pasando por los pasos anteriores, experimentando el uso del modelo en el
sistema de producción o prestación de servicios.
Û
Determinista Probabilístico
Restringido
Û Irrestricto
Monocriter Û Multicriterio
Continuo Û Discreto
Unidecisor Û Varios tomadores de decisiones
Univariante Û Multivariante
Lineal Û No lineal
Uniobjetivo Û Multiobjetivo
Página 25
https://translate.googleusercontent.com/translate_f 20/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dieciséisOPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
Simulación
El enfoque de simulación se aplica cuando se presentan situaciones de incertidumbre o la complejidad del propio sistema
Este tema dificulta la comprensión de la ecuación exacta del sistema, o cuando la magnitud
el modelo de optimización lo hace computacionalmente inviable. Los modelos de simulación contorneados
estas dificultades con un uso más intensivo de datos estadísticos y con un mayor esfuerzo
Página 26
MODELADO DE PROBLEMAS 17
Inteligencia artificial
La Inteligencia Artificial (IA) es la rama de la tecnología de la información que se ocupa de la automatización del comportamiento intelectual.
gente. En su surgimiento, las expectativas de la disciplina abarcaron una rama del conocimiento que buscaba
sería posible retratar la mente usando simulaciones por computadora (ver LeDoux [1996]). Los primeros problemas
pero en IA involucraron juegos (el ajedrez sobresalió inicialmente) y pruebas automáticas de teoremas, porque
estos problemas implican claramente funciones cognitivas superiores. Esta tradición construyó un puente entre
https://translate.googleusercontent.com/translate_f 21/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
entre
lógicaIA y PO, tanto porcompleta
y programación el carácter lógico-matemático
(que se analizarán en eldecapítulo
estos primeros
5 de esteproblemas, como
libro). Otro porenlas
punto relaciones
común dijo entre
respecto al uso inevitable de las entonces emergentes técnicas de búsqueda de gráficos. Desde entonces,
que la inteligencia también requiere la manipulación de una base de conocimientos conveniente y que no
La computadora sería lo suficientemente rápida para superar la explosión combinatoria que resultó de estos problemas.
Esta realidad volvió a unir AI y PO en la búsqueda de algoritmos eficientes para procesar el conocimiento.
cemento. Además de varias cuestiones filosóficas que involucran la definición misma de inteligencia, la conciencia
etc., el área de la IA es rica en formalismos lógico-matemáticos que involucran representación y procesamiento
del conocimiento. El fundamento filosófico de la disciplina se desarrolló principalmente asociado con el
(ver Neisser ([1976])). Las técnicas de IA y PO se complementan en varios contextos, siendo
cantar el uso, por ambos, de técnicas heurísticas.
Quizás uno de los mayores obstáculos para la integración entre las técnicas de PO e IA radica en las diferencias
diferencias conceptuales entre los paradigmas utilizados para la representación del conocimiento en cada uno de los
enfoques. El iconógrafo de la Figura 1.3, propuesto por Suntherland (1975), puede ayudar en esta comprensión
sion. Los modelos de optimización son menos sensibles que los modelos de IA con respecto a las variaciones en el eje
dominio y más sensible en relación con el eje dinámico. Por otro lado, poder retratar
procesos mentales de toma de decisiones, incluso en consonancia con el funcionalismo, el aspecto de la redundancia
La arquitectura neuronal del cerebro es difícil de modelar en ambas técnicas. Trabajo moderno
en la línea de la inteligencia computacional indican nuevos paradigmas de representación del conocimiento
ment, como el holográfico. También insinúa la inclusión de enfoques filosóficos
más amplio que el propuesto por el funcionalismo (ver Emery [1969], Pribram [1976] y Teuber [1972],
[1974]).
El debate sobre la búsqueda de la calidad y la productividad como estrategia para incrementar la competitividad es,
hoy, un punto central para la gestión. El mundo globalizado está sufriendo una extraordinaria
cambiando hacia la expansión de la conciencia de los clientes. Los cambios actuales son tan sustanciales
que algunas empresas incluso cuestionan la naturaleza de sus problemas. Comportamiento humano
hermano, presiones sociales, injerencia estatal, ecología, etc. terminó transformando el medio ambiente
organizacional en una sopa de letras. Es fundamental para quienes pretenden invertir en una herramienta
más sofisticado para que el apoyo a la toma de decisiones pueda responder bien las siguientes preguntas:
Página 27
4 ¿Cómo podemos estar seguros de que de hecho estaremos lidiando con "el problema principal" cuando
¿Utilizamos modelos cuantitativos para resolver nuestros casos?
Este punto es tan grave que usaremos las palabras del filósofo Karl R. Popper para resumirlo:
https://translate.googleusercontent.com/translate_f 22/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
y servicios.
dos
Este principio establece que las organizaciones siempre buscarán adquirir más de los recursos que les proporcionarán energía.
invertido en producción. Esto da como resultado fusiones y crecimiento de funciones en un intento de controlar el entorno externo.
Página 28
MODELADO DE PROBLEMAS 19
Las reglas del éxito de la década de 1980 apuntaban a un binomio que se denominaba convencionalmente
nar: calidad y productividad. Muchos de nosotros hoy decimos automáticamente esas palabras cuando
pensamos en competitividad. En el momento en que se difundió este binomio, se vio la calidad
como elemento adjetivo del producto y factor de atracción y valor. Productividad, por otro lado
Por un lado, abordaría el aspecto de la salud organizacional. En resumen, podríamos decir que la productividad
consistiría en hacer lo correcto , mientras que la calidad en hacer lo correcto.
Desde este punto de vista, los modelos cuantitativos estarían más fuertemente asociados con el aspecto de la productividad.
que la calidad. Pensando así, algunos incluso estarían tentados a arriesgarse a lo viejo y equivocado.
que "la calidad cuesta más". Edward Deming, con su extraordinaria visión, ya en
La década de 1970 sugirió la insuficiencia de la dicotomía calidad-productividad. El problema de
mental es que suelen acabar interfiriendo con la realidad que intentaban comprender. Un
La visión simplista de la organización contribuye a la creación de una realidad igualmente simplista. Una compañía
El pensamiento de presa sólo desde un punto de vista acaba en realidad reducido a eso. Ni máquina ni
caridad, una empresa es casi un organismo vivo que debería ser capaz de equilibrar
la sustancia técnica y la excelencia en la acción de forma sana, con el ser humano motivado por tener
sus necesidades y expectativas respetadas en la sociedad capitalina. Encontrarás el equilibrio.
El problema actual es que las empresas deben adaptarse cada vez más para sobrevivir.
ver en un mundo cambiante. Ser adaptativo no es una tarea fácil.
Hoy en día es importante saber cuál es la mejor estrategia a adoptar para conciliar las respuestas
las respuestas de las empresas a los cambios constantes en el entorno organizacional. En esta búsqueda de respuestas
Al menos cuatro son los factores a tener en cuenta:
Previsibilidad de cambios
https://translate.googleusercontent.com/translate_f 23/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Los cambios impredecibles generalmente no tienen respuestas predefinidas en los esquemas organizacionales.
En este caso, no hay nada que optimizar , hay algo que crear .
Cuanto más pequeños y simples sean los esquemas de la organización en el momento de la crisis, menos posibilidades hay
¿Tendrá que tener éxito con el uso de una sola estrategia de
(estrategia ofensiva).
Las estrategias requieren tiempo para implementarse. La estrategia defensiva es más rápida que
profunda reestructuración del tejido organizativo (estrategia evolutiva). La optimización proporciona
mejor desempeño organizacional.
Página 29
Cuanto más profundos sean los cambios, las respuestas menos apropiadas basadas en pequeños
reestructuración.
Como no todas las situaciones de cambio son iguales, vale la pena pensar en la posibilidad de otras
patrones de respuesta. Usar la misma solución para diferentes problemas puede no ser una buena idea. Si el
cambios ambientales, parece prudente utilizar una estrategia dirigida a fuera de la organización, es decir,
una estrategia ofensiva. Esto implicaría pensar en la “seguridad” organizacional teniendo en cuenta
términos como:
4 Promover tantos esquemas diferentes como sea posible en competencia dentro de la organización.
https://translate.googleusercontent.com/translate_f 24/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
En este sentido, la preservación de la vivacidad parece ser una necesidad más urgente que el enfoque
único en la competencia por tres razones:
Página 30
MODELADO DE PROBLEMAS 21
4 Debido a que está fuertemente asociado con elementos internos, tiene un impacto directo sobre ellos. La palabra
La competitividad puede sonar como una abstracción para el tejido organizacional, sin embargo la salud
de la entidad y sus intercambios con el medio ambiente tienen un impacto directo en las personas.
Otra forma de entender la importancia de la vivacidad como habilidad fundamental para el social
brevedad es darse cuenta de que la esencia de los movimientos hacia la autoadaptación está mucho más asociada
la búsqueda de objetivos para compensar los desequilibrios y armonizar con el medio ambiente,
que el ejercicio del poder en beneficio propio. Edward Deming (Deming [1990]) notó esto
verdad y por tanto advirtió que, en general, la competencia exacerbada es, contraria a lo
mucha gente piensa, altamente dañino tanto para la cultura (Judd [1995] y Winder [1994]) como para la
mejorando un contexto. La lógica de "razonar al ganador" crea perversos desequilibrios que
será en última instancia responsable de reducir la vivacidad de todos los participantes en el contexto. La lógica
la armonía y el autoajuste enfatizan que no es suficiente simplemente sobrevivir . La supervivencia es un
capacidad para ejercitarse de forma continua y sostenible. La lógica de la lucha por un lugar al sol o
La consecución de los primeros puestos puede no incluir los principales elementos de sostenibilidad.
desde esa misma posición. Optimizando el cuerpo organizativo para una lucha encarnizada en el presente, la gestión
puede estar eliminando la posibilidad de la continuidad de este organismo altamente especializado
cuando cambian las reglas. El propósito de la armonización es más amplio y poderoso. Vivacidad como
La habilidad maestra está orientada a garantizar el desempeño futuro. No sirve de nada ganar una pelea
usted y pierde la guerra.
La vivacidad incluye preservar la capacidad de una organización para responder a las incertidumbres.
realidad fluida y representa una etapa más allá del dominio del mercado, el beneficio neto o
productividad. El truco está asociado con identificar los atractores más adecuados y desarrollar
interrupción y reestructuración de los “esquemas” de respuesta. Está en la interacción con el
medio ambiente y sus peculiaridades esa es la respuesta. Pero hablando de seguridad, ¿cuánto tiempo estás seguro?
"Seguro hasta el próximo cambio ..."
Volviendo al punto de debate: en el corazón del problema encontramos la necesidad de realizar una
Entidad casi viva por los caminos o desvíos de la realidad desnuda y cruda. En la periferia
necesitamos entender qué es fundamental y qué es accesorio en este proceso.
Cuando algo cambió en la Tierra y provocó la desaparición de los dinosaurios, ¿qué sucedió?
no fue un problema de competencia. Grandes o pequeños, carnívoros o herbívoros, después
de millones de años de éxito continuo ... todos murieron.
Lo que pasa es que siempre que hay un cambio, alguien sabrá aprovechar el hecho y que
no es un problema si hay una guerra o no. La capacidad de aprovechar la situación.
depende de la capacidad de adaptación o incluso de la suerte. Tener éxito en un nuevo contexto es
completamente diferente de vencer al competidor dentro del contexto anterior. En el caso organizacional, el
El marketing desenfrenado prepara al organismo organizativo para el momento actual, pero acaba creando su mayor
Página 31
fragilidad futura: la falta de esquemas redundantes que puedan competir para ayudar en su futura adaptación ...
https://translate.googleusercontent.com/translate_f 25/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
y en algunas áreas, ahora parece ser tan o más importante que la amenaza de
competencia. Un buen modelo de diseño de gestión debe buscar un puesto que optimice todas las variables
riesgo y no solo los asociados con la supervivencia inmediata. Es necesario encontrar un puesto de
equilibrio entre la realización de potenciales adaptativos a través de la especialización y su preservación en
Bush generalista para tiempos futuros.
Básicamente, el tema que estamos discutiendo está relacionado con dos estrategias de supervivencia.
con modelos mentales sutilmente diferentes. La estrategia de competitividad centra la atención en
Amenazas de competencia y depredadores. Su modelo mental es el de la confrontación y la conquista. La mitad
El ambiente se nota poco en los aspectos oportunistas y más percibido en los puntos amenazantes. A
Las técnicas de este modelo de diseño dan prioridad a la productividad y los impactos a corto y medio
término, ya que cada nuevo momento es una nueva batalla. La idea básica es que el futuro pertenece a quien sea
ganador en el presente . Su filosofía se podría resumir en dos pensamientos falaces:
Página 32
MODELADO DE PROBLEMAS 23
Los modelos cuantitativos no pueden, por sí solos, hacer que una empresa tenga éxito en la tarea.
estar bien, pero evitar que las energías se gasten irracionalmente. Permitir al asegurado
decisión puede hacer el mejor uso posible de lo que tiene. Los modelos cuantitativos no
definir una estrategia para el futuro, pero es posible que pueda examinar numerosos escenarios y ayudar
el gerente para informar sus "sentimientos" de las posibilidades más probables. Es imposible para el tejido de órganos
lograr un nivel razonable de vivacidad trabajando lejos del mejor desempeño de
sus potenciales.
El papel de los modelos cuantitativos en la actualidad es proporcionar herramientas poderosas para ayudar
lleve al tomador de decisiones y protéjalo de errores evitables. Quizás una de las peores decisiones que alguien toma
actualmente puede tomar en el mundo empresarial si infrautilizar o ignorar el uso de las herramientas
cuantitativo, porque esa puede no ser la decisión de sus competidores o socios.
1.7.4 - Conclusión
https://translate.googleusercontent.com/translate_f 26/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
En el contexto descrito, en el que hay muchas dudas y pocas certezas, los modelos cuantitativos
Permitir la expansión de la capacidad para abordar racionalmente lo que se puede hacer. La mo-
Los datos cuantitativos son instrumentos poderosos para que el gerente expanda su sentido y su percepción.
concepto, ahorrando energía y aprovechando oportunidades. Finalmente:
Página 33
2 MODELOS DE
PROGRAMACIÓN LINEAL
Entre los varios modelos ya mencionados, centraremos nuestra atención inicialmente en la Programación
Información lineal (PL). Este modelo es básico para comprender todos los demás modelos del Programa.
Ción matemática. Los conceptos allí establecidos se extenderán a los demás, otorgando apoyo a los estudios.
de los más avanzados. Otra ventaja de este modelo es la extraordinaria eficiencia de los algoritmos
soluciones existentes, ofreciendo alta capacidad de cálculo y siendo fácilmente
https://translate.googleusercontent.com/translate_f 27/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
implementado incluso a través de hojas de cálculo y con la ayuda de microcomputadoras personales.
Los modelos de programación lineal son un tipo especial de modelo de optimización. por
que un sistema dado se puede representar a través de un modelo PL, debe tener
las siguientes características:
Proporcionalidad : la cantidad de recursos consumidos por una actividad determinada debe ser proporcional
nivel de esta actividad en la solución final del problema. Además, el costo de cada actividad se
proporcional al nivel de funcionamiento de la actividad.
No negatividad : siempre debe ser posible desarrollar una determinada actividad en cualquier nivel no negativo
y cualquier proporción de un recurso dado debe ser siempre utilizable.
Un modelo de programación lineal es un modelo de optimización matemática en el que todas las funciones
Las relaciones son lineales para la variable continua x .
Página 34
norte
Optimizar z = ∑ cjxj
j= 1
sujeto a:
norte
∑ a ij x j ³ b i i = 1, 2, ..., p
j= 1
norte
∑ a ij x j = b yo i = p + 1, p + 2,…, m
j= 1
x j ³ 0 , j = 1, 2, ..., q
x j Î Â, j = q + 1, q + 2, ..., n
M1ÌMyN1ÌN;
El término optimizar se utiliza aquí para representar genéricamente las posibilidades de maximizar
o minimizar la función objetivo. El problema es que, dada la matriz A y los vectores b y c , la búsqueda de la
de variables continuas x que satisfaga el conjunto de restricciones y que optimice el valor del criterio z .
Además de la forma mixta , hay dos formas diferentes de desarrollar una PPL:
Forma canónica
Optimizar z = cx
sujeto a:
https://translate.googleusercontent.com/translate_f 28/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
≤ obAx b
Hacha ≥
x³0
Forma estándar
Optimizar z = c x
sujeto a:
Ax = b
x³0
y b ³ 0 datos.
Página 35
Las formulaciones son absolutamente equivalentes porque a través de operaciones elementales podemos
transformarlos de acuerdo con la Figura 2.1.
Canónico Estándar
Mezclado
Operaciones elementales
El mismo modelo PL, compuesto por el conjunto de ecuaciones presentado anteriormente, puede,
sin pérdida alguna para sus propiedades matemáticas, para ser reescrito en cada una de las formas básicas
cas. Este proceso de traducción se realiza mediante las siguientes operaciones elementales:
Operación 2 : transformación de una variable libre ( x j Î Â), en una variable no negativa. En este caso, el cambio
La danza requerirá reemplazar la variable transformadora con dos variables auxiliares, las cuales
res o igual a cero, pero cuya suma es igual a la variable original, es decir:
1 dos 1 dos
xn=x -
norte X nortey x ≥
norte
≥ 0
0 , X norte
x 1 + x 2 +… + x n £ b
Para transformarlo en una restricción de igualdad, podemos introducir una variable de holgura x n +1 ca-
paz de “completar” la desigualdad, que permite representar la restricción de la siguiente manera:
x 1 + x 2 +… + x n + x n +1 = b , x n +1 ³ 0
x 1 + x 2 +… + x n ³ b
https://translate.googleusercontent.com/translate_f 29/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 36
Para transformarlo en una restricción de igualdad, podemos introducir una variable de holgura x n +1
con un coeficiente negativo capaz de “completar” la desigualdad, comenzando a representar la restricción de
como sigue:
x 1 + x 2 +… + x n - x n +1 = b , x n +1 ³ 0
4 Definición de actividades
Tras analizar el problema, se definen las actividades que lo componen. Generalmente asociado
se debe adoptar una unidad de medida para cada actividad.
4 Definición de recursos
Considerando los insumos disponibles dentro de cada actividad, los recursos que
se utilizan y producen en cada uno.
Es fundamental establecer claramente cómo se relacionan las actividades y los recursos en términos de
recursos necesarios por unidad de actividad producida.
Considerando que los recursos son limitados, es necesario determinar la cantidad de cada recurso disponible
disponible para el proceso modelado. Estas son las llamadas condiciones externas del modelo.
Consiste en asociar cantidades no negativas x 1 , x 2 , ..., x n a cada una de las actividades, escribiendo el
equilibrar ecuaciones e indicar el uso de cada recurso.
Para ejemplificar el proceso descrito anteriormente, ahora presentaremos una serie de ejemplos.
formulación de modelos de programación lineal (PL). Estos problemas de formulación presentan
Presentan pequeñas dificultades de traducción y tienen como objetivo ejemplificar el proceso de identificación de variables.
y constitución de la estructura del programa. Al examinar las formulaciones propuestas, puede
comprenderá los matices básicos del modelado matemático. En el lado izquierdo de cada
formulación sugeriremos un icono de acuerdo con la siguiente escala:
J - fácil
K - pequeño grado de dificultad
L - grado de dificultad razonable
M - difícil
N - desafío
lo cual estará asociado a su dificultad de elaboración. Es una graduación subjetiva que apunta solo a
para permitir orientación al lector. En la Sección 2.2.2, ejemplificamos modelos PL en los que todos
Las variables son continuas, lo que facilita el cálculo del óptimo. En la Sección 2.2.3, presentamos ejemplos donde
las variables completas se pueden aproximar mediante valores continuos. Finalmente, en la Sección 2.2.4, mostramos
ejemplos donde esta aproximación no es válida, resultando en los modelos de programación lineal entera,
de mucha mayor dificultad computacional.
Página 37
Solución
Con las variables de decisión elegidas debemos expresar la función objetivo como una función
de estas variables:
Evidentemente, en programas lineales, las variables de decisión deben estar sujetas a limitaciones
tecnológico y / o económico. En el presente ejemplo, las restricciones a la producción de aleaciones están asociadas
a la disponibilidad de metales composicionales. En cuanto a cada metal hay un nivel máximo de stock
como máximo, tendremos tres restricciones de disponibilidad de material. Eventualmente, una restricción puede incluir
excluir más de un requisito de la declaración, otras veces un requisito puede necesitar varias respuestas
limitaciones tecnológicas a modelar.
0,5 x 1 + 0,2 x 2 £ 16
Página 38
0,25 x 1 + 0,3 x 2 £ 11
0,25 x 1 + 0,5 x 2 £ 15
En la mayoría de los problemas reales, las variables solo pueden asumir valores nulos o no negativos. Son
ejemplos típicos de variables que incluyen peso, espacio, número de elementos, configuraciones, personas, etc.
Eventualmente podemos dar sentido a valores de tiempo negativos, unidades monetarias, etc. Por último,
análisis, sin embargo, los valores negativos de las variables se pueden eliminar por convenientes
formaciones de variables dentro de los modelos de Programación Matemática (ver Figura 2.1 y operación
elemental 2). Por tanto, trabajaremos con variables no negativas.
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0
https://translate.googleusercontent.com/translate_f 31/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Finalmente llegando al problema completo:
2 - El problema de la dieta J
El objetivo del presente programa es determinar, en una dieta hipocalórica, las cantidades
ciertos alimentos que deben comerse a diario, de modo que ciertos
se cumplen a un costo mínimo. Hay varios problemas al abordar este tema, el presente
El ejemplo es uno de los más simples posibles.
Supongamos, por razones justificadas, que cierta dieta se restrinja a la leche desnatada,
ternera magra, carne de pescado y una ensalada de conocida composición. Sabiendo además que
Los requerimientos nutricionales se expresarán en términos de vitaminas A, C y D y estarán controlados por su
cantidades mínimas (en miligramos), ya que son indispensables para la preservación de la salud del
persona que se someterá a la dieta. La Tabla 2.2 resume la cantidad de cada vitamina en
disponibilidad en los alimentos y su necesidad diaria para la buena salud de una persona.
Requisito
Vitamina Leche (litro) Carne (kg) Pescado (kg) Ensalada (100g) Nutricional
Mínimo
LA 2 mg 2 mg 10 mg 20 mg 11 magnesio
C 50 mg 20 mg 10 mg 30 mg 70 magnesio
Página 39
Solución
4. Restricciones de la no negatividad
x l ³ 0, x c ³ 0, x p ³ 0, x s ³ 0.
https://translate.googleusercontent.com/translate_f 32/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TABLA 2.3 RESTRICCIONES DEL PROBLEMA DE PLANTACIÓN
Solución
Página 40
Los coeficientes de la función objetivo deben calcularse multiplicando la productividad por kilo
el beneficio esperado por cada kilo. El resultado del coeficiente será una unidad monetaria , en este caso, el
centavo.
4. Restricciones de la no negatividad
x T ³ 0, x A ³ 0, x M ³ 0
1 400 1.800
https://translate.googleusercontent.com/translate_f 33/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3 350 950
Solución
1. Elección de la variable de decisión
La variable de decisión se impone al propio enunciado.
x ij º superficie que, en la finca i ( i = 1, 2, 3), se utilizará para el cultivo j ( j = M - Maíz, A - Arroz, F - Frijoles).
Página 41
• Granja 1
x 1 M + x 1 A + x 1 F £ 400
• Granja 2
x 2 M + x 2 A + x 2 F £ 650
• Granja 3
x 3 M + x 3 A + x 3 F £ 350
• Granja 1
5,5 x 1 M + 4 x 1 A + 3,5 x 1 F £ 1.800
• Granja 2
5,5 x 2 M + 4 x 2 A + 3,5 x 2 F £ 2,200
• Granja 3
5,5 x 3 meses + 4 x 3 A + 3,5 x 3 F 950 libras esterlinas
• Maíz
x 1 M + x 2 M + x 3 M £ 660
• Arroz
x 1 A + x 2 A + x 3 A £ 880
• Frijoles
x 1 F + x 2 F + x 3 F £ 400
X 1 METRO
+ X 1 LA+ X 1 F X dosMETRO
+ X dos
LA+ X dos
F X 3 METRO
+ X 3 LA+ X 3 F
= =
400 650 350
4. Restricciones de la no negatividad
x 1 M ³ 0, x 1 A ³ 0, x 1 F ³ 0, x 2 M ³ 0, x 2 A ³ 0, x 2 F ³ 0, x 3 M ³ 0, x 3 A ³ 0, x 3 F ³ 0
https://translate.googleusercontent.com/translate_f 34/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 42
1 3500 19
dos 2.200 24
3 4.200 20
4 1.800 27
Precio de venta
Tipo de gasolina Especificación
R $ / Barril
Solución
Verificamos en el esquema que hay una cantidad de cada tipo de aceite en cada tipo de gas
(en este caso, gasolina azul). En este problema podemos adoptar como variable de decisión:
x ij º número de barriles de petróleo del tipo j , j = 1, 2, 3, 4, que se utilizarán para producir gasolina.
en i , ( i = A-gasolina amarilla, Z-gasolina aZul, S-gasolina Superazul).
Página 43
dos
Mezcla de tipos
Gasolina
de aceite para
azul
conseguir gasolina
azul 3
https://translate.googleusercontent.com/translate_f 35/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• Tipo 1
x A 1 + x Z 1 + x S 1 £ 3500
• Tipo 2
x A 2 + x Z 2 + x S 2 2200 £
• Tipo 3
x A 3 + x Z 3 + x S 3 £ 4200
• Tipo 4
x A 4 + x Z 4 + x S 4 £ 1.800
4. Restricciones de la no negatividad
x A1 ³ 0, x A2 ³ 0, x A3 ³ 0, x A4 ³ 0, x Z1 ³ 0, x Z2 ³ 0, x Z3 ³ 0, x Z4 ³ 0,
x S1 ³ 0, x S2 ³ 0, x S3 ³ 0, x S4 ³ 0.
Página 44
tipo I y II. Si hay capacidad inactiva, es posible procesar aceite tipo I utilizando el esquema alternativo
nativo representado por líneas discontinuas.
En el esquema de producción, se sabe que la distribución de costos ´ capacidad de producción es:
Aceite I
Centro 2
Fluir
Tipo 1
Centro 1 Centro 4
Fluir Aceite II
Tipo 2
Centro 3
https://translate.googleusercontent.com/translate_f 36/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
CUADRO 2.8 COSTOS Y CAPACIDADES DE PRODUCCIÓN
1 300 90 150
dos 450 95 200
yo 4 250 85 180
dos 400 80 220
3 350 75 250
1 500 90 300
II 3 480 85 250
4 400 80 240
Por otro lado, las relaciones económicas que rigen la función de beneficio son:
yo 5 20 1.700
II 6 18 1500
Los centros 1 y 4 funcionan 16 horas al día. Los centros 2 y 3 funcionan 12 horas al día. La refinería
sui la capacidad para transportar solo 2.500 l / día, ya que su tubería está en mantenimiento. Formular
matemáticamente el problema de optimizar la producción de ambos tipos de aceite.
Solución
1. Elección de la variable de decisión
x i º número de litros de aceite de tipo i , ( i = I, para aceite de tipo I, II, para aceite de tipo II) refinado diariamente
diario. En este caso, necesitaremos distinguir el esquema de refinamiento en la variable de decisión. Entonces,
Página 45
podemos implementar la variable x I en una suma de dos parcelas, a saber: la porción de flujo de tipo I normal
malo, x yoN , y la porción obtenida mediante flujo alternativo tipo I, x I A:
LA
x yo = x yoN + x I
a) Pérdida de flujo de x I:
norte
0.9 × 0.95 × 0.85 × 0.8 x I
centro 2
centro 1 1
centrar centro 2 dos
centrar centro 4 4
centrar
X yo ⎯ ⎯ ⎯⎯ → 09, X yo ⎯ ⎯ ⎯⎯ → 09, 095
× , X yo ⎯ ⎯ ⎯⎯ → 0 ,9 0× 95 ,0 85× , x yo
centro 3
LA
0,9 × 0,95 × 0,85 × 0,75 x I
Centro 1:
LA norte
X yo X yo X II
https://translate.googleusercontent.com/translate_f 37/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
+ 500 +
300 300 ≤ dieciséis
Centro 2:
norte LA norte
0 ,9 X yo 0 ,9 X yo 0 ,9 0× 95 ,0 85× , X yo
+ + ≤ 12
450 450 400
Centro 3:
LA
0 ,9 X II 0 ,9 0× 95 ,0 85× , X yo
+ ≤ 12
480 350
Centro 4:
0 ,9 0×85 ,
norte LA
0 ,9 0× 95 , X yo 0 ,9 0×95 , X yo X II
+ + ≤ dieciséis
250 250 400
Página 46
d) Restricción de transporte:
norte LA
0.9 × 0.95 × 0.85 × 0.8 x I + 0,9 × 0,95 × 0,85 × 0,75 x I + 0,9 × 0,85 × 0,80 x II 2500 £
e) Restricción de ventas:
• Aceite de tipo I
norte A£ 1,700
0.9 × 0.95 × 0.85 × 0.8 x I + 0,9 × 0,95 × 0,85 × 0,75 x I
• Aceite tipo II
0,9 × 0,85 × 0,80 x II £ 1,500
3. Restricciones de no negatividad
x yo ³ 0, x yo N ³ 0, x I A³ 0
Receta:
norte LA
20 a N x I + 20 hacia A x+I 18 bx II
Gastos:
• Materia prima
norte LA
5 x yo + 5 x yo + 6 x II
• Costos operativos:
Centro 1:
norte LA norte
150 X yo 150 X yo 300 X yo
+ +
300 300 500
Centro 2 :
norte LA norte
200 0×9 , X yo 200 0×9 , X yo 220 0×9 0,95×0 85, × , X yo
+ +
450 450 40 0
Centro 3:
LA
250 0× 9 , X II 250 0× 9 0, 95×0 85, × , X yo
+
https://translate.googleusercontent.com/translate_f 38/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
480 350
Centro 4:
norte LA
180 0×9 0,95× , X yo 180 0× 9 0, 95× , X yo 240 0× 9 0, 85× , X II
+ +
250 250 400
Página 47
Representación matricial
Como podemos ver fácilmente, el número de variables en los problemas PL puede ser muy grande,
de modo que la representación que adoptemos en los ejemplos de la serie introductoria pueda convertirse rápidamente
poco práctico, recomendando la forma matricial.
Formular el problema que permita optimizar el consumo de la cinta a cortar, minimizando la pérdida de
material.
Solución
A diferencia del modelo 11, los posibles ajustes de corte aún no están definidos. El Fi-
La figura 2.4 muestra una de las configuraciones de corte viables. La Tabla 2.11 resume las otras configuraciones:
12 cm
Perdida de
0,6 cm
Tira tipo I
Página 48
https://translate.googleusercontent.com/translate_f 39/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
40 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
Estándar de Número de tiras tipo Número de tiras tipo Número de tiras tipo
Pérdida estándar (P i )
Cortar (i) 1 - 2,4 cm 2 - 3,4 cm 3 - 4,5 cm
Estándar 1 5 0 0 0
Estándar 2 3 1 0 1.4
Patrón 3 3 0 1 0,3
Estándar 6 0 3 0 1.8
X 5 - Longitud de
corte en el patrón 5
Tira tipo I
5 x 1 + 3 x 2 + 3 x 3 + 2 x 4 + x 5 ³ 2500
x 2 + 2 x 4 + 3 x 6 + 2 x 7 ³ 4500
x 3 + 2 x 5 + x 7 ³ 8.000
Página 49
4. Restricciones de la no negatividad
https://translate.googleusercontent.com/translate_f 40/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0, x 6 ³ 0, x 7 ³ 0, x 8 ³ 0, x 9 ³ 0, x 10 ³ 0.
Solución
Lo que el consultor de investigación operativa debería poder responder es la frecuencia con la que
Los automóviles del Equipo A, su contratista, deben estar equipados con el perfil aerodinámico.
Página 50
Equipo B
La variable de decisión debe ser evaluada por el valor esperado E (.) De la “ganancia” obtenida por el Equipo A
en condiciones de respuesta del equipo B, es decir, con o sin estabilizador.
Inicialmente consideraremos el evento S 1 , la condición ganadora del Equipo A, cuando el Equipo B
Se queda sin su fantástico estabilizador de suspensión. En este caso, la esperanza de victoria del equipo
A será:
E ( S 1 ) = 40 x 1 + 80 (1 - x 1 ) = 80 - 40 x 1
Tenemos otra condición más a tener en cuenta: el caso de que el Equipo B esté usando su estabilizador.
usuario. Llamemos a este evento S 2 . En esta alternativa, la esperanza de victoria del Equipo A se convierte en:
E ( S 2 ) = 80 x 1 + 20 (1 - x 1 ) = 60 x 1 + 20
https://translate.googleusercontent.com/translate_f 41/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
E(S1)³G
E(S2)³G
o sea:
40 x 1 + G £ 80
–60 x 1 + G £ 20
Las ecuaciones anteriores pueden considerarse restricciones de un programa lineal en el que la variable
decisión es la probabilidad de que el Equipo A utilice su perfil aerodinámico. Representan el conjunto de pos-
a la G valor de ganancia .
3. Función objetivo
Es obvio que el Equipo A quiere maximizar su "ganancia", es decir:
z = Maximizar { f ( x ) = G }
1³x1³0
Para aclarar mejor la solución de este interesante modelo, presentamos en la Figura 2.6 la solución
gráfico del problema 8.
Página 51
5. Solución gráfica
GRAMO
- 60 X 1 + GRAMO
= 20
80
60
G * = 56%
x1=1
40
40 x 1 + G = 80
20
x1
1 dos
Lo que nos lleva a los valores de x 1 = 0.6 y G = 56%. Con esto concluimos que el Equipo A puede ser
si tiene, además de un piloto tan bueno, la asistencia de Operational Research!
https://translate.googleusercontent.com/translate_f 42/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Tablero 1 1 1 4 250
Valor de
100 80 120 20
Reventa (uno)
Página 52
Solución
En este caso, la elección de las variables de decisión sigue el mismo razonamiento que el modelo anterior. El objetivo
Queda por maximizar los ingresos de una producción cuyas cantidades relativas son susceptibles de
planificación. La diferencia se debe al mayor número de magnitudes (o variables a programar
mar).
Con las variables de decisión elegidas, debemos expresar la función objetivo como una función
de estas variables:
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0
Solución
https://translate.googleusercontent.com/translate_f 43/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El
no presente
se limitanmodelo es undatos
a modelar ejemplo de programación
cuantitativos de actividades.
que se relacionan Obviamente
solo con productos.las variables
Surge de decisión
el problema
se propone abordar el número de secciones deportivas.
Página 53
En cuanto a las restricciones, el problema actual se diferencia de los anteriores en que incluye varios aspectos
asociado con la práctica deportiva del niño.
4. Restricción de la no negatividad
x 1 ³ 0, x 2 ³ 0.
Solución
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0.
Página 54
Una empresa produce dos tipos de camisas: manga larga y manga corta. En la empresa, el único
el punto crítico es la mano de obra disponible.
La camisa de manga larga consume un 50% más de trabajo que la camisa de manga corta. Es sabido
También que si toda la producción se concentrara en hacer que las camisas de manga corta estuvieran disponibles para
La empresa podía entregar 400 camisas de manga corta al día.
El mercado limita la producción diaria de camisetas a 150 mangas largas y 300 mangas cortas. El lu-
cro bruto por camisa de manga larga es de 5.00 um y por camisa de manga corta 3.5 um
Formular el problema para determinar las cantidades de camisas a producir.
para optimizar los beneficios.
Solución
Tenga en cuenta que la relación entre las variables es lineal . El enunciado del problema proporciona
independiente de la ecuación general de la línea, 400, a través del punto (0.400) donde la producción de camisas
manga larga es nula. El segundo dato necesario para determinar la ecuación proviene de la relación entre
coeficientes de las variables: 1 y 1 + 0.5 o 1 y 3/2.
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0
Página 55
Matriz 1 Matriz 2
Matriz 3 Matriz 4
https://translate.googleusercontent.com/translate_f 45/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Solución
8 x 1 + 4 x 2 + 2 x 3 ³ 500
x 2 + 2 x 3 + 3 x 4 ³ 350
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0.
Página 56
TABLA 2.13
1 08: 00-12: 00 50
dos 12: 00-16: 00 60
3 16: 00-20: 00 50
4 20: 00-00: 00 40
5 00: 00-04: 00 30
6 04: 00-08: 00 20
El horario de trabajo de una enfermera es de ocho horas cuando ingresa a los turnos 1, 2, 3, 4 y 6.
La enfermera que ingresa al turno 4 recibe una bonificación del 50% sobre el salario y la enfermera que ingresa
El turno 5 funciona solo cuatro horas.
Desarrolle todo el modelo de programación lineal que minimice los costos laborales.
Solución:
x i º número de enfermeras que ingresan al servicio al inicio del turno i , ( i = 1, 2, ..., 6).
Como prácticamente todas las enfermeras ganan el mismo salario, podemos considerar que el mini
optimizar el gasto en mano de obra equivaldrá a minimizar el número total de trabajadores,
considerando el número de trabajadores en el cuarto turno en términos de sus salarios, entonces:
https://translate.googleusercontent.com/translate_f 46/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
enfermeras
trabajando en un día.
El coeficiente de 1, 5 para las enfermeras que ingresan al cuarto turno y 2 para las que ingresan al
quinto igual, en términos de salario, la contribución de estos cambios en el gasto. Trabajadores en el
quinto turno gana un salario completo por medio día, es decir, gana el doble
primeros turnos 1, 2, 3 y 6.
4 primero el turno:
x 6 + x 1 ³ 50
4 2 el turno:
x 1 + x 2 ³ 60
4 3 el turno:
x 2 + x 3 ³ 50
4 4 el turno:
x 3 + x 4 ³ 40
4 5 el turno:
x 4 + x 5 ³ 30
4 6 el turno:
x 6 ³ 20
Página 57
Solución:
x ij º número de envenenados i , macho ( i = 1), hembra ( i = 2), por veneno j , veneno alfa
( j = A), veneno beta ( j = B).
4 tipo alfa:
12 x 1 A + 6 x 2 A 500 €
4 tipo Beta:
6 x 1 B + 3 x 2 B £ 2,000
12 X 1 LA + 6 X dosLA
=3
https://translate.googleusercontent.com/translate_f 47/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
6 X 1 segundo
+ 3 X dossegundo
c) Restricciones de demanda
4 Hombres envenenados:
x 1 A + x 1 B ³ 20
4 mujeres envenenadas
x 2 A + x 2 B ³ 10
Página 58
Estándar 1
4 cm
Patrón 3
2 cm 12 cm
4 cm
Estándar 2
2 cm 11 cm
2 cm
4 cm 11 cm
Solución:
a) Restricciones de demanda:
4 platos 2 ´ 4:
7 x 1 A + 7 x 1 B + 2 x 2 A + x 3 A + x 3 B ³ 2500
4 platos 4 ´ 11:
x 2 A + x 3 A + x 2 B + x 3 B ³ 1.000
1. Se encuentran trabajos interesantes sobre el tema de la reducción de pérdidas en Hinxman (1980), Farley (1988) y
(1990), Álvares-Valdi et al . (2002), Morabito y Arenales (2000).
https://translate.googleusercontent.com/translate_f 48/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 59
4 Plato 15 ´ 2000:
4 x 1 A + 4 x 2 A + 4 x 3 A 2000 €
4 Plato 14 ´ 3,000:
4 x 1 B + 4 x 3 B £ 3,000
Espacio
Unidad de Asignación
Desinfección
Zona
Actuación
Recubrimiento
Eficaz
Perfil
Página 60
TABLA 2.14
https://translate.googleusercontent.com/translate_f 49/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 2.5 150 30.000 0,20
dos 4.0 130 70.000 0,15
3 3,0 100 40.000 0,30
xj
PAGS≡probabilidad de falla ( j = 1, 2, 3).
j
a) Restricciones de espacio:
2,5 x 1 + 4 x 2 + 3 x 3 £ 60
b) Restricción de peso:
c) Restricción de costos:
30 x 1 + 70 x 2 + 40 x 3 600 €
xj
PAGS0,03 £, j = 1, 2, 3
j
5. Transformaciones de linealización
xj
PAGS≤ 003
,, j = 1 ,,2 3 → (1n p j ) x j £ log (0,03)
j
fx() = ppp
1
1 X X dos X 3
dos 3
→ en (())
fx = ∑ (1n p j ) x j
j= 1
Página 61
TABLA 2.15
Compartimento delantero 5 35
Compartimento central 7 55
Compartimento trasero 6 30
Sótano a granel 7 30
Con el objetivo de equilibrar el vuelo, es esencial que la distribución de la carga sea proporcional entre
https://translate.googleusercontent.com/translate_f 50/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
entre los compartimentos. Para cargar el avión, existen tres tipos de contenedores y dos cargas a granel.
Los dos tipos de carga a granel se pueden transportar fácilmente juntos, por lo que
Se acepta ga en cualquier cantidad.
TABLA 2.16
Desarrollar el problema de programación lineal que optimiza la distribución de la carga para maximizar
optimizar el beneficio del vuelo del carguero.
3 ⎧
⎪ 5, j= 1
∑ ≤Xij ⎨7 , j = dos
yo =1 ⎩⎪
6, j= 3
1,2 x 4 j + 1,7 x 5 j £ 7, j = 4
Página 62
b) Restricciones de espacio:
⎧
⎪ 35 , j= 1
0,5 x 1 j + x 2 j + 0,25 x 3 j £ ⎨55 , j = dos
⎩⎪
30 , j= 3
x 4 j + x 5 j £ 30, j = 4; *
3 3 3
Cabe señalar que esta restricción probablemente debería tener límites de tolerancia, ya que
dado que las variables involucradas en la suma son enteros, lo que posiblemente haría que el
Cumplimiento simultáneo de este conjunto de restricciones. Esta tolerancia también está perfectamente justificada
cada uno en la vista práctica de la carga de aviones. En este caso, una de las posibilidades de
La situación sería como:
3 3 3
https://translate.googleusercontent.com/translate_f 51/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z = Maximizar
3 3 3
{()
fx = 200 ∑ X1j + 220 ∑ X dosj + 175 ∑ X 3 j + 1 ,2235
× X 44 + 1 ,7 180
× X 54 }
j= 1 j= 1 j= 1
x 1 j , x 2 j , x 3 j ÎZ + , j = 1, 2, 3 ; x 4 j , x 5 j £ 0, j = 4.
Página 63
TABLA 2.17
marzo 7.000
abril 8.000
Mayo 10,000
junio 11.000
julio 7.000
agosto 11.000
Cada auditor contratado como empleado bancario, a pesar de estar capacitado y aprobado en un concurso,
tiene que ser entrenado durante un mes antes de que pueda actuar plenamente en su papel. En esta formación,
auditores experimentados del propio banco, que, no trabajando en la auditoría normal,
Asignar 100 horas para que cada auditor sea capacitado. Un auditor trabaja 150 horas al mes. En uno de los de
Febrero el banco cuenta con 60 auditores experimentados. El programa de contratación se iniciará el 1 de la
de marzo.
También se sabe que el mercado laboral de los auditores es muy inestable, por lo que el 10%
de la plantilla de estos experimentados profesionales sale del banco cada mes en busca de una mejor salud
larys. Un auditor experimentado recibe del banco aproximadamente R $ 2.000,00 mensuales, mientras que el auditor en formación
sólo recibe un subsidio de R $ 150,00. Cuando el número de auditores supera las necesidades
actividades, la carga de trabajo se reduce, pero no se realizan despidos debido al alto costo del proceso
En la corte. Cuando esto sucede, no se contratan nuevos auditores y la evasión normal equivale
golpear a la fuerza laboral.
Formule el problema para minimizar los costos operativos del sistema de auditoría.
Desafío : reformular el problema en caso de que la empresa burocrática comience a exigir una garantía
mínimo de tres meses de empleo para sus auditores y una indemnización proporcional a K veces el número
número de meses trabajados más allá de esos tres meses.
Solución
Fase 1
https://translate.googleusercontent.com/translate_f 52/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 64
a) Restricciones de demanda:
x 0 = 60
yo- 1
⎛ ⎞
⎜
150 ⎝ ∑ 0 ,9
ij - ⎟– 100 x i ³ d i ,
xj ⎠ i = 1, ..., 6
j= 0
Considerando la restricción a) que establece las condiciones iniciales para el número de auditores senior,
Entonces:
yo- 1
∑ 0 ,9 ij - X j ≥ 15 Xyo, i = 1, ..., 6
j= 0
6 yo- 1
⎛ ⎞
z = Minimizar {() fx = ∑ ⎜
⎝ 2000 (
∑ 0 ,9
ij -
x j ) +150 x i ⎟}
⎠
yo= 1 j= 0
x j Î Z + , j = 1, ..., 6.
Nivel 2
Lo mismo y más:
y i º número de auditores jurados contratados para trabajar en el mes i , i = 1, ..., 6
a) Restricciones de demanda:
x 0 = 60
yo- 1
⎛ ⎞ 100 x i ³ d i ,
⎜
150⎝ ∑ 0 ,9
ij - ⎟–
x j + y yo ⎠ i = 1, ..., 6
j- 0
https://translate.googleusercontent.com/translate_f 53/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 65
6 ⎛ yo- 1 ⎞
z = Minimizar {() fx = ∑ ⎜⎜2000
.( ∑ 0 ,9 ij- X j ) + 150 Xyo + 2500
.
⎟
y yo⎟}
yo =1⎝ j= 0 ⎠
x j Î Z + , j = 1, ..., 6; y yo Î Z + , yo = 1, ..., 6.
TABLA 2.18
El área de bosque a ser cubierta por la extinción de incendios es de 3.000.000 m 2 , involucrando el frente de fuego
(para detener el avance del daño), áreas ya quemadas que necesitan ser rescatadas (para protección
de animales y seguridad contra el reclutamiento) y áreas de acceso (protección preventiva indispensable).
En las bases de apoyo se encuentran disponibles 14 pilotos de avión y 10 pilotos de helicóptero, así como 22 operadores especializados.
especializado en combate aéreo de fuego.
Formule el problema de programación matemática que minimice los costos de la operación.
Solución:
Página 66
Como la operación debe completarse en tres horas, podemos imaginar un horizonte de planificación
genial durante una hora que se repite tres veces, luego:
15 x 1 + 40 x 2 + 85 x 3 ³ 1.000
4 helicópteros:
https://translate.googleusercontent.com/translate_f 54/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2 x 1 £ 10 (jinetes)
4 aviones:
2 x 2 + 2 x 3 £ 14 (pasajeros)
x 2 + 3 x 3 £ 22 (operadores)
x j Î Z + , j = 1, 2, 3.
Se sabe que cada asignación de arma 'objetivo debería ser despedido p ij misiles al objetivo es neu-
tralizado. Sabiendo que hay m i misiles disponibles en cada plataforma, replantee el problema
para minimizar el costo de la defensa.
Solución:
a) Restricción de alcance, para no permitir que un arma dispare a un objetivo más allá de su alcance:
Página 67
b) Restricción del número de asignaciones de objetivos, con el objetivo de que el sistema global actúe sobre k objetivos.
norte metro
∑ ∑ = X ij k
yo= 1 j= 1
c) Restricción de disparo que evita que un objetivo sea asignado a más de un arma.
norte
∑ x ij £ 1, j = 1, ..., m
yo= 1
d) Restricción de disparo que evita que un arma sea asignada a más de un objetivo.
metro
∑ x ij £ 1, i = 1, ..., n
j= 1
https://translate.googleusercontent.com/translate_f 55/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3.Desarrollo de la función objetivo
z = Maximizar { f ( x ) = ∑ (vj ∑ x ij - ∑ c ij x ij )}
j= 1 = 1
yo = 1
yo
Consideración de efectividad
a) Restricciones de alcance, asignación a k objetivos y una única plataforma asignada a un objetivo y viceversa
permanece igual.
metro
∑ x ij p ij £ m yo yo = 1, ..., n
j= 1
z = Maximizar { f ( x ) = ∑ (vj ∑ x ij - ∑ c ij p ij x ij )}
j= 1 yo= 1 = 1
yo
Página 68
Importe de descuento
Descuentos Suma de tiempo
(en unidades monetarias)
compra al menos
Pista 2 10
f unidades de tiempo
compra al menos
Pista 3 30
g unidades de tiempo
Los anunciantes que compiten en la disputa por el uso de medios son n y cada uno tiene s n
unidades monetarias para invertir en publicidad.
Los anunciantes, reunidos en asociación, quieren establecer la mejor estrategia de negociación
con la red, con el objetivo de maximizar, dentro de la disponibilidad presupuestaria de cada cliente, la
tiempo total de uso de medios.
Formule el modelo que maximice las ganancias de los anunciantes.
Solución:
Desde el punto de vista de los anunciantes, es deseable maximizar el descuento, dadas las restricciones
de cada anunciante.
https://translate.googleusercontent.com/translate_f 56/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
a) Restricciones sobre el importe abonado por el anunciante, dados los posibles descuentos
Página 69
pg k = ∑ x ik p yo k = 1, ..., n
yo =1
c k = pg k - 10 y k - 20 w k
sk³ck k = 1, ..., n
norte
∑ Xik £ t i i = 1, 2, 3
k= 1
3 norte
z = Maximizar { f ( x ) = ∑∑ x ik }
yo= 1 k= 1
4. Condiciones de no negatividad
x ik ³ 0, i = 1, 2, 3, k = 1, ..., n.
Desafortunadamente, el Flamingo terminó derrotado en el desafío con su archienemigo en la natación por un evento.
tejido imprevisto: uno de sus nadadores, el mejor en estilo mariposa, fieltro, junto a la piscina,
una pequeña tensión en el brazo que empezó a entorpecer los movimientos de esa especialidad.
Como era un nadador que tenía un excelente tiempo en estilo libre, el entrenador trató de reorganizarse en
la designación de estilos. El problema es que su equipo era de especialistas. Los otros tenían
malos momentos ajenos a tu especialidad. Se hizo el mejor intercambio posible, pero el equipo acabó perdiendo
girado por el tiempo bajo en el golpe de mariposa. El entrenador, disgustado por el incidente, decidió tomar
dos medidas:
https://translate.googleusercontent.com/translate_f 57/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 70
Flamingo no podía irse sin una respuesta a la derrota en el torneo. Entrenando al equipo de élite el técnico
El único del club se sintió seguro al devolver el desafío. Solo que esta vez las reglas serían diferentes: el
El equipo tendría una reserva de usos múltiples. Formular el problema de ayudar a Flamingo a elegir lo mejor.
equipo para una competencia, considerando que el grupo incluye un nadador de reserva. Justifica el
criterios que se han adoptado.
En la carrera de relevos, el equipo pórtico (Flamingo) ganó el Botabolo. Esta vez fue un
de los nadadores de Botabolo que se hundieron en la piscina. Los bolenianos se volvieron locos. El tablero, irritado
da, culpó a la alineación de los equipos ya su entrenador que “no entendía nada sobre reservas”. Para tomar el
duda sobre cuál de los dos clubes sería el rey de las quinielas, Botabolo desafió esta vez a Flamingo
para un gran concurso de natación. Un todo o nada. La idea sería promover la competencia entre
tres equipos de los dos clubes. La puntuación la haría el equipo desde el primero hasta el último lugar,
para eliminar la posibilidad de un accidente ocasional y poner fin al historial de reservas (que
había beneficiado "claramente" a Flamingo). Según el director de Botabolo: “Entonces
vamos a ver quién es el bueno en el agua ... vamos a acabar con la lotería de torneos aislados y
trucos de los técnicos ". La puntuación desde el primer al último lugar para los seis equipos sería respectivamente
mente: 8, 6, 4, 3, 2, 1. Humillados, los Bolenses decidieron jugar duro: se llevaron las fichas con el
tiempos de limícolas y te contrató para formular el problema de elegir tus tres equipos
con el fin de maximizar las posibilidades de un resultado positivo y ahogar las horquillas en la piscina con
dos metros de agua encima. Hay 100 nadadores entrenando en Botabolo y sus mejores momentos
también están disponibles.
Solución:
a) Restricción que garantiza que todos los estilos tendrán un nadador asignado:
100
∑ x ij = 1 j Î { P , C , B , L }
yo =1
∑ x ij £ 1, i = 1, ..., 100
j=P
Página 71
https://translate.googleusercontent.com/translate_f 58/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
MODELOS DE PROGRAMACIÓN LINEAL 63
100 L
z = Minimizar { f ( x ) = ∑∑ t ij x ij }
yo= 1 j=P
x ijk ∈ {,} 0 1
a) Restricción que garantiza que todos los estilos en cada equipo tendrán un nadador asignado:
100
∑ k
x ij = 1 j Î { P , C , B , L }; k = 1, 2, 3, 4
yo =1
4 100 L
x ijk ∈ 0 {1, }
Relajar la restricción 2 b), permitiendo que un nadador sea asignado a más de un estilo en la lista de 16.
nadadores de élite. Los polivalentes serán aquellos con múltiples dotaciones.
Página 72
Solución:
El equipo de competición elegido según los criterios del problema 1, la reserva, un nuevo componente
grupo, podría ser elegido por los criterios de versatilidad del problema 2 o minimizando el aumento de
tiempo del equipo dedicado a eliminar a uno de sus miembros, como se muestra a continuación:
⎨
⎧
⎩ ⎬
⎫
⎭
https://translate.googleusercontent.com/translate_f 59/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
xiº ⎨
⎩10 ,, sicaso
⎧ el nadador está designado
contrário yo como reserva ⎭ i = 1, ..., 96
⎫
⎬
Considerando el índice de nadadores seleccionados por los criterios de los expertos como: a, b, f, q
96
∑ x yo= 1
= 1
yo
3. Configuración de la función objetivo que minimiza la reducción de tiempo reemplazando uno de los
nadadores.
z = Minimizar
⎛ 96 ⎞ ⎛ 96 ⎞ ⎛ 96 ⎞ ⎛ 96 ⎞
{()
fx
⎜
=⎜ ∑ txiP i
⎟ ⎜
- t α PAGS
⎟ +⎜ ∑
txiC i - t βC
⎟ ⎜
⎟ +⎜ ∑ txiB i
⎟ ⎜
- t φ segundo
⎟ +⎜ ∑
txiL i
⎟
- t θ L ⎟}
⎝yo= 1 ⎠ ⎝yo= 1 ⎠ ⎝yo= 1 ⎠ ⎝yo= 1 ⎠
TABLA 2.20
Hombres Mujer
Criterio Fábio Gallo Saul Paulo José Bruno Maria A-N-A Hermoso Dina Carla
Página 73
Hombres Mujer
Criterio Fábio Gallo Saul Paulo José Bruno Maria A-N-A Hermoso Dina Carla
Formación
en el simulador 150 200 180 240 220 100 200 250 200 180 100
(H)
Consumo
Enérgico 20 29 30 35 23 40 25 30 25 17 15
(kcal)
equipaje
35 25 30 40 17 40 30 40 30 20 30
(kg)
Siglas de las especialidades: medicina (M), ingeniería (E), geología (G), psicología (P), física (F), astronomía (A), comando (C),
tecnología de la información (I) y biología (B).
Los requisitos del mando tipo misión se pueden resumir, inicialmente, como:
El barco llevará a 5 personas, al menos 2 hombres y 1 mujer. Hay 2 vacantes a bordo para
personas calificadas en el mando (C) que deben ser empleadas. Otras habilidades
son indispensables para el cumplimiento de la misión en Marte y en el viaje. Para ello, sigue siendo necesario
https://translate.googleusercontent.com/translate_f 60/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
junta al menos:
Para los ingenieros de mando tipo misión, el factor principal de optimización es el peso. Ahí está el peso
fijo, independientemente de la tripulación, y el peso variable. La optimización de este paso debe centrarse
sobre el peso de la tripulación y su equipaje. Los costos estimados son R $ 10.000,00 por kg de peso del
tripulación o equipaje. El mando tipo misión comprende por equipaje los elementos necesarios para ejercitar
calificación de cada miembro de la tripulación. Si el peso total de personas y equipaje supera los 1.000 kg, el
healthy necesitará un módulo de empaque adicional a un costo de aproximadamente R $ 10 millones.
También existen graves limitaciones para el uso del simulador de vuelo, que es un equipo muy caro y
que no tiene la capacidad de expandirse. Hasta el lanzamiento, de hecho, estarán disponibles 1000 horas.
para entrenamiento. La tabla resume el tiempo que aún se necesita para capacitar a cada componente del grupo en
analizar.
Según estudios clínicos de contagio y progresión epidemiológica en poblaciones aisladas,
Para proteger la misión, ningún subgrupo de tres miembros de la tripulación puede obtener menos de 290 puntos en el
prueba de salud.
Si el consumo energético de la tripulación y sus actividades profesionales supera las 150 kcal / día,
serán posibles dos soluciones: equipar el barco con una batería extra de energía a un costo de R $ 10 millones
mil millones o con un módulo de reciclaje y balance energético biológico en el que cada kcal de demanda
la adición de 150 kcal costará R $ 55.000,00 más.
Formule el problema de elegir la tripulación para minimizar los costos totales.
Después de algunas reuniones técnicas, el mando tipo misión se vio obligado a repensar algunos puntos.
Criteria de selección:
Basado en un estudio de psicología del trabajo en equipos:
Página 74
• En el caso de que el dispositivo de reciclaje ambiental equipe el barco, la presencia de un biólogo será
indispensable en la tripulación.
Reformular el problema de la elección de la tripulación para tener en cuenta también las restricciones derivadas
el estudio de la psicología del trabajo en equipo y la exigencia del reciclaje ambiental.
Elegiremos una variable binaria para decidir la elección de cada persona para componer la misión. Me gusta
los requisitos implican distinción de género, las variables tendrán esto en cuenta:
segundo
∑ ≥h 2i
Si=
https://translate.googleusercontent.com/translate_f 61/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Σ mj³1
j=M
(*) El comunicado no deja claro por qué el número mínimo de vacantes para cada sexo tiene esta distribución
asignación aparentemente discriminatoria.
hF+hG+hJ+hB+mD³2
mD+mc³1
Página 75
hP+hB+hS³1
hF+hJ+mM+mL+mD³1
15 h F + 20 h G + 18 h J + 24 h P + 22 h J + 10 h B + 20 m M + 25 m A + 20 m L + 18 m D + 10 m C £ 1,000
h B + m L £ 1 (Bruno y Linda)
m D + m A £ 1 (Dina y Ana)
Esta restricción puede ser un problema significativo para el modelo porque su número es básicamente
oclusivo, ya que resulta de combinar el número de candidatos de tres a tres. Considerando el
desempeño sanitario s i y s j asociado con miembros masculinos de la tripulación (índice i ) y mujeres
minino (índice j ), considerando también los conjuntos jÌ { F , G , S , P , J , B } y pÌ { M , A , L , D , C }, podemos
modele el requisito a través de las siguientes restricciones:
∑ shii + ∑ smj j
≥ 290
yo∈ ϕ j∈ π
ϕ + =π 3
z = Minimizar { f ( x ) = A + B + C }
Dónde:
4 plazo A
https://translate.googleusercontent.com/translate_f 62/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
+ (30 + 50) m M + (40 + 45) m A + (30 + 55) m L + (20 + 60) m D + (30 + 65) m C ]
Página 76
4 Porción B
El modelado de esta parte requiere un razonamiento complementario. El problema dice que si el peso
contabilizado en el paquete A supera los 1000 kg, se debe agregar un nuevo paquete a la función objetivo
tivo. Resumiendo:
Si [suma de pesos del transportados] entonces existe> 1000 la parte B . Modelemos esta condición
a través de la variable binaria s de la siguiente manera:
Si [åpesos> 1.000] Þ s = 1
Si [åpesos £ 1,000] Þ s = 0
Con la variable binaria podemos entonces controlar la condición de activación de la cuota de R $ 10 7 en el fondo.
declaración de objetivos. En ese caso:
B = 10 7 s
con la siguiente restricción lógica que se agregará al conjunto de restricciones del problema:
4 plazo C
La sección C requiere el control de la condición de activación para dos situaciones diferentes. Cuando la suma
el gasto energético supera las 150 kcal / día, dos hipótesis pueden ser posibles: la activación de
un módulo de reciclaje biológico o un módulo de batería. En este caso, necesitamos dos variables
Los parámetros de control y la condición de la decisión lógica del modelado se pueden describir como sigue:
a=1
b=1
(åDemanda - 150) (a + b) ³ 0 e
(a + b) £ 1
con a, b Î {0, 1}
o sea:
+ 17 m D + 15 m C ) –150 } (a + b) ³ 0
b - (a + b) £ 1
Agregar las dos restricciones anteriores al conjunto de restricciones del problema y usar la
dos variables binarias para controlar la decisión de la función objetivo, podemos escribir la gráfica C como:
Página 77
https://translate.googleusercontent.com/translate_f 63/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
C = 10+ 725
a +m55,000 m{A(+20
M + 30 b 25hmF L+ +2917h m
G+D 30 h Sm+C35
+ 15 ) -h150}
P + 23 h J + 40 h B +
Observamos que la inclusión de restricciones lógicas de esta naturaleza hace que el problema no sea lineal.
La consideración de una distinción entre las personas que ocupan la vacante de mando en la designación de
no es posible rehacer en el modelo anterior. Para cumplir con la solicitud del mando tipo misión, el
modelo debe recibir una variable que haga posible este control, entonces:
x i , variable binaria que toma el valor 1 cuando el miembro de la tripulación i es asignado a la ola de comando
y 0 en caso contrario, i = F , ..., C .
La consideración de la variable x i nos lleva a una implicación lógica. Si x i = 1, obviamente h i y m i correspondientes
Los encuestados también serán 1 (nadie puede ocupar una vacante de mando si no está asignado a la
misión). En ese caso, la restricción de comando, que estaba en la primera solicitud escrita en términos de h i y m i ,
ahora se puede reescribir con la nueva variable de decisión.
Garantizar la condición lógica de que si x i = 1 Þ h i = 1 om i = 1, en los índices correspondientes
tenemos la posibilidad de introducir las siguientes restricciones:
x yo - h yo £ 0 o x yo - m yo £ 0
x F - h F £ 0; x M - m M £ 0; x G - h G £ 0 o x A - m A £ 0, etc.
xF+xG+xJ+xB+xD³2
En este punto, insistimos en que el control sobre el sexo de la tripulación representado por
La variable x es perfectamente posible de realizar por su índice. Esto podría haberse tenido en cuenta
desde el primer pedido.
El mando tipo misión quiere equilibrar el poder entre los sexos de la tripulación. Llamar a R lo siguiente
equilibrio entre la tripulación:
⎛ segundo C ⎞
⎜
R= ⎜ ∑Hyo - ∑ metro ⎟
yo - dos
⎟
⎝Si= =
soy
⎠
Entonces:
Página 78
Para el caso:
a) 5 x D - R ³ 0
b) 5 ( x F + x G + x J + x B ) + R ³ 0
https://translate.googleusercontent.com/translate_f 64/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Tenga en cuenta que si R <0, la restricción a) se cumple trivialmente, y para R > 0, es la restricción (b)
eso será respondido trivialmente.
El valor del coeficiente 5 se eligió convenientemente igual al número de miembros de la tripulación en el barco.
para evitar problemas de inconsistencia, como impedir que una de las personas del grupo
la minoría sería asignada al mando.
(hS+mM+mC)-b³0
Página 79
Laguna 1 Alcantarilla
Doméstico
Alcantarilla
Doméstico
Canal de conexión
Efluentes
Industrial
Laguna 2
Efluentes
Industrial
Emisario
Costa
Formular el problema de determinar los volúmenes de las dos lagunas y la longitud del canal que
minimizar el costo del trabajo.
Otros datos: la longitud del canal puede variar entre 1.500 my 3.000 m. El volumen de las lagunas
puede variar entre 10 6 m 3 y 10 8 m 3 . Cada metro del canal cuesta R $ 1.200,00. Cada m 3 de la primera laguna
cuesta R $ 1,02, ya partir del segundo, R $ 1,1. Los caudales de efluentes son:
TABLA 2.21
https://translate.googleusercontent.com/translate_f 65/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Las leyes ambientales establecen que en la primera laguna el índice de contaminación no supera el 5% y en el
si las aguas tratadas se arrojan al mar, no habrá más del 1% de contaminación en el efluente.
Solución:
Página 80
10 6 £ v i £ 10 8 , i = 1, 2
£ 1,500 L £ 3,000
c) Restricciones de retención
v1=h1(p1+p2+p3)
v2=h2(p1+p2+p3+p4+p5+p6)
p 7 = (( p 1 + p 2 + p 3 ) 0.05) 0.98 L
https://translate.googleusercontent.com/translate_f 66/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 81
Dieta 8 40 25 100 25 - A; 10 - C 80
III
Dieta 9 80 10 250 40 - A; 50 - C 100
Dieta 1 60 50 80 60 50 100
Dieta 2 30 60 30 100 40 150
yo
Dieta 3 20 60 20 60 60 120
Dieta 4 20 40 30 80 30 80
Dieta 5 40 80 - 80 - 150
II Dieta 6 50 50 - 100 - 100
Dieta 7 - 100 - 100 - 100
Dieta 8 - 50 20 120 50 50
III
Dieta 9 - 40 10 150 100 40
Precio
4,00 6,00 1,50 0,9 1.0 0,7
por kg
Para la ejecución del programa de entrenamiento, la clínica debe elegir una dieta dentro de cada
grupo (desayuno, almuerzo y cena), para que el cocinero pueda preparar las comidas.
Solicitud 1 : sabiendo que hay dos programas de formación y que para cada programa las necesidades
Los nutrientes diarios por persona están relacionados con el seguimiento, la programación de la compra de ingredientes.
para minimizar los gastos de alimentación.
30 - A
Programa 1 150 200 400 250 20
40 - C
20 - A
Programa 2 180 220 500 300 30
60 - C
https://translate.googleusercontent.com/translate_f 67/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 82
Pedido 2 : debido a un problema logístico, se sabe que no es deseable preparar menos de 10 comidas con
basado en la dieta tipo 4, si se elige. Reformule el problema anterior teniendo esto en cuenta.
Solicitud 3 : tras un rápido análisis por parte del nutricionista, se constató que la dieta 1 y la dieta 9 eran incompatibles
patible, y la dieta 2 siempre debe ir acompañada de la dieta 8. Reformar el orden 1 teniendo en cuenta
cuenta la nueva información.
Solicitar solución 1
B = [ b ij ] / matriz de consumo de ingredientes, i = 1, ..., 9 yj = Ca, Ce, Ma, Ve, Le, Fr;
c j el costo unitario del ingrediente j , j = Ca, Ce, Ma, Ve, Le, Fr;
N sj No. necesidad para el programa de s , s = 1,2 con respecto al nutriente j = Pr, Cr, Mi, vi, fi.
La demanda de los programas debe satisfacerse con tres comidas diarias, una dentro de cada grupo.
polvo. Para el caso de la proteína, por ejemplo, los 3.000 g + 5.400 g = 8.400 g se cumplirán con lo siguiente
comidas:
60 y 1 + 80 y 2 + 80 y 3 + 100 y 4 + 40 y 5 + 50 y 6 + 40 y 8 + 80 y 9 ³ 8.400
Página 83
9 dos
https://translate.googleusercontent.com/translate_f 68/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
yo = 1 s= 1
(x1ox2ox3ox4)e(x5ox6ox7)e(x8ox9)
Cuando la condición o es exclusiva, implica solo una de las variables activadas. El conjunto de
Las restricciones que pueden cumplir esta condición lógica para las variables binarias son:
x1+x2+x3+x4=1
x5+x6+x7=1
x8+x9=1
No debemos olvidar que las variables binarias deben estar "vinculadas" a las variables reales del problema
decidir el número de comidas que se prepararán. La condición lógica de este "enlace"
dice que si se elige una dieta se permite calcular el número de comidas que dará lugar
responsable del programa. Si no se elige la dieta, el número correspondiente de comidas debe ser,
obviamente, cero. La condición lógica se puede reescribir como:
x1=0Þy1=0
x1=1Þy1³0
y yo - Mx i £ 0
Donde M es un número suficientemente grande. En este caso, 50 es un número apropiado porque es el límite
de comidas en cada grupo, por lo que la restricción se puede escribir como:
y i - 50 x i £ 0, i = 1,…, 9
∑ y yo = 50
yo = 1
∑ y yo = 50
yo=5
Página 84
9
∑ y yo = 50
yo=8
9
∑ b ij y yo j = Ca, Ce, Ma, Ve, Le, Fr
yo = 1
Entonces:
https://translate.googleusercontent.com/translate_f 69/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
yo = 1
4. Restricción de la no negatividad
y i ³ 0, x i ³ 0, i = 1,…, 9
Orden 2 solución
Solo necesitamos cambiar una de las restricciones en la solución para el orden 1. La condición lógica que unía a
ciones fue:
x1=0Þy1=0
x1=1Þy1³0
x4=0Þy4=0
x 4 = 1 Þ y 4 ³ 10
y 4 £ 50
El segundo pedido también requiere un límite inferior para el número variable de comidas. Para tal,
deberíamos agregar una restricción como:
y i - Lx i ³ 0
y 4 - 10 x 4 ³ 0
Página 85
Orden 3 solución
Para el primer requisito: si dos dietas i - j son incompatibles, entonces la condición de modelado lógico
será:
x yo = 1 Þ x j = 0
x j = 1 Þ x yo = 0
En el caso de las variables binarias, esta condición de incompatibilidad se puede expresar mediante la ecuación:
x yo + x j £ 1
x 1+ x 9 £ 1
x yo = 1 Þ x j = 1
xj=1Þxi=0o1
xi-xj£0
x 2- x 8 £ 0
https://translate.googleusercontent.com/translate_f 70/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
14 - El problema del matrimonio y la propiedad de la vivienda L
Una agencia matrimonial busca promover la mejor unión posible entre parejas en su vasto banco.
datos (sobre R = {1, ..., r } niños y M = {1, ..., m } niñas). Para solucionar este problema hay
una serie de criterios a adoptar. El índice de compatibilidad final, que se calcula teniendo en cuenta
factores condicionantes, es el factor predominante. El sistema de datos de la agencia puede obtener fácilmente
adecuación femenina f ij , es decir, la variable que dice qué cantidad de niña i es adecuada para el niño j, y masculino
na, h ij , que expresa la situación opuesta. Cuando los valores de f y h están dentro de ciertos límites, la
se puede formar pareja, con una formación cada vez más adecuada, a medida que
de estos factores. Además de este indicador, hay una gran restricción económica a tener en cuenta.
cuenta: casa propia. Las experiencias de la agencia dicen que una pareja solo está permitida cuando ambos
tiene un interés en la misma casa, se puede poner a disposición y su precio está dentro de la posesión
de la pareja. Hay W = {1, ..., w } casas en la base de datos.
Formule el problema de maximizar el número de combinaciones estables dentro de la base de datos.
Solución
Página 86
j = 1, ..., r ; k = 1, ..., w
f ij º adecuación de la niña i al niño j .
Hji º adecuación del niño j a la niña i.
l límite inferior de idoneidad de niñas para niños.
u límite inferior de idoneidad de niños para niñas.
v i Iº capacidad económica de la niña i = 1, ..., m .
w j º capacidad económica del niño j = 1, .., r.
c i º costo de la casa k , k = 1, ...., w.
w metro
∑ ∑ f ijX³ijkl , j = 1, ..., r
k = 1i = 1
w r
∑ ∑ h ijX³ijku , i = 1, ..., m
k=1j=1
w r
∑ ∑ £ l,Xiijk= 1, ..., m
k=1j=1
w metro
metro r
∑ ∑ ( vXi ijk+ w j ) ³ c k , k = 1, ..., w
i=1j=1
metro r
https://translate.googleusercontent.com/translate_f 71/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
k
∑ ∑ ≤ X ij 1, k = 1, ..., w
i=1j=1
w metro r
z = Maximizar { f ( x ) = ∑ ∑ ∑ }: número
k
X ij total de uniones.
k = 1 yo = 1 j= 1
Página 87
3 - El problema de la refinería K
En una refinería determinada, el petróleo crudo se somete al siguiente procesamiento antes de ser transferido
formado en gas / petróleo o gasolina cruda:
Agrietamiento Gas
Aceites
Petróleo
Destilación
Bruto
Atmosférico
Desulfuración Reformar
Gasolina
https://translate.googleusercontent.com/translate_f 72/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 88
Producto Producto
Operación
Gasolina bruta (tonelada / año) Gas / Petróleo (Ton / año)
4 - El problema de la reforestación J
Una empresa de reforestación ha plantado áreas en cuatro municipios. La empresa considera
había utilizado especies de árboles: pino, roble, nogal y araucaria. La tabla 2.26 resume los datos
del problema:
Zona
Pinus Carvalho Nuez Araucaria Pinus Roble Nuez Araucaria
Disponible
1 1500 17 14 10 9 dieciséis 12 20 18
3 900 13 12 14 8 17 10 28 20
4 600 10 11 8 6 12 11 18 17
Producción
Mínimo en 225 9 4.8 3,5
1000 x 3
Formular el problema de la designación de áreas de siembra por municipio para maximizar los ingresos.
Página 89
https://translate.googleusercontent.com/translate_f 73/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ciudad del número de personas en la habitación en la que está hospitalizado. Considerando que el hospital es siempre
formuló el problema para:
El monto disponible para compras es de 220 millones de dólares. Los pilotos del MD-11 pueden pilotar
todos los aviones de la empresa, pero los demás pilotos solo pueden asignarse a la aeronave a la que fueron asignados
habilitado. Cada avión requiere dos pilotos para operar. Los talleres de mantenimiento pueden
admite hasta 40 Boeing 717. Un Boeing 737-500 es equivalente, en esfuerzo de mantenimiento, a 3/4, y uno
MD-11 a 5/3, al referirse al Boeing 717. Formular el modelo PL del problema de optimización
compras de aviones.
Página 90
centrar
Transporte ferroviario
Parte
https://translate.googleusercontent.com/translate_f 74/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
atendido por
ferrocarril
Estación Estación Estación
LA segundo C
da db dc
Corredor vial
Determinar el porcentaje de alivio que debe tener el sistema vial en cada estación.
para que, en cualquier tramo de la vía férrea, la demanda no supere los valores estipulados y así
Minimizar el costo del sistema global. La ruta de transporte se inicia sin demanda previa en el
ción A.
Página 91
https://translate.googleusercontent.com/translate_f 75/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
por semana.
Orden 2 : Tras la planificación previa, la dirección de la empresa verificó que la demanda variaría
sustancialmente dentro de los cuatro modelos de camiseta que representan los cuatro equipos disponibles
Los finales. Aunque la demanda total es exactamente la que se planteó anteriormente, el valor
de las camisetas variaría según el equipo y su posición en el campeonato. En los dos primeros
cada semana todos los equipos estarían en pie de igualdad hasta que se decidieran los dos finalistas. LA
a partir de entonces, las camisetas de los equipos eliminados bajarían de valor y demanda en el mercado, y las de los
los finalistas ascenderían de acuerdo con la Tabla 2.29:
Página 92
Semana
1 dos 3 4
Equipo
1250 5 2500 6 14.500 8 30.000 9
Finalista C
Equipo
1250 5 2500 6 14.500 8 30.000 9
Finalista D
Sabiendo que existe un completo equilibrio entre los cuatro finalistas, formulando el modelo
que maximiza los beneficios de la empresa de fabricación de camisetas.
Entradas críticas
Las cantidades totales de insumos disponibles para la empresa, dentro de la calidad requerida, son:
https://translate.googleusercontent.com/translate_f 76/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 93
Junio-septiembre (*) - - - - - - - - - - - -
Costos
Almacenamiento 0,2 CU 0.3 CU 0.4 CU 0.5 CU 0.5 CU 0.5 CU
(por período)
Capacidad de
Almacenamiento
4 x 10 5 6 x 10 5 4 x 10 5 6 x 10 4 10 5 4 x 10 4
Total (en
Unidades)
(*) Las celdas vacías indican que no hay previsión de demanda para el período, sin embargo puede haber producción para el stock.
Formule el problema de planificar el mejor esquema para la producción y venta de huevos de Pascua.
Tipo Vehículo
Vehículo Vehículo
Ejército de 6 toneladas
¼ de tonelada Helicóptero Autobús Micro bus
Excursión
Información Ejército
Cantidad
de unidades 10 20 15 10 5 60
Disponible
Capacidad
20 personas 5 personas 10 personas 30 personas 15 personas 5 personas
de transporte
Capacidad
1 tonelada 20 kilogramos 50 kilogramos 1 tonelada 500 kilogramos 100 kilogramos
para equipaje
Costo por
10 um 4 uno 75 um 5 um 3 uno 2 uno
Viaje
Tiempo de
1 hora 45 min 10 minutos 45 min 30 minutos 30 minutos
Viaje
Para minimizar el pánico, los niños deben viajar con sus madres. Hay 10
familias con 5 hijos, 25 con 4 hijos, 150 con 3, 450 con 2 y 350 con 1. Los vehículos de pasajeros solo pueden
realizar un viaje de evacuación, quedando, por seguridad, retenido fuera de la zona de peligro.
Formular un programa de evacuación que minimice los costos finales de la operación.
Página 94
https://translate.googleusercontent.com/translate_f 77/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
86 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL
ELSEVIER
Matemáticas 24 24 30 24 30 24 20 28 24
Química 20 18 24 18 20 18 18 28 20
Física 20 18 20 18 18 24 18 20 36
Biología 24 18 20 20 18 18 18 24 36
Idiomas 8 8 8 8 6 8 8 8 8
Geografía 8 10 8 10 6 10 8 10 8
Historia 10 8 10 8 8 8 10 8 10
Idiomas PAGS PAGS PAGS PAGS PAGS PAGS PAGS PAGS PAGS
Cada prueba requiere una preparación de estudio de 10 horas. Cada trabajo escolar consume 4 horas
de esfuerzo. Se considera que el mes son cuatro semanas de siete días y el estudiante duerme 8 horas al día,
no estudia los domingos, pasa una hora al día desplazándose y dos horas con las comidas. Es sabido
aunque es deseable que el alumno disponga de al menos 20 horas de ocio al mes y 250 horas más
nueve meses de preparación, además del resto de las vacaciones de domingo y julio, para evitar
tafa. Formular el problema de maximizar la utilización del estudio, teniendo en cuenta que la
hora de estudio gastada en un mes en el que el resto es igual a 20 horas tiene solo el 50% de la
eficiencia de los meses en que el resto es mayor o igual a 40 horas y 70% de los meses en que este valor
varía entre 20 y 40 horas.
Página 95
https://translate.googleusercontent.com/translate_f 78/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TABLA 2.36 COSTO DE OPERACIÓN DE LOS DEPÓSITOS
Manaus 1,5 -
P1 X
P2 X
P3 X
P4 X
P5 X
P6 X
Cada fábrica tiene una capacidad de producción mensual y los depósitos tienen un límite de almacenamiento.
como sigue:
Página 96
Escenario 2
https://translate.googleusercontent.com/translate_f 79/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
En el problema anterior, es posible abrir un nuevo almacén en Salvador y uno en Recife o ampliar
los yacimientos de Natal y Río de Janeiro. La Tabla 2.38 resume los impactos, mostrando los costos financieros
alternativas.
Costos Capacidad
(R $ 10 4 ) (1.000 toneladas)
salvador 12 40.000
Recife 10 30.000
Navidad 5 40.000
Manaus 10
Belo Horizonte 5
Página 97
P1 - -
P2 1,5 2.5
P3 0,3 0,5
P4 0,5 0,5
P5 0.0 0,3
P6 0,5 0.0
https://translate.googleusercontent.com/translate_f 80/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 98
3 MÉTODO
SIMPLEX
4 Cómo evitar probar todas las posibles soluciones básicas viables para asegurar la optimización de la
sistema.
Es en este contexto que el algoritmo simplex se destaca como una de las principales contribuciones a la
gramática matemática de este siglo. Es un algoritmo general extremadamente eficiente para
sistemas lineales y adaptable a cálculos computacionales (a pesar de algunas dificultades
clásicos), y cuya comprensión funcional apoyará varios otros métodos. El estudio de este algoritmo
es indispensable para el profesional que quiere dominar las técnicas cuantitativas de análisis y
resolver problemas en un contexto razonablemente avanzado.
es que:
https://translate.googleusercontent.com/translate_f 81/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Un algoritmo es un procedimiento que termina en un número
número finito de operaciones (pasos) .
Página 99
El símplex es un algoritmo que utiliza una herramienta basada en álgebra lineal para determinar
socavar, mediante un método iterativo, la solución óptima de un problema de programación lineal (PPL). Tu
El diseño básico es simple y, por lo tanto, eficiente. En líneas muy generales, el algoritmo parte de
una solución viable del sistema de ecuaciones que constituyen las restricciones de PPL, una solución que normalmente
mente extrema (vértice). A partir de esta solución inicial, identifica nuevas soluciones viables de diferentes
igual o mejor que el actual. El algoritmo, por tanto, tiene un criterio de elección que permite
encontrar siempre nuevos y mejores vértices de la envolvente convexa del problema, y otro criterio
que puede determinar si el vértice elegido es un vértice óptimo o no.
Antes de desarrollar el algoritmo en sí, es necesario recordar algunos conceptos.
matemáticos que utilizará el método.
Definición 3.1:
Una base de una matriz A ( m Xn ) es una matriz cuadrada de m vectores columna lineales
independiente en  m . Las variables asociadas con estas columnas se llamarán
variables básicas .
xB xR
metro n-m
¿Cómo podemos resolver el conjunto de ecuaciones m X m solo en función de las variables básicas
tenemos: x = ( x B, 0). Si ampliamos el razonamiento a la matriz A , podemos dividirlo igualmente en un
matriz m X m , matriz que llamaremos B , de rango = my otra m X (n - m) , matriz que llamaremos
paletas R .
segundo R
A=m
metro n-m
Definición 3.2:
Sea B una matriz A de base asociada . El vector compuesto por x B = B –1 b y x R = 0 se llama
la solución básica .
Página 100
MÉTODO SIMPLEX 93
https://translate.googleusercontent.com/translate_f 82/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
E incluso si:
Definición 3.3:
Una solución básica sin componentes negativos se denomina solución básica viable .
- 1 segundo
segundo xR
X= 00 .... 00
metro n-m
Para arreglar la configuración anterior; ser el siguiente sistema de ecuaciones que constituye un conjunto
restricciones de algún problema de programación lineal:
x1+2x2£4
x2£1
x1+2x2+x3=4
x2+x4=1
+1 + dos + 1 0 +1 0
A= + 1 + 1 B=
0 0 0 +1
En este caso x B = ( x 3 , x 4 ) y x R = ( x 1 , x 2 )
Definición 3.4:
El conjunto C = { x tal que Ax = b , x ³ 0} se denomina conjunto de soluciones viables.
De la definición 3.4, los siguientes teoremas y corolarios son importantes para comprender la
método simplex:
Teorema 3.1:
El conjunto C de las soluciones viables de un modelo de programación lineal es un conjunto
convexo .
Demostración:
Ax=b
x³0
Página 101
Si C es convexo, entonces (ver la definición de conjunto convexo en el anexo) para cualquier com-
planteada por dos puntos distintos x 1 , x 2 pertenecientes a C , la combinación lineal convexa de estos puntos también
también pertenece a C , lo que equivale a decir que:
⎧x = x α + (-)
1X α ∈ C
{x1,x2}ÎCÞ ⎨ 1
⎩0 ≤ α ≤ 1
dos
https://translate.googleusercontent.com/translate_f 83/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1
Hacha dos
X1 ≥=0 segundo
y Hacha
Xdos ≥=0 segundo
y se:
X = α X1 + (-)
1 α Xdos
0 ≤ ≤α 1
Entonces:
Ax = A [a x 1 + (1 - a) x 2 ] =
= a Ax 1 + (1 - a) Ax 2 =
= a b + (1 - a) b = b
y x ³ 0, ya que:
x = a x 1 + (1 - a) x 2 ³ 0
x 1 ³ 0, x 2 ³ 0 y £ 0 a £ 1
Teorema 3.2:
Toda solución básica viable del sistema Ax = b es un punto extremo del conjunto de soluciones
viable, es decir, un extremo del conjunto C .
Demostración:
Sea C el conjunto formado por los puntos x tales que:
Ax = b
x³0
Sea x una solución viable de cualquier tamaño n , en la que, sin pérdida de generalidad,
las variables básicas son las primeras m :
X1
METRO
xm
X= con todos los componentes x i ³ 0
0
METRO
0
Página 102
MÉTODO SIMPLEX 95
Supongamos, absurdamente, que x no es un punto extremo del conjunto convexo C , definido antes
previamente. Entonces x puede obtenerse mediante una combinación convexa de otros dos puntos distintos de ese
mismo conjunto. Llamando a estos dos puntos y y z , tenemos:
x = a y + (1 - a) z
£0a£1
Ay b= y Az b
=
y ≥0 z≥0
La relación x = ay + (1 - a) z , colocada en términos de las coordenadas de cada uno de los tres vectores, proporciona
las siguientes relaciones:
x 1 = a y 1 + (1 - a) z 1
x 2 = a y 2 + (1 - a) z 2
...............................................
x m = una y m + (1 - a) z m
0 = a y m +1 + (1 - a) z m +1
...............................................
https://translate.googleusercontent.com/translate_f 84/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
0 = a y n + (1 - a) z n
Debido a las relaciones £ 0 a £ 1, y ³ 0 yz ³ 0 las últimas ( n - m ) relaciones del conjunto descrito anteriormente solamente
puede satisfacerse en uno de los siguientes casos:
En este caso tendríamos x = y = z , ya que tanto y como z son soluciones básicas del sistema bajo análisis, calculado
con las mismas variables básicas.
Razonando de forma análoga al caso anterior, deducimos que x = z . Además, como a = 0, se sigue que
x=y=z.
3. a = 1 y y m + i = 0 para i = 1, ..., n - m .
Página 103
El teorema 3.2 demuestra la correspondencia hacia una solución básica viable para un punto extremo
mo, y el teorema 3.3 completa la asociación.
Teorema 3.3:
Un punto x es extremo en un conjunto de soluciones viables a un problema de programación.
información lineal si y solo si x ≥ 0 es una solución básica del sistema de ecuaciones lineales
res Ax b =
También observamos que un punto x es extremo en un conjunto de soluciones viables de una PPL si
y solo si x ³ 0 es una solución básica del sistema de ecuaciones lineales Ax = b .
Corolario 3.1:
El conjunto de puntos extremos en un conjunto de soluciones viables es finito y limitado
en C n
m .
Corolario 3.2:
Si existe una solución viable, entonces existe una solución básica viable .
Teorema 3.4 :
1. Si una función objetivo tiene un máximo o mínimo finito, entonces al menos
una solución óptima es un punto extremo del conjunto convexo C del teorema 1.
2. Si la función objetivo asume el máximo o el mínimo en más de un punto extremo,
entonces toma el mismo valor para cualquier combinación convexa de estos puntos.
https://translate.googleusercontent.com/translate_f 85/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La figura 3.5 resume de forma simplificada los aspectos teóricos que garantizan el buen funcionamiento
del método simplex. El método básicamente experimentará una secuencia de soluciones viables básicas
en la búsqueda del valor óptimo para la función objetivo, y este es uno de los aspectos que permiten
buen desempeño y la garantía de su convergencia en un número finito de pasos.
El algoritmo simplex describe una secuencia de pasos para resolver sistemas de ecuaciones lineales.
sujeto a una función objetivo. Básicamente, proporciona tres situaciones:
Página 104
MÉTODO SIMPLEX 97
1. Un método para invertir la matriz básica m ' m deducida de las restricciones de una matriz m ' n .
2. Las condiciones para cambiar variables dentro de la matriz básica, de manera que exista garantía de mejora de
solución a lo largo del desarrollo de los pasos del algoritmo.
Eventualmente, el algoritmo puede adaptarse para promover la elección de la base viable inicial, o
solución de partida viable. Sin embargo, la esencia del método ignora el problema de elegir un
base viable inicial.
La discusión del primer aspecto involucrado en el algoritmo, es decir, el método de inversión matricial
básico, es bastante evidente en la presentación de las "imágenes" del simplex y sus operaciones de "pivote".
ment ”. El método generalmente sugerido en la literatura es el de operaciones elementales . Esta tecnica
permite que en cada paso del algoritmo el esfuerzo de inversión ya gastado en iteraciones anteriores sea
aprovechado completamente. Es importante comprender que, de hecho, no existe ningún compromiso por parte del
algoritmo con un método de inversión específico para la matriz básica. En definitiva, el método
simplex no requiere que la matriz se invierta mediante un método pivotante, aunque
todo su razonamiento se aplica tradicionalmente junto con esta técnica.
El segundo punto se aborda mediante un criterio muy sencillo que implica calcular los posibles
posible contribución al aumento o disminución de la función objetivo (según sea el caso:
o minimización) con la posible entrada en la base de una variable no básica. El criterio apunta a
elección de la variable con mayor contribución inmediata. La eficiencia del método simplex y su extracción.
La potencia dinámica para funcionar en la práctica está asociada al criterio adoptado en este cálculo.
El tercer tema se refiere a la prueba de parada, que incluye la identificación de condiciones en las que
existe más la posibilidad de que un intercambio de variables en la base pueda mejorar el criterio de optimización
o situaciones en las que se identifica un comportamiento patológico de crecimiento indefinido
del problema.
https://translate.googleusercontent.com/translate_f 86/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 105
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0.
Podemos resumir el modelo Tape_1 de la siguiente manera:
Maximizar z = 3 x 1 + 5 x 2
Sujeto a:
x1£4
x2£6
3 x 1 + 2 x 2 £ 18
x 1 ³ 0, x 2 ³ 0
Como se nos pidió, además del modelo, mostrar el mejor esquema de producción,
buscamos solucionar el problema. Habiendo examinado el modelo Tape_1, encontramos la necesidad de
aproximación de una función lineal sujeta a un conjunto de tres desigualdades. Colocado en forma de ecuaciones,
el sistema de restricción es una matriz con m filas yn columnas, donde n > m . Suponiendo que este sistema de
ecuaciones tiene alguna solución, entonces esa solución se puede obtener a través de un determinante de
orden de m , correspondiente a una determinada submatriz m ' m derivada de la matriz de restricciones Fita_1.
En este caso, deducimos que la matriz de restricciones de Fita_1 representa un conjunto de ecuaciones independientes
terminado, es decir, tener infinitas soluciones aceptables. En resumen: si Fita_1 tiene una solución, entonces
tendremos que perseguirlo maximizando la función z sobre un conjunto infinito de soluciones viables. Lo haremos
ejemplificar la naturaleza de la dificultad del problema propuesto a través de la representación gráfica de
Ribbon_1. Representaremos la variable x 1 en el eje xy la variable x 2 en el eje y .
Como podemos ver en la Figura 3.6, los puntos O, A, B, C, D y E son ejemplos de soluciones para
conjunto de restricciones de cinta_1. La tabla 3.1 muestra el valor supuesto de la función objetivo z en cada
puntos seleccionados:
x2
X2=4
re C
X2=6
6
Y
segundo
3X + 2X = 18
1 dos
LA
O 4 x1
https://translate.googleusercontent.com/translate_f 87/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 106
MÉTODO SIMPLEX 99
TABLA 3.1
O (0, 0) 0
LA (4,0) 12
segundo (4, 3) 27
C (2, 6) 36
re (0, 6) 30
Y (2, 3) 21
Entre los puntos examinados, la solución que lleva al valor z más alto es la que corresponde al vértice
C . ¿Sería este el valor máximo de la función z ? Obviamente, no podemos examinar los puntos infinitos del
Poliedro OABCD, aunque todas son soluciones posibles o viables. Afortunadamente, el
La figura 3.5 nos asegura que la solución óptima para Fita_1 está en uno de los puntos extremos de su poliedro.
soluciones viables. De hecho, no tiene sentido examinar un punto interno como el
Y (solo en sentido didáctico), el punto z óptimo nunca ocurrirá allí. La figura 3.7 es útil para
podemos visualizar gráficamente el proceso de optimización z sobre todas las soluciones viables. En el
ejemplo bidimensional actual, está representado por el desplazamiento de una línea. En el caso general,
hiperplano que representa una curva de nivel de la función objetivo z que pasa por algún punto
del poliedro de restricciones.
X2
7 z = 56
X2
z = 24
3
Sentido de
crecimiento z
O 3 7
X1
re C
3X + 5X = z
1 dos
6
z = 36
Mayor crecimiento
posible para z
Y
segundo
LA
O 4 X1
Examinando la ecuación general de las líneas asociadas con las curvas de nivel de la función objetivo, podemos ver
que cada valor numérico de z corresponde al término independiente de alguna línea perpendicular a la dirección
gradiente, configurado por los coeficientes de beneficio en el modelo. Específicamente, para el ejemplo en
maximizar z corresponde a cambiar la dirección proporcionada por la línea 3 x 1 + 5 x 2 hasta el máximo
el valor de su término independiente. Por supuesto, la línea z debe tener al menos un punto común
con la figura geométrica correspondiente a las restricciones o no podrá cumplirlas. Ese punto en
Página 107
Common es la solución que estamos buscando. Por supuesto, no todas las direcciones de viaje serán útiles.
para maximizar el término independiente de z . En el caso que se examina, la mejor dirección de viaje es la
del gradiente que corresponde a una dirección ortogonal al apoyo de la línea z . La dirección del crecimiento máximo
función de z no depende del formato o número de ecuaciones de la
modelo de programación lineal. La pendiente de z = c 1 x 1 + c 2 x 2 es independiente del valor de z y
igual ac 1 / c 2 . La dirección de mayor crecimiento de z corresponde a una línea recta ortogonal az , siendo por tanto
https://translate.googleusercontent.com/translate_f 88/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
a, igual ac 2 / c 1 . En este caso, optimizar z sobre un conjunto de restricciones lineales se reduce a encontrar,
hacia el mayor crecimiento de la función, el punto más alejado del universo de soluciones viables
calculado por la matriz de restricciones. La figura 3.7 nos sugiere visualmente que la mejor solución para
Fita_1 se ubicará en los bordes del polígono OABCD. El teorema 3.4 nos garantiza que nuestro
“Feeling” es siempre cierto, ¡ya que el polígono OABCD es convexo!
Como establece la segunda parte del Teorema 4, es posible que la dirección de búsqueda encuentre infinitos
puntos que harían que z asumiera un valor óptimo. Si la ganancia de vender las cintas del nuevo
nuestro ejemplo eran 2 unidades monetarias y no 5, ocurriría un hecho interesante. Pasando lo nuevo
Si la función z fuera 3x 1 + 2x 2 , su dirección se volvería paralela a la restricción impuesta por el trabajo. los
las soluciones viables no cambiarían de forma, ya que las restricciones no se han modificado,
pero la nueva dirección de crecimiento de la función objetivo encontraría simultáneamente los puntos extremos
It C y B. Para este ejemplo, cualquier punto de la cara CB es una solución óptima, como se muestra en la Figura
3.8. En términos del algoritmo simplex, este se caracteriza, como veremos a su debido tiempo, por la
variables no básicas j Î J con costos reducidos iguales a cero ( z j - c j = 0 ) en la solución
Situación óptima.
X2
7 z = 35
X2
z = 15
3
Nuevo sentido de
3X +2 X = z
1 dos crecimiento z
re C O 3 7 X1
6
z = 18
La dirección de la función z
coincide con el sentido de
Y
una de las restricciones extremas
segundo
LA
O 4 X1
Otra posible ocurrencia para el conjunto de soluciones viables de una PPL se refiere a su forma.
malo. Eventualmente, la matriz de restricciones puede no corresponder a una figura cerrada. Figura 3.9
muestra la situación en la que el conjunto de soluciones viables no es limitado. A pesar de representar un caso
Curiosa, esta característica no siempre presentará ninguna dificultad para el proceso de solución.
Examinando el ejemplo propuesto, podemos ver fácilmente que si la dirección de "crecimiento" de la función z
tiene la dirección opuesta a la que se muestra en la figura, por lo que apunta a la región del punto B,
la solución a este problema será limitada. Para la región del punto B, el conjunto de restricciones es limitado, un
Página 108
X2
Dirección de crecimiento
de nozbloqueado
X - dosX <_ 2
1 dos
z =3 X +2 X
1 dos
segundo
3X +5 X > _ 15
1 dos
X1
Dado que la dirección de crecimiento de z terminará bloqueada por el encuentro de caras del poliedro (dos restricciones
https://translate.googleusercontent.com/translate_f 89/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
para el caso
Otra bidimensional)
posibilidad o un punto
topológica para elextremo.
conjunto de soluciones viables es la del conjunto vacío. En
En términos generales, no hay garantía de que un problema correctamente formulado tenga solución. En eso
En este caso, la PPL se denomina inviable o imposible . En la interpretación geométrica, este hecho se caracteriza
por una región factible vacía . La figura 3.10 muestra un ejemplo de una PPL inviable.
Desafortunadamente, los problemas de la programación lineal no permiten, en la abrumadora mayoría de
la posibilidad de una solución gráfica, ya que esto solo es factible cuando el problema tiene dos
viable. Una forma de encontrar de manera eficiente el punto extremo de C a la que la solución óptima de z occurs-
ra ha sido objeto de un gran esfuerzo e investigación. Es en este sentido que, durante más de medio siglo, la
El algoritmo simplex es muy importante.
X2
X -dos X >2
1 dos
x 2 <1
dos
X1
Minimizar z = cx
Sujeto a: Ax = b
x³0
Página 109
donde A es una matriz m ´ n , con rango m (todas líneas linealmente independientes), podemos descomponer
el vector c en sus componentes básicos y no básicos, c = (c B , c R ) , y suponga que la solución básica viable
⎛ - 1 ⎞
existente está representado por un vector x = ⎜B b ⎟cuyo valor asociado viene dado por la siguiente expresión
⎝ 0 ⎠
son:
⎛ - 1 ⎞ ⎛ - 1 ⎞
z 0 = cB⎜b ) B b ⎟= c B B –1 b
⎟= ( c B , c R ⎜
⎝ 0 ⎠ ⎝ 0 ⎠
El vector x se puede escribir , dependiendo de las variables básicas y no básicas, de la siguiente manera:
⎛ X segundo
⎞
x= ⎜ ⎟e b = Ax Bx = B + R x R .
⎝XR ⎠
x B = B –1 b - B –1 Rx R
= B –1 b - ∑ asegundo
-1
jx j
j J∈
z = cx
= cx + cx
cama y desayuno
RR
⎛ ⎞
⎜ ⎟
= c B ⎜ B b- 1 - ∑ asegundo
-1
jx j ⎟+ ∑ cjxj
⎝ ∈ ⎠ ∈
https://translate.googleusercontent.com/translate_f 90/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
jJ jJ (3,1)
= z
0-
∑ (z j - c j ) x j
j J∈
z=z0-(zk-ck)xk (3,2)
Dónde
y k = B –1 a k y b = B –1 b (3.4)
Página 110
⎡ X segundo
⎤ ⎡ ⎤ ⎡ y ⎤
1 segundo
1 1k
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X segundo segundo y dos
⎢ dos =
⎥ ⎢ dos k
⎥ - ⎢ METRO ⎥ Xk
METRO METRO (3,5)
⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎦
⎣ X Bm ⎦ ⎣ ⎦
segundo
metro
⎣ y mk
La expresión (3.5) nos muestra que si hay algún elemento de y ik , y ik, £ 0, entonces la x Bi asociado
puede crecer indefinidamente con el crecimiento de x k . Si y ik > 0 existe , entonces x Bi disminuye con el
ment de x k . Para satisfacer las condiciones de no negatividad de una solución básica viable, el nuevo
variable x k solo puede crecer hasta que el primer componente x Bi reducido a cero, que corresponde a
segundo
s Mínimo ⎧ segundo ⎫
= ⎨ yo : y ik > 0 ⎬ ⇒ x s
1≤ ≤ soy ⎩ ⎭ (3,6)
y sk y ik
Nótese que para garantizar la independencia lineal de la columna k con las otras columnas existentes en
base es esencial que y sk ¹ 0. Por el criterio sugerido en (3.2), la variable x k sería la que entraría en el
base mejorando el valor de la función objetivo, y la variable x s , linealmente dependiente de x k , dejaría la
base al tener su valor numérico completamente agotado por el crecimiento de x k .
Sea el problema de hacer las cintas en el ítem 3.2. Podemos reescribirlo en la forma estándar, considerando
la transformación a una PPL de minimización, de la siguiente manera:
Minimizar z = - 3 x 1 - 5 x 2
Sujeto a:
x1 +x3 =4
x2 +x4 =6
3x1+2x2 + x 5 = 18
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0
⎡ 10100 ⎤
⎢ ⎥
https://translate.googleusercontent.com/translate_f 91/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
A = [ a 1 , a 2 , a 3 , a 4 , a 5 ] =⎢⎣ 0 1 0 1 0 ⎥⎦
32001
⎡ 4 ⎤
b = ⎢ 6 ⎥ yc = [–3, –5, 0, 0, 0]
⎢⎣ 18 ⎥⎦
⎡ 100 ⎤
B = [ a 3 , a 2 , a 5 ] =⎢ 0 1 0 ⎥
⎢⎣ 0 2 1 ⎥⎦
Página 111
⎡ 100 ⎤
B –1 = ⎢ 0 1 0 ⎥
⎣ 0 -21 ⎦
⎡ X ⎤ ⎡ 100 ⎤⎡ 4 ⎤ ⎡ 4⎤
3
x B = ⎢ X dos⎥ = B –1 b = ⎢ 0 1 0 ⎥⎢ 6 ⎥ = ⎢ 6⎥
⎣ X5 ⎦ ⎣ 0 -21 ⎦ ⎣ 18 ⎦ ⎣ 6 ⎦
⎡ X 1 ⎤ ⎡ 0⎤
xR=⎣ =
X 4 ⎦ ⎣ 0⎦
⎡ 4⎤
z D = cx = c B x B + c R x R = [0 –5 0] ⎢ 6 ⎥ = –30
⎣ 6⎦
La base elegida corresponde al punto D de la Figura 3.6. Para mejorar la solución z D , necesitará
calcular los valores ( z j - c j ) para j Î J , es decir:
z 1 - c 1 = c B B –1 a 1 - c 1
⎡ 100 ⎤⎡ 1⎤
= [0 –5 0] ⎢ 0 1 0 ⎥ ⎢ 0 ⎥– (–3)
⎣ 0 -21 ⎦ ⎣ 3⎦
=3
z 4 - c 4 = c B B –1 a 4 - c 4
⎡ 100 ⎤ ⎡ 0⎤
= [0 –5 0] ⎢ 0 1 0 ⎥ ⎢ 1 ⎥– (0)
⎣ 0 -21 ⎦ ⎣ 0⎦
=-5
Piel criterio
adoptado, el variable x1 entrara a base salir los variable
segundo ⎧ segundo ⎫
s Mínimo = ⎨ yo : y > 0,⎬que en este caso es x 5 .
=
y sk 1 ≤ ≤ yo metro⎩ y ik
⎭
ik
⎡ X ⎤ ⎡ 4⎤ ⎡ 1⎤ ⎡ 4⎤
3
⎢ X dos⎥ = ⎢ 6 ⎥ / ⎢ 0 ⎥ = ⎢ - ⎥
⎣ X 5 ⎦ ⎣ 6 ⎦ ⎣ 3 ⎦ ⎣ dos ⎦
⎡ 101 ⎤
B ' = [ a 3 , a 2 , a 1 ] =⎢ 0 1 0 ⎥
⎣ 023 ⎦
https://translate.googleusercontent.com/translate_f 92/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 112
Puesta en marcha:
La determinación de una inicial básica solución x B . Sea I el conjunto de índices de las columnas de A pertenecientes al
base y J = N \ I (establecer operación de diferencia).
Y = B –1 R
zj=cByj,jÎJ
Paso 2 :
• Si y i £ 0 para al menos un j Î J 1 , no hay una solución óptima finita. ¡Detener!
• De lo contrario, determine k de modo que z k - c k = max {-} zj Cj
j J∈
segundoXs ⎧ segundo ⎫
s
En la columna k encuentre la relación: = = min ⎨ yo : y > 0⎬ ⇒ X s
ik
y sk y sk 1 ≤ ≤ soy ⎩ y ik ⎭
B = ( B \ { a s } È { a k })
x B = B –1 b
X Bs
z0=z0-(zk-ck)
y sk
Actualizar:
R = ( R \ { a k }) È { a s }
Yo = ( yo \ { s }) È { k }
J = ( J \ { k }) È { s }
Regrese al paso 1 .
Página 113
https://translate.googleusercontent.com/translate_f 93/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Para facilitar la ejecución de cálculos manuales, tradicionalmente usamos un formato tabular
para el desarrollo del algoritmo simplex. Observamos que este formato es solo una característica
para que podamos seguir mejor los cálculos propuestos en el ítem 3.3. En general, describimos
vemos un problema de programación lineal como:
Mínimo z = c 1 x 1 + c 2 x 2 +… + c s x s + 0 x s +1 + 0x s +2 + ... + 0 x n
Sujeto a:
a metro 1 x 1 + a metro 2 x 2 +… + a ms x s + 0 + 0 + 0 +… + x n = b m
x 1 , x 2 , ..., x n ³ 0
Organicemos ahora una tabla inicial para el cálculo de acuerdo con el siguiente dibujo:
Marco inicial :
Índice variable
Valor de FO Valor de z j - c j
Índice
Zona
de
xB Y = B –1 R B –1 en
Variables
Cálculos
Básico
Eso a lo largo de las iteraciones del algoritmo corresponde a la siguiente forma canónica:
Página 114
Tabla general :
https://translate.googleusercontent.com/translate_f 94/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Con la ayuda de la tabla anterior seguiremos estos pasos para resolver el sistema de desigualdades
líneas sujetas a una función objetivo:
Paso 1 : Organice la tabla inicial como se indica, partiendo de un PPL en forma canónica .
• Si todo z j
- Cj £ 0 ( j Î J ), por lo que se ha alcanzado la solución óptima.
entrar en la base.
Paso 4 : Reemplace lavariable r- ésima, correspondiente a laecuación r- ésima con la variable x k , que
unirá la nueva base, y recalculará las matrices B -1 , Y y los vectores z j - c j , x B y z 0 . Volver
al paso 2.
Para recalcular las matrices y los vectores del método, podemos usar directamente las fórmulas
en el ítem 3.3 o, con base en la tabla propuesta anteriormente, utilizar el método de inversión de
matrices por operaciones elementales, considerando que las variables que quedaron en la base ya han
sudan sus columnas canonizadas, es decir, transformadas en vectores canónicos. Para canonizar la columna
de la nueva variable dividiremos la recta r por el elemento pivote, obteniendo 1 en la posición del pivote. Para reducir
los otros elementos de la columna a cero, usaremos la suma de múltiplos de la línea (más preguntas, ver
método de inversión matricial por operaciones elementales en el anexo).
El uso directo de ecuaciones algebraicas tiene una gran desventaja para el cálculo manual,
porque dificulta el seguimiento de las operaciones. Este método es adecuado para implementaciones informáticas.
tacional. El formato enmarcado, a pesar de requerir un mayor número de operaciones algebraicas y espaciales
en la memoria (si está automatizado), ya que funciona con toda la matriz Y ,
mejor visión de la evolución lógica del algoritmo. La propiedad algebraica de la inversión de matrices aumenta
da permite que los vectores z j - c j , x B y z 0 se obtengan por igual cuando el nuevo
matriz B a través de operaciones elementales (ver anexo - Temas en Álgebra Lineal y Convexidad).
Página 115
Marco pivotante
Cuando el algoritmo simplex introduce una nueva variable en la base y estamos usando el marco para el
cálculo, todo sucede como si una de las columnas de la matriz aún no hubiera sido calculada por el método
reversión de las operaciones elementales para obtener inversa completa de B . Variables que no
alterados conservan sus columnas canonizadas, lo cual es muy conveniente de calcular,
el trabajo de inversión realizado en el paso anterior. La operación que llamamos "pivotar"
to ”representa, en última instancia, la aplicación de las reglas del método de inversión matricial por operaciones
cambios elementales al marco propuesto.
El primer paso para la inversión de la nueva base formada con la entrada de la variable x k y la salida
de x r es exactamente para obtener un valor unitario en la posición del elemento pivote. Esto se logra mediante la división de
toda la línea de pivote por el valor de este elemento en la columna x k . Dado que el marco es una matriz ampliada,
la línea de pivote se extiende hasta el término independiente asociado. Con el mismo razonamiento, podemos fácilmente
comprender por qué la posición de la línea de z j - c j también será parte de las columnas de variables.
Desafortunadamente, el aspecto matemático de las ecuaciones que se forman cuando tratamos algebraicamente un
La operación pivotante puede considerarse un poco complicada, pero es solo a través de la
comprensión de estas expresiones seremos capaces de automatizar el proceso.
Suponga que se ha elegido la variable x k , en una iteración dada de la simulación.
plex, para ingresar a la base, porque tenía el valor más alto de z j - c j en la tabla, y la variable x r fue la primera
el cual agotó su valor positivo con el crecimiento de x k , por lo que debería dejar la base. En este caso, el
pivote será el elemento y rk (columna k , línea r ). Como la nueva columna, cuando sea canonizada, ocupará el puesto
ción r de los vectores canónicos que comprenden la base, el elemento y rk debe transformarse en un valor
unidad para una operación elemental válida. La operación más adecuada para el caso es la división de la línea.
del pivote por su propio valor.
Después de ajustar el pivote, toda la columna del pivote debe reducirse a cero para completar la operación.
Inversión recomendada por el método de operaciones elementales. Como el pivote es unitario, cada persona
https://translate.googleusercontent.com/translate_f 95/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
la posición se puede cancelar agregando un valor simétrico obtenido al multiplicar la línea de pivote
por –1 veces el valor del elemento a cancelar. Todas las operaciones necesarias son independientes
entre ellos y suficientes para completar la inversión de base. La siguiente secuencia de tablas aclara
la operación pivotante:
Línea asociada
segundo
s
al valor mínimo
y sk
Página 116
segundo
r y r1 y rk y Jajaja 1
xk ............. ............. 0 ... ... 0
y rk y rk y rk y rk y rk
1 Elemento pivote
y rj
(zj-cj)- (zk-ck)
cBB- y rk
segundo
r
-(zk-ck)- Ck - z k
y rk 0 ...... ...... 0
0 y rk
y r1 y Jajaja
x s+ y1 kb r y 11 + (- y 1 k ) 0 y 1 s + (- y 1 k ) - y1k
b1- y rk y rk 1… …0
1 y rk y rk
https://translate.googleusercontent.com/translate_f 96/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
segundo
r y r 1 ............. 1 ............. y Jajaja 0 ... 1 …0
xk
y rk y rk y rk y rk
Página 117
Maximizar z = 4 x 1 + 5 x 2 + 9 x 3 + 11 x 4
sujeto a:
x 1 + x 2 + x 3 + x 4 £ 15
7 x 1 + 5 x 2 + 3 x 3 + 2 x 4 £ 120
3 x 1 + 5 x 2 + 10 x 3 + 15 x 4 £ 100
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0
Maximizar z = 4 x 1 + 5 x 2 + 9 x 3 + 11 x 4 + 0 x 5 + 0 x 6 + 0 x 7
sujeto a:
x1+x2+x3+x4+x5 = 15
7x1+5x2+3x3+2x4+x6 = 120
3 x 1 + 5 x 2 + 10 x 3 + 15 x 4 + x 7 = 100
x1 x2 x3 x4 x5 x6 x7
z 0 4 5 9 11 0 0 0
x5 15 1 1 1 1 1 0 0
x6 120 7 5 3 dos 0 1 0
x7 100 3 5 10 15 0 0 1
Observe que en la Tabla 1 las variables de holgura constituyen una base canónica, siendo innecesario
determinación de su inverso.
Como hay z j - c j > 0, una variable debe entrar en la base. El elegido es x 4 porque z 4 - c 4 = 11 es el valor más alto
entre z j - c j . La flecha indica la entrada de x 4 en la base.
x1 x2 x3 x4 x5 x6 x7
z 0 4 5 9 11 0 0 0
https://translate.googleusercontent.com/translate_f 97/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x5 15 1 1 1 1 1 0 0
x6 120 7 5 3 dos 0 1 0
x7 100 3 5 10 15 0 0 1
Página 118
4. Paso 3 del algoritmo: determinación de la variable que sale de la base (determinación del pivote).
La variable x 7 sale de la base ya que 100/15 es el valor más bajo para el crecimiento de x 4 . La flecha horizontal
esto indica la salida de x 7 desde la base.
x1 x2 x3 x4 x5 x6 x7
z 0 4 5 9 11 0 0 0
x5 15 1 1 1 1 1 0 0 15/1
x7 100 3 5 10 15 0 0 1 100/15
s Pivote
5. Paso 4 del algoritmo: operación para calcular los valores de solución asociados a la nueva base.
En el caso de utilizar el marco simplex, esta fase corresponde al llamado pivotaje, que permite la
cálculo de las matrices de problemas utilizando el método de operaciones elementales. La línea de pivote es
dividido por 15, que es el valor de pivote.
x1 x2 x3 x4 x5 x6 x7
z 0 4 5 9 11 0 0 0
x5 15 1 1 1 1 1 0 0
x6 120 7 5 3 dos 0 1 0
x1 x2 x3 x4 x5 x6 x7
En este caso, el mayor z j - c j corresponde a z 1 - c 1 = 9/5, lo que lleva a la variable x 1 a entrar en la base.
Página 119
https://translate.googleusercontent.com/translate_f 98/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
112 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
7. Paso 3 del algoritmo: determinación de la variable que sale de la base (determinación del pivote).
x1 x2 x3 x4 x5 x6 x7
8. Paso 4 del algoritmo: operación para calcular los valores de solución asociados a la nueva base.
x1 x2 x3 x4 x5 x6 x7
x1 x2 x3 x4 x5 x6 x7
10. Paso 3 del algoritmo: determinación de la variable que sale de la base (determinación del pivote).
x1 x2 x3 x4 x5 x6 x7
Pivote
Página 120
11. Paso 4 del algoritmo: operación para calcular los valores de solución asociados a la nueva base.
x1 x2 x3 x4 x5 x6 x7
https://translate.googleusercontent.com/translate_f 99/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
En el algoritmo descrito se consideró superada la fase de obtención de una base viable para el problema .
De hecho, cuando, al incluir variables de holgura en el pasaje de la descripción del
del estándar al estándar obtenemos una base inicial (y canónica), el algoritmo descrito
aborda bien el problema. Pero ¿qué pasa cuando no lo hace? Tome el siguiente ejemplo:
Minimizar z = - 3 x 1 - 5 x 2
sujeto a:
x1 £4
x2 £6
3x1+2x2 ³ 18
x 1 ³ 0, x 2 ³ 0
Minimizar z = - 3 x 1 - 5 x 2 + 0 x 3 + 0 x 4 + 0 x 5
sujeto a:
x1+x3 =4
x2+x4 =6
3 x 1 + 2 x 2 - x 5 = 18
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0
Obviamente la matriz formada por las variables de holgura no es una base viable: 1
⎡ 100 ⎤
B= ⎢ 010 ⎥
⎣ 0 0 1– ⎦
1. B es una base, sin embargo, no cumple con el requisito de conducir a una solución en la que todas las variables serán mayores o
igual a cero.
Página 121
La figura 3.11 muestra gráficamente que el punto de origen (todas las variables reales iguales a cero) no
pertenece al espacio de soluciones viables a este problema, es decir, la base tradicionalmente considerada
como un fracaso inicial para ser viable.
X2
6 LA segundo
X1
0 dos 4
https://translate.googleusercontent.com/translate_f 100/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIGURA 3.11 Espacio de soluciones viables en el ejemplo.
• Encuentre una base viable (puntos A, B o C) por cualquier otro método y luego aplique el
simplex desde esa base.
• Utilice el simplex en sí mismo para generar una base viable, a partir de cualquier base que no sea viable.
Elegiremos la segunda alternativa. En este caso, inicialmente, el algoritmo buscará una base viable
posible buscar posteriormente el óptimo del propio programa. Tal método de solución generalmente tendrá
dos frases. Podemos describir estos pasos de la siguiente manera:
• Primera Fase : el procedimiento utilizará el símplex para encontrar una base de solución viable.
• Segunda Fase : en posesión de la base calculada en la primera fase, aplicaremos el método simplex tradicional
en busca del óptimo del programa.
Para operacionalizar la búsqueda de la base viable inicial, existen dos alternativas, todas basadas en la
idea de “variables artificiales”. Definiremos como variables artificiales las que introduciremos
en el programa de optimización para que tengamos la base viable inicial que tanto necesitamos. Estas variables
necesidad de tener alguna conexión con la realidad de modelar el problema, de ahí el nombre
artificial ”. En el ejemplo anterior, dado que solo una de las columnas base tiene un valor negativo en su
componente canónico (tercera columna), es decir, solo hay una variable de aclaramiento negativo, en el
una artificial será suficiente para corregir esta anomalía. Podemos obtener una base canónica viable para el pro-
programa de ejemplo con la introducción de una variable artificial como se muestra a continuación:
los
Minimizar z = - 3 x 1 - 5 x 2 + 0 x 3 + 0 x 4 +0 x 5 +? X 6
sujeto a:
x1 x3 =4
x2 x4 =6
los
3x1+2x2 -x5+x 6 = 18
los
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0, x
6³ 0
Página 122
los
xxx
3 4 6
100
= 010
segundo
001
El signo de interrogación en el costo de la variable artificial es un aspecto fundamental para nuestra discusión.
cussion, y es ahí donde los dos métodos de solución más conocidos difieren. Mientras que las variables de
El despacho no tiene costes, a pesar de estar ligado al sentido lógico del modelo, los artificiales son
vinculado únicamente a la estrategia adoptada para obtener una base viable para el simplex. Cómo ellos
tienen un significado dentro de una estratagema matemática, su "costo" asociado puede ser útil en este
s estrategia.
El razonamiento es simple: si solo queremos, en una primera fase, obtener una base real viable para
el programa, tendremos que deshacernos de esas variables artificiales en algún momento. Pensando en
términos del funcionamiento del algoritmo simplex, será de nuestro interés que las variables artificiales
deje la base que se calculará en cada iteración lo antes posible. Ninguno de esos
Las bases constituidas artificialmente pueden utilizarse directamente para optimizar el problema real (mediante
menos en teoría) y representan un esfuerzo de cálculo. Una forma natural de pensar en una salida sería
asocian estas variables “intrusivas” con un costo extraordinariamente alto. Obviamente, si usamos el
simplex para minimizar un problema donde hay variables extraordinariamente grandes en la base,
el método tendrá como prioridad cambiarlos por otros más económicos, lo que, en teoría, conduciría a una solución
educación viable.
La estrategia descrita anteriormente se conoce como el método de la gran M , donde M es la
ganteque que atribuimos a los costes de las variables artificiales. La principal desventaja de este método.
lado en la posibilidad de dificultades numéricas cuando se implementa computacionalmente. Cuando
de M es un valor muy grande, pueden producirse errores de redondeo numérico en las divisiones resultantes
diferente, especialmente cuando la diferencia entre M y los valores de los otros costos del marco es
grande.
Por otro lado, cuando M se adopta de forma inconvenientemente pequeña, los efectos de
delagem. En esta alternativa, las variables artificiales pueden ser tomadas por el programa por variables
real. Para evitar las dificultades que puede presentar el método de la gran M al elegir el valor de M,
https://translate.googleusercontent.com/translate_f 101/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
tenemos la posibilidad
función objetivo de separar
diferente completamente
para cada etapa. las dos fases de cálculo, eligiendo, incluso, una
En la fase inicial podemos utilizar una función objetivo que minimiza el número de variables artificiales
base. Como una base real no tiene ninguna variable artificial distinta de cero,
primera fase, procederemos normalmente con los cálculos con la función objetivo original del
blema. Este procedimiento general de dividir la optimización en dos etapas, con diferentes funciones objetivo
diferentes métodos , se denomina método de dos fases . El nombre del método está vinculado a la existencia de dos
funciones objetivo, una para cada fase, ya que el método M grande también
en dos fases.
Para aclarar cómo podemos realizar estos cálculos en la práctica, procederemos con la solución
el ejemplo sugerido. Inicialmente, usaremos la tabla simplex para seguir los cálculos.
cada iteración. Haremos un pequeño cambio en la mesa para que pueda
seguir las dos fases del método, a saber: una línea para cada función objetivo como
que se muestra en la Tabla 3.7. La función objetivo de la primera fase será minimizar el número de variables
artificial. Nombraremos la función de la primera fase por q y la expresaremos, por ejemplo, de la
siguiente manera:
los
Minimizar q = 0 x 1 + 0 x 2 + 0 x 3 + 0 x 4 + 0 x 5 +1 x 6
Página 123
los
x1 x2 x3 x4 x5 X6
q 0 0 0 0 0 -1 Función 1 a Fase
z 3 5 0 0 0 0 Función 2 a Fase
x3 4 1 0 1 0 0 0
x4 6 0 1 0 1 0 0
los
X6 18 3 dos 0 0 -1 1
Observamos que simplemente transcribiendo los costos de las variables básicas en la tabla,
como hicimos en el método tradicional, no consideramos que el vector de las variables básicas no es
nulo. En el marco del método clásico, los costos de las variables siempre fueron cero, lo que
término z j en la primera iteración. En este caso, fue correcto transcribir al tablero la línea de la función objetivo
con la señal intercambiada. Ahora la variable básica artificial x 6 a tiene un costo unitario y z j no se incrementará
automáticamente igual a cero y debe calcularse. Esto se debe precisamente a que estamos "forzando
"la variable artificial para pertenecer a la base. Sin embargo, observamos que el término c j es nulo para todas las variables
con la excepción de la variable x 6 a , lo que nos lleva a:
z j - c j = c B B –1 a j - c j
⎡ 100 ⎤ ⎡ 0⎤
z 6 - C6 = [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 0⎥ - 1 =
0
⎣ 001 ⎦ ⎣ 1⎦
⎡ 100 ⎤ ⎡ 1⎤
z 1 - C1 = [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 0⎥ - 0 =
3
⎣ 001 ⎦ ⎣ 3⎦
⎡ 100 ⎤ ⎡ 0⎤
z dos- Cdos= [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 1⎥ - 0=
2
⎣ 001 ⎦ ⎣ dos
⎦
⎡ 100 ⎤ ⎡ 1⎤
z 3 - C3 = [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 0⎥ - 0 =
0
⎣ 001 ⎦ ⎣ 0⎦
⎡ ⎤ ⎡ ⎤
https://translate.googleusercontent.com/translate_f 102/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
⎡ 100 ⎤ ⎡ 0⎤
z 4 - C4 = [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 1⎥ - 0 =
0
⎣ 001 ⎦ ⎣ 0⎦
⎡ 100 ⎤ ⎡ 0 ⎤
z 5 - C5 = [ 0 0 1 ]⎢ 0 1 0 ⎥ ⎢ 0 ⎥ - 0= -1
⎣ 001 ⎦ ⎣ - 1⎦
Página 124
El valor de los costos reducidos de las variables no básicas, para este caso, termina siendo igual al valor de la
coeficientes de las variables de la línea donde se introduce la variable artificial. Si hay mas de uno
variable artificial, el producto c B B -1 a j corresponde a sólo tiene que añadir estos coeficientes para el
líneas en las que estas variables son necesarias, ya que habrá un elemento unitario en el vector
costos básicos para cada una de estas líneas. Ésta es la razón matemática que lleva a algunos textos a
afirmar que, para obtener la función objetivo de la primera fase del marco simplex, debemos agregar la
líneas de variables artificiales a la línea de la función objetivo .
Otra forma de justificar esta regla es recordar que en el marco simplex siempre estamos trabajando
con una matriz ampliada, es decir, debemos canonizar las columnas de las variables artificiales (que
conducir a agregar las líneas de la matriz A a la función objetivo, exactamente como se predijo en la regla anterior cuando
para cancelar el costo reducido de la columna artificial).
los
Girar sobre el elemento unitario de x
6 llegamos a la imagen inicial:
los
x1 x2 x3 x4 x5 X6
z 3 5 0 0 0 0 Función 2 a Fase
x3 4 1 0 1 0 0 0
x4 6 0 1 0 1 0 0
los
X 18 3 dos 0 0 -1 1
6
los
x1 x2 x3 x4 x5 X6
z 3 5 0 0 0 0 Función 2 a Fase
x3 4 1 0 1 0 0 0 4/1 = 4
x4 6 0 1 0 1 0 0 -
los
X6 18 3 dos 0 0 -1 1 3/18 = 6
los
x1 x2 x3 x4 x5 X6
x1 4 1 0 1 0 0 0 -
x4 6 0 1 0 1 0 0 6
los
X6 6 0 dos –3 0 -1 1 3
Lo cual, finalmente, nos llevará al marco en el que se ha optimizado la función objetivo de la primera fase (término
el primer punto de fase c de la Figura 3.11).
https://translate.googleusercontent.com/translate_f 103/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 125
x1 x2 x3 x4 x5 cha
6
q 6 0 0 0 0 0 -1 Función 1 a Fase
x1 4 1 0 1 0 0 0 -
De esta tabla, la variable x 6 a puede ser ignorado del proceso sin ninguna pérdida de
información para el programa. Se recomienda, por tanto, que se marque para que no se produzca
cálculos inútiles de “costo reducido”. Reanudando el proceso, en la segunda fase tenemos:
los
x1 x2 x3 x4 x5 X6
x1 4 1 0 1 0 0 0 4
los
x1 x2 x3 x4 x5 X6
x2 6 0 1 0 1 0 0 -
los
x1 x2 x3 x4 x5 X6
z - 42 0 0 –3 –5 0 Función 2 a Fase
x1 4 1 0 0 0 0 0 -
x5 6 0 0 0 dos 1/3 -1
x2 6 0 1 0 1 0 0 -
El gráfico de la Figura 3.12 muestra, geométricamente, la secuencia de las bases generadas en las dos fases de la
método:
Se sugiere que el lector resuelva este mismo ejemplo usando algún M de alto costo, asociado con el
los
variable artificial x
6.
Página 126
X2 X2
6 6 z = –36 z = –42
https://translate.googleusercontent.com/translate_f 104/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
q=0 z = –27
q=6 z = –12
q = 18 z=0
0 dos 4 X1 0 dos 4 X1
La convergencia del algoritmo simplex está garantizada por la certeza de que, en cada paso, el criterio de elección
Cambiar una variable base dará como resultado una mejora en el valor de la función objetivo. Mismo
que era necesario examinar un número exponencial de combinaciones de variables para formar el
base óptima (también llamadas configuraciones de solución), en paso finito, el algoritmo terminaría.
Sin embargo, en algunas situaciones especiales, podemos encontrar configuraciones que invaliden el uso
perfecto de los criterios descritos anteriormente. Estas configuraciones patológicas resultan de situaciones
en el que el z j - c j asociado con algunas variables tienen valores iguales, y lo mismo ocurre en relación
segundo
s
al valor mínimo . La siguiente tabla muestra la situación descrita:
y sk
x1 x2 x3 x4 x5 x6 x7
z 0 0 0 1 1 -1 0
x1 0 1 0 0 1 3 1 0 0
x2 1 0 1 0 0 -dos -1 0
x7 0 0 0 0 1 dos 0 1 0
x3 dos 0 0 1 1 0 0 0
En cuanto al criterio para salir de la base, lo que ocurre es que existen variables básicas con un
nulo. Cuando esto sucede, el producto ( z j - c j ) x j , responsable de asegurar la disminución de la función
objetivo (criterio de minimización), fallará, no porque ya no exista la posibilidad de que un
intercambio de variables puede mejorar la función objetivo, sino porque la variable x j que entra no puede
valor faltante distinto de cero. La llamada salida de "extracción" también se conoce como degeneración y
corresponde a una situación en el hiperespacio de actividades, como se muestra en la Figura 3.13.
Cuando un cierto punto extremo en el conjunto C de las soluciones viables del modelo de programación
Las matemáticas están asociadas con más restricciones de las estrictamente necesarias para la definición de este
En el mismo punto, el conjunto de restricciones es linealmente dependiente y existe la posibilidad de que
en una determinada etapa en el desarrollo del algoritmo, una degeneración en el criterio de salida del
Página 127
X2
C P2
re P1
segundo
P3
O LA X1
https://translate.googleusercontent.com/translate_f 105/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
base. La aparición del valor nulo en la tabla se debe al hecho de que las autorizaciones asociadas a la
las restricciones redundantes se agotan simultáneamente.
Aunque algunos autores afirman que el ciclo del algoritmo simplex es un hecho desconocido
En problemas prácticos, el primer autor de este texto se encontró con varios ejemplos de ciclismo en el
resolución de problemas grandes de particiones no ponderadas. En ocasiones cuando es
que el proceso de solución maneja muchas variables candidatas simultáneamente para ingresar
base y alto porcentaje de degeneración, 2 la Regla Bland se vuelve indispensable (ver
Bland [1977]).
Regla suave
• Entre todos los candidatos para ingresar a la base, seleccione la variable x k que tenga el menor
índice.
• Entre todos los candidatos a dejar la base, seleccione la variable x r que tenga el menor
dado.
La regla simple del índice más bajo es capaz de agotar toda la discusión sobre el ciclismo en el simple
plex, como el método lexicográfico (ver Chvátal [1983]). Tenga en cuenta que no hay problema si
cambiamos la regla con el índice más bajo al índice más alto.
La figura 3.8 ejemplifica gráficamente un caso de múltiples soluciones óptimas en un modelo de programa
información lineal. De forma intuitiva, se lleva al lector a comprender que en este caso la dirección de la función
El objetivo debe alcanzar más de un punto extremo de la envolvente convexa del modelo.
Como mediante la combinación lineal de los puntos extremos podemos generar infinitos puntos que serán
pertenecientes a la envolvente convexa del modelo (una cara de esa envolvente), el modelo tendrá infinitamente
estas grandes soluciones.
La pregunta que surge es cómo podríamos identificar tal situación en el desarrollo de la
simplex. Para ejemplificar el caso en estudio, resolveremos el siguiente problema:
2. El autor se refiere al caso de resolución de problemas de particiones no ponderadas en el que el porcentaje de grados
Los números de línea rondan el 95% (véase Goldbarg [1990]).
Página 128
Minimizar z = - x 1 - 2 x 2
sujeto a:
x1 £3
x2£4
x1+2x2£9
x 1 ³ 0, x 2 ³ 0
Eso corresponde a la siguiente tabla inicial, luego de la inclusión de las tres variables de holgura necesarias:
x1 x2 x3 x4 x5
z 0 1 dos 0 0 0
x3 3 1 0 1 0 0
x4 4 0 1 0 1 0 4/1 = 4
x1 x2 x3 x4 x5
z –8 1 0 0 -dos 0
x3 3 1 0 1 0 0
x2 4 0 1 0 1 0
x5 1 1 0 0 -dos 1
https://translate.googleusercontent.com/translate_f 106/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x1 x2 x3 x4 x5
z –8 1 0 0 -dos 0
x3 3 1 0 1 0 0 3
x2 4 0 1 0 1 0
x5 1 1 0 0 -dos 1 1
x1 x2 x3 x4 x5
z –9 0 0 0 0 -1
x3 dos 0 0 1 dos -1
x2 4 0 1 0 1 0
x1 1 1 0 0 -dos 1
El cuadro anterior es excelente y la regla de parada simplex lo atestigua. La solución final es:
z = –9, x 3 = 2; x 2 = 4; x 1 = 1
Página 129
Sin embargo, es posible generar otra base (punto extremo) con el mismo valor que la función objetivo,
es decir, con el mismo valor óptimo. Con este fin, continuaremos el proceso pivotante que incluye el
variable x 4 en la solución. La siguiente tabla muestra que la variable que se generará es x 3 .
x1 x2 x3 x4 x5
z –9 0 0 0 0 -1
x2 4 0 1 0 1 0 (valor nulo)
x1 x2 x3 x4 x5
z –9 0 0 0 0 -1
x4 1 0 0 1/2 1 –1/2
x2 3 0 1 –1/2 0 1/2
x1 3 1 0 1 0 0
La figura 3.14 muestra los dos puntos extremos representados por la base del primero y el segundo
gran foto. Tenga en cuenta que la función z tiene una dirección paralela a la restricción representada por los puntos B y C, o
es decir, x 1 + 2 x 2 £ 9. La variable x 3 es el espacio libre asociado con la restricción representada por el segmento de línea recta CD,
por lo tanto, está presente en la base que representa el punto C. Cuando, al pivotar, el algoritmo
elija el punto B como la solución, la variable x 3 se reemplaza por x 4 , el despeje de la restricción asociada con CB.
x2 x1=1
x2=4
re C
z= x 1 + 2x
x1=3 dos
x2=3
segundo
LA
X1
O
https://translate.googleusercontent.com/translate_f 107/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIGURA 3.14 Caso de infinitas soluciones óptimas.
1 - Revisión de la teoría J
Responda con lo correcto o incorrecto justificando su elección:
Página 130
2. Sea x * una solución óptima para un PPL y M el conjunto de todas sus soluciones viables. Entonces:
Los. () x * siempre se puede obtener mediante una combinación lineal convexa de dos o más puntos distintos
tos M .
SEGUNDO. () x * solo puede obtenerse mediante una combinación lineal convexa de dos o más puntos distintos de
M si M es limitado.
C. () x * siempre corresponde a un vértice de la envolvente convexa de M , incluso cuando M es ilimitado.
re. () x * es un vértice solo en caso de que no haya degeneración.
4. Si el conjunto de soluciones PPL viables no se limita a ninguna iteración del algoritmo simplex:
Los. () Una variable sale de la base, en la siguiente iteración no podrá volver a entrar a la base.
SEGUNDO. () Una variable entra en la base, en la siguiente iteración no puede salir.
C. () Hay una variable artificial en la base y hay variables no básicas con z j - c j ³ 0, la primera
La fase del método de dos fases aún no ha llegado a su fin.
re. () Todas las variables no básicas tienen z j - c j £ 0, se ha alcanzado la solución óptima.
y. () Todas las variables no básicas tienen z j - c j £ 0, la solución es limitada.
Página 131
Los) Maximizar z = 4 x 1 + 7 x 2
sujeto a:
x1 £6
x2£8
4 x 1 - 2 x 2 £ 10
x 1 ³ 0, x 2 ³ 0
SEGUNDO) Minimizar z = - 2 x 1 –3 x 2
sujeto a:
x1 £8
x2 £4
-2x1+x2£5
x 1 ³ 0, x 2 ³ 0
c) Una empresa produce dos tipos de bolsas de plástico ( B 1 , B 2 ) cuyos mercados absorben respectivamente
80 y 60 unidades diarias. El proceso de producción consume dos tipos de materia prima: hojas
de plásticos y sujetadores. Cada unidad de B 1 consume dos láminas de plástico y cuatro sujetadores. Cada unidad
de B 2 consume tres láminas de plástico y tres hebillas. 200 hojas de plástico están disponibles diariamente
con 240 sujetadores. Los beneficios unitarios de la venta de productos son de R $ 20 y R $ 25, respectivamente. Cúal
¿Debería el esquema de producción generar el mayor beneficio posible?
-x1+x2+x3+x4-2x5=4
+x1-2x2+x4-x5=3
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0
Los) Maximizar z = 2 x 1 + 5 x 2 + x 3
sujeto a:
x1+x2 ³6
x2-x3 ³4
4x1+2x2+x3 £ 15
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
Página 132
https://translate.googleusercontent.com/translate_f 109/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
SEGUNDO) Minimizar z = x 1 - 3 x 2 - 5 x 3 - x 4
sujeto a:
x1 + x4£8
x2+x3 £8
-x1+x2+x3+x4³4
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0
5 - Interpretación gráfica K
Sabiendo que la Figura 3.15 representa gráficamente la región de las soluciones viables de una PPL y que
la secuencia de puntos extremos indicada muestra la ruta de solución del algoritmo simplex utilizado
hacer ( B es el óptimo), preguntamos:
a) Representar las bases asociadas a los puntos extremos visitados por las iteraciones.
b) Representar matricialmente la solución asociada con el punto F (punto interno).
c) ¿Cómo podríamos transformar la solución asociada con el punto F en una solución básica viable?
X2
LA
3
dos
F
segundo
1
0 C X1
dos 4
“João, simplemente vuelve a hacer los cálculos para la última mesa. Eso será suficiente. En ese caso, consideraré
la pregunta correcta! Ni siquiera necesité, pero te doy cinco minutos más ... mucha suerte ”.
Ayuda a João a corregir su error sin tener que rehacer todos los pivotes anteriores.
Página 133
x1 x2 x3 x4 x5 x6
z 0 -1 –3 4 0 0 0
x4 9 1 1 dos 1 0 0
x5 dos 1 1 -1 0 1 0
x6 4 -1 1 1 0 0 1
x1 x2 x3 x4 x5 x6
https://translate.googleusercontent.com/translate_f 110/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z –17 0 –6 0 -1 0 -dos
x5 6 0 dos 0 0 1 1
Maximizar z = 3 x 1 + 2 x 2 - 2 x 3 + 5 x 4
sujeto a:
x1+x2+3x3+x4£8
3 x 1 - x 2 + x 3 + 2 x 4 £ 10
x1- x3 £6
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0
Determina una solución al problema con las variables x 1 , x 2 , x 3 . ¿Es genial esta solución? Si no,
tomándolo como base inicial, determine la solución óptima.
z –40 segundo re 0 0 F 0
x2 4 C 1 0 y dos gramo
x4 -1 –5 0 1 -1 1 0
x6 los dos 0 0 0 3 1
Página 134
Minimizar z = 2 x 1 + 3 x 2
sujeto a:
-x1-x2+x3 =-3
-2x1-x2+x4 =-2
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0
Minimizar z = 2 x 1 + 3 x 2
sujeto a:
https://translate.googleusercontent.com/translate_f 111/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
-2x1-x2+3x2 ³4
x1+2x2 ³6
3x1- x2+2x3 £7
-x1+5x2+x3 £K
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
1 1.12 60 300
Página 135
Minimizar z = x 1 + x 2
sujeto a:
kx 1 + px 2 ³1
x 1 ³ 0, x 2 ³ 0
1. Ilimitado.
2. Imposible.
3. No viable.
https://translate.googleusercontent.com/translate_f 112/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 136
4 DUALIDAD
Y SENSIBILIDAD
L
yo
es ()
R C ~ y R L C
et ()
Circuito 1 Circuito 2
La ecuación que relaciona la corriente con el voltaje en función del tiempo para el circuito 1 es:
di (4,1)
L + Risa+ ∫ 1yo dt=et ()
dt C
La ecuación que relaciona el voltaje con la corriente aplicada en función del tiempo para el circuito 2 es:
https://translate.googleusercontent.com/translate_f 113/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
en (4,2)
C + Ge + ∫ 1y dt it= ()
dt L
donde G = 1 / R . Es evidente que las ecuaciones (12) y (13) tienen la misma forma general, a saber:
Página 137
dx (4,3)
los + +bi cu dt yt ∫ = ()
dt
Como la ecuación general (4.3) describe tanto el circuito 1 como el circuito 2, podemos decir que
son duales. En el caso de los modelos matemáticos, la definición de dualidad tiene carácter propio y está asociada
al proceso de solución y aplicación práctica de los modelos. En ambos aspectos, la dualidad es hoy
una herramienta indispensable.
Definiremos como duales un par de modelos de programación matemática llamados primarios y
dual , que conservan las siguientes condiciones:
• Tienen funciones simétricas objetivas, es decir, si el primal es de minimización el dual será de maximización
y viceversa.
Algunos autores fijan lo primario como un problema de minimización o maximización, sin embargo
Esto no es necesario para caracterizar la dualidad. Como hemos utilizado la forma estándar como
problema de minimización, consideraremos por conveniencia, casi siempre, el primario como un
problema de minimización. Fijar un modelo como representante de una de las clases en esta relación es
al menos inconveniente porque la relación es reflexiva, es decir, lo dual de lo dual es lo primario.
• Tienen simetría en la descripción de las restricciones, es decir, si en la forma canónica el primario tiene restricciones
ciones £ entonces el dual tendrá restricciones ³.
• Los términos independientes en el primario aparecen como los coeficientes de la función objetivo en el dual y
ce-versa.
M 1= M \ M 1y N 1= N \ N 1
Recordando que x es un vector columna yu un vector lineal, definiremos el par de modelos primarios ´
dual como se muestra en la Tabla 4.1.
Primitivo Doble
Minimizar : z = ∑c jx j Maximizar: w = ∑b iu i
sujeto a sujeto a
∑a ij x j ³ bi
iÎM1 u yo ³ 0
j ∈ norte
∑a ij x j = b yo
iÎM1 uiÎR
j ∈ norte
xj³0 jÎN1
Yo a ij u i £ cj
yo∈ METRO
xjÎR jÎN1
∑ una ij u yo = cj
yo∈ METRO
https://translate.googleusercontent.com/translate_f 114/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 138
Primitivo Doble
Mín z = cx Max w = ub
Mín z = cx Max w = ub
(P) Maximizar z = 6 x 1 + 2 x 2 + x 3
sujeto a:
x 1- x 2+ 7 x 3£ 4
2 x 1+ 3 x 2+ x 3£ 5
x 1³ 0 , x 2³ 0 , x 3³ 0
(D) Minimizar w = 4 u 1 + 5 u 2
sujeto a:
u 1+ 2 u 2³ 6
- u 1+ 3 u 2³ 2
7 u 1+ u 2³ 1
u 1³ 0 , u 2³ 0
(P) Maximizar z = 3 x 1 + 4 x 2
sujeto a:
x 1- x £ 2- 1
- x 1+ x 2£ 0
x 1³ 0 , x 2³ 0
Página 139
Solución
(D) Minimizar w = –u 1 + 0 u 2
sujeto a:
https://translate.googleusercontent.com/translate_f 115/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
u 1- u 2³ 3
- u 1+ u 2³ 4
u 1³ 0 , u 2³ 0
La figura 4.2 compara los gráficos de los dos modelos. Tenga en cuenta que ambos son inconsistentes.
-u + tu dos= 4
x2 u2 1
X - X = –1 4
1 dos
X 1 = X dos
tu1 - tudos= 3
1
x1 3 tú 1
Algunas propiedades importantes vinculan pares primarios x duales. El primero se refiere al valor
valor de las funciones z 0 y w 0 cuando alcanzan sus valores óptimos. Ser el siguiente par de modelos primarios x
doble:
Proposición 4.1
Página 140
Prueba:
ub £ uAx £ cx \ cx ³ ub
https://translate.googleusercontent.com/translate_f 116/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Proposición 4.2
Si x y u son soluciones viables a los problemas (P) y (D), respectivamente, satisfaciendo cx = ub , entonces
ambos son soluciones óptimas a los problemas correspondientes.
Prueba :
Doble
Viable No viable (U = 0)
Teorema de existencia
Para un par de problemas duales, uno y solo uno de los
a continuación es cierto:
Página 141
Prueba:
X = { x / Ax ³ b , x ³ 0}
U = { u / uA £ c , u ³ 0}
Suponga que el programa dual (D) tiene una solución viable, pero que no tiene un final óptimo.
OKAY. Entonces:
{ W = ub } máx .> + ¥
Para que ocurra la proposición 4.1, debe haber x Î X tal que cx > + ¥, lo cual no tiene sentido, a
el primario (P) se minimiza, por lo tanto:
X=Æ
Si asumimos que el programa primario no tiene una solución óptima finita, se aplicará el mismo razonamiento
aplicable al dual, que debe tener U = Æ.
Por otro lado, si X = Æ implica que no existen límites para el valor de las soluciones al problema
dual, es decir, este problema será vacío o ilimitado. Como la relación de dualidad es reflexiva, lo mismo
el razonamiento se aplica al primario cuando U = Æ.
Finalmente, para demostrar el tercer enunciado, sea Ax - Ix y = b el sistema primario que incluye el
variables de holgura x y .
Consideremos B una base viable óptima del primario yx B = B –1 b la solución básica viable óptima respectiva
https://translate.googleusercontent.com/translate_f 117/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
malo. Como la solución es óptima, por hipótesis, tenemos:
z j - c j £ 0, " j Î N = I È J
o sea:
c B B –1 a j - c j £ 0 \
c B B –1 a j £ c j , "jÎN
Haciendo:
c B B –1 = u
tenemos:
ua j £ c j , " j Î N \
uA £ c
es decir, u es una solución del programa dual. Para verificar la factibilidad, considere z j - c j para
las variables de holgura. Entonces:
c B B -1 a j £ c j , donde un j = - y i y c j = 0 \
- c B B –1 y yo £ 0 \
ue i ³ 0 o u i ³ 0 o uI ³ 0 y u ³ 0
Página 142
Así,
U¹Æ
Nos queda mostrar que la solución u es óptima. Representando por (*) la situación óptima asociada a la
vector o matriz en consideración tenemos:
w = ub = c B B –1 segundo = c B x B e
z * = cxsegundo
segundo
* *
Logotipo w = yzpor lo tanto u es genial.
En aras de la claridad, presentamos el ejemplo 3 que aborda una situación de existencia primaria
mal ´ dual ¥ ÞÆ.
Ejemplo 3 : Determine el modelo de programación lineal dual a continuación, que representa tanto
gramos gráficamente.
(P) Maximizar z 0 = –3 x 1 + 2 x 2
sujeto a:
x1£3
x1-x2£0
x 1 ³ 0, x 2 ³ 0
Solución:
El dual de (P) será un programa de minimización cuya matriz de restricciones será la transposición de (P), tendrá
el término independiente es igual al vector de costos, el vector de costos es igual al término independiente de (P). Entonces:
(D) Minimizar w 0 = –3 u 1 + 0 u 2
sujeto a:
u 1 + u 2 ³ –3
https://translate.googleusercontent.com/translate_f 118/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
u 2 £ –2
u 1 ³ 0, u 2 ³ 0
La figura 4.3 muestra que el programa primario es ilimitado y el programa dual no es viable, es decir, X = ¥ y U = Æ.
Tenga en cuenta que el dual no se describió en forma canónica.
Página 143
X2 u2
x1=3
X 1 = X dos
-3
X1 tú 1
u = –2
dos
- dos
-3
u + u = –3
1 dos
u ( Ax - b ) = 0
( c - uA ) x = 0
Prueba:
≥ b ∴
⎧ Hacha - ≥ b 0 ∴ u (Ax b - ≥ ) 0
Hacha
⎨
≤∴-
⎩ Aceptaste c uA ≥ 0 ∴ ( c -uA x ) ≥ 0
Haciendo
⎧α = u (Ax b - )
⎨
⎩ β = -( c uA x )
tendremos:
α+β= u (Ax b - + - ) ( c uA x ) =
https://translate.googleusercontent.com/translate_f 119/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
= - + ub
≥ cx 0
Página 144
ub = cx
Pronto,
a + b = 0 con a, b ³ 0, es decir:
a=b=0
⎧α = u (Ax b - = ) 0
⎨
⎩ β = -( c uA x ) = 0
Aclararemos las aplicaciones matemáticas de los teoremas de dualidad a través de un ejemplo numérico.
Rico. En un tema específico comentaremos las interpretaciones económicas de los teoremas.
Ejemplo 4 : Resuelva el siguiente modelo de programación lineal con la ayuda de las relaciones expresadas
a través de la dualidad.
(P) Minimizar z 0 = 2 x 1 + x 2 + 4 x 3
sujeto a:
–2 x 1 + x 2 + x 3 ³ 1
-x1+2x2-x3£1
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
Solución:
Elegiremos resolver gráficamente (P) a través de su dual. Como ya sabemos, el dual de este
El programa tendrá solo dos variables reales (número de líneas en el primario) y, por lo tanto,
gráficamente rentable. El dual de (P) será:
(D) Maximice w 0 = u 1 - u 2
sujeto a:
–2 u 1 + u 2 £ 2
u1-2u2£1
u1+u2£4
u 1 ³ 0, u 2 ³ 0
u ( Ax - b ) = 0 y ( c - uA ) x = 0
https://translate.googleusercontent.com/translate_f 120/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 145
u2
w*0=2
dos
tú 1
1 u* =( 3, 1, 0, 0, 0 )
En consecuencia,
⎡ * * * * * * * *
tu1 (- dosX 1 + X dos+ X 3 -) 1 = 0 , me gustatu1 = 3 , Entonces- dos
X 1 + X dos+ X 3 - 1 =
0
⎢ * * * * * * * *
uxdos(- 1 dos X dos+ X 3 + =1) 0 , me gustatudos= 1 , Entonces X 1 - dos
X dos+ X 3 + =1 0
⎢ * * * *
⎢ tu1 + tudos -) dos= ∴0
X 1 (- dos X1 =0
* * * *
⎢ xudos(- 1 tudos-) 1 = ∴0
dos X dos≥ 0
⎢⎣ *
xu3 (
*
+ *
tudos-) 4 = ∴0
*
X3 ≥ 0
1
* *
X dos+ X 3 = 1
* *
- dos
X dos+ X 3 = - 1
*
X dos= 2 3
*
X3 = 1 3
* *
z 0 = dos
, X = (0, 2/3, 1/3, 0, 0)
Una forma simple y directa de darse cuenta de lo que es el proceso pivotante del
simplex goritmo es seguir su desarrollo simultáneo en un par de problemas primarios ´
doble. Serán los siguientes problemas:
Página 146
https://translate.googleusercontent.com/translate_f 121/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0 7u1+u2³1
u 1 ³ 0, u 2 ³ 0
que se puede escribir en dos tablas de cálculo sin las variables artificiales y con las variables de holgura
positivo (obtenido al multiplicar la primera y segunda líneas del dual por –1) de la siguiente manera:
tú 1 u2 tú 3 tú 4 tú 5 x1 x2 x3 x4 x5
w –4 –5 0 0 0 z 6 dos 1 0 0
tú 3 –6 -1 -dos 1 0 0 x4 4 1 -1 7 1 0
tú 4 -dos 1 –3 0 1 0 x5 5 dos 3 1 0 1
tú 5 -1 –7 -1 0 0 1
Si intentamos aplicar las reglas de pivote al personal capacitado, no tendremos ningún problema con
Cuadro 4.3, que corresponde al primario; sin embargo, la Tabla 4.2 no es factible. Hay valores en el vector
x B negativo. Aún más interesante es que los "costos reducidos" de esta primera tabla indican
gráfico de parada, con todo z j - c j £ 0. Sin condiciones para resolver la tabla 4.2, realizaremos
tan fundamental en el recuadro 4.3 y siga lo que sucede en el recuadro 4.2 al buscar
Hágalo compatible con la Tabla 4.3.
Elección de variables que entran y salen de la base:
tú 1 u2 tú 3 tú 4 tú 5 x1 x2 x3 x4 x5
w –4 –5 0 0 0 z 6 dos 1 0 0
tú 3 –6 -1 -dos 1 0 0 x4 4 1 -1 7 1 0
tú 4 -dos 1 –3 0 1 0 x5 5 dos 3 1 0 1
tú 5 -1 –7 -1 0 0 1
Pivotante:
tú 1 u2 tú 3 tú 4 tú 5 x1 x2 x3 x4 x5
TABLA 4.2 DESPUÉS DEL PIVOTE FORZADO TABLA 4.3 DESPUÉS DEL PIVOTE PRIMAL
En este caso, ahora encontramos condiciones de viabilidad y regla de parada en las dos tablas. Si
Imaginemos que nuestro problema estuviera constituido por el Recuadro 4.2, el proceso de compatibilidad
con la Tabla 4.3 terminó forzando un pivote sobre una línea inviable, que no fue
una operación válida para el algoritmo simplex primario. A pesar de este hecho singular ocurrido en la primera
Página 147
mal, en el dual se cumplen perfectamente las reglas del símplex. En ese caso, si
aplicando el algoritmo simplex al dual, llegaremos a la solución óptima, lo que sugiere que el
El proceso adaptado al primario también podrá converger en una solución. En el ejemplo, el programa
primal (Tabla 4.2) no tenía una solución de partida viable, pero dual sí. De hecho, al usar
utilizar el algoritmo simplex para resolver, a través de un problema dual, un problema primario cuya base viable
El nivel inicial no estaba disponible, estamos diseñando un nuevo algoritmo. Podemos describir esto
goritmo de la siguiente manera:
• Si existen coeficientes de £ 0 (negativos) en la línea, elija la relación más pequeña entre los coeficientes
z - Cs ⎧z - C ⎫
s
y "costos reducidos", es decir: = Mínimo ⎨ yo yo
: y ik > 0⎬ ⇒ X s , determinado
y sk
1 ≤ ≤ soy ⎩ y ik ⎭
https://translate.googleusercontent.com/translate_f 122/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• De lo contrario, el problema es ilimitado. Detener.
• Realice la operación de pivote (en el pivote negativo) y canonice la columna de pivote que entra
base, como se predice en el algoritmo simplex.
Además de esta interpretación clásica de la teoría marginalista, existen otras propiedades económicas
de programación lineal que no han sido enfatizados en textos sobre el tema. Además de estar asociado
a valores marginales, las variables duales también se asocian con valores de equilibrio financiero
Página 148
(es decir, de manera que el costo sea igual al ingreso) para las actividades económicas consideradas. Así que con
las variables duales obtienen un tipo de información local (es decir, marginal) sobre el sistema. Pero tambien hay
también un tipo de información global que deseamos enfatizar en nuestra interpretación económica de la
todo simplex y dualidad en programación lineal.
Proponemos un enfoque complementario al desarrollado clásicamente. Intercambiaremos la opinión de
maximización de ganancias (diferencia entre beneficio y costo) en el lado primario, minimizando costos.
Consideraremos el beneficio de la producción en el aspecto dual.
Este modelo tiene como objetivo comprender el proceso de interacción entre el sistema y su entorno
medio ambiente, en perfecta armonía con las más modernas filosofías de calidad total y gestión para el
excelencia. Al proponerse producir, el sistema asume ciertos compromisos con el entorno original.
organización que llamaremos bonos . Supongamos que tales vínculos son medibles y que el
El sistema tiene escalas lineales de utilidad (precios) de los productos. Admitamos también que cada
El producto tiene escalas lineales de participación dentro de cada enlace.
En este modelo, el sistema tomará decisiones guiadas por el objetivo de maximizar la utilidad de
producción o minimizar los costos de enlace. Cualquier solución donde la utilidad del proyecto
la producción (ingresos) es mayor o igual que el costo de los bonos valdrá la pena. Por otro lado, un
solución donde la utilidad de transformar es menor que el costo no será factible. Veremos eso
una solución genérica del método simplex, aplicada a un problema primario cuyo objetivo es maximizar
Para mejorar la utilidad de los productos, las variables duales corresponden a los límites máximos de
costes de los enlaces para los que la producción calculada es todavía económicamente viable o no
ficticio. En otras palabras, para cada solución del método simplex, los costos de recursos se calculan
por lo que el precio de cada producto elaborado es exactamente igual a su costo de producción.
Si la solución actual aún no es óptima, la prueba de optimización simplex identifica al menos
un producto no presente en la solución (no básico) cuya utilidad relativa (beneficio) es positiva. Eso significa
que si ese producto participa en una nueva solución en detrimento de la participación de los productos de
presente solución, tendremos una mejora en relación a esta escala lineal con el coeficiente igual a la utilidad
https://translate.googleusercontent.com/translate_f 123/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
de pariente. Esta utilidad relativa de un producto corresponde al grado de inviabilidad de la restricción de
asociado con ese producto. Es decir, el nivel de inviabilidad de una restricción dual asociada con
un producto dado que no se produce es igual a la utilidad marginal de su producción.
La consecuencia inmediata de la realización incompleta de la utilidad marginal es la negación de la solución
estupendo. Siempre que haya una utilidad marginal positiva, aún es posible mejorar la solución. La restricción
dual en el marco simplex nos dice que esta utilidad marginal es la diferencia entre la utilidad (ingresos)
de una unidad del producto y el costo asociado con la producción de esa unidad, si el costo de los bonos fue
evaluado con el fin de permitir el equilibrio financiero para la solución actual.
La figura 4.5 resume el aspecto del flujo de información que transita entre el par primario dual durante
un proceso para resolver el algoritmo simplex. Vemos claramente la dinámica de la búsqueda del equilibrio
de un mínimo ´ máximo global.
Página 149
Primitivo
Doble
Min = xz C
Modelos lineales w = ub
≥ b
Hacha Max
decisión y análisis
x ≥0 tu A≤ C
u ≥0
Minimizar z = 8 x 1 + 12 x 2
sujeto a:
x1+2x2 ³5
x1+x2 ³3
x 1 ³ 0, x 2 ³ 0
*
cuya solución es z = 32 , X = 1 , X = como podemos ver en la Figura 4.6.
0 1 dos dos
X2
https://translate.googleusercontent.com/translate_f 124/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Región viable
3
del Primigenio
(1,2)
X1 + Xdos= 3 X1 +2 =X5dos
X1
3 5
Página 150
Minimizar z = 8 x 1 + 12 x 2 + 15 x 3
sujeto a:
x1+2x2+2x3³5
x 1 + x 2 +32 x 3 ³ 3
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
Podemos resolver el problema ahora mediante el método simplex, sumando las variables de brecha x 4 y
x 5 , asociado con las restricciones 1 y 2. También debemos sumar variables artificiales x 6 y x 7 para obtener
una base viable inicial, ya que las variables de holgura son negativas debido a restricciones de mayor o
igual. Podemos utilizar el artificio de penalizar fuertemente las variables artificiales para que
fijar la base y permitir la constitución de una base viable real en el desarrollo del algoritmo. Podemos
luego constituya el programa a continuación:
Minimizar z = 8 x 1 + 12 x 2 + 15 x 3 + 0 x 4 + 0 x 5 + 40 x 6 + 18 x 7
sujeto a:
x1+2x2 +2x3 -x4 +x6 =5
x1 +x2 +32 x 3 -x5 +x7=3
x1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0, x 6 ³0, x 7 ³0
Es interesante notar que, en el programa, todas las variables utilizadas tienen una interpretación económica
mica. Las variables de holgura x 4 y x 5 pueden verse como cantidades de almacenamiento de aceite y gasolina.
En este caso, se asume que no hay costo de almacenamiento para cada tipo de producto. Las variables artificiales representadas
representan los costos exorbitantes de 40 y 18 millones de dólares por 1 millón de barriles de, respectivamente,
gasolina y aceite importados. La idea de la fase 1 por el método de la gran M es que, al establecer un
costo exorbitante ( M grande) para cada variable artificial si se inhibe el uso de esta variable.
Actividad Para explorar Importar y Para explorar Valores Valores importar importar Demanda
Petróleo Refinar Esquisto Gasolina Petróleo Gasolina Petróleo (Millones de
Nacional Petróleo Barriles)
Productos x1 x2 x3 x4 x5 x6 x7
Petróleo 1 1 3/2 0 -1 0 1 3
Costos 8 12 15 0 0 40 18 -
Paso 0: Inicialmente identificamos los elementos de cálculo, que son la matriz A, el veto by el vector c :
⎡ 12 1 -1 010 ⎤
⎣ ⎦
https://translate.googleusercontent.com/translate_f 125/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
A = [ a 1 , a 2 , a 3 , a 4 , a 5 , a 6 , a 7 ⎣] =
1132 0 -101 ⎦
⎡ 5⎤
b = ⎣ El c = [8 12 15 0 0 40 18]
3
Página 151
⎡ 10 ⎤
B = [ a 6 , a 7 ] =⎣ ⎦ = B –1
01
1 - ⎜1 0
⎛ ⎞
⎟=
tu= ( uu1 2 ) = Csegundo
× segundo
= ( 40 18 )⎝ ⎠ ( 40 18 )
01
⎡ X6 ⎤
= B b- 1 = ⎡ 5
⎤
X ⎣ 3⎦
b = ⎣ X7 ⎦
⎡ X1 ⎤ ⎡ 0⎤
⎢ X dos⎥ ⎢ 0⎥
X ⎢ X3 ⎥ = ⎢ 0⎥
R=
⎢ X4 ⎥ ⎢ 0
⎣ ⎥
⎣ X5 ⎦ 0⎦
Como el vector c B está compuesto por variables artificiales que tienen costos exorbitantes ( c B es diferente de
cero desde la primera iteración) tenemos que calcular el z j - c j para j Î J, para obtener el criterio de elección
de la variable que debe ingresar a la base de la siguiente manera:
Elija la variable k para ingresar la base tal que z k
- Ck = max {-}z j Cj . Entonces:
j ∈J 1
z 1 - c 1 = c B B –1 a 1 - c 1
⎡ 10 ⎤ ⎡ 1⎤
= [40 18] = 50
⎣ 01 ⎦ ⎣ 1 ⎦ - () 8
z2-c2=
⎡ 10 ⎤ ⎡ dos
⎤
= [40 18] = 86
⎣ 01 ⎦ ⎣ 1 ⎦ - ()12
z3-c3=
⎡ 10 ⎤ ⎡ dos⎤
= [40 18] = 92
⎣ 01 ⎦ ⎣ 3 2 ⎦ - ()15
z4-c4=
⎡ 10 ⎤ ⎡ - 1⎤
= [40 18] =
⎣ 01 ⎦ ⎣ 0 ⎦ - () 0- 0 4
z5-c5=
⎡ 10 ⎤⎡ 0 ⎤
= [40 18] =
⎣ 01 ⎦ ⎣ ––1 ⎦() - 0 18
Del cálculo anterior elegiremos la variable 3 para ingresar a la base porque tiene el máximo entre
el positivo z j - c j , es decir, z 3 - c 3 = 92. La interpretación económica es que, si los precios de la gasolina y el gas
petróleo son 40 y 18 respectivamente, la actividad de exploración de lutitas produciría la fabulosa ganancia de z 3 - c 3 =
92, ya que a estos precios de productos el ingreso unitario de la operación de esquisto sería 40.2 + 18. 3
2= 107,
contra un costo de solo 15.
Al elegir una variable para ingresar a la base, buscamos actividades más rentables
que la solución actual. Las actividades 1, 2 y 3 son más rentables que las importaciones exorbitantes
https://translate.googleusercontent.com/translate_f 126/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 152
importante. Este era un hecho esperado; sin embargo, no pudimos evitarlo ya que no estaba disponible, inicialmente
un esquema viable. Partiendo de un "absurdo", pensamos en usar el símplex para encontrar
en contra de una solución tan "razonable" (básica viable) de la que carecíamos.
Esta estrategia sugiere prácticamente dos fases de solución:
Por el criterio adoptado para la mejora, la variable x 3 entrará en la base dejando la variable
⎧ ⎫
segundo
s segundo
= Mínimo ⎨ yo : y > 0⎬, que en este caso es x 7 , como se muestra en el cálculo a continuación:
ik
y sk 1 ≤ ≤ soy ⎩ y ik ⎭
⎡ ⎤ ⎡ dos⎤
= 5 y y =
segundo
⎣ 3⎦ 3 ⎣ 3 2 ⎦ pronto:
⎡ X 6 ⎤ ⎡ 5 ⎤ ⎡ dos⎤ ⎡ 2 ,5 ⎤
=
⎣⎢ X 7 ⎦⎥ =⎣ 3 ⎦ / ⎣ 3 2 ⎦ ⎣ dos⎦
⎡ dos⎤
′ = [ Automóvil
segundo = 1 británico
6 , 3 ] club
⎣ 032 ⎦
El elemento fundamental del cálculo es el inverso de la base. Es con él que podemos actualizar los demás.
vectores. El método de inversión de bases, de hecho, no caracteriza al método simplex; sin embargo, tradicionalmente
finalmente se hace pivotando por la razón que discutimos en el capítulo anterior. Podemos-
verter la base usando pivotar en el contexto del método simplex revisado. En ese caso, haremos el
inversión de la matriz aumentada B –1 | y 3 , mediante la canonización de la columna 3 (generalmente la columna k ) junto
a la matriz ya invertida en el paso anterior (nótese que solo en el primer paso tendremos B = B –1 ). La flecha significa el
operación pivotante:
⎡ ⎤ ⎡ ⎤
0
⎢ ⎥ ⎢ ⎥
METRO
⎢ viejo B -1
y ⎥ ⎯ Pivotante
⎯⎯⎯⎯⎯ -1
→ ⎢ nuevo segundo 1⎥
k
⎢ ⎥ ⎢ METRO
⎥
⎢⎣ ⎥⎦ ⎢⎣ 0 ⎥⎦
Página 153
o sea:
⎡ 10 ⎤ ⎡ dos⎤ ⎡ 1 - 4 3 ⎤ ⎡ 0⎤
⎯⎯⎯⎯⎯ →
⎣ 01 ⎦ ⎣ 2 3 ⎦⎯ Pivotante ⎣ 023 ⎦ ⎣ 1 ⎦∴
https://translate.googleusercontent.com/translate_f 127/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
-1 ⎡ 1 -43 ⎤
=
segundo⎣ 023 ⎦
-1 ⎡ 1 - 4 3 ⎤ ⎡ 5⎤ 1⎤
X bBb =
B= = ⎣ 023 ⎦ ⎣ 3 ⎦ = ⎡⎣ dos
⎦
-1 ⎡ 1 -43 ⎤
tu= ( uu1 2 ) = c segundo
B = [ 40 15 ]⎣ =
⎦ [ 40 - 130 3 ]
023
XB2 dos
z=z-(z3-c3) = 254 - 92 = 70
y 23 1
⎡ 1⎤
z = c B x B = [40 15] ⎦ = 70
⎣ dos
⎡ 1⎤
z 1 - c 1 = agua 1 - c 1 = [40 - 130/3] ⎣ 1 ⎦– (8) = - 34/3
⎡ dos
⎤
z 2 - c 2 = [40 - 130/3] ⎣ 1 ⎦– (12) = 74/3
⎡ -1 ⎤
z 4 - c 4 = [40 - 130/3] ⎣ 0 ⎦– (0) = - 40
⎡ 0 ⎤
z 5 - c 5 = [40 –130/3] ⎣ 1- ⎦– (0) = 130/3
⎡ 0⎤
z 7 - c 7 = [40 –130/3] ⎣ 1 ⎦– (18) = - 184/3
Del cálculo anterior elegiremos la variable 5 para ingresar a la base porque tiene el máximo entre
z j - c j positivo, es decir, z 5 - c 5 = 130/3.
Continuando con el cálculo vamos al paso 2.
Página 154
Por el criterio adoptado para la mejora, la variable x 5 entrará en la base dejando la variable
⎧ ⎫
segundo
s segundo
= Mínimo ⎨ yo : y > 0⎬. El cálculo no se puede realizar sin obtener primero la columna transformada de
ik
y sk 1 ≤ ≤ soy ⎩ y ik ⎭
Variable x 5 directamente a partir de la matriz A . En la iteración anterior, el inverso de la base era la identidad misma y
y yo = ryo ∀ j∈.J En la iteración actual:
⎡ 1 - 4 3 ⎤⎡ 0 ⎤ ⎡ 4 3 ⎤
y 5 = B –1 a 5 = ⎣⎢ =
023 ⎦⎥⎣ - 1 ⎦ ⎣⎢ - 2 3 ⎦⎥
Entonces,
⎡ 1⎤ ⎡ 43 ⎤
= =
⎣ ⎦ ⎣⎢ ⎦⎥
https://translate.googleusercontent.com/translate_f 128/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
segundo
⎣ dos
⎦ yy 5 ⎣⎢ - 2 3 ⎦⎥ pronto
⎡ X6 ⎤ ⎡ 1⎤ ⎡ 4 3 ⎤ ⎡ 3 4 ⎤
⎦ / ⎣⎢ - 2 3 ⎦⎥ =⎣⎢ - ⎦⎥
⎣⎢ X 3 ⎦⎥ =⎣ dos
⎡ 0 dos⎤
′ = [,los
segundo los3 ] =- ⎣
5 132 ⎦
⎡ 1 -43 ⎤⎡ 43 ⎤ ⎡ 34 - 1⎤ ⎡ 1 ⎤
⎯⎯⎯⎯⎯ → ∴
⎣⎢ 0 2 3 ⎦⎥⎣⎢ - 2 3 ⎦⎥⎯ Pivotante ⎣⎢ 1 2 0 ⎦⎥⎣ 0 ⎦
⎡ 34 - 1⎤
B –1 = ⎣⎢ ⎦⎥
120
-1 ⎡ 34 - 1⎤ ⎡ 5⎤ ⎡ 3 4 ⎤
X bBb = =
B= = ⎣⎢ 1 2 0 ⎦⎥⎣ 3 ⎦ ⎣⎢ 5 2 ⎦⎥
⎡ w ⎤ -1 ⎡ 34 - 1⎤
w = ⎣⎢ = [ 0 15
1
w ⎦⎥ = c segundo
dos
B ] ⎣⎢
120 ⎦⎥ = [15 2 ,] 0
XB1
z0=z0-(z5-c5) = 70 - (130/3) (3/4) = 75/2
y 15
o:
Página 155
⎡ 34 ⎤
z 0 = c B x B = [0 15] ⎣⎢ 5 2 ⎦⎥ = 75/2
En este punto, las variables x 1 , x 2 , x 4 , x 6 y x 7 no son básicas. I = {1, 2, 4, 6, 7}, J = {5, 3}. Después del segundo
iteración, las variables artificiales han abandonado la base y se completa la primera fase del símplex. De hecho,
ya no es necesario tener en cuenta estas variables. Vayamos de nuevo al paso 1.
z 1 - c 1 = agua 1 - c 1
⎡ 1⎤
= [2/15 0] ⎣ 1 ⎦ - (8) = - ½
⎡ dos
⎤
z 2 - c 2 = [15/2 0] ⎣ 1 ⎦ - (12) = 3
⎡ -1 ⎤
z 4 - c 4 = [15/2 0] ⎣ 0 ⎦ - (0) = –15/2
Del cálculo anterior elegiremos la variable 2 para ingresar a la base porque tiene el máximo entre
el positivo z j - c j , es decir, z 2 - c 2 = 3. Continuando con el cálculo, vamos al paso 2.
https://translate.googleusercontent.com/translate_f 129/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Por el criterio adoptado para la mejora, la variable x 2 entrará en la base dejando la variable
⎧ segundo ⎫
segundo
s
= Mínimo ⎨ yo : y > 0⎬.
≤ ≤ ik
y sk 1 soy ⎩ y ik ⎭
Nuevamente, necesitamos obtener la columna para la variable x 2 como hicimos en la iteración anterior. En eso
caso:
⎡ 34 - 1 ⎤ ⎡ dos
⎤ ⎡ 12 ⎤
y 2 = B –1 a 2 = ⎣⎢ =
120 ⎦⎥⎣ 1 ⎦ ⎣⎢ 1 ⎦⎥
Entonces,
⎡ 34 ⎤ ⎡ 12 ⎤
=
segundo =
⎣⎢ 5 2 ⎦⎥ y y dos ⎣⎢ 1 ⎦⎥ pronto
⎡ X5 ⎤ ⎡ 3 4 ⎤ ⎡ 1 2 ⎤ ⎡ 3 2 ⎤
⎣⎢ X 3 ⎦⎥ =⎣⎢ 5 2 ⎦⎥/ ⎣⎢ 1 ⎦⎥ =⎣⎢ 5 2 ⎦⎥
Valor mínimo ( s = 1)
⎡ dos dos⎤
′ = [,los
segundo los3 ] = ⎣
dos 132 ⎦
Página 156
⎡ 34 - 1⎤ ⎡ 1 2 ⎤ ⎡ 32 ⎤ ⎡ 1⎤
- dos
⎯ ⎯⎯⎯⎯⎯ →
⎣ 120 ⎦ ⎣ 1 ⎦ Pivotante ⎣ -1 ⎦ ⎣ 0 ⎦∴
- dos
⎡ 32 ⎤
- dos
B –1 = ⎣ ⎦
-1 - dos
-1 ⎡ 32 ⎤ ⎡ 5⎤ ⎡ 3 2 ⎤
- dos
X bBb =
B= = ⎣ -1 ⎦ ⎣ 3 ⎦ = ⎣ - 11 ⎦
- dos
⎡ 32 ⎤
- dos
u = ( uu 1 2 =) c B B –1 = [ 12 15 ]⎣ = [3 - 54 ]
-1 ⎦
- dos
32 ⎤
z0=cB xB= [12 15 ] ⎡ = 33
⎣ 1 ⎦
En este punto, las variables x 1 , x 5 , x 7 , x 4 y x 6 no son básicas. I = {1, 4, 5, 6, 7}, J = {2, 3}. Regresamos a Pas-
solo 1.
⎡ 1⎤
z 1 - c 1 = agua 1 - c 1 = [3 6] ⎣ 1 ⎦– (8) = 1
⎡ -1 ⎤
z 4 - c 4 = [3 6] ⎣ 1 ⎦– (0) = –3
⎡ ⎤
https://translate.googleusercontent.com/translate_f 130/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z 5 - c 5 = [3 6] ⎡ 0 ⎤
⎣ 1- ⎦– (0) = –6
La variable índice 1 entra en la base, ya que es la única con z j - c j positivo. Continuando con el cálculo
, vayamos al Paso 2.
Nuevamente necesitamos obtener la columna de la variable x 1 como hicimos en la iteración anterior para calcular
la variable de bloqueo al crecimiento de x 1 . En ese caso,
⎡ 32 ⎤ ⎡ 1⎤ ⎡ - 1 2 ⎤
- dos
y 1 = B –1 a 1 = ⎣ ⎦ ⎣ 1⎦ = ⎣ 1 ⎦
-1 dos
Página 157
Entonces,
⎡ 32 ⎤ ⎡ -12 ⎤
= =
segundo
⎣ 1 ⎦ yy 1 ⎣ 1 ⎦ pronto
⎡ X dos⎤ ⎡ 3 2 ⎤ ⎡ - 1 2 ⎤ ⎤
= =⎡ -
⎣ X3 ⎦ ⎣ 1 ⎦ / ⎣ 1 ⎦ ⎣ 1⎦
⎤
′ = [ los los ] = ⎡ 2 1
segundo dos 1 ⎣ 11 ⎦
⎡ 32 - dos
⎤⎡ - 1 2 ⎤
⎯ ⎯⎯⎯⎯⎯⎡ → 1 - 1 ⎤ ⎡ 0⎤
⎣ -1 ⎦ ⎣ 1 ⎦ Pivotante
dos ⎣ -12 ⎦ ⎣ 1 ⎦∴
-1
=⎡ 1
segundo
- 1⎤
⎣ -12 ⎦
-1
=⎡ 1 - 1⎤ ⎡ 5⎤ ⎤
dos
X B = =b B b ⎣ -12 ⎦ ⎣ 3 ⎦ = ⎡⎣ 1 ⎦
⎡ 1 - 1⎤
u = ( uu 1 2 =) c B B –1 = [ 12 8 ]⎣ ⎦=
[]4 4
-12
[12 8 ] ⎡⎣ dos
⎤
z 0 = cxsegundo 32
B= 1⎦ =
⎡ dos⎤
z 3 - c 3 = agua 1 - c 1 = [4 4] ⎣ 3 2 ⎦– (15) = –1
⎡ -1 ⎤
z 4 - c 4 = [4 4] ⎣ 0 ⎦– (0) = –4
⎡ 0 ⎤
⎣ ⎦
https://translate.googleusercontent.com/translate_f 131/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z 5 - c 5 = [4 4] ⎣ 1- ⎦– (0) = –4
Página 158
Maximizar w = 5 y 1 + 3 y 2
sujeto a:
u2+u2£8
2 u 1 + u 2 £ 12
2 u 1 + 3/2 u 2 £ 15
u 1 ³ 0, u 2 ³ 0
donde las variables u están asociadas a los precios de los productos demandados por el mercado. De hecho, el
El objetivo de maximización se puede interpretar como la búsqueda del mayor valor posible para el suministro de
combustible sin obtener ganancias. El problema dual permite una solución gráfica como
muestra la Figura 4.7.
X2
C W=5 tu 1 + 3 tudos
8 dos
tu1 + (3 2 /) tudos= 15
dos
tu1 + tudos = 12
segundo
tu1 + tu dos= 8
LA
O 4 U1
Tenga en cuenta que cualquier punto en el conjunto de soluciones viables al problema dual está asociado
a precios de gasolina y petróleo para los que ninguna actividad genera una ganancia positiva. En el ejemplo, el
La solución dual óptima nos proporciona los precios de los productos demandados para los que existe un perfecto
equilibrio económico, con un costo total igual a los ingresos totales. En el mejor de los casos, ninguna actividad básica es
con pérdidas o rentables. Por otro lado, sería deficiente introducir alguna actividad no básica
el esquema de producción. La solución dual óptima, que se puede obtener gráficamente, nos lleva
a w = 32 y u 1 = 4 y u 2 = 4. Para este resultado, podríamos haber evitado el cálculo de optimización después
inclusión de la actividad de exploración de lutitas. La primera solución obtenida sin la alternativa de la pizarra
se mantendría.
El análisis de sensibilidad es básicamente una técnica utilizada para evaluar los impactos que el programa
ma sufre cuando hay cambios en las condiciones de modelado. El análisis de sensibilidad es básicamente
En particular, el estudio de un modelo de programación matemática sometido a cambios en sus condiciones
información inicial. Los cambios pueden incluir:
https://translate.googleusercontent.com/translate_f 132/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 159
Minimizar z = 8 x 1 + 12 x 2 + 15 x 3 + 0 x 4 + 0 x 5 + 40 x 6 + 18 x 7
sujeto a:
x1+2x2+2x3-x4+x6=5
x 1 + x 2 + (3/2) x 3 - x 5 + x 7 = 3
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0, x 6 ³ 0, x 7 ³ 0
x1 x2 x3 x4 x5
z 32 0 0 -1 –4 –4
x4 1 1 0 1 4 -dos
x5 dos 0 1 1/2 -1 1
Los cambios en el vector de costos pueden afectar dos tipos de variables: básicas y no básicas.
z j - c j = c B B –1 a j - c j
Observamos que para una variable no básica el término c B B -1 a j no cambia, lo que significa que la
los cambios en los costos reducidos se propagan directamente con la variación del término c j . Ser lo más posible
variación en el costo igual a d. Para que la variable de índice j Î J sea candidata a ingresar a la base de datos, es necesario
que z j - ( c j + d)> 0 o d < z j - c j .
Minimizar z = 8 x 1 + 12 x 2 + 15 x 3 + 0 x 4 + 0 x 5 + 40 x 6 + 18 x 7
sujeto a:
x1+2x2+2x3-x4+x6=5
x 1 + x 2 + 3/2 x 3 - x 5 + x 7 = 3
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0, x 4 ³ 0, x 5 ³ 0, x 6 ³ 0, x 7 ³ 0
Página 160
x1 x2 x3 x4 x5
z 32 0 0 -1 –4 –4
x1 1 1 0 1 1 -dos
https://translate.googleusercontent.com/translate_f 133/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x2 dos 0 1 1/2 -1 1
En este caso, si el coste del esquisto se reduce en 2 unidades, por ejemplo, se volverá atractivo y formará parte de la sociedad.
solución óptima, que conduce al siguiente escenario óptimo:
x1 x2 x3 x4 x5
z 31 -1 0 0 –8 -dos
x3 1 1 0 1 4 -dos
x2 3/2 –1/2 1 0 –3 3
Ejemplo 2: Examinaremos los cambios en los precios del petróleo importado (variable x 2 ). La solucion optima
tenemos que:
⎡ 1 - 1⎤
u = ( uu1 ) [12 + δ 8 ]⎣ - 1 2 ⎦=
[4 + δ 4 - δ]
2= c B B –1 =
⎡ dos⎤
z 3 - c 3 = agua 1 - c 1 = [4 + d 4 - d] d/2
⎣ 3 2 ⎦– (15) = –1 +
⎡ -1 ⎤
z 4 - do 4 = [4 + d 4 - d] re
⎣ 0 ⎦– (0) = –4 -
⎡ 0 ⎤
z 5 - do 5 = [4 + d 4 - d] re
⎣ 1- ⎦– (0) = –4 +
De ahí extraemos el siguiente conjunto de relaciones para mantener la misma base óptima.
-1+d/2£0∴d£2
–4 - £ 0 ∴d³-4
-4+d£0 £4
Página 161
B –1 ( b + D b )
https://translate.googleusercontent.com/translate_f 134/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
B –1 ( b + D b ) ³ 0
⎡ 1 - 1⎤ ⎡ 5 + Δ segundo
⎤
1 ³0
B -1 ( segundo + D⎣ segundo )⎦ =⎣ Δ segundo
⎦
-12 3 + dos
2+Db1-Db2³0
1 - D b 1 - 2D b 2 ³ 0
lo que implica la solución de un sistema de desigualdades para el análisis del cambio del término independiente.
Maximizar z = x 1 + x 2
sujeto a:
x1 £3
2 x 1 + 3 x 2 £ 24
x 1 ³ 0, x 2 ³ 0
x1 x2 x3 x4
z 9 0 0 –1/3 –1/3
x1 3 1 0 1 0
x2 6 0 1 –2/3 1/3
3 ⎤ 1⎤
4 Suponga que el vector b = ⎡ b = ⎣⎡
⎣ 24 ser
⎦ cambiado a 18,⎦¿qué pasará?
-1
=⎡ 1 0 ⎤⎡ 1 ⎤ 1 ⎤
X Bb ⎣ -2313 ⎦ ⎣ 18 ⎦ = ⎡⎣ 16 3 ⎦
B =
Página 162
Así,
⎡ X segundo
⎤ ⎡ 1 ⎤
= 1
X segundo
⎦⎥ =⎣ 16 3 ⎦
⎣⎢ X segundo
dos
La base se mantuvo genial (casualmente). Entonces, como vimos en el ejemplo anterior, podemos
interesarse en los intervalos en los que los componentes de b podrían variar para mantener la viabilidad.
solución actual.
4 Determinemos, para el caso actual, el valor más pequeño de b 2 para que la solución siga siendo óptima.
-1 =⎡ 1 0 ⎤ ⎡ 3⎤ ⎡ 3 ⎤
∴
X Bb ⎣ -2313 + Δ 3 ⎦≥ 0
⎦ ⎣ Δ ⎦ = ⎣ - dos
B =
D³6
⎡ dos
⎤
4 Suponiendo ahora que b = ⎣ 3 ¿Qué pasaría?
En ese caso:
=⎡ 1 0 ⎤ ⎡ dos dos ⎤
-1 ⎤
X Bb ⎣ -2313 ⎦ ⎣ 3 ⎦ = ⎡⎣ - 1 3 ⎦
B =
https://translate.googleusercontent.com/translate_f 135/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Es decir, la base óptima, con la modificación del vector b , ya no es viable. Para solucionar esto
problema, podemos aplicar el algoritmo simplex dual de la siguiente manera:
x1 x2 x3 x4
z 1 0 0 –1/3 –1/3
x1 dos 1 0 1 0
x1 x2 x3 x4
4 Elprimer caso a estudiar se refiere a la adición de una nueva restricción al problema. Siempre que
esto ocurre en un programa matemático, hay una reducción en el espacio de soluciones viables,
que aumenta / reduce (minimiza / maximiza) el valor de la función objetivo, o no cambia el
encontró. Bajo ninguna circunstancia agregar una restricción "mejora" el valor numérico
de la función objetivo. Como procedimiento general para este caso, podemos sugerir que existe un
si agregar la restricción cambia la solución o no. En caso de que se configure el cambio, debemos
Continuar resolviendo el "nuevo" problema.
Página 163
Maximizar z = x 1 + 3 x 2
sujeto a:
x1 £3
2 x 1 + 3 x 2 £ 24
x 1 ³ 0, x 2 ³ 0
x1 x2 x3 x4
z 24 -1 0 0 -1
x3 3 1 0 1 0
x2 8 2/3 1 0 1/3
x 1 + 6 x 2 £ 30
Para comprobar si se ha cortado la solución óptima calculada anteriormente, simplemente reemplace los valores
⎡ X segundo
⎤ 3⎤
segundo
= 1 ´ 8 ³ 30, lo que demuestra que habrá
x res
⎣⎢ X ⎦⎥ =⎣⎡ 8 ⎦en la restricción, lo que resultará en: 0 + 6
segundo
dos
en la solución, ya que la solución que se encuentra en el marco óptimo provoca la violación de la nueva restricción.
perro. La nueva restricción reducirá el tamaño del espacio para soluciones viables al problema y, en consecuencia,
disminuirá su valor en el óptimo. Resolver el problema que surge de la agregación de los nuevos
trición, la agregaremos al marco inicial. Como se está creando una nueva línea en la matriz de respuesta
restricciones, se debe tener cuidado de introducir la variable de holgura respectiva para mantener una base viable.
nivel inicial. En este ejemplo, la variable de brecha será x 5 . Entonces tendremos:
x1 x2 x3 x4 x5
z 24 -1 0 0 -1 0
x3 3 1 0 1 0 0
https://translate.googleusercontent.com/translate_f 136/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x2 8 2/3 1 0 1/3 0
x5 30 1 6 0 0 1
La columna de x 2 , una variable básica, no es canónica, ya que hay un valor de 6 en la última fila. Utilizando el
método de operaciones elementales para completar la inversión base tenemos:
x1 x2 x3 x4 x5
z 24 -1 0 0 -1 0
x3 3 1 0 1 0 0
x2 8 2/3 1 0 1/3 0
x5 –18 –3 0 0 -dos 1
Aplicando el algoritmo dual simplex, luego de dos pivotajes, llegaremos a la siguiente tabla:
Página 164
x1 x2 x3 x4 x5
x1 3 1 0 1 0 0
4 El tercer caso corresponde al cambio de coeficientes en una restricción existente. En esta hipótesis
ya no será necesario ingresar la variable de holgura para completar la base. A partir de entonces,
en caso de agregar una nueva restricción.
4 El primer caso posible de cambio en la variable es la eliminación que comprende dos sub-casos:
Ejemplo 6:
Maximizar z = 5 x 1 + 5 x 2 + 13 x 3
sujeto a:
-x1+x2+3x3 £ 20
12 x 1 + 4 x 2 + 10 x 3 £ 90
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
https://translate.googleusercontent.com/translate_f 137/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 165
x1 x2 x3 x4 x5
z –100 0 0 -dos –3 0
x2 20 -1 1 3 1 0
x5 10 dieciséis 0 -dos –4 1
Suponiendo que la variable x 2 debe eliminarse del problema, entonces podemos sustituirla en la base
por x 3 que, entre las variables no básicas, tiene el costo reducido menos desfavorable. en un
Situación donde se presenta la condición de parada para el simplex (imagen óptima) las variables
básicos o tienen costos reducidos cero o negativos. En esta situación, sustituyendo una variable básica
uno no básico probablemente empeorará el valor de la solución representada en la tabla. El pivote
teamento se configura de la siguiente manera:
x1 x2 x3 x4 x5
z –100 0 0 -dos –3 0
x2 20/3 -1 1 3 1 0
x5 10 dieciséis 0 -dos –4 1
lo que nos lleva al siguiente vértice junto al anterior, genial dentro del nuevo marco:
x1 x2 x3 x4 x5
De hecho, la introducción de una nueva variable ( x l ) requiere volver a calcular los costos reducidos y la columna
( L ) de la matriz Y .
Ejemplo 7:
Maximizar z = x 1 + 2 x 2 + 7 x 3
sujeto a:
x1 + 2x 3 £4
x2+3x3 £5
-x1 +x2 £0
x 1 ³ 0, x 2 ³ 0, x 3 ³ 0
x1 x2 x3 x4 x5 x6
z –13 0 0 0 -dos -1 -1
x2 dos 0 1 0 3 -dos 3
x3 1 0 0 1 -1 1 -1
https://translate.googleusercontent.com/translate_f 138/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 166
Supongamos que queremos agregar una actividad más, x 7 , con los siguientes elementos:
⎡ 0⎤
x 7 = ⎢ 1 Ce c 7 = 4
⎣ dos
⎦
⎡ 3 ⎤ ⎡ 0⎤
- dos dos
z 7 - c 7 = c B B –1 a 7 - c 7 = [–1 –2 –7] ⎢ 3 - dos 3 ⎥ ⎢ 1 ⎥– (–4) = 1
⎣ -1 1 - 1 ⎦ ⎣ dos
⎦
⎡ 3 ⎤ ⎡ 0 ⎤ ⎡ dos⎤
- dos dos
y7=⎢ 3 - dos 3 ⎥ ⎢ 1 ⎥ = ⎢ 4 ⎥
⎣ -1 1 - 1 ⎦ ⎣ dos
⎦ ⎣ 1- ⎦
x1 x2 x3 x4 x5 x6 x7
z –13 0 0 0 -dos -1 -1 1
x2 dos 0 1 0 3 -dos 3 4
x3 1 0 0 1 -1 1 -1 -1
x1 x2 x3 x4 x5 x6 x7
4 Eltercer caso de cambio en las variables aborda el cambio en los coeficientes de una variable existente
tratar.
Página 167
Ejemplo 8:
Sea la imagen óptima del ejemplo 6:
x1 x2 x3 x4 x5
https://translate.googleusercontent.com/translate_f 139/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z –100 0 0 -dos –3 0
x2 20 -1 1 3 1 0
x5 10 dieciséis 0 -dos –4 1
⎡ 1⎤
Supongamos ahora que x 2 = ⎣ 3 ⎦ . Lo sabemos:
⎡ 10 ⎤ ⎡ 1⎤ ⎡ 1 ⎤
y 2 = B –1 a 2 = ⎣ ⎦ ⎣ 3 ⎦ = ⎣ 1- ⎦
-41
x1 x2 x3 x4 x5
z –100 0 0 -dos –3 0
x2 20 -1 1 3 1 0
x5 10 dieciséis -1 -dos –4 1
Y podemos proceder con la inversión de la base por el método de operaciones elementales alcanzando:
x1 x2 x3 x4 x5
z –100 0 0 -dos –3 0
x2 20 -1 1 3 1 0
x5 30 15 0 1 –3 1
1 - Revisión de la teoría J
Responda con lo correcto o incorrecto justificando su elección:
Los. () Cuando la solución de cada problema es finita, los valores de las soluciones óptimas del par son iguales.
SEGUNDO. () El número de variables de holgura en un problema corresponde al número de variables reales
del otro.
C. () Siempre que una variable de holgura sea diferente de cero, la variable dual correspondiente es igual a
cero.
re. () Si uno de los sistemas tiene infinitas soluciones, el otro también las tendrá.
y. () Si uno de los sistemas no es viable, el otro también lo será.
F. () El número de iteraciones del algoritmo simplex necesarias para resolver un problema será el
incluso para cada sistema.
gramo. () La condición de parada en el problema primario corresponde a la condición de viabilidad en el problema
doble.
Página 168
Maximizar z = 2 x 1 + 3 x 2 + 6 x 3 + 8 x 4
sujeto a:
x1+2x2+3x3+x³3
–2 x 1 + x 2 - x 3 + 3 x 4 £ –4
x j ³ 0, j = 1, 2, 3, 4
https://translate.googleusercontent.com/translate_f 140/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3 - Aplicación de la teoría de la dualidad J
Para el problema siguiente:
Maximizar z = 2 x 1 + 3 x 2 + 6 x 3
sujeto a:
x 1 + 2 x 2 + x 3 £ 12
x1-x2+3x3£7
x j ³ 0, j = 1, 2, 3
Maximizar z = x 1 - x 2 + 2 x 3
sujeto a:
x1+x2+x3£6
-x1+2x2+3x3 £9
x j ³ 0, j = 1, 2, 3
Página 169
5 - Ejercicio práctico J
Una pequeña empresa siderúrgica recibe un pedido de un lote de lingotes de hierro que debería sumar 240
toneladas de contenido de hierro (Fe). El cliente admitirá que el lote homogéneo tiene
elemento de silicio adicional (Si), pero por cada tonelada de Si debe haber al menos en la aleación
15 toneladas de Fe. La firma tiene más que suficiente en stock:
• Mineral tipo A (min A), que cuesta R $ 6.000,00 cada cien toneladas y tiene 2% de Si y
60% Fe.
• Mineral tipo B (min B), que cuesta R $ 3.000,00 cada cien toneladas y tiene 4% de Si y
40% Fe.
La empresa también tiene la oportunidad de utilizar chatarra de buena calidad como materia prima, que
cuesta R $ 2.500,00 la tonelada, y tiene prácticamente el 100% de Fe.
1. Formule el problema de programación lineal que calcule la combinación mínima de costos de materias primas.
necesario para la producción de los lingotes pedidos.
5. ¿Cuánto varía el costo mínimo por tonelada de Fe para agregar al lote pedido?
7. Suponga que aparece un nuevo proveedor de mineral tipo C (min C), que cuesta R $ 4.000,00
https://translate.googleusercontent.com/translate_f 141/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
por
grancien
liga?toneladas
Si es así,y¿cuál
que tiene
será 2% Si y 50%
la nueva Fe. Habrá un cambio en la composición de la
composición?
8. ¿Cuál es el precio máximo que puede tener la chatarra para ser económicamente ventajoso para el
producción de la liga en cuestión?
9. ¿Dentro de qué rango de costos el mineral tipo A (min A) será atractivo para permanecer en el
¿solucion optima?
6 - Ejercicio práctico J
Una fábrica fabrica cinco tipos de estanterías ( p 1 , ..., p 5 ) utilizando dos procesos de producción
(proceso normal - N y proceso acelerado - A). Cada producto requiere un cierto número de horas.
a trabajar dentro de cada proceso y algunos productos solo se pueden fabricar a través de
de uno de los tipos de procesos. La Tabla 4.4 resume el consumo (en horas) dentro de cada esquema
y las ganancias obtenidas (en reales) después de deducir los costos de producción.
Estantería p1 p2 p3 p4 p5
El montaje final de cada estante requiere 20 horas de mano de obra por unidad. La fabrica tiene
tres máquinas para el proceso normal y dos para el proceso acelerado. Las maquinas trabajan en
Página 170
dos turnos de 8 horas por día, sobre una base semanal de 6 horas. Un equipo de 8 hombres trabaja
en un solo turno de 8 horas y durante seis días, armando las estanterías con los clientes.
5. ¿Existe algún proceso que no se esté utilizando por completo? ¿Por qué está pasando esto?
6. ¿Qué pasaría con las ganancias totales si se contratara temporalmente a un nuevo trabajador (pagado
por hora trabajada).
7. ¿Cuál debería ser el precio de los productos que no se eligieron fabricar para que
se vuelven económicamente atractivos?
8. ¿Cuál es el valor económico de una hora extra de capacidad de producción en cada proceso?
9. Justifique el costo del estante 1 analizando el valor de las horas trabajadas agregadas por el
Procesos de fabricación y montaje.
7 - Ejercicio práctico J
Considere el siguiente problema de programación lineal:
Maximizar z = 2 x 1 + 4 x 2 + x 3 + x 4
sujeto a:
x1+3x2 +x4£8
2x1+x2 £6
x2+4x3+x4£6
x j ³ 0, j = 1, ..., 4
El modelo corresponde a un proceso de producción en el que las variables son determinados productos
facturas que se venden en el mercado. Se indica la devolución a la venta de los productos, en unidades
monetaria, por la función objetivo. Las restricciones representan las limitaciones de disponibilidad del
A (restricción 1), entrada B (restricción 2) y entrada C (restricción 3), que se consumen
https://translate.googleusercontent.com/translate_f 142/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
en el proceso de obtención de cada producto.
Llamamos x 5 , x 6 y x 7 las variables de holgura asociadas con la primera, segunda y
terceras restricciones y b = ( b 1 , b 2 , b 3 ) el término independiente. Sabiendo que la inversa de la base óptima (
planteado por x 1 , x 3 y x 2 ) corresponde a:
⎡ 1 3 ⎤
- 0
⎢ 5 5 ⎥
- =1 ⎢ 1 1 1⎥
segundo -
⎢ 10 20 4⎥
⎢ dos 1 ⎥
⎣ - 0⎦
5 5
Página 171
1.1 A.
1.2 B.
1.3 C.
2. ¿En qué rango de variación de disponibilidad la entrada A fluctuará de modo que la base óptima
no ser cambiado?
3. ¿Cuál es la solución óptima si b 1 = 5? ¿Y si b 1 = 25?
4. Si hay 3 unidades más de la entrada 1 disponibles, ¿cuál será el valor de retorno óptimo obtenido con el
venta de productos?
5. ¿Cuánto vale la unidad del insumo A para la empresa? ¿Y la unidad B?
x1 x2 x3 x4 x5
x2 5 -dos 1 1 1 0
x5 10 4 0 -dos 4 1
Maximizar z = x 1 + 8 x 2
sujeto a:
x1+x2 ³2
x1+4x2£4
https://translate.googleusercontent.com/translate_f 143/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x j ³ 0, j = 1, 2
Página 172
Tipo 1 Tipo 2
CPU 1 50 70
CPU 2 25 60
Cada combinación de CPU y tipo de placa base requiere un tiempo de montaje peculiar y pruebas que
se puede resumir en horas hombre por lote de 25 placas en la siguiente tabla:
Tipo 1 Tipo 2
CPU 1 1 3
CPU 2 0,7 5
50 horas hombre de mano de obra técnica están disponibles para el montaje. El flujo de montaje
de las computadoras requiere al menos 500 placas (consideradas en cualquier esquema de ensamblaje) y
las cantidades máximas por esquema, de acuerdo con la siguiente tabla:
Tipo 1 Tipo 2
1. Resuelva el problema de maximizar la agregación de ganancias ensamblando las placas base, utilizando
utilizando el algoritmo dual simplex.
2. ¿Cuál debería ser el valor mínimo asociado con el esquema de CPU 2 de Tarjeta Tipo 1, para que
atractivo montaje?
3. ¿Qué pasaría si, en un día determinado, el flujo de montaje requiriera la preparación de 600 placas?
En este caso, ¿cómo se comportaría el valor añadido medio por plato? (¿Aumentar Disminuir?)
11 - Ejercicio integral J
Una empresa siderúrgica, productora de aceros especiales, necesita programar su producción para el próximo
tres meses. Todos sus productos, obtenidos fundamentalmente a partir de materias primas Ni, Cr y chatarra
de Fe, pasan por el desbastador, cuya capacidad de laminación es como máximo de 50 mil toneladas
toneladas de acero por mes. El stock actual de Ni es de 6.000 toneladas y su único proveedor de Ni
tiene capacidad de extracción y procesamiento de un máximo de 3 mil toneladas mensuales. El stock actual
Cr es 10 mil toneladas, pero la posibilidad de importar este metal en un plazo mínimo de un mes
permite el consumo en cualquier cantidad a partir del segundo mes del horizonte de planificación.
https://translate.googleusercontent.com/translate_f 144/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 173
ment. La chatarra de hierro y otras materias primas están disponibles en cantidades sueltas. La compañia
que tiene un monopolio de acero especial, considera para los próximos tres meses solo los siguientes
siguientes alternativas de producción:
4 Acero tipo ABNT 301, que contiene un máximo de 0,15% C, un máximo de 2% de Mn y un máximo de 1% de Si.
Este tipo de acero, utilizado para fines estructurales, debe contener entre un 16% y un 18% de Cr y entre un 6% y un 8% de Ni.
4 Acero tipo ABNT 302, que debe cumplir los mismos límites que el acero ABNT 301 para C, Mn y Si.
Pero como debe usarse en equipos hospitalarios y de la industria alimentaria (debe ser
muy resistente a la corrosión) debe contener entre un 17% y un 19% de Cr y entre un 8% y un 10% de Ni.
4 Acero tipo ABNT 409, que contiene un máximo de 0,08% C, 1% Mn y 1% Si. Este tipo de acero es
utilizado para gases de escape y motores de explosión, y debe contener 10,5% a 11,75% Cr,
estar libre de Ni y tener un porcentaje de Ti al menos 6 veces mayor que el porcentaje
de C y como máximo igual a 0,75 del peso total de la aleación.
1. Sin tener en cuenta las restricciones relacionadas con el contenido de Ti en el acero tipo ABNT 409, cite las principales
variables de decisión en el problema en cuestión.
2. ¿Cuáles son los recursos limitados en este problema de planificación de la producción y almacenamiento?
¿empresa? Anote explícitamente las principales tasas de disponibilidad de estos recursos.
Página 174
https://translate.googleusercontent.com/translate_f 145/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
5 PROGRAMACIÓN DINÁMICA
PROGRAMACIÓN COMPLETA Y
z = Maximizar { f ( x ) = x 1 + 3 x 2 }
Número total de unidades monetarias obtenidas por la venta de lotes de tortas de nata y chocolate
colate.
Página 175
4. Restricciones de la no negatividad
x 1 ³ 0, x 2 ³ 0
( BS ) Maximizar z = x 1 + 3 x 2
sujeto a:
x1 £ 40
x 2 £ 60
x 2 ³ 10
x1+x2 ³ 20
3 x 1 + 2 x 2 £ 180
x 1 ³ 0, x 2 ³ 0
Como se nos pidió, además del modelo, mostrar el mejor esquema de solución para
https://translate.googleusercontent.com/translate_f 146/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
producción, buscaremos la solución del problema. Una primera duda surge inmediatamente cuando
analizar el conjunto de restricciones: ¿sería posible producir medio lote de tortas de chocolate?
Si el lote tiene un número impar de pasteles, alguien debería comprar una fracción de pastel.
chocolate.
Este problema es de extraordinaria importancia. En innumerables situaciones, las variables de decisión
no pueden admitir un valor continuo. Ocasiones en las que se trata de personas, configuraciones
ciones, objetos físicos, etc., las soluciones fraccionarias pierden su significado práctico. Podríamos pensar que esto
El problema no sería tan grave si trabajáramos con una formulación continua y, tras la solución final,
proporcionar alguna estrategia de redondeo. Lo que ingenuamente puede parecer un
La solución "razonable" puede ser una mala idea en la práctica. Ejemplifiquemos la insuficiencia de la solución
mediante redondeo más tarde, pero en este momento es necesario "corregir" nuestro modelo reemplazando el
condición de no negatividad debido a una condición más exigente:
4. Condiciones de integridad
La figura 5.1 muestra la representación gráfica de la matriz de restricciones del problema BS.
x2
90
x 1 = 40
C
60
x 2 = 60
re
X 1 + X dos= 20 segundo
3 x 1 + 2x = 180
dos
20
Y
x 1 = 10
F LA
O 20 40 60 x1
Página 176
Como podemos ver en la Tabla 5.1, los puntos A, B, C, D, E y F del polígono de pos-
Soporta coordenadas enteras. Tal fenómeno es un hecho raro. Obviamente, cuando los puntos extremos
poliedro de soluciones viables tienen valores enteros, resuelve un problema de programación
lineal con variables continuas equivale a resolver un problema de programación completo.
TABLA 5.1
LA (40,10) 70
segundo (40,30) 130
C (20,60) 200
re (0,60) 180
Y (0,20) 60
F (10,10) 40
La solución que conduce al valor más alto es la correspondiente al vértice C. Pero, ¿qué pasa con el problema de redondeo?
ment? Todavía no hemos visto por qué es grave. Sea el siguiente programa:
Maximizar z = x 1 + 19 x 2
sujeto a:
x 1 + 20 x 2 £ 50
x 1 + x 2 ³ 20
x 1 , x 2 variables enteras
* 8* 11 * 8
cuya solución óptima es: x = 18, X dos= 1 y z 0 = 48 .
1
9 19 19
Aplicar la estrategia de redondeo, ya que los valores óptimos son fraccionarios, y
viendo una búsqueda racional alrededor del punto óptimo continuo tendríamos:
https://translate.googleusercontent.com/translate_f 147/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TABLA 5.2
Valor de función
Puntos examinados - Coordenadas
z = x 1 + 19 x 2
* *
x 1 = 19 x2 =2 impracticable
* *
x1 = 19 x2 =1 z = 38
* *
x1 = 18 x2 =2 impracticable
* *
x1 = 18 x2 =1 z = 37
* * *
Sin embargo, la solución óptima se obtiene con, x 1 = 10, x 2 = 2e z 0 = 48, es decir, el error es del 21% en el
tratamiento. Con un mayor número de variables y con este margen de error, la técnica de redondeo
puede resultar en un desglose completo del esfuerzo de modelado y solución, imponiendo otros
métodos de solución.
Existen varios métodos específicos para obtener la solución completa exacta a un problema de
programación lineal (ver Dantzig [1959], Gomory [1960], Glover [1965], Lawler y Wood [1966], Reiter y
Rice [1966], Shapiro [1968], Nemhauser y Ullman [1968], Padberg [1970], Wolsey [1972], Pierce y Lasky
[1973], Nemhauser y Garfinkel [1972], Geoffrion y Marsten [1972], Shamir [1984]] y soluciones aproximadas
(ver Chvatal [1979], Davis [1987], Goldberg [1988]). A continuación, presentaremos una
una heurística para resolver este tipo de problemas, pero primero ejemplificaremos el amplio espectro
potencial de modelado a través de una serie de ejemplos.
Página 177
El llamado problema de la mochila o mochila se caracteriza por una estrecha relación con
una gran cantidad de otros modelos de programación. Su importancia se asocia exactamente con
este hecho. Metafóricamente, podemos entenderlo como el desafío de llenar una mochila sin
un cierto límite de peso, optimizando el valor del producto cargado. Posiblemente fue
portado por primera vez en la literatura por Dantzig (1957) y constituye un hito de las técnicas de programación
formación completa, optimización combinatoria y programación dinámica. Además del aspecto matemático, el
El modelo en sí se puede aplicar directamente en casos prácticos como:
norte
sujeto a:
norte
∑ wjxj£b
j= 1
x j ³ 0 y entero.
donde x j representa el número de objetos de tipo j seleccionados para ser incluidos en una mochila,
https://translate.googleusercontent.com/translate_f 148/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
representado metafóricamente por la restricción del modelo. La mochila tiene una capacidad total de b
unidades. La variable c j representa el valor económico de cada artículo y w j , el peso del artículo. La literatura utilizada
intensivamente y, sin ninguna pérdida de generalidad, los coeficientes de restricción como pertenecientes
enteros. En ese caso:
norte
∑ w j > b y w j £ b , j = 1, ..., n
j= 1
y w Î Á, b Î Á.
Página 178
Considerando que solo hay un objeto de cada tipo a elegir, el problema está definido
de mochila 0-1, donde la restricción de toda la variable se reemplaza por x j Î {0, 1}. Llamaremos a esto
formulación de (PKI). El problema así definido también se suele denominar problema de
Mochila unidimensional (ya que solo tiene una restricción de tipo de mochila).
norte
sujeto a:
norte
∑ wjxj£b
j= 1
x j Î {0, 1} j = 1, ..., n
Un caso particular bien conocido de PKI es aquel en el que las variables de decisión son números enteros
y limitado a ciertos valores máximos. Este problema se llama mochila de límites (PKL) y
se puede formular de la siguiente manera:
norte
sujeto a:
norte
∑ wjxj£b
j= 1
xj£lj j = 1, ..., n
xjÎÁ+
Los límites impuestos por los valores l j no permiten que la mochila se llene con un número
cualquiera de los objetos x j .
El (PK) es NP-extenuante (ver Garey y Johnson [1979]). El caso de la mochila lineal, es decir, aquella en la que
Las variables son continuas, se pueden resolver de manera extremadamente eficiente, en O ( n ), donde n representa
el número de variables del problema, pudiendo ser resuelto por el algoritmo simplex (ver
Chvátal [1983]), como, por ejemplo, por el método de los puntos interiores (ver Gonzaga [1989]). Esto podría ser
es uno de los problemas de optimización en el que más fácilmente podemos percibir la diferencia de dificultad.
solución entre todos los problemas de programación y programación lineal, ya que solo
se considera una restricción. Ejemplificar la naturaleza combinatoria del problema PKI presentado
La figura 5.2 muestra el árbol de enumeración para el siguiente caso:
Maximizar z = 7 x 1 + 10 x 2 + 12 x 3 + 14 x 4
sujeto a:
z = 41x 1 + 55 x 2 + 60 x 3 + 70 x 4 £ 160
4 Problemas relacionados
Presentaremos en este artículo una serie de variantes para el problema de la mochila. Esta colección,
además de probar las diversas aplicaciones del modelo, permite vislumbrar su importancia.
https://translate.googleusercontent.com/translate_f 149/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 179
X1 X2 X3 X4
dos 6 15 28 Z = 21
X=
1
3 X=
dos
0 X=
3
0 X=
4
0
dieciséis 29 Z = 29
X=
3 1 X=
4 0
X= 0 X= 0
3 4
7 17 30 Z = 17
X= 1
dos
X= 1 X= 0 X= 0 X= 1
1 dos 3 4
3 8 18 31 Z = 21
X= dos X= 0 X= 0
dos 3 4
9 19 32 Z = 27
X=
3
1 X=
4
0
10 20 33 Z = 22
X= 1
dos X=
4 1
X= 1 21 Z = 26
3 34
X=
1 0 X=
dos 0 X=
3 0 X=
4 dos
1 4 11 22 35 Z = 28
X= dos X=
4
0
3 23 36 Z = 24
X=
dos dos X=
4 0
12 24 37 Z = 20
X=
3 0
X= dos X= 0 X= 0 X= 1
1 dos 3 4
5 13 25 38 Z = 28
X= 0
4
X= 1 26 Z = 26
3 39
X= 1
dos 14 27 40 Z = 24
X= 0 X= 0
3 4
norte
sujeto a:
norte
∑ wjxj£b
j= 1
x j Î {0, 1} j = 1, ..., n .
Página 180
https://translate.googleusercontent.com/translate_f 150/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Las
Eviteflores soneliguales
incluir mismopara todasen
producto lasmás
mochilas.
de una Es necesario
mochila. incluirformular
Podemos en el modelo una restricción
este problema de adicional que
como sigue:
metro norte
(PKM) Maximizar z = ∑ ∑ c j x ij
= 1j
yo = 1
sujeto a:
norte
∑ w j x ij £ b i i = 1 , ..., m
j= 1
metro
∑ x ij £ 1 j = 1 , ..., n
= 1
yo
norte
sujeto a:
norte
∑ wjxj£b
j= 1
norte
∑ pjxj£p
j= 1
x j Î {0, 1} j = 1 , ..., n.
El modelo puede generalizarse en la medida en que existan otras restricciones que limiten el uso
uso de objetos para llenar la mochila, de ahí la designación multidimensional para este
tipo de modelo. Como en el caso de la mochila múltiple, podemos encontrar para el problema el
limitado y no limitado.
Página 181
Dados n elementos y un conjunto S de escenarios, y una mochila que tiene el valor del elemento asociado con
s
v yo, el valor del artículo i dentro del escenario S , y también considerando w i el peso del artículo i , yb la capacidad
de la mochila, una mochila max-min 0-1 se define de la siguiente manera:
⎧
⎪ ⎛ metro ⎞⎫
⎪
⎨
(PKMM) Maximizar mínimo
⎜
⎜ ∑ s
vxyo yo⎟
⎟⎬
X ⎩⎪ s ∈ s ⎝yo= 1 ⎠⎭⎪
sujeto a:
norte
∑ wixi£b i = 1 , ..., m
= 1
yo
x i Î {0, 1} i = 1 , ..., m;
PKI es un caso particular de PKMM cuando solo hay un escenario a considerar. los
PKMM se aplica a problemas de cartera de inversiones donde el valor de retorno esperado
depende del escenario futuro. La consideración de un objetivo mínimo-máximo es uno de los tres criterios utilizados
en un contexto más amplio de problemas de optimización más recientemente llamado optimización
robusto (ver Kouvelis y Yu [1993]). Los problemas min-max o max-min con variables continuas fueron
https://translate.googleusercontent.com/translate_f 151/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
estudiado, entre otros, por Kaplan (1974), Luss y Smith (1986), Pang y Yu (1989), Klein et al. (1993). O
El problema discreto mínimo-máximo fue abordado por Jacobsen (1971), Porteus y Yormark (1972), Ichimori
(1984), Tang (1988). Un trabajo interesante que aborda el problema máximo-mínimo es el de Rangan y Govin-
dan (1992). Eiselt (1986) estudió el problema continuo máximo-mínimo de la mochila. Yu (1996) presenta
un algoritmo B&B para la solución PKMM, así como una heurística miope para generar
soluciones viables y límites inferiores.
metro
sujeto a:
metro
∑∑ wjxj£1
k= 1 j ∈Nk
Σ x j = 1 k metro yo = {1 , ..., m }
j ∈Nk
metro
x i Î {0, 1} j Î N = U norte
= {1,
k
..., n}.
k= 1
Sinha y Zoltner (1979) y Nauss (1979) sugieren varias aplicaciones para PKEM. Zemel (1984) presenta
un algoritmo O ( n ) para resolver el caso continuo del problema. Johnson y Padberg (1981)
abordar el problema de las restricciones de embalaje ∑ x j £ 1 . Ibarra y Kim (1978) reemplazan las restricciones
j ∈Nk
declaraciones de opción múltiple debido al único requisito de que al menos una de las variables pertenecientes a N k ,
k = 1, ..., m , ser positivo en la solución (no necesariamente completo). La relajación lineal de este problema
Página 182
tiene un método de solución dual eficiente con complejidad O ( n ) (Dyer [1984]). Ex-
da como resultado la reducción de PKEM (Sinha y Zoltner [1979]). El problema se puede resolver
mediante programación dinámica en operaciones O ( nb ) (ver Dudzinski [1984]).
(PKE) Maximizar z = ∑ c jx j
j ∈S
sujeto a:
∑ w jx j £ b i i = 1, ..., m
j ∈Si
x j Î {0, 1}, j Î S
metro
(PKD) Maximizar z = ∑ c jx j
j∈
S
sujeto a:
https://translate.googleusercontent.com/translate_f 152/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
∑ w jx j £ b i
j ∈Si i = 1, ..., m
∑ w jx j £ b
j ∈S
x i Î {0, 1}, j Î S
metro
metro
sujeto a:
yo
∑∑ w j x j £ b yo i = 1, ..., m
k= 1 j ∈Rk
Página 183
yo
d 1 £ d 2 £ ... £ d n
norte
sujeto a:
yo
∑ tjxj£di i = 1, ..., n
j= 1
donde x i = 0 si la tarea viola la restricción de tiempo y x i = 1 si está a tiempo. En este caso R i = {i} y S = {1, ..., i }
para i = 1, ..., n y m = n .
• Enrutamiento de mensajes por satélite con limitación de memoria (Billionnet et al. [1989]).
Gallo y col. (1980) formulan el PKQ de la siguiente manera:
norte
(PKQ) Maximizar z = ∑ q ii x i + ∑ q ij x i x j
=
https://translate.googleusercontent.com/translate_f 153/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
yo 1 1≤ <≤ijn
sujeto a:
norte
∑ wixi£b
= 1
yo
Página 184
norte
NP-completo, porque para el caso donde q ij = 0 se reduce al PK tradicional. Este problema ha sido estudiado
dado por varios autores como Carter (1984), Barahona et al. (1989), Pardalos y Rodgers (1990), Billion-
net et al. (1994), Chardaire y Sutter (1995) y Holmberg et al . (2000).
Para ejemplificar el uso del modelo PKQ, examinaremos el enrutamiento de mensajes por satélite
limitación de memoria lite propuesta por Billionnet et al. (1989). Este problema tiene una descripción
bastante interesante y rico. Suponiendo que un satélite de comunicaciones tiene un
trabajo por hacer, este programa se divide en tareas T = {1, ..., n }, la pregunta es cómo
Asignar estas tareas entre el procesador satélite y el procesador terrestre. Típicamente,
Los dolores son homogéneos, pero las tareas obviamente requieren un tiempo de procesamiento diferente. O
el costo de la tarea de procesamiento i en el procesador j es conocido e igual a e ij . Cada tarea que requiere el uso de
un segmento m i de la memoria del procesador. El procesador satélite tiene un límite de memoria
igual a M y el procesador de tierra tiene una capacidad ilimitada. Capacidades
para el flujo de datos entre la tierra ´ satélite y satélite ´ también se consideran las conexiones terrestres
(además de la posible demanda generada a través del satélite). Si las tareas i y j son transmitidas, a continuación, c ij re-
tiene un costo de comunicación conocido entre las tareas i y j cuando no están asignadas en el
mismo procesador (costo solo para cambiar). El problema se define como el objetivo de minimizar
costos totales de comunicación al cumplir con las condiciones límite para la memoria del procesador
satélite. Billionnet y Camels (1996) formulan el problema de la siguiente manera:
+ dos ∑ c ij x i x j
1≤ijn
<≤
sujeto a:
norte
∑ mixi£M
= 1
yo
• Algoritmos de solución
Los trabajos de Wolsey (1988) y Martello y Toth (1990) presentan una extensa bibliografía que resulta
me varios enfoques. De forma resumida podemos clasificar los principales algoritmos de solución,
como se hace normalmente, en los enfoques exacto y heurístico como se muestra en la Tabla 5.3.
Enfoque exacto
https://translate.googleusercontent.com/translate_f 154/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 185
Enfoque exacto
Enfoque heurístico
norte
sujeto a:
norte
∑ w ij x j = b i , i = 1, 2, ..., m
j= 1
x j ³ 0 y entero
0£xj£uj
donde u j es un límite superior para la variable x j con valor entero y todos b i y w ij son igualmente
toda la res. Para que el modelo PPI sea equivalente al modelo PKI, es necesario poder transferir
para formar PPI en PK eliminando dos diferencias básicas:
Página 186
norte
https://translate.googleusercontent.com/translate_f 155/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
∑ wjxj£b
j= 1
donde cada w j tiene un valor entero. Los dos problemas son equivalentes porque tienen la misma función objetivo.
y todas las soluciones viables al conjunto de restricciones de PPI también son viables para PKI, y
ce-versa. Vamos a ejemplificar el proceso de agregar dos restricciones en una, al
Población de los límites y valor del vector w j . Aquí hay dos restricciones:
norte
∑ r j x j = segundo 1
j= 1
norte
∑ sjxj=b2
j= 1
norte
norte
m = Máximo ( m 1 , | m 2 |)
Y podemos reemplazar las dos restricciones con la siguiente restricción derivada de los valores anteriores:
norte
∑ ( r j - Ms j ) x j = b 1 + Mb 2
j= 1
Técnicas de enumeración:
Página 187
Técnicas de corte:
Técnicas híbridas:
- Rama y corte.
- Teoría de grupos.
En la mayoría de ocasiones, las técnicas de solución están especializadas para los muchos tipos de productos.
problemas de programación, desarrollando enfoques y algoritmos específicos para cada situación
perro. Ahora presentaremos dos técnicas exactas ampliamente utilizadas para resolver problemas PLI.
https://translate.googleusercontent.com/translate_f 156/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
( P ) = Maximizar { cx | Ax = b , x ³ 0, x Î Z + }
y
( P ) = Maximizar { cx | Ax = b , x ³ 0, x Î R + }
V*(P)£V*(P)
Considerando cualquier solución viable ~ x de (P) y llamando a V x (~) el valor de la función objetivo
vo en el punto ~ x , entonces:
V (~ x ) £ V * ( P )
(5,1)
xj³ ⎣ ⎦x j
+1oxj£ ⎣⎦ xj
en cada solución viable de ( P ). Por tanto, el problema ( P ) se puede dividir en dos nuevos problemas
( P 1 ) y ( P 2 ) en las que la envolvente convexa C de ( P 1 ) È ( P 2 ) o Conv (( P 1 ) È ( P 2 )) está estrictamente contenida
en la envolvente de ( P ) o Conv (( P 1 ) È ( P 2 )) Ì Conv (( P )).
Ejemplifiquemos el proceso de dividir la envolvente convexa de ( P ) con el siguiente ejemplo:
Maximizar z = 5 x 1 + 8 x 2
sujeto a:
z = x1+ x2£ 6
z 5x 1 + 9 x 2 £ 45
z x1, x2Î Z +
Página 188
Que se puede representar gráficamente como en la Figura 5.3. La solución óptima continua del
9 15 1
blema se encuentra en: x = ; X dos= lo que lleva a z = 41 . Desarrollando la idea de separación de
1
4 4 4
envolvente convexa en relación a la variable x 2 podemos organizar la siguiente ecuación disyuntiva:
⎢ 15 ⎥ ⎢ 15 ⎥
x 2 ³ ⎣⎢ ⎦⎥ + 1 ³ 4 o x 2 £ ⎣⎢ 4 ⎦⎥ £ 3
4
X2
Soluciones completas
LA
z = 5x + 8x
1 dos
segundo
5x +1 9x = 45 dos
x+
1 x = 6 dos
O C X1
La ecuación anterior produce dos restricciones disyuntivas que, cuando se agregan al problema original
nal son capaces de crear dos nuevos problemas que ya no tienen la óptima solución continua en su
envoltura convexa.
La Figura 5.4 muestra el efecto de aplicar la ecuación disyuntiva generada en relación a la variable x 2 , en la
ejemplo.
https://translate.googleusercontent.com/translate_f 157/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
X2
()P 1
LA
segundo
()P 2
O C X1
Página 189
( P 1 ) Maximizar z = cx ( P 2 ) Maximizar z = cx
sujeto a: sujeto a:
Hacha £ b Hacha £ b
0 0
x yo
x yo £ ⎣⎦ x yo £ ⎣ x⎦yo +1
xiÎZ xiÎZ
La estrategia de separación crea problemas nuevos y más restringidos que normalmente serán más
solución fácil. En el ejemplo, el problema ( P ) se divide en dos problemas ( P 1 ) y ( P 2 ) siendo x 2 el valor
seleccionado para la separación. La estrategia de separación se puede volver a aplicar a estos problemas en
función, por ejemplo, de la variable x 1 . Enumeraremos a través de un árbol las posibilidades de solución.
problemas que se generarán mediante la división de ( P ). En el árbol de la Figura 5.5, cada nivel representa
hay una separación o rama en relación a una variable.
P0
x 1 = 2,25 x 2 = 3,75
z = 41, 25
x 2 ³ 4.0 x 2 £ 3,0
P2 P1
x 1 = 1,8 x 2 = 4.0 x 1 = 3,0 x 2 = 3,0
z = 41 z = 39
x1 ³ 2.0 x 1 £ 1.0
P4
P3
x 1 = 1,0 x 2 = 4,25
Impracticable
z = 40,4
x 2 ³ 5,0 x 1 £ 4.0
P5 P6
x1=0 x2=5 x 1 = 1,0 x 2 = 4.0
z = 40 z = 37
Para comprender el efecto de la cota , suponga que hemos elegido la secuencia de ramas de la
Figura 5.6, no resolviendo los problemas marcados:
*
Las soluciones continuas son un límite superior para el valor de z 0 , en las condiciones establecidas en
vértices del árbol, mientras que las soluciones completas generan un límite inferior. Como ( P 4 ), un problema con
solución continua, tiene Z = 40, 4 y ( P 5 ), un problema con una solución completa, tiene Z = 40, el problema
( P 6 ) ya no necesita ser resuelto, ya que entre 40, 4 y 40 no hay posibilidad de otra
* £ 40, 4). El problema ( P 2 ), con z = 41, puede dar lugar, sin embargo, a
solución completa mejor que 40 (£ 40 z 0
sigue siendo un problema con una solución completa de valor 41 (£ 40 z 0 *£ 41), que requiere desarrollo
de ( P 3 ). De manera similar, ( P 0 ), con z = 41, 25 también puede dar lugar a un problema con la solución
https://translate.googleusercontent.com/translate_f 158/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La reducción por el límite inferior ( límite ) de un solo vértice del árbol de enumeración de ejemplo
puede parecer pequeño, pero debemos recordar que este problema también es pequeño. En tantos casos
realidades, se muestra el poder de simplificación del límite inferior (o superior en el problema de minimización)
significativo, siendo extremadamente útil en el proceso de solución.
Página 190
P0
x 1 = 2,25 x 2 = 3,75
z = 41, 25
x 2 ³ 4.0 x 2 £ 3.0
P2
P1
x 1 = 1,8 x 2 = 4.0
Espere
z = 41
x 1 ³ 2,0 x 1 £ 1.0
P4
P3
x 1 = 1,0 x 2 = 4,25
Espere
z = 40,4
x 2 ³ 5,0 x 1 £ 4.0
P5
P6
x1=0 x2=5
Espere
z = 40
Uno de los puntos fundamentales para el éxito del B&B es la calidad del límite generado por la solución
todo. En diversas situaciones, estos límites se pueden alcanzar mediante procedimientos heurísticos.
La calidad del límite alcanzado suele depender, para cada problema, de la
el árbol de búsqueda. Básicamente, existen dos estrategias principales de división o rama . LA
La figura 5.7 muestra la apariencia de los árboles desarrollados mediante la búsqueda en profundidad y la búsqueda en
anchura.
P0
P0
P1 P2
P1 P2
P3 P4
P3 P4 P5 P6
P5 P6
El B&B es una técnica de amplia aplicación. La idea general está sujeta a numerosas adaptaciones y estrategias de
Implementación. Básicamente, los aspectos involucrados son:
Página 191
https://translate.googleusercontent.com/translate_f 159/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
184 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
4 variante húmeda
Este autor propone que la variable a elegir para la división en un determinado nivel del árbol es la que
tienen el residuo más grande en relación a la solución completa, es decir, considerando que ~ x j es la variable que es
cosecharemos para la separación propuesta por la ecuación (5.2), entonces:
Si la solución continua del nodo a expandir se presenta como en la Figura 5.8 (a), entonces, por
propuesto por Dank, el nodo ~ x j será x 2 , ya que tiene un residuo igual a 0,75, mayor que el de x 1 .
Pn Pn
X o X ? res ( X ) = 0,25
1 dos 1
res ( X ) = 0,75
dos
(Los) (SEGUNDO)
4 variante de Spielberg
Desarrolla el nodo con el valor z * más alto y el calculado más recientemente, utilizando Land y
Doig para aumentar la eliminación de espacio continuo alrededor del nodo buscado. Es una busqueda
en profundidad asociados a los criterios Land y Doig.
4 Método de sanciones
Esta estrategia se puede describir en los siguientes pasos:
Página 192
X2
Pn
x 1 = 7,25 x 2 = 11,75
x 2 <_ 10 x 2 > _ 12
x 2 = 11
X1
https://translate.googleusercontent.com/translate_f 160/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• Determina una estimación de la disminución en la función objetivo cuando forzamos a las variables a
asumir valores enteros.
• Elija el nodo de la lista de nodos abiertos con la disminución estimada más baja (utiliza un pivote
teamento asociado a la variable ~ x j ).
• Aproveche las posibles reducciones cuando la estimación de disminución exceda el límite inferior
cadena.
Página 193
Proceso de decisión
las características de la función de evaluación, completamente independiente en cada etapa, la estrategia rectora
losa se confunde con el de la programación dinámica y la solución a través del algoritmo codicioso conduce al óptimo.
Esto sucede cuando el problema se basa en un matoide (una estructura de independencia -
Ver el anexo). Este caso particular resume toda la posibilidad de similitud entre los Bell-
hombre y estrategia codiciosa .
https://translate.googleusercontent.com/translate_f 161/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Para implementar el principio Bellman, en la práctica se parte de la última etapa de un proyecto.
proceso con n etapas y se determina la mejor política para salir de esa etapa y completar el
proceso. Luego pasa del final al comienzo del proceso, etapa tras etapa, repitiendo el
razonamiento. En cada etapa, para cada estado, se determina la mejor política para salir de la etapa
y completar el proceso, asumiendo que las etapas anteriores se han completado en un
estupendo. Los cálculos siempre se utilizan de una etapa a la siguiente. Los elementos correspondientes
correspondientes a la última etapa del proceso suelen obtenerse directamente. Los otros elementos
los elementos se calculan de forma recursiva. La expresión de recurrencia depende del problema y debe ser
obtenido para cada tipo de proceso de múltiples etapas. Si queremos solucionar el problema DIM:
en el que las funciones posiblemente no lineales f 1 ( x 1 ) , f 2 ( x 2 ) , ..., f n ( x n ) se conocen a partir de una variable,
b es un valor entero y no negativo conocido y el problema se puede modelar como un multiproceso
puesta en escena. La etapa 1 implica la decisión sobre la variable x 1 , con una contribución resultante de f 1 ( x 1 ) .
Los estados son 1, 2, 3, ...., b , que representan los valores posibles para el número de unidades disponibles
para la asignación. Considerando:
Para el modelo DIM los valores de m j ( u ) vendrán dados por la siguiente expresión:
m n ( u ) = genial { f n ( x )}
0≤≤ X tu
Página 194
m j ( u ) = genial { f j ( x ) + m j +1 ( u - x )}
0≤≤ X tu
*
Considerando el vector de decisión óptimo x = 1xx* , * *
dos, ..., x n que toma el criterio de decisión de asumir el
z * valor , los componentes del vector se pueden encontrar de forma secuencial con la siguiente recurrencia:
*
x 1 = d 1 ( b );
* *
x2 =d2(b-x1 )
.... = .......
* * * *
x n = d n ( b –x 1 - X dos - ... - x n- 1)
segundo 8 Y
6 6
4 9
H
5
10 8
LA 5 C 8 F J
12
7 5
3 yo
13
9
https://translate.googleusercontent.com/translate_f 162/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3
re 11 GRAMO
Como el gráfico de la Figura 5.11 es un gráfico en capas (cualquier gráfico se puede transformar en
un gráfico en capas - ver Hu [1982]), podemos descomponer el problema de encontrar la mayoría
entre los vértices A y J en un proceso de toma de decisiones de varias etapas. Las fases de decisión del
problema se muestran en la Figura 5.12.
De hecho, varios problemas de decisiones secuenciales admiten un gráfico de toma de decisiones separado
similar al gráfico de ruta más corta. En este sentido, estudiar la aplicación de la programación dinámica
La forma más corta es estudiar el caso de muchos otros modelos. Aplicar directamente el principio
Pío de Bellman al problema, estableceremos las condiciones para la toma de decisiones en la primera fase
(fase final del camino) del problema de varias etapas. La figura 5.13 destaca las posibilidades de políticas
tiempo óptimo de llegada a los vértices H e I, comenzando en J, considerando que el camino a los vértices en
también se llevará a cabo de manera óptima:
Página 195
4 3 dos 1
segundo 8 Y
6 6
9
4
H
5
8
10
LA 5 C 8 F J
12
7 5
3 yo
13
9
3
re 11 GRAMO
1
8
yo
FIGURA 5.13 Primera fase de decisión: posible política para los vértices H e I.
Con la toma de decisiones realizada en la fase 1 podemos, a partir de la política óptima para H e I, calcular
la política óptima para E, F y G, como se muestra en la Figura 5.14.
A partir de los vértices E, F y G podemos desarrollar la tercera fase de decisión. La figura 5.15 muestra
que la información contenida en la primera fase (vértices H e I) ya no es necesaria para ello.
Finalmente, podemos completar los cálculos determinando el camino más corto y su valor (la etiqueta
de A), como se muestra en la Figura 5.16.
https://translate.googleusercontent.com/translate_f 163/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
cantidad invertida en la propia actividad. Los montos de capital se refieren a lotes de acciones y
por lo tanto, puede considerarse completo. Los ingresos obtenidos a cambio son independientes entre
sí mismo. La Tabla 5.4 muestra el panorama del retorno de la inversión dentro de cada proyecto productivo.
Página 196
14 14
Y
dos 1 Y
8 8
6
9
H H
17 17
10 8
F J F J
12
5
yo yo
13
3 5 5
GRAMO GRAMO
8 8
Cálculo final para los vértices E, F y G Rutas asociadas con la política óptima
22 3 14
22
14
segundo Y
segundo 8 Y
6
H
17 15 17
15 5
C F J
C 8 F
7
yo
re GRAMO
re 11 GRAMO
8
8
19 19
Cálculo final para los vértices B, C y D Rutas asociadas con la política óptima
4 22
segundo segundo Y
4 H
20 15
15
20 J
LA C F
LA 5 C
yo
5
3
re GRAMO
8
re
19
Página 197
https://translate.googleusercontent.com/translate_f 164/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
0 0 0 0
1 dos 1 3
dos 4 5 5
3 6 6 6
z=f1(x1)+f2(x2)+f3(x3)
(Proyecto_1) z = ∑ fj(xj)
j= 1
sujeto a:
x1+x2+x3£3
x j ³ 0 y entero j = 1, 2, 3.
Decisiones :
Pasantías :
Estados:
Están definidos en cada etapa por el capital aún disponible para su aplicación.
Proceso :
De manera similar al ejemplo 1, podemos construir un diagrama que nos permita seguir gráficamente
el comportamiento de estado-etapa del proceso. Representaremos los valores del capital
dentro de rectángulos. La política óptima estará representada por una trayectoria o ruta en el diagrama.
Página 198
0 0 0
1 1
dos dos
https://translate.googleusercontent.com/translate_f 165/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
0 3 3
capaz de etiquetar el nodo final con el valor más alto posible. Los cálculos se realizarán paso a paso,
como en la gráfica del camino más corto, aprovechando todas las conclusiones obtenidas en cada etapa
para la toma de decisiones en etapas anteriores.
Colocaremos junto a la esquina superior derecha de cada rectángulo el valor de retorno correspondiente al
toma de decisiones asociada. La solución comienza en la última etapa al decidir la variable x 3 .
El rendimiento obtenido con una inversión en el proyecto 3 (variable x 3 ) es la columna del proyecto 3 en la Tabla 5.4. LA
La transición de la etapa 2 ( k = 2) a la 3 ( k = 3) decide la variable 3. Las posibilidades de esta decisión pueden
resumido en la Figura 5.18.
0
0 0 0
3
1 1
5
dos dos
6
0 3 3
Las opciones para la variable x 2 se pueden analizar en la Figura 5.19, desde la primera fase de decisión.
Finalmente, al llegar al análisis de x 1 , encontramos la política óptima (trayectoria) de la Figura 5.20.
Página 199
0 0
0 0
3 3
1 1
5 5
dos dos
8 6
3 3
k=1 k=2
0 0
0 0 0
3 3
https://translate.googleusercontent.com/translate_f 166/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 1
5 5
dos dos
8 8 6
0 3 3
x 1= 0 x dos
= dos x 3= 1
Página 200
Decisiones :
Pasantías :
Estados:
k Estados viables
0 0
1 0123
dos 01234
3 01234
4 012
5 0
https://translate.googleusercontent.com/translate_f 167/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Restricciones
5
∑ x j = 10
j= 1
0 £ x j £ 5 y todo
0 £ u ya £ 4 y todo
u1=0
u6=0
Proceso :
El fabricante, el cliente, la capacidad de fabricación y el stock.
Página 201
Mín z = ∑ fj(xj,uj)
j= 1
sujeto a:
5
∑ x j = 10
j=1
0 £ x j £ 5, j = 1, ..., 5
u j+1 = x j + u j - 2
0 £ u j £ 4, j = 1, ..., 6
u1=0
u6=0
x j ³ 0 y entero, j = 1, ..., 5
u j ³ 0 y entero, j = 1, ..., 6
42 dieciséis
4 4
47 35 21
3 3 3
50 35 23 7
dos dos dos dos
55 39 27 13
1 1 1 1
69 56 43 28 dieciséis
0 0 0 0 0 0
u2 tú 3 tú 4 tú 5 tú 6
Año 1 dos 3 4 5
Producción 5 0 5 0 0
https://translate.googleusercontent.com/translate_f 168/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 202
al final del tercer año, quedarán cuatro en stock. A partir de entonces, las dos próximas entregas
será servido por la acción. La tabla año / producción resume el valor de las variables x .
La programación dinámica es una técnica ampliamente utilizada para la solución de modelos combinatorios.
ríos (ver Haims y Freeman [1970], Psaraftis [1980], Carraway et al. (1989), Potts et al. (1995), Faaland y
Brigs [1984]).
(PAT) Maximizar z = x 1
sujeto a:
2x1+2x2+2x3=3
x 1 , x 2 , x 3 Î {0, 1}
Como vimos en el ítem 5.1, PAT es un modelo que pertenece a la clase de problemas de mochila. Si
decidimos resolver PAT usando una estrategia básica de B&B, el árbol de enumeración
sería el que se representa en la Figura 5.22.
P0
X1 = 1 X dos= 1/2
x£20 x2³1
P1 P6
X1 = 1 X 3 = 1/2 X 1 = 1/2 X dos= 1
P2 P3 P7 P 10
Impracticable X 1 = 1/2 X3 = 1 X dos= 1 X 3 = 1/2 Impracticable
P4 P5 P8 P9
Impracticable Impracticable Impracticable Impracticable
Página 203
Para concluir que PAT no era viable, se tuvieron que desarrollar 11 problemas. Es fácil demostrar que
https://translate.googleusercontent.com/translate_f 169/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
n+ 1
este algoritmo aplicado a un problema con n variables desarrollará al menos alrededor de 2 dos nosotros.
Si el problema tiene 201 variables (los problemas reales pueden ser del orden de miles o miles
millones de variables), entonces el árbol será del orden de 2 100 nudos. Una computadora capaz de examinar 1.5
billones de nudos por segundo de ese árbol tardarían unos 537 millones de años en agotar todos
posibilidades existentes !! A pesar de todos los avances en las técnicas actuales que, obviamente, harían
en lugar de desarrollar el árbol de enumeración PAT completo para determinar la inviabilidad de la
problema, la dificultad impuesta por la explosión combinatoria de este tipo de problemas aún
malo. Ante esta realidad, en los últimos años ha surgido una importante
conjunto de técnicas y algoritmos computacionalmente eficientes que no garantizan la
solución óptima de todo el problema de programación lineal. Estos algoritmos se denominan heu-
rísticos o aproximados (para más detalles ver adjunto, complejidad de algoritmos).
El término heurística se deriva del griego heuriskein, que significa descubrir o encontrar. Pero el
de la palabra en la investigación operativa va un poco más allá de su raíz etimológica. Podemos decir eso
una heurística, en el sentido dado al término, se refiere a un método de búsqueda de soluciones en el que
no hay garantía de éxito. El éxito del método puede expresarse cuantitativa o cualitativamente.
de nuevo. En un problema de optimización, el éxito se puede representar obteniendo la solución
estupendo. Algunos autores creen que la posibilidad de falla es amplia incluso para obtener
una solución viable. No compartimos esta opinión. Definiremos el término de la siguiente manera:
Una heurística es una técnica que busca lograr una buena solución
utilizando un esfuerzo computacional considerado razonable, siendo
capaz de garantizar la viabilidad o la optimización de la solución
encontrado o, en muchos casos, ambos, especialmente en
ocasiones en las que esta búsqueda comienza desde un
solución viable cercana a la óptima.
Página 204
Procedimientos
Aproximados
Heurísticas Relajaciones
- Miope
• Constructivo
- Anneling simulado - Redes neuronales
• Por economía
- Búsqueda tabú - Computación evolutiva - Subgraduado
https://translate.googleusercontent.com/translate_f 170/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
- Busqueda local - Ascenso doble
• Clásico • Algoritmos genéticos - Ajuste múltiple
• Método descendente
• Reactivo • Búsqueda de dispersión
• Método aleatorio
- GRASP • Colonia de hormigas
- Fraccionamiento /
Agrupamiento
dieciséis
13
11
10
9 9
8
7
6
4
0
1 dos 3 4 s
Podemos percibir visualmente cómo la inclusión de la segunda configuración parcial más valorada
en cada nivel (diversificación) aumenta con el número de combinaciones para definir la configuración
ción S (escala) representada por flechas. El aumento en el esfuerzo de búsqueda trae sus resultados: la
las decisiones 1 y 3 de la figura 5.25 ya no pueden considerarse simplemente codiciosas. Si el procedimiento adoptado
lo suficientemente inteligente podemos encontrar el equilibrio entre la diversificación y la intensificación
cación, caminar económicamente en relación al esfuerzo de búsqueda, a través del máximo (o mínimo)
local) hasta el máximo (o mínimo) global, como se muestra en la Figura 5.26. En este caso, la inteligencia fue
expresado por la estrategia de explorar las tres soluciones más interesantes en cada etapa. Desafortunadamente,
no podemos deducir a priori cuál sería esta estrategia inteligente, ya que depende de la
cada problema.
Página 205
f S ()
22
20 20
dieciséis dieciséis
13
11
10 9 9
8
7
6
4
0
1 dos 3 4 s
Máximo
Global
Máximo
Máximo
Sitio
f S () Sitio 26
24
23
22
20 20
dieciséis dieciséis
13
https://translate.googleusercontent.com/translate_f 171/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
11
10
9 9
8
7
6
4
0
s
1 dos 3 4
La figura 5.23 busca resumir los diversos enfoques conocidos para los procedimientos heurísticos.
de solución. En la línea clásica, es bastante común, como se señaló anteriormente, que la heurística
explorar la estructura del problema caso por caso, sin que normalmente se pueda definir claramente
una estrategia de solución universal. En el caso de las llamadas metaheurísticas, que implican llamadas
heurística estocástica y analógica, siempre hay una estrategia de solución general,
simplemente adaptándolo al caso específico. La heurística moderna ha despertado un interés creciente
la comunidad científica, tanto por la buena retribución dada al compromiso objetivo, como en virtud
calidad de las soluciones encontradas, convirtiéndola en una alternativa cada vez más interesante
para la solución de la mayoría de las aplicaciones reales de modelos combinatorios. Entre los mas recientes
trabajo extenso y extenso en el área, destacamos Aarts y Lenstra (1996), Osman y Kelly (1996), Osman y
Lapport (1996), Rayward-Smith et al. (1996). Entre las heurísticas modernas se encuentran:
Página 206
4 Algoritmos genéticos
Los algoritmos genéticos se detallan en el Capítulo 8, sin embargo, la Tabla 5.7 enumera una serie de
trabajo reciente aplicado a problemas de optimización combinatoria.
https://translate.googleusercontent.com/translate_f 172/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 207
Entre los trabajos más recientes y completos en el área, Goldberg (1989), Davis
(1991), Whitley (1994), Aarts y Lenstra (1996), Osman y Kelly (1996), Osman y Lapport (1996), Ray-
Ward-Smith y col. (1996), Reeves (1996), Bäck et al . (1997), Fogel (1998), Vose (1998), Mitchell (1999), Co-
ley (1999), Spears (2000), Spears et al . (2000), Mühlenbein y Mahnig (2001), Lance (2001), Blum y Roli
(2003). La Tabla 5.8 presenta trabajos que introducen temas innovadores al enfoque.
La Tabla 5.9 presenta trabajos en aplicaciones originales que se correlacionan con la optimización.
combinacional
https://translate.googleusercontent.com/translate_f 173/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 208
4 Genética híbrida
Los algoritmos genéticos son una fuente prometedora de hibridación, una mezcla de técnicas aproximadas. los
Los trabajos que se enumeran en la Tabla 5.10 exploran esta posibilidad.
TABLA 5.10
Enlaces útiles:
http://garage.cps.msu.edu/papers/papers-index.html
http://www-illigal.ge.uiuc.edu/index.php3
http://www.shef.ac.uk/~gaipp/links/
Página 209
4 Algoritmos meméticos (Genética con búsqueda local, Genética Lamarckiana, Genética Baldwin)
nianos).
https://translate.googleusercontent.com/translate_f 174/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Los algoritmos meméticos utilizan el concepto de "evolución cultural". En este paradigma la adaptabilidad
de un individuo puede ser modificado por acciones no programadas en su repositorio genético. Para usted-
Para modular el efecto de la acción "cultural", los algoritmos meméticos se permiten utilizar principalmente
técnicas de búsqueda local para mejorar el cromosoma. La llamada alteración memética del genoma se produce fuera de
el mecanismo clásico de reproducción / mutación de algoritmos genéticos. Mejoras en los cromosomas
debido a la búsqueda local se conservan, caracterizando lo que se llama convencionalmente
Evolución “lamarkiana” - evolución que hereda los éxitos obtenidos por los individuos. Bajo varios puntos
Los algoritmos de visualización memética pueden considerarse una forma híbrida de algoritmos genéticos.
La Tabla 5.11 resume algunos trabajos de aplicación en Optimización combinatoria en los que el
Se utiliza el enfoque memético / lamarckiano.
La Tabla 5.12 presenta trabajos que desarrollan los fundamentos del enfoque.
Página 210
4 Recocido simulado
La metáfora está respaldada por la distribución de Boltzman y tiene como objetivo simular un proceso de enfriamiento típico.
https://translate.googleusercontent.com/translate_f 175/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
pico de metales. La distribución de Boltzman especifica la probabilidad de alcanzar un nivel de energía
estrategia E = f (s) donde s es un estado del sistema, a una temperatura dada t . La tabla 5.13 resume algunos
trabajo sobre el tema y aplicado a problemas de Optimización Combinatoria.
Página 211
https://translate.googleusercontent.com/translate_f 176/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2004 Neumann y Muncill Estimación de propiedades oceánicas
Enlaces útiles:
http://www.taygeta.com/annealing/simanneal.html
Página 212
https://translate.googleusercontent.com/translate_f 177/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Enlaces útiles:
http://www.particleswarm.net/
http://www.swarm-bots.org/
Página 213
Multiart en el que se encuentran soluciones viables mediante un procedimiento casi glotón - es-
tocastic con sesgo codicioso. La Tabla 5.15 enumera trabajos que desarrollan la metáfora o representan
aplicaciones para la solución de problemas de optimización combinatoria.
1992 Betrò y Schoen Estudio sobre reglas de parada para arranque múltiple
4 Búsqueda tabú
Es una metaheurística basada en procedimientos de búsqueda locales enriquecidos por
manipulación de la memoria para evitar que las configuraciones ya examinadas sean reexaminadas durante
el desarrollo del algoritmo. La tabla 5.16 enumera trabajos que, o desarrollan la metáfora,
o representar aplicaciones para la solución de problemas de optimización combinatoria.
https://translate.googleusercontent.com/translate_f 178/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 214
1997 Cordeau y col. Tabú para las rutas periódicas de los vehículos
1997 Sharaiha y col. Tabu para una solución de árbol generador calificado
Página 215
https://translate.googleusercontent.com/translate_f 179/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2003 Kulturel-Konak et al. Tabú para resolver la redundancia de asignación
Las presentes metaheurísticas apuntan a examinar sistemáticamente las estructuras de los vecindarios. La mesa
5.17 enumera trabajos que desarrollan la metáfora o representan aplicaciones para la solución del proyecto
Problemas de optimización combinatoria.
Página 216
https://translate.googleusercontent.com/translate_f 180/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2001 Beausoleil Búsqueda de dispersión multicriterio
2001 Campos y col. Búsqueda de dispersión para el problema de clasificación lineal
4 algoritmos culturales
Los algoritmos culturales (AC) se basan en la noción de que en las sociedades avanzadas el desarrollo
El desarrollo del individuo puede lograrse mediante la selección natural y las reglas de selección cultural. Cul-
en el sentido de algoritmos culturales, se ve como el conjunto de información acumulada por
experiencia de la sociedad de los individuos. Los algoritmos culturales proponen utilizar el dominio del conocimiento
"Cultura" para guiar su búsqueda estocástica. Los AC funcionan en dos espacios de
decisión de conocer: la población y el conjunto de creencias. La tabla 5.19 enumera los trabajos que, o desarrollados
desarrollar la metáfora, o representar aplicaciones para la solución de problemas de optimización combinatoria.
Página 217
4 Algoritmos transgenéticos
La Transgenética Computacional (TC) replica el paradigma simbiótico, en el que criaturas de diferentes
estas especies intercambian información, posiblemente incluso material genético, con el fin de facilitar la adaptación al
medio ambiente. El proceso evolutivo de la TC se lleva a cabo en base al intercambio de información entre
poblaciones de individuos de diferente naturaleza. La población de cromosomas objetivo es el primer nivel
evolución, el nivel que da forma a la solución del problema. Una población de vectores de manipulación.
constituye el segundo nivel. Finalmente, un tercer nivel contiene las reglas que coordinan y alimentan la
simbiogénesis: el intercambio de información entre poblaciones. Los vectores de manipulación también se denominan
vectores transgenéticos y pueden transportar información obtenida a priori o durante la evolución
perro. Tenga en cuenta que en la TC los cromosomas no intercambian material genético entre sí, no hay proceso
reproducción clásica o recombinación. La información a priori puede provenir de varias fuentes, como
como conocimiento teórico y heurístico. La tabla 5.20 enumera trabajos que desarrollan la metáfora
out, o representar aplicaciones para la solución de problemas de optimización combinatoria.
https://translate.googleusercontent.com/translate_f 181/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2004a Goldbarg y col. Aplicación a sistemas de cogeneración
4 El paradigma hiperheurístico
En vista de la inexorable limitación de cualquier método heurístico aislado, en términos de solución
uso eficiente de NP-Arduous y otros problemas combinatorios, el paradigma hiperheurístico propone un
Arquitectura que permite la selección de algoritmos.
Básicamente, el paradigma es una arquitectura de toma de decisiones en la que se seleccionan las heurísticas.
y organizado por una capa superior compuesta por otras heurísticas. El enfoque
meta-heurísticas trabajando en conjunto con otras meta-heurísticas, sin embargo, en lugar de ser complementarias
dentro de un proceso de búsqueda, como se practica tradicionalmente en la heurística híbrida,
se orientan. Antes de la denominación de hiperheurística, la propuesta recibió otros nombres como
“Combinación de heurísticas” (Hart y Ross [1998]), “dirección heurística evolutiva” (Hart et al.
[1998]), “estrategia de evolución de las restricciones de satisfacción” (Terashima-Marin et al. [1999] o “algoritmo-
modelo evolutivo de múltiples etapas ”(Burke y Newall [1999]). La figura 5.27 resume la estructura general
de la propuesta del paradigma hiperheurístico. El enfoque se ha llamado recientemente híbrido
perheurístico (Burke et al. [2003a] y [2003b]).
Página 218
Hiperheurística
Flujo de información
extradominio
Barrera de dominio
Flujo de información
extradominio
Conjunto heurístico
h1 hn
Función de evaluación
La figura 5.27 muestra que la arquitectura del paradigma separa el dominio del problema del dominio
hiperheurístico. La hiperheurística no tiene conocimiento del dominio del problema,
dándole la tarea de administrar la heurística a nivel de solución. El proceso de gestión se realiza de forma independiente
el problema tratado a nivel heurístico (Cowling et al [2002]). La única información
que surgen en el contexto de la hiperheurística son los datos que son comunes a los diversos tipos de problemas
pero ¿qué pasa con los datos que la hiperheurística decide registrar como parte de su estado interno? Por ejemplo,
una hiperheurística puede almacenar cuánto tiempo una heurística dada se usó en su última
si hubo un cambio en la función de evaluación cuando se llamó a la heurística o cuánto tiempo
el procesamiento ha pasado desde la última llamada de una determinada heurística. Las hiperheurísticas no lo saben
incluso qué problema está siendo resuelto por su heurística esclava.
Experimentos con búsqueda tabú (Burke et al. [2003a]) y algoritmos genéticos (Hart y
Ross [1998]).
https://translate.googleusercontent.com/translate_f 182/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1998 Moody y col. Solicitud de cartera de inversiones
1998 Sutton y Barto Trabajo didáctico
Página 219
Las relajaciones son útiles tanto para la generación de soluciones aproximadas, como especialmente para la
disponibilidad de límites que se utilizan en algoritmos de solución exacta como B&B y otros.
Las relajaciones más utilizadas son las lineales y lagrangeanas.
La heurística clásica se desarrolla específicamente para un cierto tipo de modelo,
explorando, por regla general, sus peculiaridades. Para cada problema de optimización, por lo tanto, es posible
es posible desarrollar estrategias aproximadas que tengan en cuenta las particularidades del modelo. En el
En el presente trabajo abordaremos la heurística clásica principalmente para problemas de enrutamiento.
tapa, tapa, ubicación y conexión. Con un ejemplo complementario de uso de estas técnicas
problemas de optimización, enumeraremos a continuación algunos trabajos para problemas de optimización.
corte, empaque y carga, problemas que, aunque importantes, no serán
abordado en el texto:
Johnson y col. (1974), Chistofides y Whitlock (1977), Steudel (1979), George y Robinson (1980), Coff-
man et al (1980), Sarin (1983), Wang (1983), Baker y Schwartz (1983), Chanzelle (1983), Roberts (1984),
Marcotte (1986), Voight (1987), Dagli y Tatoglu (1987), Farley (1988), Tsai et al . (1988), Schneider
(1988), Haessler (1988), Han et al. (1989), Daniels y Ghandforoush (1990), Yanasse et al. (1900), Haess-
ler y Talbot (1990), Gehring et al . (1990), Coffman y Shor (1990), Yanasse et al. (1990), Sweeney y Ha-
essler (1990), George (1992), Mohanty et al. (1994), Bischoff y Ratcliff (1995), Bischoff et al. (1995), Azar
y Epstein (1997), Coffman et al. (1997), Hifi (1997), Fayard et al. (1998), de Werra (1997), Csirik et al.
(1999), Vanderbeck (1999), Gradisar et al. (1999), Chu y Antonio (1999), Csirik et al. (2001), Hopper y
Turton (2001), Liang et al . (2002), Alvarez-Valdés et al . (2002), Valério de Carvalho (2002), Zhang et al.
(2002), Gradisar et al. (2002), Onwubolu y Mutingi (2003), Martello et al. (2003), Ragsdale y Zobel
(2004), Shahin y Salem (2004).
COMIENZO
Lea el vector de peso w j , el vector de costo c j y el término independiente b .
Inicializar variables z ¬ 0, x j ¬ 0, j = 1, ..., n
Cj Cj + 1
Ordene las variables para que: ≥ , j = 1, ..., n - 1
w j w j+ 1
comienzo
⎡ ⎢ ⎥
←
⎢ X j ⎣⎢ b wj ⎦⎥
← -(
⎢ bbw × X );
j j
←+
⎢ zzcx
jj
⎣
Fin
Escribe { z, x j , j = 1, ..., n }
FIN
https://translate.googleusercontent.com/translate_f 183/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 220
1. Lectura:
b = 14
j 1 dos 3 4 5 6 7 8 9 10 11 12 13 14 15 dieciséis
C 7 10 3 dos 4 12 3 5 8 9 7 dos 1 11 12 5
2. Pedido:
cj/wj 7/4 10/3 3/2 1 4/7 4 3/4 5/3 8/6 9/7 7/9 2/4 1/10 1/11 12/5 5/2
j 6 dos dieciséis 15 1 8 9 3 10 4 11 7 5 12 13 14
cj/wj 4 10/3 5/2 12/5 7/4 5/3 8/6 3/2 9/7 1 7/9 3/4 4/7 2/4 1/10 1/11
Para j = 1, .. n
b = 14; x 6 = ë 14 û = 4; z : = 0 + 7 ´ 4 = 28
3
b : = 14 - 12 = 2; x 2 = ë 2 û = 0; z : = 28 + 0 = 28;
3
b = 2 ; x 16 = ë 2 û = 1; z : = 28 + 1 ´ 3 = 31.
dos
Maximizar z = 2 x 1 + 3 x 2
sujeto a:
x 1 £ 4.2
x 2 £ 5.8
19 x 1 + 20 x 2 £ 156
x1,x2ÎZ+
Página 221
https://translate.googleusercontent.com/translate_f 184/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La figura 5.29 muestra el mapa de la operación. Para realizar el transporte, el gobierno dispone de
dos tipos de aviones: el helicóptero Valente y el avión de carga Sucuri. Solo el helicóptero
Puede operar con una báscula, ya que solo abastece en Manaus. Sucuri tiene mayor autonomía y solo
Opera económicamente con dos escalas. Se reducen los costes (en reales) del kilómetro de vuelo
en la Tabla 5.23.
Sabiendo que Altamira necesita 10 toneladas de suministro diario, Tabatinga 21 toneladas y Humaitá 7
tonelada, y que, debido a la carga en Manaus, el suministro máximo que se puede enviar
helicóptero no supera las 15 toneladas. Formular demanda para minimizar costos
la operacion.
X2
9
x 1 = 4,2
6 C x 2 = 5,8
re 1 dos
3
segundo
X 1 = 156Xdos
19 +20
LA
O 4 6 X1
Manaus
Tabatinga
1.300 kilómetros
1.100 kilómetros
2.000 kilómetros
900 kilómetros
1.300 kilómetros
Altamira
1.800 kilómetros
Humaita
Página 222
TABLA 5.23
Altamira Û Tabatinga - - - 3
Altamira Û Humaitá - - - 4
Humaitá Û Tabatinga - - - 2, 5
https://translate.googleusercontent.com/translate_f 185/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(e), convenios (c), empresas (s) e individuos (a). Una consultora proporcionó una encuesta de
ecuaciones de demanda en función de los precios cobrados en relación a los clientes de excursiones y empresas
como sigue:
Donde y P es el número de personas que compondrán una excursión según el p i o precio de los trimestres
habitaciones individuales, dobles y triples. Los precios pueden variar (en unidades monetarias) dentro de los siguientes
pistas:
20 £ p s £ 50
30 £ p d £ 80
£ 40 p T £ 90
Las convenciones tienen una demanda fija de 100 personas y requieren costos mínimos. Ocupar 20
habitaciones sencillas obligatoriamente. Las convenciones usan el salón de convenciones con una devolución de V
unidades monetarias. Cuando no se utiliza el salón, el hotel gasta R unidades monetarias
mantenimiento.
Los acuerdos con empresas garantizan la ocupación de 10 habitaciones simples a precio de mercado ( S p
³ 10).
Se sabe que los gastos prorrateados corresponden a los costos mínimos del precio de las habitaciones, que es
posible capturar 20 personas solas diariamente pagando el precio máximo de la mesa y ocupando salas
dobles y que al menos el 30% de las personas en excursiones se alojen en habitaciones individuales. Sabiendo que
Los tours con menos de cinco personas no son factibles y se pueden reservar habitaciones dobles o triples.
alquilado como simple (manteniendo los costos mínimos prorrateados). Establecer el programa de
explicación matemática para optimizar la ocupación hotelera.
Página 223
2 - Formular y resolver el caso 1, considerando que el jugador puede tener tantas torres como quiera
y alfiles, pero las piezas son independientes, es decir, susceptibles de ser atacadas por piezas del mismo color.
https://translate.googleusercontent.com/translate_f 186/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1.
2. Ningún
Ningún jubilado
jubilado tiene
gasta que
másrecorrer más demonetarias
de R unidades 4.500 m para
en ser atendido.
desplazamiento.
3. Que la demanda prevista por el área de financiamiento asignada a una agencia nunca exceda su oferta
nominal.
Página 224
Sabiendo también que para solucionar el problema de la demanda se puede ampliar una agencia ya tiene
uno existente a un costo de h j unidades monetarias por usuario, o implementar una nueva publicación que costará
porción fija de f j unidades monetarias, y cada usuario reasignado a estas estaciones de servicio
el sistema cuesta más c j unidades monetarias.
Sabiendo que el desplazamiento entre los nodos i y j del gráfico de discretización cuesta, en promedio, P ij ,
unidades monetarias, formulan el problema de minimizar gastos con la redefinición de la
servicio, abarcando la expansión de sucursales y la creación de puntos de atención en el banco.
Límites de
Punto de llegada
proyecto
del aductor
https://translate.googleusercontent.com/translate_f 187/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Fase 2: Operación extendida
Página 225
25% / hora. Las pérdidas también son directamente proporcionales a esta área y son
tabulado a R $ 10,00 por metro cuadrado de área que se alcanzará después de la expansión del fuego. Todas-
habían llegado los medios solicitados por los técnicos el día anterior y, además, una fuerza de reserva
no previsto. Un grupo de bomberos terrestres estará disponible en aproximadamente 2 horas. Este grupo
la capacidad de extinción de incendios puede aumentar en unos 20.000 m 2 / hora o utilizarse en acero
y reducir la expansión del fuego en aproximadamente un 0,5% por hora de trabajo. El costo operativo del grupo es
insignificante en el trabajo del acero y R $ 30.000 la hora en combate directo por riesgos personales
involucrado. Debido a un error de comunicación, llegaron 10 pilotos de helicópteros más con los aviones. Con
tantos pilotos de helicópteros resultó que también podían volar los aviones, con el
los pilotos de aviones no podían hacer lo contrario. La tabla 5.24 de disponibilidad es:
TABLA 5.24
Artilugio
Dispositivo Pilotos Operadores
Listo
Helicóptero AH-1 7 20
Avión tanque 5
14 22
Avión B67 5
Página 226
https://translate.googleusercontent.com/translate_f 188/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
7 dos
1 3 8
10
5 10 dos
25
Tienda 6 Cliente
8
25 7
15
15
20 8
dos 4 9
15
Determine la ruta que maximice las posibilidades de que el repartidor de pizzas la entregue a tiempo.
Barras de merienda
1 4 dos 6 1
dos 6 6 12 4
3 10 8 14 8
4 12 10 18 dieciséis
5 14 12 20 20
6 dieciséis dieciséis 22 21
7 18 20 22 24
Formule el problema de optimizar el beneficio total obtenido. Determinar la distribución óptima de los envases .
12 - El problema de la carpintería K
En una pequeña carpintería hay n tareas de corte a realizar. Cada tarea requiere p i minu-
para ser procesado en una máquina de sierra, i = 1, ..., n . Las tareas estarán listas para entregarse
a una máquina desde el tiempo a i y debe terminar hasta el tiempo b i (tiempos contados desde
inicio de las actividades diarias de carpintería). Formular el problema de minimizar el número de máquinas.
necesario para completar las n tareas.
Página 227
TABLA 5.27
https://translate.googleusercontent.com/translate_f 189/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Articulo
Eyector Juego de paleta Llevando
Proveedor
TABLA 5.28
La industria dispone de 1.800 H X h para el montaje de las turbinas. También se sabe que una empresa
solo vende a la industria si su pedido total (gastos con eyectores, juegos de palas y cojinetes)
exceder las 400 unidades monetarias. El capital de trabajo de la industria es de 1300 unidades monetarias.
lo que limita las compras a ese techo. Se solicita:
Página 228
La empresa cuenta con 800 H xh semanales de mano de obra especializada. La tabla 5.30 resume el uso
uso de mano de obra por lote de los distintos equipos producidos.
Arrancador 1 dos 4
Llevando dos 3 3
Guía 1 dos 4
https://translate.googleusercontent.com/translate_f 190/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Se sabe que, para un buen uso de la maquinaria, por cada 5 lotes de mangos producidos,
fabricamos entre 2 y 8 lotes de rodamientos y entre 1 y 9 lotes de guías.
Formule el problema de maximizar el beneficio metalúrgico.
Página 229
la rueda tiene un desequilibrio dinámico de constitución igual ah k y v k , en los ejes horizontal y vertical,
respectivamente. No es necesario ocupar todas las posiciones adecuadas para la fijación de calzas
obligatoriamente. En una operación de campaña, para incrementar la eficiencia del proceso, en el sentido
acortar los tiempos de operación y eliminar el procedimiento de corrección artesanal,
estudios estadísticos que resultaron en la elaboración de un kit de equilibrado estándar con 16 calzas especiales
específico.
Sabiendo que la suma de los desequilibrios horizontales residuales de las ruedas delanteras del vehículo
ser menor o igual a la suma de los desequilibrios verticales de las ruedas traseras,
Problema de programación matemática capaz de planificar el uso del kit estándar para minimizar la
desequilibrio residual total de las ruedas blindadas.
Librero 1 Librero 2
https://translate.googleusercontent.com/translate_f 191/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
s
Estantería
Libros
Página 230
2. Considerando que libros iguales (copias del mismo libro) siempre deben clasificarse juntos
(en el mismo estante), reformule el problema anterior. Para el caso concreto, consideraremos que
no hay ningún caso en el que el grupo de libros repetidos supere el tamaño L de un estante.
3. En cierto comienzo del lote, los libros son muy pesados, por lo que los estantes pueden
experimentar deformaciones desagradables si no se tiene en cuenta este aspecto. Considerando p i el peso de
cada libro y V la capacidad máxima de un estante, reformule el problema 1 teniendo en cuenta
la capacidad en los estantes.
4. Reformule el problema 2, incluidas las restricciones de peso con la siguiente adaptación: permita
los libros similares se clasifican en un máximo de dos estantes.
⎛ ⎞
⎜
p ij = r ij + 0.1 ⎜ ∑ r sk
⎟
⎟
⎝ buscar ⎠
donde s y k representan los índices de las celdas vecinas a las celdas i - j , p ij representa el voltaje nominal máximo
máximo permitido para la celda i - j (dentro del modelo de discretización adoptado) y r ij la resistencia que se obtendrá
utilizado en la fabricación de la placa i - j . Considerando también que el costo del cemento que se utilizará en la fabricación
del hormigón en las placas corresponde a c unidades monetarias por cada unidad de resistencia
cançada (en kg / cm 2 , según norma brasileña 1 ):
Formular el problema de la fabricación del juego de placas de muro de contención minimizando el consumo
cemento.
https://translate.googleusercontent.com/translate_f 192/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 231
1 dos 3 4 5 6 7 8
9 10 11 12 13 14 15
dieciséis 17 18 19 20
21 22 23 24 25 Señales
26 27 28 29
Perfil de roca
apoyo
30 31 32
33
400
Valor discreto de las tensiones resultantes de la compresión en las placas (kg / cm) 2
Página 232
https://translate.googleusercontent.com/translate_f 193/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1. Los proyectos de modernización se consideran prioritarios, por lo que se apoyarán al menos tres
Desde.
2. Frente a problemas políticos, Hotel do Virgulino y Hotel Pirangi deben tener el mismo número de
Proyectos aprobados.
4 Una vez realizada la planificación, una información mostró que los costos de los proyectos de la
Hotel da Volante había sido evaluado de manera imprecisa, imponiendo una corrección del 30% más
por sus costos finales. ¿Cambia esto el marco de distribución de los proyectos? ¿De que forma?
4 Si este problema se repite con Hotel Sol, Mar y Recife (cuyas propuestas se ven con recelo)
por el operador turístico), ¿en qué medida pueden aumentar los costos sin cambiar la solución?
Página 233
TABLA 5.31
Condiciones de distribución
del horario
Descuentos Suma de tiempo Importe de descuento
https://translate.googleusercontent.com/translate_f 194/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
compra al menos
Pista 4 sin requisitos 10%
f unidades de tiempo
Los anunciantes que compiten en la disputa por el uso de medios son n y cada uno tiene s n
unidades monetarias para invertir en publicidad.
Los anunciantes, reunidos en asociación, quieren establecer la mejor estrategia de negociación
con la red, con el objetivo de maximizar, dentro de la disponibilidad presupuestaria, el
uso de medios.
*
s n = s n + 10 d
*
donde s n representa el monto final de inversión disponible yd el descuento en unidades monetarias
rias. También sabe que si las inversiones se incrementan reduciendo los precios, el cliente
intentará minimizar sus costos finales mediante la estrategia descrita en el paso 1.
Formular el problema de establecer una política de precios que maximice el retorno total, manteniendo el
paquetes de promoción, sabiendo que el tiempo que no es comprado por los anunciantes se puede utilizar
utilizado por la propia red de televisión, con r i unidades monetarias por segundo, i = 1, 2, 3, dentro de cada
tiempo posible.
Página 234
c kº coste total que será pagado por el anunciante k, respecto al descuento total al que tiene derecho.
a) Restricciones sobre el importe abonado por el anunciante, dados los posibles descuentos
pg k = ∑ x ik p yo , k = 1, ..., n
yo =1
s k ³ c k , k = 1, ..., n
TABLA 5.32
Zona
Urbano Suburbano
Actuación
Alto a1 a3
Bajo a2 hasta 4
Los profesionales quieren tener un equilibrio en el número de llamadas de cada taxi en cada
área, de modo que factores como la congestión del tráfico, los riesgos de seguridad, los "recorridos largos", etc.
aproximadamente lo mismo para todos. Otro punto a considerar es que los autos no tienen
Página 235
que viajan mucho para asistir a “tiradas cortas”. Formule el problema de asignar taxis a
llamadas como un programa de programación lineal.
Información adicional: el objetivo del sistema de designación por computadora debe ser optimizar
beneficios de la asistencia. Las ganancias son directamente proporcionales al número de kilómetros recorridos.
datos y pagado a R $ 1,0, y la bandera es R $ 1,5. Considere el horario comercial
con los 120 coches disponibles.
r yo
Base de la pirámide
3 3 3 3
3 3 3 3
https://translate.googleusercontent.com/translate_f 196/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Celda a eliminar Consecuencia en el segundo
º nivel Consecuencia en el 3er nivel
º
desde la base
Página 236
6 PROBLEMAS DE CONEXIÓN:
ARBOLES, CAMINOS
Y MARIDAJE
6.1 - INTRODUCCIÓN
4 caminos
4 árboles
Cuando el foco está en la continuidad de la conexión y el establecimiento de una red troncal sobre un
conjunto de puntos exigentes.
4 emparejamientos (a juego )
El criterio más común para este tipo de problemas es minimizar la estructura del conector o
proceso de conexión, de ahí la importancia del camino más corto (la conexión más barata entre dos puntos
de los varios árboles mínimos (la estructura de conexión global más barata) y el mínimo de 1 coincidencia
(emparejamiento de dos o dos puntos a un costo mínimo). Eventualmente, estas estructuras pueden ser
asociado a objetivos de maximización como la ruta más larga y el árbol máximo generador. Metho-
https://translate.googleusercontent.com/translate_f 197/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Desde el punto de vista clínico, existe un fuerte vínculo entre estas dos últimas estructuras (ver Fredman y Willard
[1994]), lo que hace conveniente su estudio conjunto desde un punto de vista algorítmico.
Página 237
3 3
1 dos 1 dos
(Los) (SEGUNDO)
COMIENZO
Leer datos de G , {gráfico dirigido o no}
Elija y marque un vértice inicial x i ;
Mientras hay X j I n, j = 1, ..., n y anotó, con un borde ( x j , x k ) no -
efecto explotado
comienzo
Elija el vértice x j y explore la arista ( x j , x k ) {* condición variable en
conforme con
Tipo de búsqueda *}
Si x k no está marcado , marque x k
Fin
FIN
Página 238
https://translate.googleusercontent.com/translate_f 198/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El algoritmo de búsqueda general descrito examina al menos el doble de los bordes y vértices de G ,
por lo tanto, apoya la complejidad de O ( nm ). Como los criterios de selección de vértices pueden requerir
mayor esfuerzo computacional, la complejidad de la búsqueda también crecerá. Una búsqueda se llama
nada en profundidad si, para los criterios de selección de vértices, exigimos que la elección se haga en el
alcanzado más recientemente en la búsqueda y el incidente en algún borde sin marcar.
A continuación se describe un algoritmo clásico para determinar el fuerte
nexas en un gráfico G .
COMIENZO
Leer datos de G = (V, E) {dirigido}
yo ¬ 0
Mientras que el efecto V ¹Æ
comienzo
Elija y marque cualquier vértice x i, x i Î V , con (+) y (-);
Marque con (+) cualquier vértice que no esté marcado con (+) y
que tiene como sucesor un vértice (+)
Marque con (-) cualquier vértice que no esté marcado con (-) y
que tiene como antecesor un vértice (-)
Si todos los vértices ya no pueden tener sus marcas
cambiado entonces
comienzo
yo ¬ yo + 1
S i ¬ los vértices que están marcados con
(+) y (-) simultáneamente
V ¬V \ { S i }
Fin
Fin
FIN
Aplicaremos el algoritmo de Roy para determinar los componentes fuertemente conectados del
gráfico G = ( V , E ) de la Figura 6.2.
7 5
1 dos 8 6
3 4
Página 239
Siempre decidiendo elegir el vértice de índice más bajo para continuar la búsqueda, el desarrollo
el etiquetado generado por el algoritmo se puede seguir en la Figura 6.3. El algoritmo se puede utilizar
en gráficos dirigidos o no.
+
-+ -
7 5 7 5
- + - + - - -
+ +
1 dos 8 6 1 dos 8 6
-
3 4 3 4
+ + -
https://translate.googleusercontent.com/translate_f 199/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Letras del vértice 1 (+) Letras de Apex 1 (-)
- -
+ 5
7
- + - - -
+
1 dos 8 6
-
3 4
+ -
S: 1= {1,2,3,7}
+ +-
7 5 7 5
+ + + -+
1 dos 8 6 1 dos 8 - 6
3 4 3 4
+- +-
+-
7 5
+ -+
-
1 dos 8 6
3 4
+-
S: dos
= {4,5,6,8}
Página 240
En primer lugar, una conexión entre u y v , es decir, si hay un camino de u a v , significa que v es un
cesador de U en un paseo fresco durante todo el C . El problema del camino más corto es
actualizado dentro del problema más amplio de las rutas de los gráficos, que implica:
6.3.1 - Formulación
https://translate.googleusercontent.com/translate_f 200/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Podemos formular el problema del camino más corto como un problema de programación matemática.
como sigue:
sujeto a:
⎧- 1
⎪ Si io= ⎫
⎪
∑ X ij - ∑ =X ki ⎨ 0 Si yo≠ oidy ≠ ⎬
(,)ij A ∈ (,)ki A ∈
+ 1
⎩⎪ Si = de identidad
carné ⎭⎪
x ij Î {0, 1} ( i , j ) Î A
Donde vértices O y D representan los vértices inicial y final de la ruta. Es interesante observar
que, para esta formulación, la matriz de incidencia es totalmente unimodular, lo que permite, si se utiliza
usamos la regla de Cramer para obtener la solución de este sistema, que el requisito de integralidad se
laxo sin ningún daño a toda la solución.
Página 241
https://translate.googleusercontent.com/translate_f 201/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• La ruta más corta entre un nodo de origen y varios nodos de destino.
4 algoritmo de Dijkstra
En 1959, Dijkstra sugirió un algoritmo de etiquetado para trayectorias en gráficos con arcos positivos, utilizando
mediante inducción y ajuste, implementación computacional eficiente y fácil. Vocación:
Lista F (lista de nodos cerrados) º el conjunto de vértices para los que ya se conoce una ruta mínima.
Lista A (lista de nodos abiertos) º el conjunto de nodos para los que aún no se conoce una ruta mínima.
t º contador de iteraciones.
Página 242
C = [ c ij ] º matriz de costos que representa las distancias entre vértices conectados directamente.
rot (i) es el vector que contiene el vértice que dio lugar a la distancia calculada para el vértice índice i .
COMIENZO
Leer datos de G = ( N , A ), donde d ij es la distancia entre los nodos vecinos de G
Inicializar variables d 11 ¬ 0; { d 1 i ¬ ¥ "i Î N \ { x 1 }}; V ¬ { x 1 }; A ¬ { N }; F ¬Æ;
{rot (i) ¬ 0, "iÎ N}
Para t = 1 a n hacer
comienzo
r ¬ x i tal que d 1 i ← min d {}
1yo
xi A∈
F ¬ F È { r };
A ¬ A \ {r};
V¬AÇG+ (r)
Para que yo Î V haga
comienzo
t- 1
p ¬min { re1yo , ( re rese ríe
)}
1 r+
t 1-
Si p < d i 1 , a continuación,
comienzo
t
di
1¬ p ;
pudrición ( i ) ¬ r
Fin
Fin
Fin
FIN
La figura 6.4 muestra la secuencia de etiquetado y cierre de los nodos del algoritmo de Dijkstra
cuando se aplica al gráfico de la Figura 6.4 (a). La etiqueta que se coloca cerca de cada punto.
ce en su primera posición mantiene el origen de las letras. La segunda posición señala el valor de la
camino acumulado hacia el ápice. En cada iteración, el nodo examinado que acumula la distancia más corta se cierra
del. El foco de búsqueda de la búsqueda siempre se desplaza al último nodo cerrado (en la figura simbolizada
por el asterisco). Desde un nodo cerrado, se examinan los vecinos (G + ( r )). Las actualizaciones del examen
https://translate.googleusercontent.com/translate_f 202/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 243
es obligatorio marcar ¥ que es (rot ( i )) asignado inicialmente a todos los nodos excepto al nodo
1 y, eventualmente, cuando se encuentre una distancia más corta. Un ejemplo de esta actualización por
una distancia menor ocurre en la Figura 6.4 (c) cuando la distancia desde el vértice 4 cambia de 5 a 4.
La complejidad del algoritmo de Dijkstra es O ( n 2 ). Este algoritmo no puede encontrar rutas.
carreras más cortas en presencia de arcos negativos, ya que en cada iteración, el vértice examinado
con la menor distancia acumulada se cierra. El algoritmo calcula las distancias más cortas desde un vértice
inicial para todos los demás.
∞ ∞ 1 dos ∞
r=1
4 1 3 7 4 1 3 7
3 4 7 3 4 7
∞ ∞ 1 4 ∞
* *
1 dos ∞ 1 dos 4 6
*
dos 6 dos 6
dos 4 dos 4
4 1 3 7 4 1 3 7
3 4 7 r=3 3 4 7
1 4 ∞ 1 4 4 7
(c) Cierre
º de 2 nodos (2) - = 2 t (d) Cierre
º de 3 nodos (4) - = 3 t
* *
1 dos 4 6 1 dos 4 6
4 1 3 7 4 1 3 7
3 4 7 3 4 7 r=7
1 4 4 7 1 4 4 7
* *
(e) Cierre
º de 4 nodos (3) - = 4 t (f) Cierre
º de 5 nodos (6) - = 5 t
4 algoritmo de Ford-Moore-Bellman
El algoritmo Ford-Moore-Bellman, llamado así por el trabajo simultáneo
estos investigadores (ver Bellman [1958]), pero publicado en diferentes momentos,
un nodo en cada iteración, y examina todos los nodos hasta que las mejoras ya no son posibles,
con eso, acepta los bordes negativos. El criterio de parada está asociado a la no modificación de todos
etiquetas en una iteración. La idea básica de la iteración es que si un camino desde un vértice sa un j
contiene k bordes, un mejor camino de s a j contendrá en la mayoría de k + 1 bordes.
Llamado:
l ( s , j ) -ésimo longitud de un camino entre s y j .
l es la longitud de la ruta asociada con el nodo s .
k k El
l j longitud de camino más corta P sj utilizando como máximo k arcos, donde P k ⊂.
sj LAalgoritmo puede
Página 244
Algoritmo de Ford-Moore-Bellman
https://translate.googleusercontent.com/translate_f 203/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
COMIENZO
Lea los datos de G = ( N , A ), donde l ( i, j ) es la longitud del borde ( ij ) para
cualquier vecino i , j en G y S es el nodo inicial de la búsqueda.
o← 0} { l j ¬0, j = 1, ..., n - 1}; { l s1 ← l (s , j ) j = 1, ...,
Inicializar variables k ¬1; { l s ¬ l s
comienzo
l jk +1 ¬ min
⎧ k
⎨l , min
⎩ j
[l k
yo
+ lij
(,) ]⎫⎬⎭ ijs≠ ,; j = 1 , ..., norte-
1
yo
k ¬ k +1
Fin
FIN
Apliquemos el algoritmo del ejemplo de la Figura 6.5 para encontrar la ruta entre los vértices S y 5.
Puesta en marcha:
1 dos 4
1 3
s 1 3 –3 5
3 dos
dos dos 3
1 1
l 1 = 1; l 2 = 3
k=1
dos 1
l 1 = min { l 1 , - - -} = 1
dos 1 1
l 2 = min { l 2 ; ë l 1 + l (1, 2) û} = 2 (mejorado)
dos 1 1 1
l 3 = min { l 3 ; ë l 1 + 1 (1, 3); l 2 + l (2, 3) û} = 4 (mejorado)
dos 1 1 1
l 4 = min { l 4 ; ë l 1 + 1 (1, 4); l 3 + l (3, 4) û} = 3 (mejorado)
dos 1 1 1
l 5 = min { l 5 ; ë l 4 + 1 (4, 5); l 3 + ( l (3, 5) û} = ¥
k=2
3
l1 =1
3 dos dos
l 2 = min { l 2 ; ë l 1 + l (1, 2) û} = 2
3 dos dos dos
l 3 = min { l 3 ; ë l 1 + 1 (1, 3); l 2 + l (2, 3) û} = 4
3 dos dos dos
l 4 = min { l 4 ; ë l 1 + 1 (1, 4); l 3 + l (3, 4) û} = 1 (mejorado)
3 dos dos dos
l 5 = min { l 5 ; ë l 4 + 1 (4, 5); l 3 + l (3, 5) û} = 6 (mejorado)
k=3
Página 245
4
l1 =1
4 3 3
l 2 = min { l 2 ; ë l 1 + l (1, 2) û = 2
4 3 3 3
l 3 = min { l 3 ; ë l 1 + 1 (1, 3); l 2 + l (2, 3) û} = 4
4 3 3 3
l 4 = min { l 4 ; ë l 1 + 1 (1, 4); l 3 + l (3, 4) û} = 1
4 3 3 3
l 5 = min { l 5 ; ë l 4 + 1 (4, 5); l 3 + l (3, 5) û} = 4 (mejorado)
k=4
La ruta más corta se puede recuperar del nodo 5, de la siguiente manera: en la línea que se calcula
3
ticulado el camino más corto a la porción determinante era 5 l 4 + l (4, 5) = 4, dejando claro que el vértice
https://translate.googleusercontent.com/translate_f 204/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
c predecesor de 5 para el camino
3 más corto es 4 [pasó por l (4, 5)]. Al calcular la distancia hasta 4 3
determinar la celda es l 4 = 1, lo que determina que el vértice 3 es el antecedente del vértice 4 ya que l 4 Sus
dos
obtenido de la expresión l 3 + l (3, 4) [a l (3, 4 ) ], y así sucesivamente. El algoritmo calcula el más pequeño
entre todos los pares de vértices de un grupo G. La tabla 6.1 resume algunos de los más conocidos
algoritmos para el camino más corto.
Glover y Glover -
1984 Combinación de enfoques Dijkstra y FMB O ( mn )
Klingman
1988 Klein y Reif Algoritmos paralelos O (n 2/3 log 7/3 n (logn + logD)) *
Página 246
La importancia de esta estructura es enorme tanto en la práctica de problemas de optimización como como parte de la
varios otros modelos. Sus mayores aplicaciones en la investigación operativa están asociadas a
Problemas de comunicación y conexión. En informática, existen varias aplicaciones en el área de estructura
de dados. Una revisión de los resultados más recientes logrados en la determinación de la AGM puede ser
obtenido en Bazzlamaçci e Hindi (2001).
4 árbol Min-Max
En este problema, también llamado optimización de "cuello de botella", el objetivo es determinar el árbol que
tiene el borde máximo más pequeño. El gráfico de la figura 6.6 presenta un cuello de botella igual a 3, ya que
los bordes más pequeños que caen en los vértices 7 y 8 tienen este valor. El árbol min-max es un
de AGM, ya que todo AGM es mínimo-máximo (debido a la estructura matroide), sin embargo, el recíproco
no es verdad.
8 7
3 3
dos dos 4
3 3
1 5
4 3 1
1 6
3 dos
3 dos 5
https://translate.googleusercontent.com/translate_f 205/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
4 Árbol de suma mínima-máxima-mínima (M 3 S)
El problema MinMax-Min-Sum se abordará en el Capítulo 10. Entre los problemas de optimización
La combinatoria, dos de las más conocidas, dada la cantidad de aplicaciones que tienen, son:
el cuello de botella , o cuello de botella , donde el objetivo es minimizar el costo máximo de todas las variables que
componen la solución, y los problemas de costos lineales, en los que el objetivo es minimizar la suma de costos
estas variables. (M 3 S) es una composición de estos dos problemas, en los que la función objetivo a minimizar
optimizado es la suma algebraica de las funciones objetivo de los problemas mencionados.
Datos p elementos de un conjunto E = { e 1 , e 2 , ..., yp } y F Ì P ( E ), donde P ( E ) es el conjunto de potencias de
Y , una familia finita de subconjuntos perfectamente definidos de E. Las instancias del conjunto F , o
familias de E , podrían ser, por ejemplo, los subárboles de un grafo, los caminos entre dos vértices de
un gráfico o conjuntos de bordes de máxima coincidencia .
Cada elemento e i , i = 1, 2, ..., p , están asociados con dos números reales, uno que representa el costo C i y
otro el peso P i .
Dado que S Î F , donde F es el conjunto de soluciones viables a un determinado problema, la función se define:
ZS() = Max {}
PAGS
yo
+ ∑ C yo
oye∈S
oye∈S
El problema (M 3 S) es el siguiente:
Min ()ZS
∈
SF
Página 247
Z ( t k ) = Máx. { P i } + ∑ Ci
ui ∈ tk
ui ∈ tk
Min { Z ()
t k }
tk T∈
O como (M 3 S-MS)
⎧ ⎧ ⎫⎫
⎪ ⎪
⎨
Min PAGS k
+ Min ⎨ ∑
C yo⎬⎬
1≤ ≤kp k⎩ ⎭⎭⎪
⎩⎪ SF∈ ∈
yo y S
de modo que resolver el M 3 S-MS puede ser equivalente a resolver un subproblema p secuencia
pero Min_Sum. El algoritmo de Minoux (1989) se basa exactamente en este hecho.
El árbol de generación mínima de grado restringido (AGM-GR) es un árbol de generación mínima cuyos vértices
tienen un cierto grado k , donde k > 2. Papadimitriou (1978) demostró que AGM-GR es
NP-Completo. El trabajo de Narula y Ho (1980) presenta un estudio pionero en algoritmos de solución
el problema. Son posibles varios enfoques de solución, como Savelsbergh y Volgenant
(1985) - Combinación de aristas, Fekete et al. (1997) - técnicas de flujo de red, Zhou y Gen (1997) y
Rothlauf y Goldberg (1999) - Algoritmos genéticos, Raidl (2000) - Computación evolutiva.
https://translate.googleusercontent.com/translate_f 206/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(1996) - búsqueda local, Krishnamoorthy et al. (1996) - varias heurísticas, Deo y Kumar (1998) - algoritmos
paralelo, Patterson (1999) - memoria adaptativa, Raidl y Drexel (2000) - computación evolutiva,
Ribeiro y Souza (2002) - Búsqueda en vecindad variable, Mao y Lang (2002), algoritmos paralelos y Fuka-
sawa et al (2003) - branch-and-cut-and-price.
Página 248
Cómo una AGM cumple con los requisitos a definir dentro de los matoides (ver concepto en el anexo)
esperamos solucionarlo de una manera muy eficiente e, incluso, mediante
LLAMADA DE SOCORRO. Tarjan (1981) presenta un método general que incluye todos los métodos basados en enfoques
miope. En este sentido, existen tres algoritmos clásicos que permiten una solución rápida y eficiente
para AGM, siendo los algoritmos de Kruskal (1956), Prim (1957) y Borüvka (Wai-Kai Chen,
1990). Los algoritmos de Kruskal y Prim se pueden considerar dos casos particulares del enfoque
joya codiciosa. En el caso de Prim, el árbol del generador se construye desde un borde agregando
nuevos bordes, aumentando la arborescencia inicial hasta incluir todos los nudos. En caso de
Kruskal se puede desarrollar varias arborescencias simultáneas hasta que un solo árbol incluya todas
de los nodos. En cualquier caso, el criterio para incluir aristas en los árboles es codicioso. Describir
veremos los dos algoritmos mencionados y una variación para Prim en los siguientes ítems.
4 algoritmo prim
COMIENZO
Lee G = ( N , A ) y D = [ d ij ] matriz de distancias entre los nodos vecinos de G .
Elija cualquier vértice i Î N
T¬{i}
V¬N\{i}
Mientras T ¹ N Para todo j Î T , haga :
comienzo
Encuentre el borde más pequeño ( j, k ) Î A tal que j Î T , k Î V
T¬TÈ{k}
V¬V\{k}
S¬SÈ(j,k)
Fin
Escriba S {bordes del árbol de expansión mínimo}
FIN
La versión del algoritmo Prim que se muestra es O ( n 3 ), ya que el comando para encontrar el borde más pequeño
( j , k ) Î A requiere hasta O ( m ) operaciones ym es O ( n 2 ). Teniendo especial cuidado de no forzar el
goritmo para calcular todos los bordes incidentes en el árbol que se está expandiendo, es posible
reducir la complejidad de Prim. Llamaremos a este algoritmo refinado Prim_Colorido, siendo
formalizado en el marco del mismo título. Apliquemos las dos versiones del algoritmo Prim al gráfico
de la Figura 6.7. El algoritmo Prim_Colorido es O ( n 2 ).
Estilo de:
https://translate.googleusercontent.com/translate_f 207/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 249
dos dos 4
1 3
1 1 3 –3 6
3 dos
3 dos 5
T es de la misma en un árbol L .
l ( i , j ) º la longitud mínima del borde en el vértice j , i, j Î T s .
COMIENZO
Lee G = ( N, A ) y D = [ d ij ] matriz de distancias entre los nodos vecinos de G .
elija cualquier vértice j Î N ;
i ¬ 0;
Ti¬{j}
Colorea el borde más pequeño en cada vértice j de T 0 con verde
Mientras i < n - 1 Do
comienzo
Seleccione el borde verde más pequeño ( j, k ) Î A , j Î T i y coloréelo
en azul
Haga que T i +1 ¬ T i È ( j, k )
Para cada borde ( k, z ), z Ï T i +1 , k Î T i + 1
comienzo
Si no hay incidencia de borde verde en z , color ( k, z )
con verde
Caso contrário
comienzo
Si hay un borde ( w, z ), w Î T i +1 , tal que l ( w, z )> l ( k, z ) color
con rojo ( w, z ) y verde ( k, z )
De lo contrario , no haga nada;
Fin
Fin
yo ¬ yo + 1
Fin
Escriba T i {bordes del árbol de expansión mínimo}
FIN
Al elegir el vértice 1 para iniciar el árbol, la Figura 6.8 muestra, de izquierda a derecha y desde
de arriba a abajo, la secuencia de inclusión de bordes generada por la versión clásica de Prim.
La figura 6.9 muestra las opciones y las marcas del algoritmo Prim_Colorido ( V representa los bordes ver-
des , los bordes resaltados son que el algoritmo pide azul , y los que están marcados con
una X, representan las rojas ) en caso de que la inicialización se realice con el nodo número 1.
Página 250
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
https://translate.googleusercontent.com/translate_f 208/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3 dos 3 dos
3 dos 5 3 dos 5
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
3 dos 3 dos
3 dos 5 3 dos 5
dos dos 4
1 3
1 1 3 –3 6
3 dos
3 dos 5
4 algoritmo de Kruskal
El segundo algoritmo clásico de AGM es el de Kruskal, que se puede formalizar como:
COMIENZO
Lee G = ( N , A ) y D = [ d ij ] matriz de distancias entre los nodos vecinos de G .
Ordene las aristas de G (conjunto A ) en orden no creciente del
distancias d ij en el vector H = [ h i ], i = 1, 2, ..., m
T¬h1
yo ¬ 2
Mientras | T | < n Toma h i Î H y haz
comienzo
Si T È h i es un gráfico (árbol) acíclico, entonces
comienzo
T ¬ T È h yo
yo ¬ yo + 1
Fin
Caso contrário
yo ¬ yo + 1
Fin
Escriba T {bordes del árbol de expansión mínimo}
FIN
Página 251
1 1 3 –3 6 1 1 3 –3 6
3 dos 3 dos
3 dos 5 3 dos 5
vértice 1 elegido para ser examinado Entre los bordes verdes, el más pequeño es
el borde (1, 2) es de color verde de color azul (e incluido en la solución)
V V
dos dos 4 dos dos 4
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
V
3 V V dos X V dos
3 dos 5 3 dos 5
https://translate.googleusercontent.com/translate_f 209/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z = 3 → borde (2, 3) de color verde
y el borde de color rojo (1,3)
V V
dos dos 4 dos dos 4
1 3 1 3
1 1 X –3 6 1 1 X –3 6
X dos X dos
V
3 dos 5 3 dos 5
vértice 3 elegido para ser examinado Entre los bordes verdes algunos
z =5 → borde (2, 5) de color rojo (X) más pequeño, (3, 5) por ejemplo, está coloreado
z =5 → borde (3, 5) de color verde en azul (e incluido en la solución)
V
dos dos 4 dos X 4
1 3 1 3
V
1 1 X –3 6 1 1 X –3 6
V V
X dos X dos
3 dos 5 3 dos 5
dos X 4 dos X 4
1 3 1 X
1 1 X –3 6 1 1 X –3 6
X dos V X dos
3 dos 5 3 dos 5
Entre los bordes verdes, el más pequeño (5, 4) el vértice 4 se elige para ser examinado
es de color azul y se incluye en la solución → (4, 6) de color rojo y
z = 6 aristas
el borde (5, 6) es de color azul
La secuencia de inclusión de bordes del algoritmo de Kruskal es el vector H = {(4, 5); (1, 2); (2, 3); (2, 4);
(3, 5); (5, 6); (1, 3); (2, 5); (4, 6)}. La figura 6.10 muestra la ejecución del algoritmo.
La complejidad del procedimiento de Kruskal está dominada por el orden de los bordes,
ya que la elección de los bordes se hará en preparaciones O ( m ), y la verificación de la formación de
un ciclo al agregar un borde a un gráfico acíclico también es O (n) . Este procedimiento, si el
los bordes no tienen propiedades específicas, es O ( m log n ).
Página 252
4 algoritmo de Borüvka
Finalmente, el algoritmo de Borüvka abre otra línea de abordaje del problema, desarrollada
ver simultáneamente un bosque mínimo en el gráfico G . Llamando por T j un subárbol de G , y por
Si es un bosque en G , podemos formalizar el algoritmo de la siguiente manera:
COMIENZO
Lee G = ( N , A ) y D = [ d ij ] matriz de distancias entre los nodos vecinos de G .
F 0 es un bosque inicial con n subárboles T j , j = 1, .., n de G (todos los nodos
aislado)
yo ¬ 0
Siempre que F i no sea un árbol, hazlo para cada T j Î F i
comienzo
Determine el borde más pequeño ( x los, y los) incidente en T j donde
Xa Î T j e y a ÏT j
⎡ ⎤
Hacer Fyo+ ←
1 Fyo ∪ ⎢ U (,)xyα α ⎥
⎣ α ⎦
yo ¬ yo + 1
Fin
Escriba F i {bordes del árbol de expansión mínimo}
FIN
https://translate.googleusercontent.com/translate_f 210/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
3 dos 3 dos
3 dos 5 3 dos 5
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
3 dos 3 dos
3 dos 5 3 dos 5
dos dos 4
1 3
1 1 3 –3 6
3 dos
3 dos 5
Última inclusión
Página 253
1 3 1 3
1 1 3 –3 6 1 1 3 –3 6
3 dos 3 dos
3 dos 5 3 dos 5
El algoritmo, como se describió anteriormente, solo funciona correctamente si los bordes de G tienen
costos distintos. Para evitar que se produzcan inclusiones indebidas durante las uniones de las subregiones
Por lo tanto, es fundamental ordenar lexicográficamente las aristas de G antes de aplicar el algoritmo. En eso
si la complejidad del procedimiento será O ( n log n ).
Salehi-Fathabadi y Ahrabian (1995) sugieren un algoritmo que en ciertos casos puede funcionar en
El ( m ).
⎧ ⎫
(MM) ⎨ máximo
Mínimo {}PAGS⎬
yo
∈
SF ⎩ oye∈S ⎭
⎧ ⎫
⎪ ⎪
(EM) Min ⎨ ∑
C yo⎬
∈
SF
⎩⎪oye∈S ⎭⎪
Minoux señala que, para cualquier S Î F , existen p valores distintos para Max {}, y eso para
oye∈S yo P
cada P i existe asocia con una solución Min_Sum. El algoritmo polinomial propuesto por Minoux
• Hay un umbral ( thereshold ) P que supuestamente está asociada con la solución de Max óptima {}.
yo P
oye∈S
https://translate.googleusercontent.com/translate_f 211/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La estrategia general del algoritmo Minoux es examinar las soluciones óptimas de Min_Sum asociadas
los valores de cada uno de los valores de P = { P 1 , P 2 , ..., P p }, P i Î P . En este caso, la complejidad del
goritmo será O ( p ( O ( MS )), que representa p veces el examen de las soluciones Min_Sum.
Goldbarg y Gouvêa (1997) sugieren algoritmos heurísticos de buen desempeño para problemas
M 3 S-MS grande , uno de ellos, llamado Busca , se transcribe en la tabla respectiva. Considerar
rando Cl r = { u i ... u j ... u i } un ciclo r en G , tenemos:
Página 254
Algoritmo de búsqueda M 3 S
COMIENZO
Lea los datos para G = ( N , A ), donde d e es el costo del borde y Î A , e P y su peso.
Procedimiento de búsqueda ( u i )
Marque el vértice u i
Siempre que haya una ventaja no examinada ( u i , u j )
Vamos y el borde ( u i , u j )
Si u j no está marcado entonces
Si P y > P color , entonces
P color ¬ P e
Z ¬ Z - P e + P color + d e
Caso contrário
Si P e = P color entonces Z ¬ Z + d e
De lo contrario, ciclo ( u i, u j )
Procedimiento de ciclo ( u i , u j )
Para cada arista e ' Î Cl r, calcule la contribución de e' en Z
Quite de Cl r el borde de la contribución más calculada.
En caso de empate, elija el borde con mayor peso.
Si P e = P color
Si e 'es el único borde que tiene el límite máximo en el
árbol entonces
Encuentra el nuevo techo
T ¬ 0, Z ¬ 0;
FIN
El procedimiento Ciclo ( u i , u j ) elimina del ciclo formado en O ( n ) el borde de mayor contribución dentro del
ciclo. Si el borde a eliminar tiene un peso igual al peso actual y es el único con esta propiedad,
Se debe encontrar un nuevo peso de funcionamiento. Este paso de búsqueda se puede realizar en O ( n ) sin la
ayuda de cualquier estructura de datos especial. El procedimiento de ciclo ( u i , u j ) se llamará m - n +1 veces.
Por lo tanto, el procedimiento de búsqueda ( u i ) tendrá una complejidad de O ( mn ).
Punnen y Nair (1996) presentan un algoritmo O ( m log n ) para el problema. La dificultad del
El ritmo es la necesidad de utilizar una estructura de datos especial para su implementación.
https://translate.googleusercontent.com/translate_f 212/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 255
mil novecientos
Papadimitriou
ochenta y ydos
Steiglitz O ( mn 1/2 ) - gráficos divididos
mil novecientos
Papadimitriou
ochenta y ydos
Steiglitz O ( n 4 ) y O (n 3 )
Página 256
https://translate.googleusercontent.com/translate_f 213/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
entre agentes
es obtener un donde cada
conjunto deuno tiene una (emparejamiento
asociaciones lista de prioridades independiente. de
o "matrimonio") Lamodo
solución
queano
este problema
haya
hay un par de agentes unidos donde ambos preferirían otros socios para la asociación. Ser la lista
de la Tabla 6.4
1 2 - 3 - 4 - 5 -6
dos 3-4-5-6-1
3 4-5-6-1-2
4 5-6-1-2-3
5 6-1-2-3-4
6 1-2-3-4-5
La asociación 1-2; 3-4; 5-6; los individuos 1, 3 y 5 están asociados con su socio preferido, asistiendo
definir emparejamientos estables. La asociación 3-6, por ejemplo, no es estable.
Otra situación para el problema del emparejamiento estable es admitir el compromiso. Lo ves-
como situación de compromiso un requisito estricto de un socio. En este caso, el emparejamiento
El desarrollo estable se define como aquel en el que no hay dos individuos que violen el requisito de
compromiso en sus asociaciones.
Entre los problemas de esta clase destacamos:
4 Problema matrimonial
En este caso, el problema asocia H hombres y M mujeres en una coincidencia estable, es decir,
uno en el que cada socio cumpla la máxima prioridad de su cónyuge o, en el segundo caso,
que ambos son la máxima prioridad del otro. Obviamente, para cualquier caso del problema de
matrimonio no estricto existe al menos un matrimonio estable. Este matrimonio se puede obtener en
O ( n 2 ), donde n representa el número de hombres o mujeres (supuesto de la posibilidad de resolver
solución monógama viable). Gale y Shapley (1962) resuelven este problema para el caso del número de
los hombres sean iguales a las mujeres. Knut (1976) analiza el problema y los algoritmos de solución.
Página 257
1 2-3-4
dos 3-1-4
3 1-2-4
4 cualquiera
1. El médico o el hospital prefieren que no se les asigne para participar en una asociación.
https://translate.googleusercontent.com/translate_f 214/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2. Tanto el hospital como el médico tienen otro reclamo con mayor prioridad.
Roth (1984) define esta aplicación y presenta un algoritmo de solución para el problema.
4 camino alterno
Si desarrollamos cualquier camino que comienza en el vértice 1, podemos construir un emparejamiento
entre los vértices del camino uniéndolos de dos en dos. Para ello, podemos imaginar un proyecto
proceso de etiquetado en los nodos, alternando etiquetas (+ y -, por ejemplo). Un emparejamiento válido
unirá vértices de signos opuestos. Al camino de i a j así etiquetado, llamamos al camino
alterno. La figura 6.12 muestra el proceso de emparejamiento usando cualquier ruta
en G .
Página 258
1 4 5 6 1 4 5 6
dos 3 7 8 dos 3 7 8
9 10 9 10
+ 1 4 5 6 + 1 4 5 6
dos 3 7 8 dos 3 7 8
- + - +
+ - + -
9 10 9 10
- + - +
4 Camino creciente
Si en el examen de un gráfico al que ya se le ha asignado un emparejamiento (no óptimo, no máximo),
ver una ruta que conecta dos nodos no emparejados (no saturados, con señales opuestas), luego
podemos aumentar el número de emparejamientos asociados con la ruta alterna con solo
desplazamiento del esquema de emparejamiento (de positivo a negativo o viceversa).
La figura 6.13 ejemplifica una trayectoria creciente y muestra su efecto sobre el crecimiento del número de
ro Nos emparejado en G .
https://translate.googleusercontent.com/translate_f 215/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
- -
+ 1 4 5 6 + 1 4 5 6
dos 3 7 8 dos 3 7 8
- + - +
+ - + -
9 10 9 10
- + - +
Podemos eliminar inmediatamente de las estructuras previamente definidas una condición necesaria
es suficiente para que una coincidencia M sea máxima: una coincidencia M con G es máxima
si y sólo si no hay una trayectoria de aumento en G . Posibles rutas de aumento pueden
se pueden buscar sistemáticamente en G , a través de un árbol enraizado en un determinado nodo. LA
este árbol lo llamaremos árbol alterno. La figura 6.14 muestra el uso del árbol alterno para
una búsqueda de rutas de aumento, arraigada en el vértice 5 del gráfico de la figura 6.12. Formal-
podemos definir un árbol alterno T a = ( V, L ) en relación con una coincidencia M como
el que:
Página 259
-
8
- + - +
+ 1 4 5 6 7 10 9
- - +
- dos 3 7 8
+ 5 3 dos
+ -
+
4
9 10
- +
-
1
Emparejamiento
Árbol alterno enraizado en 5
M = {(1, 4); (2, 3); (7, 8); (9, 10)}
-
8 6
- +
1 4 5 6
+ - +
7 10 9
dos 3 7 8 -
+
- - +
- +
5 3 dos
+ + 9 10 -
4
-
1
Edmonds descubrió que los problemas de permutación en el etiquetado de rutas estaban asociados
enumeración de ciclos de longitud impar en G con vértices no apareados (llamados no
saturado). Estos conjuntos de vértices pertenecientes a un ciclo de longitud impar en el árbol de
enumeración, Edmonds llamó flores (algunos autores traducen el término por brote ). Los vértices
5, 6 y 8 forman una flor de longitud 3. Las flores permiten enumerar un borde.
más de una vez en un camino ascendente, causando problemas para el despliegue del árbol
alterno. Para evitar este problema, y basándose en un teorema (Papadimitriou y Steiglitz [1982]),
las flores deben identificarse y contraerse a un nodo, después de que se emparejan sus nodos.
El enfoque de Edmonds permite el desarrollo de una serie de algoritmos que exploran la
posibilidad de limitar la enumeración de trayectorias aumentadas, identificando eficazmente los bloques
https://translate.googleusercontent.com/translate_f 216/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
sonidos, etc.
Hopcroft y Karp funcionan exactamente en los casos en que la ruta de aumento ocurre en un
ruta más corta. En ese caso, la complejidad de la coincidencia mínima se puede reducir a
O ( n 2, 5 ).
Página 260
Este problema no requiere que la estructura de enlace utilice sólo los vértices de X , o que el número de
El número de aristas de B es mínimo, la única restricción es la conectividad de la solución. Los vértices de L que eran
rem utilizados en la solución se denominan nodos de Steiner . En la figura 6.15 tenemos L = {2, 4, 5, 6, 8, 9, 11,
12} y X = {1, 3, 7, 10}.
1 8 1 8 1 8
9 9 9
10 10 10
7 7 7
11 11 11
5 5 5
12 12 12
X = { 1,3,7,10 } Solución sin Steiner Points Solución con Steiner Point (8)
Mirando la Figura 6.15, vemos que si | X | = 2, el problema se reduce al camino más corto
entre los dos nodos de X . Si L = {Æ}, la solución es un árbol de expansión mínimo, ya que, en este caso,
X = N . Aunque, como vimos en este capítulo, existen algoritmos eficientes para resolver
En estos dos casos específicos, la situación donde L¹Æ y X > 2 conduce a un problema NP-arduo como se muestra
tra Karp (1972). Un trabajo muy completo sobre las formulaciones de este problema se encuentra en
Goemans y Myung (1993).
1985 Balakrishnan y Patel Adición de nudos artificiales y solución de árbol generador de flujo
https://translate.googleusercontent.com/translate_f 217/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 261
1980 Aneja Formulación vía PR, solución vía algoritmo de Bellmore y Ratliff (1971)
mil novecientos
Shoreochenta
y col. y dos Uso de límites inferior y superior para limitar la enumeración
1984 Beasley y col. Límites obtenidos de RL para reducir el número de subárboles de Steiner
Otros enfoques
El trabajo de Hwang y Richards (1992) presenta una revisión bibliográfica muy actualizada. O
El problema también es rico en enfoques heurísticos, como se muestra en la tabla 6.7.
1984 Wong Heurística basada en relajación del método de doble media luna
Página 262
https://translate.googleusercontent.com/translate_f 218/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1996 Zelikovsky Relación de aproximación de 1,694
Página 263
https://translate.googleusercontent.com/translate_f 219/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
problema, todavía tenemos una heurística propuesta por Richards (1989) que, basada en la heurística de
Hanan (1966), originalmente O ( n 2 ), usa la geometría de la norma lineal para encontrar un implemento
ción O ( n log n ) para la misma heurística. Komlós y Shing (1985) desarrollan dos heurísticas
enfoque probabilístico, dividiendo los puntos de cruce obligatorios en pequeños
juntos para aplicar, en estos casos reducidos, el procedimiento exacto de Dreyfus y Wagner (1971).
Posteriormente, los subgrafos obtenidos se combinan y amplían para llegar a una solución global.
Beasley (1992) sugiere una heurística para el problema en  2 .
4 El problema del recolector de premios Steiner Tree - Problema del árbol Steiner de recolección de premios
(PCPAS)
El problema del colector de primas Steiner Tree en un gráfico ponderado G con ganancias asociadas
nodos, consiste en determinar un subárbol en G que minimiza la suma de los pesos de los
aristas del subárbol sumadas al total de ganancias acumuladas en los vértices de G que no pertenecen al
subárbol. El presente problema se describe en Johnson et al. (2000) y resuelto en Canuto et al.
(2001) y Klaus et al. (2004). El modelo puede representar situaciones de implementación de red, como
ejemplo, distribución de gas donde sea necesario además de atender puntos de demanda a través de
red de distribución, elija qué puntos son más atractivos para apoyar la inversión del
construcción de la red de distribución. Los puntos de demanda están asociados con valores de atracción que
penalizar la función objetiva de minimización en caso de inasistencia. En la aplicación se describe el costo
de implantación se considera en el valor de los bordes.
El problema del árbol terminal de Steiner, también conocido en la literatura como el Steneir completo
Problema de árbol o Problema de árbol terminal Steiner , representa un caso particular del problema Steiner
Página 264
donde todos los X nodos terminales son hojas en el árbol. Los trabajos de Lin y Xue (2002) y Lu et al.
(2003) abordan el problema.
(PEG) Minimizar z = ∑ c ij x ij
ij ,A∈
sujeto a:
https://translate.googleusercontent.com/translate_f 220/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
kl
X ij ≥ y ij + y
kl "( i , j ) Î A ," k , l Î X , k ¹ l (6,1)
Ji
∑ ≥y Illinois
kl
s kl "k,lÎX,k¹l (6,3)
(,il A∈ )
∑ y
kl
pj - ∑ =y ip0kl " k , l Î X ," p Î N \ { k , l } (6,4)
(,pj A∈ ) (,ip A∈ )
kl ≥ 0
y yo " i , j : ( i , j ) Î N ," k, l Î X , k ¹ l (6,6)
Página 265
En que:
para j.
S = [ s ij ] º la matriz de requisitos de conectividad entre los pares de vértices i , j Î X, es decir, entre
los vértices i y j hay una s ij conectividad ( s ij bordes de conexión).
x ijº variable binaria donde 1 significa que la arista ( i, j ) pertenece a la solución y 0 en caso contrario.
La restricción (6.1) garantiza que el producto asociado con cada par fuente-destino ( k, l ) solo puede usar uno
arco (i, j) que es realmente activado por el modelo.
La restricción (6.2) indica que el flujo de producto ( k , l ) debe fluir desde el nodo k , a través de un número
número de nodos sucesores al menos igual al grado de conectividad requerido para el producto ( k , l ).
La restricción (6.4) asegura que las conexiones de producto ( k , l ) que salen de los vértices de Steiner son
al menos igual al número de conexiones entrantes.
4 5 8
11 6 13 1 14 7 10 12
dos 3 9
Centro de Comunicaciones
Nodos de demanda
https://translate.googleusercontent.com/translate_f 221/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El interés en las formulaciones multiproducto para el problema Steiner y sus extensiones radica en el hecho de que
Los laxantes de programación lineal a estos problemas pueden resolver con precisión varios casos importantes
(Luna y col . [1998]).
Página 266
b ijº costo estructural fijo para instalar una línea de transmisión directa en el arco ( i, j )
b ij = bd ij , donde d ij es la distancia (en metros) entre los vértices i y j , ebo costo unitario (por metro) de conexión
perro.
c ij º costo operativo variable relacionado con la transmisión de una unidad de flujo a través del arco ( i, j )
x ij º g d ij , donde d ij es la distancia (en metros) entre los vértices i y j , por ejemplo, es el costo por metro para transmitir
una unidad de flujo.
(FPU) Minimizar ∑ ( c ij f ij + b ij x ij )
(,)ij E ∈
sujeto a:
- ∑ Foj = - ∑ rek (6,7)
(,)oj E ∈ k∈
K
⎛ ⎞
⎜
Fij ≤ ⎜ ∑⎟
dxk ⎟ ij , ()∀ yo, j∈E (6,10)
⎝k ∈K ⎠
∑ ≥X ij K (6,11)
(,)ij ∈E
La función objetivo tiene dos términos. El primero está asociado con el costo total de enviar flujo a través
a través de los arcos, el segundo acumula el costo fijo relacionado con el uso de los arcos. La restricción (6.7) asegura
que la capacidad del vértice de cambio es suficiente para satisfacer la demanda de los otros vértices. LA
Los modelos de restricción (6.8) exigen imposiciones, (6.9) asegura la conservación del flujo en los vértices de
Steiner. La restricción (6.10) asegura que no habrá flujo en los arcos que no sean elegidos por la solución.
y (6.11) establece que al menos | K | Se seleccionarán arcos, asegurando la conexión de todos
los nudos a través de un árbol. El modelo tiene una restricción de tipo (6.7), | K | restricciones de tipo (6.8),
| V | - | K | - 1 tipo de restricciones (6.9), | E | restricciones de tipo (6.10), una restricción de tipo (6.11) y | E |
variables de tipo (6.12).
Página 267
https://translate.googleusercontent.com/translate_f 222/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
260 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
c kijoperacional variable operativa que cuantifica el costo de tránsito de una unidad de producto k a través del arco
( yo, j ).
c kijº d k d ij , " k Î K , donde d k es el costo por metro para transmitir una unidad de flujo de producto k.
f ijk uxo Flujo que pasa por el arco ( i, j ) y se destina al punto de demanda k .
⎛ ⎞
(FPM) Minimizar z = ∑ ⎜
⎜bxij ij + ∑ cfijk ij
k ⎟
⎟
(,)ij E ∈
⎝ k∈
K
⎠
sujeto a:
∑ k
Fij - ∑ =F0jlk "jÎV\K\{o} (6,15)
(,)ij E ∈ (,)jl E ∈
k
Fij ≤ dxk ij , "( i, j ) Î E y" k Î K (6,16)
∑ ≥1
x oj para el nodo el (6,17)
(,)oj∈E
∑ X lj - ∑ ≥X Illinois
0 "lÎV\K (6,19)
(,)lj E ∈ (,)il E ∈
∑ X lj
(,)lj E ∈
∑ X Illinois
≥ "lÎV\K\{o} (6,20)
(,)il E ∈
∑1
(,)lj E ∈
Página 268
La función objetivo tiene en cuenta no solo los costos fijos, sino los relacionados con el flujo de cada producto. LA
La restricción (6.13) asegura que la demanda total de un producto k es satisfecha por el flujo que se origina en el vértice
traspuesta. La restricción (6.14) impone que la demanda de un producto k es igual al flujo de ese producto que
alcanza el vértice k . La restricción (6.15) garantiza la conservación del flujo a través de los vértices de paso. LA
La restricción (6.16) fuerza el flujo cero a través de los arcos no elegidos para componer la solución. La restricción
(6.17) fuerza al menos un arco activo a conectar el vértice de conmutación a la red. Garantías de restricción (6.18)
que exactamente un arco activo conecta cada vértice de demanda. Restricción (6.19) asegura que la activación
cualquier arco que llegue a cualquier nodo Steiner implica la activación de uno o más arcos que salen
del nudo. Restricción (6.20) garantiza que la activación de arcos que salen de un nodo Steiner implica la activación
exactamente un arco incidente en el nodo. La restricción (6.21) asegura que el flujo no sea negativo.
https://translate.googleusercontent.com/translate_f 223/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Los modelos FPU y FPM son muy útiles para formular problemas de diseño de redes.
comunicaciones (Randazzo y Luna [2001]), permitiendo el éxito en la resolución de grandes problemas
(todavía Geoffrion y Graves [1974], Boorstyn y Frank [1977], France y Luna [1982], Gavish [1982], Chris-
tofides y Beasley [1982], Cho [1983a] y [1983b], Magnanti y Wong [1984] y Balakrishnan y Altinkemer
[1992]).
Considere que, en las mismas condiciones que el problema de Steiner en gráficas en cada vértice de la gráfica G
= ( N , A ) se asocia un valor o peso, w i . Para un subconjunto dado de vértices XÍN una solución
(PSVP) es un árbol en G , T S = ( T , A r ), TEX , A r Í A que conecta el conjunto de vértices según
dando la siguiente función objetivo:
Minimizar z = ∑ w yo + ∑ Cij
∈
eso (,)ij aire∈
Sin duda, esto es una generalización del PEG, ya que si el vector de peso w i es nulo el
PSVP se convierte en PEG. Las situaciones de ubicación de instalaciones en plantas industriales pueden ser
formulado a través de PSVP, (Wong [1984]). En estos casos, los vértices pueden representar clientes que exigen
servicio de presa. Los otros nodos del gráfico se pueden asociar con posibles ubicaciones de estaciones de servicio.
procedimiento. El vector c ij puede representar los costos de transporte entre los nodos i y j . El vector w i puedo cuantificar
los costos fijos de ubicar una instalación en el vértice I de la planta .
Página 269
GRAMO LA GRAMO LA
C C
segundo segundo
F Y re F Y re
https://translate.googleusercontent.com/translate_f 224/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• El diseño lógico, que corresponde a aclarar cómo las operaciones lógicas necesarias
están asociados con unidades electrónicas (llamadas células) y cómo estas unidades pueden ser
conectados entre sí por las pistas (barras conductoras que corresponden a los "cables" de
clásico). Los puntos donde las vías hacen contacto con las células se denominan terminales.
En la Figura 6.17 los terminales están representados por puntos negros y los caminos por los guiones que
conecta los puntos. Las celdas son los rectángulos oscurecidos. Un conjunto de terminales se llama
datos de la red. Los terminales del conector se asignan a las celdas.
• El diseño físico que corresponde a la designación de las celdas dentro de un área determinada y el enrutamiento
de las redes.
Las conexiones entre celdas se ejemplifican en la Figura 6.18, en la que verificamos que existe la posibilidad
posibilidad de que algunas rutas se utilicen más de una vez para la conexión (bordes marcados
con la barra gruesa).
GRAMO LA GRAMO LA
C C
segundo segundo
F Y re F Y re
Página 270
norte
dos.
∑ s k
∩ (,)ij ≤ w para cada borde ( i, j ) Î A .
ij
k= 1
norte
3.
∑∑ Cij ser mínimo.
k = 1 (,) ij Sk ∈
Aneja (1980) sugiere utilizar la solución del problema de cobertura para acelerar la convergencia
de un procedimiento B&B para la solución de PAS en gráficas. Según su procedimiento, podemos
organizar el siguiente procedimiento heurístico:
COMIENZO
https://translate.googleusercontent.com/translate_f 225/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Leer datos de G = ( N , A ), donde d ij es la distancia entre los nodos vecinos
de G , y X el conjunto de nodos que se conectarán
Determine la cobertura mínima de los bordes para G
Identificar los subgrafos relacionados que contienen los nodos X
Conéctelos utilizando la distancia más corta posible
Elimina los bordes innecesarios del árbol Steiner
FIN
Página 271
1 7 11 1 7 11
10 10
5 7 5 7
12 12
15 15
dos 4 3 dos 4 3
15 15
5 3 5 3
13 13
20 20
4 4 6 4 4 6
6 6
8 3 9 8 3 9
7 11 14 7 11 14
6 5 10 6 5 10
8 9 9 8 9 9
7 8 7 8
10 10
1 7 11 1 7 11
10 10
5 7 5 7
12 12
15 15
dos 4 3 dos 4 3
15 15
5 3 5 3
13 13
20 20
4 4 6 4 4 6
6 6
8 3 9 8 3 9
7 11 14
7 11 14
6 5 10 6 5 10
8 9 9 8 9 9
7 8 7 8
10 10
6.7 - EL PROBLEMA DEL CAMINO CRÍTICO O PERT ( MÉTODO DEL CAMINO CRÍTICO )
Este modelo es extremadamente útil para resolver problemas que tienen un número muy grande
actividades que ocurren en paralelo y con duración variable y, además,
competencia e interdependencia. Las mayores aplicaciones se dan en la construcción civil y en la gestión de
grandes proyectos, especialmente en la fase de planificación y como herramienta de seguimiento.
Examinemos un ejemplo del uso de la red PERT para planificar una simulación de prototipo.
https://translate.googleusercontent.com/translate_f 226/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
pan industrial. Los pasos necesarios para realizar la simulación del prototipo se describen en la tabla
Figura 6.20. En aras de la claridad, le informamos que el tiempo requerido para la ejecución
de cada etapa de planificación debe ser objeto de un estudio específico. En general, es posible
posible considerar tiempos medios.
Página 272
Actividad comienzo
Numero de actividades Duración
Requisito previo más temprano
5 Adquisición de material 1 1 t2
10 Fin 9 0 t8
La tabla de actividad se puede representar mediante un gráfico de flechas como se muestra en la Figura 6.21.
En este gráfico, cada actividad está simbolizada por un nodo numerado. Los arcos (o flechas) representan la
restricciones de precedencia. En cada uno de nosotros podemos representar la duración de la actividad asociada a él.
sociados. Este gráfico también se conoce como red orientada a tareas o diagrama de flechas.
(una de las herramientas de calidad).
(9)
dos
(1) (dos)
5 6
Denominando por t 10 el tiempo más corto asociado con la obra en su conjunto (tiempo anterior
para la última actividad), entonces podemos definir la función objetivo de este programa como:
Minimizar z = t 10 - t 1
sujeto a las restricciones de precedencia de las actividades que serán impuestas por los arcos de los diferentes caminos
conectar el nodo 0 al nodo 10. Considerando la actividad 4, la certificación de instalaciones, por ejemplo, la
menor tiempo para la ocurrencia de esta actividad debe cumplir:
Página 273
https://translate.googleusercontent.com/translate_f 227/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
t i ³ t j + d ij
Calculando las restricciones asociadas con la t i (matriz T ) tenemos la tabla en la Figura 6.22 para el modelo
programación lineal:
min t1 t2 t3 t4 t5 t6 t7 t8
Valor Z -1 +1
Nosotros Duración de
actividad
2.3.5 dos -1 +1
4 4 -1 +1
6 1 -1 +1
7 9 -1 +1
7 1 -1 +1
4 dos +1 -1
8 3 -1 +1
9 1 -1 +1
10 dos -1 +1
El problema escrito de la forma anterior no es un problema de flujo de red, pero sí lo es. Nota-
que solo hay una entrada positiva y una negativa en las primeras líneas de la matriz de restricción
mal, lo que implica que la matriz transpuesta de T es la matriz de borde de nodo de una red. Considerando un
variable dual x ij asociada con cada línea del problema primario, es decir, que representa actividades, según
me la tabla en la Figura 6.23:
Para el programa de la figura 6.23 podemos expresar su programa dual como se muestra en la tabla
Figura 6.24.
Página 274
nosotros max x 01 x 15 x 12 x 23 x 14 x 43 x 35 x 56 x 67
0 +1 +1
1 0 -1 +1 +1 +1
dos 0 -1 +1
3 0 -1 +1 -1
4 0 -1 -1
5 0 -1 +1 -1
6 0 +1 -1
7 -1 +1
https://translate.googleusercontent.com/translate_f 228/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIGURA 6.24 Matriz de restricciones del problema PERT dual.
La formulación dual de la red PERT, orientada por tareas, tiene características interesantes y es
denominada red impulsada por eventos . La figura 6.25 ejemplifica la red impulsada por eventos del caso.
socavado.
Formación
(9)
(1)
(dos)
Adquisición de Medición
Material
4
En esta red, un nodo representa el comienzo o el final de una actividad, un evento instantáneo. En el
modelo dual, los valores de duración de la actividad están en los arcos. La variable dual x ij representa una
actividad definida por los nodos i - j . Tenga en cuenta que el número de arcos en la red orientada a eventos es igual a
número de nodos en la red orientada a tareas (sin tener en cuenta los nodos inicial y final). Los tiempos del modelo
primal corresponden al número de nodos en la red dual. En la red impulsada por eventos, el problema de
terminar el tiempo más largo pronto se reduce a encontrar el camino más largo entre los nodos extremos del
red, considerando la longitud de cada arco i - j igual a la duración de la actividad asociada a él.
También hay una tercera representación para este tipo de problema de planificación. Esta red es
extremadamente extendido, sobre todo porque facilita la visualización de las variables de holgura del
por tareas. Otra ventaja de esta variante es que facilita la distinción entre actividades paralelas.
y / o correlacionados lógicamente. La red PERT / CPM, tal como se difunde en la literatura, es una red
por eventos con una corrección en la definición de los arcos. En él las actividades paralelas deben tener
extremos diferentes, incluso si comienzan y terminan en los mismos eventos. Para hacer esta distinción
entre las actividades, el modelo utiliza el concepto de actividad fantasma. Una actividad fantasma es un arco
en la red de eventos cuya duración es igual a cero (instantáneo). En el caso del ejemplo propuesto, la representación
PERT / CPM se muestra en la Figura 6.26.
Los arcos punteados representan actividades fantasmas. En la solución de red de eventos,
El camino más largo determinará una cadena dominante a lo largo del tiempo. Este camino representa
el cuello de botella durante todo el programa. Obviamente puede haber otros, más
cortos dentro de la red, pero estarán dominados durante más tiempo. La existencia de
caminos de duración variable en un mismo planeamiento implica que, en relación con el con-
En conclusión, algunas actividades terminarán asumiendo un papel destacado o crítico, mientras que otras
Página 275
dos
Formación
(9)
(1)
Adquisición de
Material
Medición
5 6
(dos)
Etiqueta de nodo
Fecha posterior
Fecha anterior
Día libre
norte En el
https://translate.googleusercontent.com/translate_f 229/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
estará sujeto a menos presión. Esta información puede resultar muy útil en la redistribución de esfuerzos
y medios de planificación. Podemos examinar visualmente este fenómeno agregando a cada nodo del
Figura 6.26 la etiqueta representada en la Figura 6.27.
La red impulsada por eventos y etiquetada como se propone en la Figura 6.27 se puede resolver mediante
a través de la búsqueda de los caminos que conectan el evento inicial y el final. La figura 6.28 muestra la red etiquetada y la
Inicio del cálculo de las posibles rutas que conectan el nodo 0 con el nodo 7. A lo largo de cada ruta posible
los tiempos se van acumulando, lo que queda claro en la red orientada a tareas. Cuando se alcanza un nudo
más de un camino, una situación de conflicto en relación al tiempo
11
Formación
(9) dos
7 14
0 dos 6 12 14
5
(1)
Adquisición de
Material
(dos)
5 6
Medición
3 5
Página 276
asociado con el nodo. Como queremos encontrar la fecha lo antes posible pero eso tiene en cuenta la duración
de todas las actividades, esta fecha corresponderá al mayor valor acumulado en el tiempo. Esta situacion es
ejemplificado en el nodo 4 de la Figura 6.28. Se puede llegar a este nodo a través de la ruta 0-1-2-3, acumulando
un tiempo igual a 7 unidades ( (2) + ( 4 ) + ( 1 )), y por el camino 0-1-5-6-4, acumulando un tiempo de
5 unidades (( 2 ) + ( 1 ) + ( 2 )). El tiempo más temprano para el nodo 4 será 7, el valor más alto.
El mismo razonamiento se aplica al nodo 7. Por lo tanto, calculamos el tiempo más temprano posible para
Red completa, es decir, 14 unidades. Para encontrar los espacios libres existentes en los diferentes caminos.
posible, partiendo del nodo 9 (nodo final), intente llegar al nodo 0 (nodo inicial) descontando los valores
asociado a las actividades en los arcos. En caso de que ocurra que un nodo puede ser alcanzado por más
de una ruta de retorno, entonces debemos preservar el tiempo más corto. Esto sucede en el nodo 2, donde, al menos
ruta 9-8-7-2-1, el valor es 2, ruta 9-8-7-4-3-1 es 3 y ruta 9-8-7-4-6-5-1 es 5. El valor de
a registrar será 2. Después de los cálculos encontraremos los valores que se muestran en la Figura 6.29.
11
11
Formación
(9) dos
0 dos 7 78 12 14
0 dos 6 12 14
5
(1)
Adquisición de
Material
(dos)
5 6
Medición
6 8
3 5
Finalmente, podemos llenar el campo vacío haciendo la diferencia entre la fecha anterior y la
más tarde de cada nodo. Las rutas que no tienen espacio libre se denominan rutas críticas. A
Figura 6.30, se resalta la ruta crítica.
11
11
0
https://translate.googleusercontent.com/translate_f 230/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Formación
dos
(9)
0 dos 7 8 7 12 14
0 dos 6 12 14
0 0 1 1 5 0 0
Página 277
sentido de pendiente
red
da
ada Ayuntamiento
s
da y
ntido
llegado
Cuadrado
en
Agua da
en Pendiente
Puntuación
Area verde
Zona
verde
Zona
verde
Area verde
Las redes de agua deben pasar por al menos tres lados de un bloque habitado y los sistemas de alcantarillado
todas. Las excavaciones realizadas horizontalmente son cuatro veces más caras que las excavaciones verticales
tical. La plaza solo necesita ser alimentada con agua por un lado (cualquiera) y no necesita red
aguas residuales.
Para llevar a cabo la planificación de la obra y su respectivo presupuesto, el alcalde determinó al departamento
equipo de ingeniería para preparar un proyecto de distribución física inicial para las redes que
siguientes situaciones:
2. Diseños de redes con el objetivo de utilizar las mismas excavaciones, siempre que sea posible.
Las tuberías de alcantarillado deben colocarse en la dirección de la pendiente del terreno. Tuberías
pueden seguir cualquier trayectoria, ya que trabajan bajo presión. Para evitar problemas de pérdida de carga
Las ramas de suministro de agua no deben tener más de 10 lados de los cuartos.
teirões cuadrados (sin tener en cuenta la longitud de las calles). Los bloques rectangulares y oblicuos
quos se consideran equivalentes a dos pequeños bloques en sus caras más largas.
https://translate.googleusercontent.com/translate_f 231/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
entre su posición y las llamadas salientes. Modifique el algoritmo de Dijkstra (si es necesario
necesario) para que pueda funcionar correctamente en este tipo de red viaria.
Página 278
4 Desarrolle un algoritmo polinomial para determinar con precisión la ruta de menor costo entre
entre S y T para un caso general.
Página 279
1 (0.02) 4 (0,01) 7
(0,04) (0,01)
(0.03) (0,01) (0,1) (0,01)
3 (0,01) 6
(0,06)
Desarrollar un algoritmo que sea capaz de determinar la solución buscada para cualquier instalación.
de este tipo de problema. Aplicar el algoritmo a la red del problema encontrando la solución
deseado.
8 Losa 3 3 3-8 t8
9 Techo 8 3 8-9 t9
Página 280
Marcos
(dos)
Suelo 11
4 7 Refinamiento
(dos)
Externo
(5)
Albañilería
(5) (4)
10 12
(dos) (3) instalaciones Refinamiento
0 1 dos 5
(7) Interno
Fundaciones de movimiento de tierras
(5)
Estructura
(3) (3)
3 8 9
Losa Techo
https://translate.googleusercontent.com/translate_f 233/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(dos) (3)
yo (dos)
L
(4)
(1) (7)
(4)
(1)
segundo (dos) C
METRO
(dos) (5)
(3)
GRAMO (6)
(1) (6)
(3)
F
re
(4) (1)
(4)
Y (3) norte
Sabiendo que los valores que se muestran en las flechas representan la duración esperada de la actividad
se pregunta:
1. ¿Cuál es el número máximo de actividades paralelas en esta red?
2. ¿Cuál es la ruta crítica de la red?
3. Si el desarrollador decidió contratar solo una actividad para mejorar el rendimiento del desarrollador
desarrollo, ¿cuál será elegido? Se asume que la actividad contratada debe maximizar el despacho final
entre el tiempo del proyecto (lo antes posible) y el tiempo contractual (un tiempo determinado más largo que el tiempo del proyecto).
Página 281
7 FLUJOS DE RED
Y LOGÍSTICA DE
DISTRIBUCIÓN
https://translate.googleusercontent.com/translate_f 234/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
permiten la solución de importantes problemas reales y son de extraordinaria aplicación práctica (ver casos en
Boorstyn y Frank [1977], Biros y Boros [1984], Carraresi y Gallo, [1984], Langevin et al . [1993], Phillips y
Westbrook [1993]). En la dimensión de la solución, estos modelos permiten la mejora de conocimientos y
técnicas tradicionales, con el fin de lograr una enorme eficiencia en su proceso de resolución.
Página 282
ejemplificado en la Figura B.13 del Anexo. Denominando por x ij el flujo que circulará en el arco ij puede
podemos representar las restricciones expresadas en los arcos de la siguiente manera:
Todos los arcos de la red están habilitados, incluso cuando el límite superior es + ¥ y el límite inferior - ¥. En eso
si es esencial representar los límites de flujo dentro de cada arco. Representaremos el límite inferior
flujo de arco superior o inferior ( i, j ) Î E para l ij y superior o máximo para L ij . De esta forma, las restricciones
La configuración del límite de flujo se escribirá de la siguiente manera:
4 Arco ij
l ij £ x ij £ L ij
4 arco 1-2
£ 0 x £ 12 8
4 arco 2-5
£ 1 x £ 25 10 etc.
Al representar el flujo a través del arco ( i, j ) Î E por la variable x ij , podemos escribir las ecuaciones
condiciones de equilibrio de flujo como sigue:
∑ x ki = ∑ x ij
(,)ki ∈ Y (,)yo j ∈ Y
x 12 - x 23 - x 25 = 0
https://translate.googleusercontent.com/translate_f 235/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x 61 - x 12 - x 14 = 0, etc.
4 Caudal máximo
Maximizar x 61
Página 283
Considerando que existe un costo unitario c ij asociado con el tránsito de cada unidad de flujo por
arc x ij entonces la función objetivo se puede escribir como:
Minimizar ∑ c ij x ij
(,)yo j ∈ Y
La matriz de restricciones de flujo, matriz A , tiene una configuración muy peculiar, como podemos ver
observe en la Figura 7.1, con la conferencia a la red ejemplificada en la Figura B.13.
Arcos
Nosotros x 12 x 23 x 25 x 36 x 14 x 45 x 56 x 61
1 +1 +1 +1
dos -1 +1 +1
3 -1 +1
4 +1
5 -1 -1 +1
6 -1 -1 -1 -1
https://translate.googleusercontent.com/translate_f 236/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 284
Minimizar z = ∑ c ij x ij
(,)yo j ∈ Y
sujeto a:
∑ x ij - ∑ x ki = d yo yo = 1, ..., n
(,)yo j ∈ Y (,)k yo ∈ Y
l ij £ x ij £ L ij "(i, j) Î E
La elección de la formulación más adecuada vendrá determinada por las circunstancias del problema y
algoritmo de solución adoptado.
4 Formulación restringida
En general, el problema de flujo de costo mínimo en una red con n = m + 2 nodos, donde m representa
el número de nodos reales yn el número de nodos en la red balanceada, también se pueden formular
bien como:
Minimizar z = ∑ c ij x ij
(,)yo j ∈ Y
sujeto a:
∑ x ij - ∑ x ki = 0 i = 1, ..., n
(,)yo j ∈ Y (,)k yo ∈ Y
l ij £ x ij £ L ij "(i, j) Î E
Página 285
https://translate.googleusercontent.com/translate_f 237/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El problema de transporte es un problema de flujo en un gráfico bipartito, por lo que no hay nodos
transbordo o transición a intermediarios de flujo. En la visión clásica de este problema, los arcos no
tener un límite de capacidad para el caudal. En general, la descripción gráfica del problema puede
resumirse en la Figura 7.3:
Los vértices de la red en la Figura 7.3 se numeraron para resaltar la condición de salida (vértice).
oferta) y entrada de flujo (vértices de demanda). El problema del transporte puede verse como
un problema de flujo donde el objetivo es minimizar los costos de flujo a través de los arcos a nivel mundial
de una red de oferta a demanda similar a la de la Figura 7.4.
el 1 d1
d2
el 2
d3
el 3
d4
el 4 d5
danos danos
oferta (m) demanda (n)
o* d *1
1
d*
3
F o *3 s
d *4
d *5
o *4
danos danos
oferta (m) demanda (n)
⎛ metro norte ⎞
⎜ ⎟
⎜ ∑
Oyo = ∑ rej ,, 0 ∞
⎟
⎝yo= 1 j= 1 ⎠
Página 286
Minimizar z = ∑ ∑ c ij x ij
yo∈ jO ∈ re
sujeto a:
∑ x ij - ∑ x ki = 0 iÎV
(,)yo Y (,)k Y
https://translate.googleusercontent.com/translate_f 238/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
j∈ yo ∈
x fi = la i yo Î O
x js = d j jÎD
x sf = ∑ d j = ∑ o yo
∈
jD yo∈O
x ij ³ 0, (i,j)ÎE
Podemos formular el problema del transporte solo considerando las demandas y ofertas localizadas
en los nudos y sin los lazos y nudos artificiales como sigue:
metro norte
Minimizar z = ∑∑ c ij x ij
yo= 1 j= 1
sujeto a:
norte
∑ x ij = o yo i = 1, ..., m
j= 1
metro
∑ x ij = d j j = 1, ..., n
yo= 1
x ij ³ 0 i = 1, ..., m ; j = 1, ..., n
Observamos que la matriz de restricciones del problema del transporte en la formulación clásica aún
mantiene la propiedad de unimodularidad. Tome el ejemplo numérico de la Figura 7.5.
Página 287
LA
d LA
= 15
x ij
1
o 1= 25
segundo
d segundo
= 15
o dos
= 25
dos
d C= 20
C
x 11 ... + x 1 n =o1
x 21 + ... + x 2 n = el 2
... ... ... ...
+ x m 1 + ... + x mn = la m
x 11 + x 21 ... + x m1 =d1
... ... ... ...
x 1n + x 2n … + x mn = d n
https://translate.googleusercontent.com/translate_f 239/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x ij ³ 0, i Î M , j Î N
Que para el ejemplo, considerando que el vector de costos es [ c ] = [2, 5, 3, 7, 4, 1] resultaría en:
Minimizar z = 2 x 1 A + 5 x 1 B + 3 x 1 C + 7 x 2 A + 4 x 2 B + 1 x 2 C
sujeto a:
x 1A + x 1B + x 1C = 25
x 2A + x 2B + x 2C = 25
x 1A + x 2A = 15
x 1B + x 2B = 15
x 1C + x 2C = 20
Las variables asociadas con el flujo en los arcos i - j forman una interesante matriz de restricciones
A = { a ij }, totalmente unimodular y de rango ( A ) = m + n - 1, ya que hay m líneas en el conjunto
de restricciones de oferta yn en el conjunto de restricciones de demanda, pero con solo m + n - 1 grados de
metro norte
Página 288
X 1 C X dosLA X dossegundoC
X dos
⎡ 1 0 0 0⎤
′ = ⎢ 011 1 ⎥
LA
⎢ 001 0 ⎥
⎣ 000 1 ⎦
Tenga en cuenta que esta submatriz es una matriz triangular superior (tiene todas las posiciones debajo de la
diagonal igual a cero) y, por lo tanto, se puede descomponer en submatrices, a saber:
⎡ yometro R ⎤
LA′ = ⎣⎢
0 - 1 ⎦⎥
yonorte
⎡ ⎤
= 1
segundo
Q
⎣⎢ 0 B m n+ - ⎦⎥
dos
⎡ 1 Q1 Q dos ⎤
= ⎢ 01
segundo PAGS ⎥
⎢⎣ 0 0 B m n+ - ⎥⎦
3
Lo que muestra que B es una matriz triangular. Dado que B es una matriz triangular, hay una cierta
mutación de B que resuelve el sistema Bx B = b solo con sustituciones elementales de valores de las variables
viable. Ejemplifiquemos lo que presentamos analíticamente en el ejemplo 1 (Figura 7.5). Podemos obtener
una base de A por la adición de una variable artificial x una al conjunto formado por las variables x 1 C , x 2 C , x 1 A , x 1 B
⎣ ⎦ ⎣ ⎦
https://translate.googleusercontent.com/translate_f 240/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
⎣ 111 0 1⎦ ⎣ 20 ⎦
Página 289
Con esta estructura favorable para obtener una solución al problema de inversión B,
Sería natural asumir que el algoritmo simplex podría especializarse para un mejor rendimiento.
Podemos resumir el problema en la tabla de la Figura 7.6, que llamaremos tabla de transporte, en
que cada celda de la tabla representa una variable, es decir, un arco de conexión, y el valor incluido en el
Un marco más pequeño significa el costo de la celda (costo de usar el arco). Entonces, por ejemplo, tenemos:
Demanda
dos 5 3
x 1A x 1B x 1C
1 25
Oferta 7 4 1
dos x 2A x 2B x 2C 25
Valor 15 15 20
Para que podamos especializarnos en el simplex, sería esencial que pudiéramos explorar el
el formato y las propiedades de la matriz A dentro de los siguientes pasos del método:
Proposición 7.1
La condición necesaria y suficiente para determinadas variables del problema de
transporte son linealmente dependientes es que forman un ciclo en el marco del transporte .
La Proposición 7.1 se puede verificar para el problema numérico del ejemplo en las tablas siguientes:
Las líneas que unen las casas sombreadas resaltan la formación de ciclos en el marco de la transformación.
tamaños (ver gráfico de ciclo - Figura 7.7 (c)). Podemos ver fácilmente que estos conjuntos de variables
asociados con los ciclos en el marco de transporte son linealmente dependientes (LI). Por otro lado, son
los conjuntos de variables que componen un árbol son muy independientes (consulte la definición de árbol
x 1A x 1B x 1C
x 1A x 1B x 1C x 1A x 1B x 1C
x 2A x 2B x 3C
x 2A x 2B x 2C x 2A x 2B x 2C
https://translate.googleusercontent.com/translate_f 241/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 290
en el Apéndice B) en ese mismo marco de transporte, cuando consideramos cada celda como un nodo de un
tenedor. En la Figura 7.8 ejemplificamos dos casos de variables LI Como son LI, tales variables pueden ser
utilizado para componer una base del algoritmo.
La literatura reporta algunas reglas para obtener bases iniciales de buena calidad, es decir, que
tienen valores cercanos al valor óptimo buscado. Los dos métodos más conocidos son:
x 1A x 1B x 1C x 1A x 1B x 1C
x 2A x 2B x 2C x 2A x 2B x 2C
~ ~ ~ ~
Si ~O1 >, vaya
re1 a la celda (1, 2) y haga: x 12 = Min {~, sobredosis
1 d 2 por d 2 - x 12 .
2 } ~ y reemplace el uno por ~ el 1 - x 12 , y
~ ~ ~ ~
Si ~O1 < re1 vaya a la celda (2, 1) y haga: x 21 = Min {~, sobredosis
dos d 1 por d 1 - x 21 .
1 } ~ y reemplace el 2 por ~ a 2 - x 21 , y
~
Si ~O1 = re1 (degeneración), haz: x 11 = 0 y ve a (2, 2) o (1, 3).
3. Si ya se ha alcanzado una solución, deténgase. De lo contrario, ignore las filas y columnas satisfechas y
aplicar las reglas anteriores haciendo que la celda actual ocupe la posición de la celda (1, 1).
Ilustremos cómo obtener la base inicial para el ejemplo numérico de la figura 7.5.
dos 5 3
x 1A x 1B x 1C 25
7 4 1
x 2A x 2B x 2C 25
15 15 20
~ ~ ~ ~
x 11 = Mín. {~,sobredosis
1 o 1 - 15 = 25 - 15 = 10; d 1 - 15 = 15 - 15 = 0 ~ O1 >, entonces:
re1
1 } = Mín. {25, 15} = 15 Þ
~ ~o 1 - 10 = 10 - 10 = 0; ~ ~
x 12 = Mín {~,sobredosis
1 d 2 - 10 = 15 - 10 = 5 ~ Odos> redos
2 } = Mín. {10, 15} = 10 Þ
~ ~ ~ ~
x 22 = Mín {~,sobredosis
dos o 2 - 5 = 25 - 5 = 20; d2-5=5-5=0~ Odos= re3
2 } = Mín. {25, 5} = 5 Þ
x 23 = 20
Página 291
dos 5 3
15 10 x 1C 25
7 4 1
x 2A 5 20 25
15 15 20
https://translate.googleusercontent.com/translate_f 242/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Base inicial (árbol) asociada con la Figura 7.5
2. Determine la diferencia entre los dos costos más bajos para cada fila y cada columna.
3. Seleccione la fila (o columna) con la mayor diferencia. Si hay empate, elija al azar.
4. En la columna (o fila) elegida, asigne, en la celda de menor costo, la mayor cantidad posible de
suministro.
5. Actualice las ofertas (y demandas) restando la cantidad de suministro asignada. Las lineas o
las columnas en las que ya se ha satisfecho la oferta o la demanda deben eliminarse en los siguientes pasos.
6. Si no hay más filas o columnas para llenar, deténgase. De lo contrario, vuelva al punto 2.
Usando el método de Vogel para obtener la solución inicial de nuestro ejemplo numérico:
El problema ya está equilibrado, dejándonos construir la tabla de cálculo. La imagen de Vogel es la
misma tabla de transporte más áreas para registrar las diferencias entre los dos más pequeños
costos:
LA segundo C Diferencias
dos 5 3
1 25 1 (3 - 2)
7 4 1
dos X 25 3 (4 - 1)
15 15 20
5 1 dos
Diferencias (7 - 2) (5 - 4) (3 - 1)
Mesa Vogel 1
Página 292
Elegimos la celda de menor costo en la línea 2 (2, 3) para recibir la mayor cantidad de suministros.
posible, actualizando las demandas y ofertas como resultado de esta acción (ver Cuadro 2). Columna 3
se puede eliminar de la tabla recalculando las diferencias. La columna A tiene la mayor diferencia y
celda (1, 1) el costo más bajo.
LA segundo C Diferencias
dos 5 3
1 X 25 1 3 (5 - 2)
7 4 1 5
dos 20 25 3 3 (7 - 4)
15 15 20 0
5 1 dos
Diferencias 5 1
Mesa Vogel 2
https://translate.googleusercontent.com/translate_f 243/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Con las actualizaciones, la columna A se puede eliminar. El proceso continúa hasta el cuadro final (Cuadro 4).
LA segundo C Diferencias
dos 5 3 10
1 15 25 13 0
7 4 1 5
dos 20 25 33 0
15 0 15 20 0
5 1 dos
Diferencias 5 1
1
Mesa Vogel 3
LA segundo C Diferencias
dos 5 3 10 0
1 15 10 25 13 0
7 4 1 5 0
dos 5 20 25 33 0
15 0 15 0 20 0
5 1 dos
Diferencias 5 1
1
Mesa Vogel 4
Página 293
z j - c j = c B B –1 a j - c j
me gusta
B -1a j = y j
tenemos que
zj-cj=cByj-cj
Podemos reescribir la ecuación anterior en función del marco de transporte, en el que cada celda
presenta una variable (el valor del flujo en un arco). En ese caso, debemos asociar un valor de control
contribución utilizando la celda como variable básica. Como los costos están asociados con dos
dimensiones, la ecuación de costo reducido se puede reescribir de la siguiente manera:
z ij - c ij = c B y ij - c ij
Lo interesante en este caso es que la matriz de columnas transformadas y ij se puede obtener simplemente
por sumas y restas de las variables básicas, lo que permite una fuerte simplificación en los cálculos
necesario. Podemos calcular la contribución a la mejora de la solución actual, debido a la posible
posible entrada de una nueva variable en la base de datos a través del procedimiento primario sugerido a continuación:
j k s
tu +1 -1
el uj un nosotros
https://translate.googleusercontent.com/translate_f 244/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
l -1 +1
el lk el ls
yo +1
el ij el ik
Página 294
dos 5 3
x 1A x 1B x 1C
7 4 1
x 2A x 2B x 2C
Tabla de cálculo z - c ij ij
Dado que hay dos variables fuera de la base x 1 C y x 2 B , tenemos que calcular z 1 C - c 1 C y z 2 B - c 2 B para verificar
la posible contribución resultante de la entrada en la base de estas variables.
z 1C - c 1C = + 2 - 7 + 1 - 3 = - 7
z 2 B - do 2 B = + 7 - 2 + 5 - 4 = + 6
lo que nos muestra que la solución básica no es óptima y que x 2 B puede entrar en la base.
Ahora nos queda interpretar las condiciones para dejar la base. En el caso particular de la transmisión
tamaño, una variable que ingresa a la base reemplaza totalmente la demanda cubierta por la variable que sale.
Para evitar la aparición de inviabilidad en la solución (valores de caudal negativos) debemos considerar
la sustitución por el valor más bajo (D) existente entre todas las variables que tienen la asignación +1 como-
asociado con la variable de entrada. En el caso del ejemplo:
(D) = mínimo { x 2 A , x 1 B }.
dos 5 3
15 10 x 1C 25
7 4 1
x 2A 5 20 25
15 15 20
x 1A x 1B x 1C x 2A x 2B x 2C xa
–120 0 0 -1 –6 0 0 0
x 1A 15 1 0 0 1 0 0 0
https://translate.googleusercontent.com/translate_f 245/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x 1B 10 0 1 1 -1 0 0 0
x 2B 5 0 0 -1 1 1 0 0
x 2C 20 0 0 1 0 0 1 0
xa 0 0 0 0 0 0 0 1
Tablero simplex
Página 295
El método para resolver el problema del transporte también se denomina método del ciclo. Propiedad
del marco inicial obtenido, por ejemplo, por el método de la esquina noroeste, el método calcula el z ij - c ij asociado
asociado a celdas no básicas y mejora con la entrada de una nueva variable (celda activa). El valor
de la variable entrante se calcula inmediatamente según la sustitución de la variable saliente y la
tabla actualizada.
Sin embargo, es posible otra forma de calcular z ij - c ij , como sigue:
z ij - c ij = c B B –1 a ij - c ij = c B y ij - c ij
z ij - c ij = wa ij - c ij
Si hacemos que w i , i = 1, ..., m sea representado por u i , y w m + j , j = 1, ..., n por v j , entonces el vector dual w es
dada por:
w = ( u 1 , ..., u m , v 1 , ..., v n )
z ij - c ij = u yo + v j - c ij
Este método para calcular los costos reducidos se denomina método de variable dual. Como w =
c B B –1 , entonces w es una solución del sistema wB = c B , recordando que:
B = ( a pq , ..., a st y m + n )
c B = ( c pq , ..., c st , c a )
Donde la ' causa , ... el st son los m + n - 1 columnas de la base y c pq , ..., c ts son sus costos correspondientes. y m + n es el
columna de costo artificial c a , un vector de ceros con una asignación igual a 1 en la posición m + n . Remembranza-
que la variable artificial siempre se asignará a cero, el valor de c a es irrelevante (normalmente es
bit igual a cero). Dado que B es una matriz triangularizable, el sistema de ecuaciones asociado con
dual w se puede resolver fácilmente. El sistema:
u p + v q = c pq
METRO
u s + v t = c st
vn=0
Calculemos los valores de las variables duales para la tabla de nuestro ejemplo numérico: el
dual v 3 es artificial y se le asignará un valor de cero. Entonces:
Página 296
https://translate.googleusercontent.com/translate_f 246/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
290 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
vc=0
para la celda (2, C ) u 2 + v c = 1 Þ u 2 = 1
para la celda (2, A ) u 2 + v A = 7 Þ v A = 6
para la celda (1, A ) u 1 + v A = 2 Þ u 1 = –4
para la celda (1, B ) u 1 + v B = 5 Þ v B = 9
z 2 A - c 2 A = u 2 + v A - c 2 A = 1 + 6 - 7 = 0 (variable básica)
z 2B - C 2B=u 2 + v B - c 2B = 1 + 9 - 4 = + 6
z 1 C - C 1 C = u 1 + v C - c 1 c = –4 - 0 - 3 = –7
En nuestro ejemplo, tanto el método de la esquina noroeste como el método de Vogel llegaron a la solución óptima. Su-
pongamos la base inicial elegida para ser diferente:
4 Obtener una solución inicial (el método de elegir cualquier árbol en el tablero de transporte):
dos 5 3
x 1A 5 20 25
7 4 1
15 10 x 2C 25
15 15 20
Con la base inicial, obtenemos x B y z ij - c ij (mediante el procedimiento primario, por ejemplo). En eso
caso:
z 1 A - do 1 B = + 5-4-7 = 2-5 = + 6
z 2C - c 2 C = + 4-5 + 3-1 = + 1
Como hay z ij - c ij ³ 0 la base no es óptima y x 1 A debe entrar en la base. La variable que debe salir, entre los
que forman conjuntos LD con x 1 A , es el que tiene el valor de atribución más bajo, es decir, D =
Mínimo {15, 5}. D = 5 significa la retirada de la variable x 1 B . El marco evoluciona para:
dos 5 3
5 x 1B 20 25
7 4 1
10 15 x 2C 25
15 15 20
Página 297
En ese caso:
z 1B - c 1B = + 4 - 7 + 2 - 5 = - 6
z 2 C - c 2 C = + 7-2 + 3-1 = + 7
https://translate.googleusercontent.com/translate_f 247/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dos 5 3
15 x 1B 10 25
7 4 1
x 2A 15 10 25
15 15 20
z 1B - c 1B = + 3 - 1 + 4 - 5 + = 1
z 2 A - c 2 A = +2 - 5 + 4-7 = - 6
Como hay z ij - c ij ³ 0 la base no es óptima y x 1 B debe entrar en la base. La variable que debe salir, entre los
que forman conjuntos LD con x 1 B , es el que tiene el valor de atribución más bajo, es decir, D =
min {10, 15}. D = 10 implica la retirada de la variable x 1 C . El marco evoluciona para:
dos 5 3
15 10 x 1C 25
7 4 1
x 2A 5 20 25
15 15 20
Uno de los casos más importantes del problema del transporte es cuando las ofertas y la demanda
son unitarios. Este problema se denomina problema de designación y, por lo tanto, puede formularse
lado:
Página 298
norte norte
Minimizar z = ∑∑ c ij x ij
yo= 1 j= 1
sujeto a:
norte
∑ x ij = 1 i = 1, ..., n
j= 1
norte
∑ x ij = 1 j = 1, ..., n
= 1
yo
x ij ³ 0 i = 1, ..., n ; j = 1, ..., n
Maximizar w = ∑ tu yo + ∑ vj
= 1
yo j= 1
sujeto a:
u yo + v j £ c ij yo , j = 1, ..., n
https://translate.googleusercontent.com/translate_f 248/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
u i , v j sin restricciones yo, j = 1, ..., n
( c ij - u yo - v j ) x ij = 0, yo, j = 1, ..., n
⎧X ij > ⇒0 tuyo + v j
= C
ij
⎨
⎩X ij = ⇒0 tuyo + v j
≤ C
ij
~
vj= min { c ij - ~ u i } j = 1, ..., n
1 ≤ ≤ en
Como vimos para el problema del transporte, ~ u i se puede obtener considerando el más pequeño en la línea i
e ~ v j como el menor c ij - ~ u i dentro de la columna j .
Seguiremos ahora la planificación de un algoritmo especializado que utilizará la información
las variables duales y el teorema de las holguras complementarias para resolver el problema de diseño
nación. La estrategia será obtener una solución dual viable (tarea fácil) y, en cada iteración del algoritmo,
conducir a condiciones de ortogonalidad insatisfechas (una tarea un poco más elaborada). Ser el siguiente
ejemplo numérico.
Queremos asignar cuatro tareas a cuatro máquinas que tienen una matriz de costos como
Figura 7.9. En esta matriz, cada celda representa el costo de asignar la máquina i (representada en
fila i ) a la tarea j (que se muestra en la columna j ).
Página 299
Tareas (columnas)
1 dos 3 4
1 3 4 4 dos
Maquinaria dos 7 3 5 1
(líneas)
3 4 6 dos 5
4 1 dos 1 1
Dado que la viabilidad primaria del problema de designación requiere que cada fila y columna tenga una y
sólo una entrada positiva ( x ij = 1), una solución básica viable a este problema representado en el
forma de una tabla de designación, como en la Figura 7.10, se puede ilustrar con las soluciones de ejemplo
en las tablas de la Figura 7.10, donde el símbolo • representa que la celda tiene la variable asociada
ciado a 1 ( x ij = 1), las celdas restantes permanecen iguales a cero.
· ·
· ·
· ·
· ·
FIGURA 7.10 Soluciones viables básicas (en el primario) para el problema de designación.
Las relaciones que involucran las variables duales indican que los puestos candidatos para la designación
deben identificarse como puntos donde encontramos valores mínimos de costo, ya sea en
relación con filas (variables u i ) o columnas (variables v j ). Para buscar este tipo de configuración,
Podríamos desarrollar un procedimiento que reste el valor de costo más bajo dentro de cada línea y
columna. Cada valor mínimo encontrado, cuando se resta de toda la columna o fila, producirá al menos
menos una posición nula, una posición que señalaría una designación dual viable. Por ejemplo, si el
La tabla de designación tenía los valores que se describen a continuación:
1 1 3 4 5 1
https://translate.googleusercontent.com/translate_f 249/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dos 4 dos 4 7 dos
3 6 7 8 3 3
4 5 4 dos 1 1
1 dos 3 4
1 0 dos 3 4
3 3 4 5 0
4 4 3 1 0
Página 300
1 dos 3 4
1 0 dos dos 4
dos dos 0 1 5
3 3 4 4 0
4 4 3 0 0
Podemos ver que la distribución de celdas nulas (soluciones duales viables) contiene una configuración
primarias viables y dos no viables, dentro de las posibles distribuciones de cuatro asignaciones dentro del
tabla, como se muestra en la Figura 7.11.
· · ··
· · ·
· ··
· · · ·
Configuración 1 Configuración 2 Configuración 3
La configuración 2 es viable y doblemente viable, por lo que es genial. La matriz resultante de la resta sucesiva
de los valores mínimos de costo pertenecientes a cada fila y columna en el problema de designación se llama
capa de matriz reducida . El número máximo de celdas con costo reducido cero tal que no más de
dos ocupan la misma línea es igual al número mínimo de líneas necesarias para cubrir todas las celdas
los nulos de la matriz. Estas células se denominan independientes . Un teorema importante se deriva de la
procedimiento para obtener soluciones duales viables en el marco del problema de designación:
Teorema 7.1:
El número máximo de celdas independientes en un marco reducido del problema
la designación es igual al número mínimo de líneas que pueden cubrir todos los ceros
de la matriz.
Claramente, la primera solución dual viable obtenida en el marco reducido no siempre presenta una
configuración de elementos nulos que permite la identificación de una base primaria viable. En el caso de
siguiente tabla de transporte. Aplicar la técnica descrita para obtener una solución dual viable
tenemos la matriz reducida de la siguiente manera:
1 3 4 4 dos dos
dos 7 3 5 1 1
3 4 6 dos 5 dos
4 1 dos 1 1 1
https://translate.googleusercontent.com/translate_f 250/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
que lleva al marco:
Página 301
1 dos 3 4
1 1 dos dos 0
dos 6 dos 4 0
3 dos 4 0 3
4 0 1 0 0
Valor mínimo en
0 1 0 0
Columna
que, cuando se resta del valor mínimo por columnas, conduce a la matriz reducida:
1 1 dos 0
6 1 4 0
dos 3 0 3
0 0 0 0
Observamos que, en el ejemplo que estamos desarrollando, no existe una solución primaria viable para
el marco reducido encontrado, ya que las dos primeras líneas están cubiertas por ceros ubicados
en la misma columna. Por tanto, es necesario modificar esta distribución de celdas asignadas
dentro del marco, con el fin de obtener la viabilidad primaria. Al desarrollar un algoritmo
soluciones con tal propósito, nos interesará encontrar una mejora en las condiciones de
viabilidad primaria violada (representada por los ceros ubicados en la misma fila o columna).
Considere la matriz reducida de la tabla de designación con ceros cubiertos por el número más pequeño
posibles líneas. Sea k el número de líneas necesarias. Sea S r = { i 1 , i 2 ,, ..., p } la con-
junto a las líneas no cubiertas por ceros y S c = { j 1 , j 2 , ..., q } el conjunto de columnas no cubiertas. Seguro
~ ~
cómo S r = N \ S r e S c = N \ S c , donde N = {1, ..., n }. Por último, dejar que p sea el número de líneas en S r y q el número
número de columnas en S c , entonces k = ( m - p ) + ( m - q ). Denominando por c 0 el elemento más pequeño no cubierto,
o sea:
c 0 = min {}
~C
ij >0
yo∈señor
j ∈Sc
Es fácil demostrar que se puede obtener una nueva solución dual (modificación en el marco inviable)
de la siguiente manera:
u yo = ~ u yo + c 0 iÎSr
~
u yo = ~ u yo yo Î S r
vj=~vj jÎSc
~
vj=~vj-c0 Ji S c
Página 302
https://translate.googleusercontent.com/translate_f 251/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 1 dos 0
Conjunto
Descubierto 6 1 4 0
c 0 = 1 (valor más bajo en
dos 3 0 3 descubierto en el marco)
0 0 0 0
Usando esta técnica para mejorar las condiciones de ortogonalidad violadas, debemos por lo tanto
reste 1 de los elementos descubiertos y sume 1 a los elementos cubiertos por dos guiones, para obtener
una nueva solución dual viable. El resultado nos lleva a las soluciones que se enumeran a continuación, todas geniales:
0 0 1 0 0 0 1 0 0 0 1 0
5 0 3 0 5 0 3 0 5 0 3 0
0 0 0 1 0 0 0 1 0 0 0 1
Podemos consolidar los resultados obtenidos en las consideraciones de iteraciones duales en un algoritmo
ritmo para el problema de designación, como sigue:
Algoritmo húngaro
1. Dibuje la menor cantidad posible de líneas que cubran los ceros en las columnas y filas del
matriz de designación. Si el número de líneas es n , se ha encontrado la solución óptima.
2. Determine el elemento más pequeño no cubierto por las líneas. Reste este elemento de todos los demás
no cubierto y agréguelo a los elementos doblemente cubiertos. Vuelve al paso anterior.
Y para guiar el proceso de cubrir filas y columnas de manera óptima, sugerimos lo siguiente
asignación de letras:
Algoritmo de etiquetado
1. Seleccione todas las líneas que no tienen asignaciones.
2. Marque todas las columnas que tengan ceros en las filas marcadas.
3. Seleccione líneas que tengan asignaciones en columnas seleccionadas.
4. Repita 1 y 2 hasta que ya no sea posible marcar filas o columnas.
5. Dibuje una línea sobre cada línea sin marcar y sobre cada columna marcada.
Página 303
El transporte debe desarrollarse con un conjunto de nodos intermedios entre los puntos de suministro y
envía. La figura 7:13 describe este problema de hacer llegar el flujo de puntos de suministro (puntos a )
puntos de demanda (puntos d ) que pasan por puntos intermedios de transbordo, o denominados
puntos de almacenamiento.
El 1 d1
a1
El 2 d2
.
https://translate.googleusercontent.com/translate_f 252/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
.
. .
.
. .
. una s .
La m dn
Considerando:
metro s s norte s
sujeto a:
s
∑ x ik £ a k v k k = 1, ..., s (7,1)
yo= 1
s
∑ y kj = d j j = 1, ..., n (7,2)
k= 1
metro norte
∑ x ik = ∑ x kj k = 1, ..., s (7,3)
yo= 1 j= 1
Página 304
x ik ³ 0 iÎM,kÎS (7,4)
y kj ³ 0 kÎS,jÎN (7,5)
El 1 d1
X ik Y kj
Pk
A1 A'1
El 2 d2
. .
. Almacenes .
. .
. . .
.
. Ak A'k .
https://translate.googleusercontent.com/translate_f 253/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La m dm
M = {, ...,
1 m} S = {, ...,1 s} N = {, ...,
1 n}
Considerando:
metro s s norte s s
sujeto a:
Página 305
metro
∑ x ik £ a k v k k = 1, ..., s (7,7)
yo= 1
s
∑ y kj = d j j = 1, ..., n (7,8)
k= 1
metro norte
∑ x ik = p k = ∑ x kj k = 1, ..., s (7,9)
yo= 1 j= 1
En este modelo, encontramos las restricciones de capacidad asociadas con los arcos en las restricciones (7.11) y
(7.12). El flujo en los puntos de almacenamiento está controlado por restricciones (7.10) y (7.9). La función objetivo
vo incluye los costes de almacenamiento del producto.
norte norte
(1_MAT) Minimizar z = ∑∑ c ij x ij
= 1
yo j= 1
sujeto a:
norte
∑ x ij = 1 i = 1, ..., n
j= 1
norte
∑ x ij = 1 j = 1, ..., n
= 1
yo
https://translate.googleusercontent.com/translate_f 254/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x ij Î {0, 1} "( i, j ) Î A
En que:
Según el modelo desarrollado en el ítem 7.3.2, el modelo (1_MAT) también representa el problema
de designación. En el caso del grafo bipartito, donde los dos conjuntos de vértices tienen el mismo
cardinalidad, podemos resolver el problema de designación como una coincidencia 1_ ponderada, y
hacerlo, si lo deseamos, a través de un modelo de flujo de red, de acuerdo con
7.15.
Página 306
c ij
1 1 1 1
. .
. .
. .
1 norte norte 1
i = 1., n j = 1., n
Este modelo también se puede resolver con el algoritmo húngaro desarrollado previamente
del. Como ejercicio, resolveremos la correspondencia 1_ ponderada de la gráfica de la figura 7.16, asociada con la
La figura 7.17, como un problema de designación, muestra la asociación de los pasos del
algoritmo a la solución de flujo sugerida por el modelo en la Figura 7.15.
1 1 1 1
1 dos dos 1
1 3 3 1
1 4 4 1
Para un problema como este, que tiene una representación gráfica fácil de ver,
utilizar un diagrama que nos permitirá seguir las soluciones primarias y duales en cada iteración del
método. La matriz de costos C = [ c ij ] se muestra a la izquierda, con vectores duales en el lado izquierdo
cariño y abajo. El flujo asociado se representa a la derecha, como en la Figura 7.15.
1 1 1 1
1 dos 3 4 tu yo
1 1 dos dos 1
dos 3 5 8 dos
dos 7 5 1 4 1
3 3 dos 5 6 dos 1 3 3 1
4 7 3 dos 1 1
vj 1 4 4 1
0 0 0 0
En este caso, ya en la primera iteración del algoritmo húngaro, llegamos a un flujo primario y dual
(óptimo) como se muestra en la Figura 7.18.
Tomemos ahora el ejemplo numérico sugerido por la nueva matriz de costos de la figura 7.20.
Cuando aplicamos el algoritmo húngaro en el caso del ejemplo de la figura 7.20, no obtenemos
primera distribución de los ceros, las condiciones de ortogonalidad necesarias como se muestra en la figura 7.21.
Como no es posible obtener una solución primaria viable, el flujo generado no corresponde a un
consejería (ver Figura 7.22).
https://translate.googleusercontent.com/translate_f 255/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 307
1 1 1 1
1 dos 3 4 tu yo
vj 0 0 0 0 1 4 4 1
1 dos 3 4 tu yo
1 94 1 54 68 1
dos 74 10 88 82 10 (cálculo de u) i
3 62 88 8 76 8
4 11 74 81 21 11
vj 0 0 0 0
1 dos 3 4 tu yo
1 93 0 53 67 1
dos 64 0 78 72 10 (cálculo de v) j
La cuarta columna
3 54 80 0 68 8
viola las condiciones
4 0 63 70 10 11 ortogonalidad
vj 0 0 0 0
1 dos 3 4 tu yo 1 1 1 1
1 93 0 53 57 1
1 dos dos 1
dos 64 0 78 62 10
3 54 80 0 58 8
4 0 63 70 0 11 1 3 3 1
vj 0 0 0 10
1 4 4 1
Página 308
Aplicando el procedimiento de etiquetado, necesitamos tres líneas para cubrir los ceros ( n = 3 ¹ 4), el
lo que nos dice que la imagen no es genial. De ahí encontramos:
https://translate.googleusercontent.com/translate_f 256/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 dos 3 4 tu yo
1 93 0 53 57 1
dos 64 0 78 62 10
53 es el valor más bajo
3 54 80 0 58 8 descubierto
4 0 63 70 0 11
vj 0 0 0 10
1 dos 3 4 tu yo
1 40 0 0 4 0
dos 11 0 25 9 0
3 54 133 0 58 0
4 0 116 70 10 0
vj 0 0 0 0
1 dos 3 4 tu yo 1 1 1 1
1 36 0 0 0 0
1 dos dos 1
dos 7 0 25 5 0
3 50 133 0 58 0
4 0 120 70 0 0 1 3 3 1
vj 0 0 0 0
1 4 4 1
1 dos 3 4 tu yo
1 40 0 0 4 0
4 0 116 70 10 0
vj 0 0 0 0
Página 309
El segundo etiquetado finalmente nos lleva a un flujo viable, como se muestra en la Figura 7.27:
1 dos 3 4 tu yo 1 1 1 1
1 36 0 0 0 0
1 dos dos 1
dos 7 0 25 5 0
3 50 133 0 54 0
4 0 120 74 0 0 1 3 3 1
vj 0 0 0 0
1 4 4 1
La distribución viable se identifica mediante el procedimiento de etiquetado del algoritmo, como se muestra en
Figura 7.28:
https://translate.googleusercontent.com/translate_f 257/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 dos 3 4 tu yo
1 36 0 0 0 0
dos 7 0 25 5 0
n=4
3 50 133 0 54 0 Gran foto
4 0 120 74 0 0
vj 0 0 0 0
Este problema, cuando consideramos las longitudes de las aristas o arcos de una gráfica como costos,
se puede ver como un caso de desbordamiento no calificado, como se muestra en la Figura 7.29.
1
4
dos T
dos
dos 3 1
3
1 1
1 5
s 1
1
1
4 1
En una red con n nodos, donde s es el nodo receptor y t es el nodo fuente, la formulación matemática de este
El problema se puede resumir de la siguiente manera:
Página 310
( CC ) Minimizar z = ∑ c ij x ij
(,)ij A ∈
sujeto a:
⎧1 si = es
(nodo fuente)
∑ x ij - ∑ x ki = ⎨ 0 otros casos
(,)ij A ∈ (,)ij A ∈ ⎩ –1 si i = t (nodo de suma
idouro)
x ij ³ 0 "( i, j) Î A
donde x ij representa el flujo que circula en el arco ( i, j ) Î A . En el caso del ejemplo de la figura 7.29 tendremos
la tabla de restricciones en la Figura 7.30.
s 1 1 = 1
1 -1 1 = 0
dos -1 -1 -1 1 1 = 0
3 1 1 = 0
4 -1 1 = 0
5 -1 -1 1 = 0
T -1 -1 = -1
FIGURA 7.30 Matriz de flujo para el problema de la ruta más corta st.
Los problemas más tradicionales en el contexto de la optimización del flujo de la red son:
• Problema de circulación.
• Problema de flujo máximo.
• Problema de flujo de costo mínimo.
Estudiaremos algunos de los algoritmos basados en la teoría de grafos para resolver los problemas de
caudal máximo. Para el caso del flujo de costo mínimo estudiaremos el hilo de los algoritmos tipo
primal-dual basado en la especialización del algoritmo simplex.
4 conceptos básicos
El primer concepto que se examina dentro del problema de la circulación se refiere a su forma viable. un
el flujo viable debe respetar tanto las condiciones de capacidad de los arcos, o no podrá fluir,
como, en el caso de los modelos lineales y conservadores, las restricciones de conservación de su valor. El primero
La ley de Kirschoff es especialmente útil para determinar flujos viables en redes capaces.
Página 311
Teniendo en cuenta una red en la que sólo s y t nodos Tienes la oferta y la demanda de flujo, el nombre
nada se verifica la primera ley de Kirschoff para el flujo. No hay pérdida de generalidad cuando
consideran que todos los nodos de la red, con la excepción de s y t, son conservadoras, ya que es posible
Los nodos de oferta o demanda pueden estar representados por un par de nodos conservadores en relación con el flujo.
conectado a las s y t nodos con un arco en la capacidad estricta de su demanda, como se muestra en la Figura 7.31.
En la figura, los paréntesis asociados con algunos de los arcos artificiales representan el valor del límite inferior para
el flujo en el arco. En cada nodo conservador de una red R = ( E, V, F ) , se aplica la primera ley de Kirschhoff:
LA 1 4 segundo
1 4
(5, ...) (9, ...)
12 12
s dos 5 t
7 3
s dos 5 t
3 6
3 6
Arco de equilibrio
Podemos aplicar la primera ley de Kirschhoff para analizar el flujo representado en la Figura 7.32:
x2
x3
X dos
7
Y
x1
3
x4
x5
5
6
https://translate.googleusercontent.com/translate_f 259/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Sabiendo que el conjunto de nodos en la gráfica de la figura 7.32 es V = { x 1 , x 2 , x 3 , x 4 , x 5 } y representado por f
un flujo dado, es decir:
f(X,Y)=f1+f3+f4
f(Y,X)=f2+f6=f2+f5
Página 312
De hecho, exhibir un flujo viable en una red es una tarea elemental cuando los arcos tienen limitaciones.
Caudales mínimos iguales a cero. En esta hipótesis, el flujo nulo se presenta como una solución trivial.
Sin embargo, no siempre encontramos esa posibilidad en la práctica. En numerosos casos, los arcos de la red
imposiciones de flujo distintas de cero. Para la visualización de un flujo que cumple con las restricciones.
de límites superior e inferior de flujo en los arcos en cualquier red, es necesario tener una alternativa
goritmo. El siguiente algoritmo se basa en el principio de conservación del flujo y siempre será
tranquilidad, si la hay, flujo viable en una red capaz.
Definiendo la distancia de f ( i, j ) al intervalo [ l ij , L ij ] como:
⎧0, si l ij ≤ fij(,)L ≤
⎪ ij
d ( yo , j ) ⎨=l ij - (,), fij si ()fi,< jl ij
⎩⎪ fij(,)L -ij , si ()>fi, ()
j L i, j
Sea d ( f ) = ∑ d ( i , j ).
(,)ij A ∈
4 Algoritmo de circulación
Paso 1: ( inicialización )
• Construir una circulación f que satisfaga la ecuación de conservación en todos los nodos de la red, es decir,
f ( x , V) - f (V, x ) = 0 para " x Î V. La circulación f = 0 se puede utilizar en cualquier caso. Vaya al paso 2.
• Si f ( x, y )> L ( x, y ) entonces, partiendo del nodo i , llegue al nodo j , etiquetando los nodos mediante el siguiente proceso:
• Empiece por etiquetar el nodo i con [ j - , x ( x ) = f (x, y) - L ( x , y )]. A continuación, seleccione un nodo etiquetado como aún no
examinó i , y etiquete los nodos no etiquetados j usando las siguientes reglas:
- Si ( i , j ) es un arco con f (i, j) <L ( i , j ) etiqueta j con:
[ i + , x ( j ) = min {x ( i ), f ( i, j ) - l ( i, j )}]
https://translate.googleusercontent.com/translate_f 260/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 313
• El y- nodo se alcanza y se marcó. En este caso, modificar el flujo en los arcos del ciclo de x a y , formado
por los nodos etiquetados como sigue:
- A partir de x , recorre el ciclo restando x ( y ) en arcos inversos y sumando arcos directos. En el
para obtener y , reste x ( y ) de f ( x, y ). Regrese al paso 2.
- Si el y- nodo no puede ser alcanzado y etiquetado, no hay circulación viable. Fin.
- Si f (x, y) < l (x, y) , rotule el nodo y con:
[ x + , x ( y ) = l (x, y) - f (x, y) ]
y tratar de llegar a x a partir de y , aplicando las mismas reglas presentadas para el caso anterior.
• Si el nodo x está etiquetado y, por lo tanto, se ha encontrado un ciclo de y a x , modifique el flujo agregando x ( x )
fluir en arcos inversos y restar x ( x ) en arcos directos de este ciclo y finalmente sumar x ( x ) a
f ( x, y ). Regrese al paso 2.
[1.3] [2.5]
(5) (5)
(5) (5)
[1.6] [3.5]
(10)
El caudal indicado para el arco (2, 3) viola el límite superior del arco, lo que significa que el caudal del
La figura 7.33 no es factible. Aplicando el algoritmo de etiquetado del nodo 1, considerado el caso del nodo i,
lo hubiéramos visto en la Figura 3.34.
Si se alcanza el nodo y y se etiqueta es porque hay un ciclo que incluye el arco ( x, y ) y los cambios
El flujo produce un nuevo flujo conservador que cumple con la ecuación:
[′ F ( x, y ) = f ( x, y ) ± x ( y )]
Cuando x (y)> 0, en cada ciclo se encontró que el flujo se acerca a x ( y ) unidades de la situación de viabilidad.
en los arcos no viables, con flujos en todos los arcos ( i, j ) del ciclo
que l (i, j) £ f (i, j) £ L (i, j) .
Página 314
[i,+ (y)ξ = 2]
y
[1, 3] [2, 5]
(5) 3 (5)
https://translate.googleusercontent.com/translate_f 261/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(5) 3 (5)
[dieciséis] [3, 5]
[x-, (i)ξ = 2] yo
(10)
1 [1.7] 4
[0,7]
[0.15] [2, 8]
[dieciséis]
3 [0, 7] 6
Antes de presentar algunos algoritmos de solución al problema, es necesario abordar ciertos aspectos
Aspectos teóricos y de nomenclatura.
Conceptos básicos
4 corte st :
donde L (X, X) y L (X, X) representan los límites inferior y superior del flujo total entre el conjunto de nodos X
y X. En este caso concluimos que:
Página 315
s 3 dos t
FIGURA 7.36 A st ..
*
F0 ≤ LX
(,)X- (,) lX X St corte st
https://translate.googleusercontent.com/translate_f 262/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Nos referiremos a la gráfica de aumento de flujo a la gráfica G f = ( V, E f ) que, teniendo solo arcos simples
simple, se construye de la siguiente manera:
• ( x , y ) Î E f si (x, y) Î E y f ( x, y ) < L ( x, y )
• ( y , x ) i E f si ( y, x ) i E y F ( x, y )> l ( x, y )
4 Espacio de proa
~
Un arco ( x, y ) puede tener tanto ξ como ξ.
Es un camino en G f que conecta directamente s a t . Tenga en cuenta que si hay una vía de conexión s a t en G f que es
porque hay un camino en G que, en relación al flujo de corriente, tiene un juego que se puede calcular
~
culminado por x = Min {ξ, ξ}. La conservación de los flujos en los vértices no se verá afectada si aumentamos x
flujo en los arcos directos y restar de x el flujo en los arcos inversos de la trayectoria de aumento de flujo.
La figura 7.37 aclara este proceso:
Teorema 7.2:
Dado un flujo f , si existe un camino directo desde s a t , en un gráfico de G f , entonces f no es
caudal máximo.
Página 316
f0+ξ +ξ +ξ f0+ξ
s 1 3 t
-ξ
+ξ
dos
[0, 4] 3
1 4 [0, 6]
3
[0, 3] [0, 2] [0, 2] 3
0
4 s t 4
0 0 1
[0, 5] [0, 3]
1 dos 3 [0, 7]
[0, 1] 1
ξ=+1
ξ=+3 1 4 ξ=-3
ξ=-3
ξ=+3
ξ=+2
s ξ=+4 ξ=+2ξ=+6 t
ξ=+3
ξ=-1 ξ=-1
dos 3
ξ=-1
(b) Gráfico de aumento de flujo asociado
https://translate.googleusercontent.com/translate_f 263/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ξ=+2
ξ=+4 dos
s t s dos dos t
ξ=+3
ξ=+6 dos
dos 3 dos 3
[0, 4] 3
3 1 4 [0, 6]
[0, 3] [0, 2] 3
dos [0, 2]
6 s t 6
0 dos 3
[0, 5] [0, 3]
3 dos 3 [0, 7]
[0, 1] 1
Página 317
Podemos describir un algoritmo basado en una secuencia de flujos crecientes de los siguientes
molde:
comienzo
Leer datos de la red R = ( G , C ) donde G = ( V, E ) y C es el vector de
capacidades de flujo para arcos
Determinando un flujo f alcanzable por R {movimiento con el algoritmo,
por ejemplo}
Etiqueta s con [-, ¥]
Mientras una existe vértice sin examinar Do
comienzo
Encuentre un nodo etiquetado pero no examinado i
examen de la siguiente manera:
comienzo
Para un arco ( i, j ) si f ( i, j ) < L ( i, j ) yj no están etiquetados entonces
etiqueta j con [ i + , x ( j )] donde x ( j ) ¬ Min {x ( j ), L ( i, j ) - f ( i, j )}
Para un arco ( j, i ) si f (j, i )> l ( j, i ) yj no están etiquetados, entonces
etiqueta j con [ i - , x ( j )] donde x (j) ¬ Min {x ( i ), f ( j, i ) - l ( j, i )}
Si el nodo t está etiquetado, haz
comienzo
Comenzando en t , usa las etiquetas para construir
una ruta de flujo creciente
Incrementar el flujo sumando y restando flujos
en los arcos del valor x ( t ), como se indica en
etiquetas, es decir, si es [ i + , x ( j )], sume x ( t ),
de lo contrario reste.
Suma x ( j ) al valor de flujo actual
Cancelar todas las etiquetas excepto la correspondiente
al nodo s .
Fin
Fin
Fin
Fin
El algoritmo de Ford-Fulkerson ( F & F ) finaliza cuando ya no es posible etiquetar el nodo t . En ese caso,
El marcado y no marcado también definimos un mínimo de flujo en sección R . Este algoritmo
comportarse de manera bastante ineficiente o incluso no converger si el
las ciudades de los arcos tienen valores irracionales. En caso de que la capacidad de los arcos sea completa, entonces el
la complejidad de F&F será O ( mf máx ). La red de la figura 7.39 muestra un caso en el que el algoritmo F&F
se vuelve extremadamente ineficiente:
Es posible que el algoritmo elija alternativamente ( s , 1, 2, t ) y ( s , 2, 1, t ) como rutas de aumento
fluir. En ese caso, se necesitarán 2.10 n operaciones de aumento de flujo para encontrar el flujo máximo
https://translate.googleusercontent.com/translate_f 264/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
estupendo. Por supuesto, si la elección de la ruta es ( s , 2, t ) y ( s , 1, t ), solo tomará dos iteraciones,
sin embargo, nada en el algoritmo básico de F&F garantiza que el caso patológico no ocurrirá. Es fácil de ver
que el problema del caso patológico radica en la longitud del camino creciente. Si el algoritmo
para aumentar el flujo en el camino que presenta el menor número posible de arcos entonces el
La tasa de F&F será O ( m 2 n ) (ver Dinic [1970]). Esto se puede lograr modificando la secuencia de etiquetado.
examen de modo que los ganglios se examinen en el mismo orden en que recibieron su
Página 318
1
[0, 10] n [0, 10] n
[0, 1] t
s
títulos. El teorema de Edmonds y Karp calcula el orden del número de aumentos de flujo necesarios para
la terminación del algoritmo F&F cuando se introduce la modificación de etiquetado y examen.
A medida que cada aumento de flujo requiere operaciones O ( m ), la complejidad del algoritmo
F&F modificado es O ( m 2 n ). Otro resultado muy interesante se refiere a la complejidad de la alternativa
goritmo óptimo para la solución del problema de caudal máximo.
Teorema 7.3:
Para cualquier red st hay una secuencia de incrementos en el flujo de la cual obtener
caudal máximo.
l = [ l ij ] el vector de capacidad.
(PFM) Maximizar F = ∑ fk
k
sujeto a:
∑ df ijk k≤ l ij ( i, j ) Î V
k
fk³0
Como este problema tiene m restricciones, una para cada arco, habrá una solución básica
viable para el que como máximo m de los f k flujos son estrictamente positivos. Las variables no nulas del
los problemas representan aumentos en el flujo. Esta situación teórica sugiere la posibilidad de la existencia de
un algoritmo capaz de obtener el caudal máximo en O ( m 2 ).
Página 319
https://translate.googleusercontent.com/translate_f 265/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FLUJOS DE RED Y LOGÍSTICA DE DISTRIBUCIÓN 313
El razonamiento de forzar el flujo a través de los arcos, a través de rutas que conectan s y t , se puede extender a
nosotros. Definiendo como el potencial de flujo de un vértice el flujo más grande capaz de ser forzado a través de ese
vértice, es trivial verificar que en cualquier camino que conecta sa t el flujo máximo que se puede insertar
será el que se refiera al nodo con menor potencial perteneciente a la ruta. La figura 7.40 muestra cómo
potencial de un nodo limita cualquier flujo que conecta s a t Obra a través de p.
- +
G - (p) G - (p)
s PAGS t
La idea del algoritmo MPM es agotar la capacidad de los nodos de la red R , en lugar de la capacidad de sus
bordes. Al hacer circular el flujo, el procedimiento intenta agotar los arcos que utiliza. Como el
los arcos están saturados, se eliminan de las siguientes iteraciones. El algoritmo para cuando s o t son
eliminado de la lista de nodos potencialmente activos, ya que todos sus accesos están saturados. El flujo-
La figura 7.41 resume las acciones del MPM:
Cálculo de potencial
de los vértices v j
Fluir dev aj s t
por saturación
Capacidades de actualización
en la red residual
norte s s
eliminado? FIN
Página 320
Sea la red de la figura 7.42. Aplicando el algoritmo MPM obtendremos la secuencia de flujos y eliminaremos
siguiente información:
1 [0, 3] 4 [0, 5] 7
[0,7] [0, 3]
[0, 4] [0, 8]
[0, 9] [0, 3]
https://translate.googleusercontent.com/translate_f 266/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
[0, 2]
[0, 4] [0, 5]
[0, 6]
3 [0, 3] 6
Paso 1: Obtener el potencial de los vértices (valor más bajo entre la suma de las capacidades que entran o
dejando).
K s 1 dos 3 4 5 6 7 t
vk 11 4 3 4 8 6 5 8 19
Paso 2 : Fluir 3 unidades de flujo desde el vértice 2, agotando los arcos que generaron el valor de potencia.
posible cuello de botella (arcos de entrada). Observamos que, al intentar forzar un flujo desde el
vértice de menor potencial del camino, este flujo siempre se podrá realizar.
1 4 7
[dos]
[dos]
3 6
(*) La capacidad del arco (2, 6) se agota antes de entrar (2, 5).
Página 321
1 [0, 3] 4 [0, 5] 7
[0, 7] [0, 3]
[0, 4] [0, 8]
[0, 9] [0, 3]
3 [0, 3] 6
Paso 1 : Obtener el potencial de los vértices (valor más bajo entre la suma de las capacidades que entran o
dejando).
s 1 dos 3 4 5 6 7 t
vk 8 4 0 4 8 5 3 8 dieciséis
https://translate.googleusercontent.com/translate_f 267/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Paso 2 : Fluir 3 unidades de flujo más desde el vértice 6, agotando los arcos que generaron el valor de
posible cuello de botella (arcos de entrada).
1 4 7
[3] [3]
3 [3] 6
Paso 1: Obtener el potencial de los vértices (valor más bajo entre la suma de las capacidades que entran o
dejando).
s 1 dos 3 4 5 6 7 t
vk 8 4 0 1 8 5 0 8 13
Página 322
1 [0, 3] 4 [0, 5] 7
[0, 7] [0, 3]
[0, 4] [0, 8]
[0, 9] [0, 3]
[0, 1] [0, 6]
3 6
Paso 2 : Fluir 1 unidad de flujo más desde el vértice 3, agotando los arcos que generaron el valor de
posible cuello de botella (arcos de entrada).
1 4 7
[1] [1]
3 6
https://translate.googleusercontent.com/translate_f 268/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 [0, 3] 4 [0, 5] 7
[0, 7] [0, 3]
[0, 4] [0, 8]
[0, 9] [0, 3]
[0, 5]
3 6
s
(*) La capacidad del arco (, 3) está agotada
Página 323
Paso 1 : Obtener el potencial de los vértices (valor más bajo entre la suma de las capacidades que entran o
dejando).
K s 1 dos 3 4 5 6 7 t
vk 4 4 0 0 8 4 0 8 12
El vértice de referencia es el número 1, con potencial v 1 = 4. Tenga en cuenta que podríamos haber elegido el
vértice 5 también. En este caso, no podemos olvidar que el flujo de 5 sería forzado a través de vértices con
potencial efectivo, es decir, el vértice 2 no se calcularía para la ruta de flujo a pesar de ser predecesor
ese vértice.
Paso 2: Fluir 4 unidades de flujo más desde el vértice 1, agotando los arcos que generaron el valor de
potencial de cuello de botella (arcos de entrada).
1 [3] 4 7
[1] [3]
[4]
3 6
Se eliminan los arcos saturados y el vértice s tiene potencial cero y se eliminará. Fin.
1 4 [0, 5] 7
[0, 6]
[0, 8]
[0, 9] [0, 3]
s dos [0, 4] 5 t
[0, 5]
3 6
(*) Se agotan las capacidades de los arcos (, 1),s (1, 4), (4,) y (5,) t t
https://translate.googleusercontent.com/translate_f 269/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El análisis de complejidad del algoritmo MPM se puede realizar dentro de cada paso de cálculo.
Dado que en cada iteración se elimina al menos un nodo (el de referencia), la complejidad de
Página 324
ese nodo es O ( n 2 ). La actualización de la capacidad de los arcos se puede hacer en una lista circular, mantenida
teniendo, para cada vértice, los arcos incidentes hacia el exterior. Por tanto, la complejidad de esta fase es
O ( n 2 ). El problema tiene m arcos y cada uno se saturará una sola vez, siendo eliminado
en seguida. En cada iteración, al menos un arco está saturado. Entonces las eliminaciones totales del arco son
El ( m ). Por lo tanto, cada iteración requiere como máximo O ( n 2 ) operaciones. Como existe, en el peor de los casos, la posibilidad
En cuanto a examinar n -2 vértices, el MPM, en esta propuesta de implementación, es O ( n 3 ). La gráfica de
La figura 7.51 resume la relación evolutiva de una serie de algoritmos desarrollados para el problema de
caudal máximo.
Flujo maximo
dos dos
Goldfarb y Hao (1990) O (nm) 2 Ford y Fulkerson (1962) El mf( )0 Cheriyan Hagerup (1990) El mn
( + n log n )
dos 8/3
Goldfarb y Hao (1991) O (...) Edmonds y Karp (1972) El (mn ) Alon (1990) El (mn + n iniciar sesión
)
dos 2+Î
Dinic (1970) El (mn ) Rey et. Alabama.
(1992) El mn
( +n )
2+Î
Karzanov (1974) Luego
() 3 Phillips Westbrook (1993) O (mnlog n + log norte)
m/n
2 1/2
Cherkasky (1977) El nm
( ) Rey et. Alabama.
(1994) El (mnlog norte
mnlon )
El nm
( IniciarUsesión)
Gabow (1983)
Este caso corresponde a la necesidad de hacer circular un flujo en una red st pagando el mínimo posible
a través del tráfico. Normalmente se conoce el caudal a transportar y existen restricciones para el máximo y el mínimo
el caudal permisible en los arcos, así como un valor asociado al tránsito en cada arco por unidad de
flujo ( c ij ) [límite inferior, costo de flujo, límite superior], como se muestra en la Figura 7.52.
La figura 7.53 muestra un resumen evolutivo de algunos algoritmos recientes, basados en el simplex,
para el flujo a mínimo costo en redes:
Página 325
https://translate.googleusercontent.com/translate_f 270/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 [1, 7, 7] 4
10 10
s [1, 6, 8] dos [0, 5, 9] 5 [0, 2, 13] t
[0, 1, 7]
[1, 9, 6]
3 [0, 10, 7] 6
dos 5
1 6
3 4
Página 326
Nosotros Arcos
x 12 x 13 x 24 x 25 x 23 x 34 x 46 x 53 x 56 x 61
1 +1 +1 -1
dos -1 +1 +1 +1
3 -1 -1 +1 -1
4 -1 -1 +1
5 -1 +1 +1
6 -1 -1 +1
https://translate.googleusercontent.com/translate_f 271/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Como ya sabemos, esta matriz A = [ a ij ] está formada por entradas unitarias en la i- ésima y j- ésima
posiciones de columna (asociadas con un arco i - j en la Figura 7.54). Debido a esta propiedad, podemos
expresar una como una suma vectorial de los vectores unitarios y s , como sigue:
a ij = e i - e j
Considerando T cualquier árbol del gráfico de sustrato de la red de ejemplo, entonces T , por definición, es
un subgrafo conectado de la red de ejemplo con m nodos y m– 1 bordes y que no contiene ciclos. Teniendo en
También tenga en cuenta que cualquier submatriz de A , por ejemplo A T , una matriz m ´ ( m - 1) de un árbol en el
ejemplo en la Figura 7.54, entonces si m ³ 2, este árbol tiene al menos un nodo terminal (un nodo con sólo
arcos incidentes). En este caso, la k-ésima fila de A T , contendrá sólo una entrada unitaria, según
La Figura 7.56 y la matriz A T en la Figura 7.57 aclaran.
dos 5
1 6
3 4
Arcos
Nosotros x 12 x 25 x 34 x 46 x 56
1 +1 ç (oferta)
dos -1 +1
3 +1 ç (oferta)
4 -1 +1
5 -1 +1
6 -1 -1 ç (demanda)
Página 327
Es fácil ver que la matriz A T de la figura 7.57 se puede triangular mediante permutaciones
entre sus filas y columnas. Evidentemente, en relación con la solución del sistema de ecuaciones resultante de
matriz de restricción una de las líneas de la matriz es redundante. Con la eliminación de una línea A T el
junto con las variables (arcos) que lo componen formarán una base. Si queremos trabajar con una matriz
m ' soy la alternativa es introducir una variable artificial que añadimos una unidad a la fila de
El . La matriz triangularizada A T , más la variable artificial, se muestra en la Figura 7.58.
x 12 x 25 x 34 x 46 x 56 xa
1 +1 ç (oferta)
dos -1 +1
3 +1 ç (oferta)
4 -1 +1
5 -1 +1
6 -1 -1 +1 ç (demanda)
La matriz de la Figura 7.58 corresponde al siguiente árbol en el gráfico de sustrato de la red de ejemplo:
dos 5
https://translate.googleusercontent.com/translate_f 272/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 6
3 4
Esta asociación entre árboles en el gráfico de sustrato de la red y las soluciones básicas del problema puede
ser formalizado por el siguiente teorema:
Teorema 7.3:
Un conjunto de m columnas linealmente independientes del nodo arco nodo
de una red de flujo corresponde a un árbol en el gráfico G = ( V , E ), sustrato en la red.
En vista de los ejemplos desarrollados previamente de la aplicación del símplex para calcular
flujos de red en situaciones específicas, creemos que ya estamos en condiciones de adaptar los tres
Pasos básicos del algoritmo para el cálculo de cualquier problema de flujo formulado en la norma.
trito:
Página 328
Ejemplo numérico
Determine el flujo de menor costo de la red en la figura 7.60.
b=
1
3 b dos
=2 b=
3
–4
(dos) (3)
1 dos 3
(1) (4)
(5) (1) (1)
4 5 6
(dos) (dos)
b=
4 –2 b 5= 5 b=
6 –4
El flujo en la red de la figura 7.60 se puede formular en un sistema de ecuaciones del tipo Ax = b , donde
A es la matriz de restricción de flujo y b = [ b i ] representa el término independiente para las restricciones de la ecuación.
asociados con los nodos de la red, de la siguiente manera:
Demanda
Arcos
Oferta
Nosotros x 14 x 12 x 23 x 24 x 26 x 45 x 52 x 56 x 61 b yo
1 +1 +1 -1 3
dos -1 +1 +1 +1 -1 dos
3 -1 –4
4 -1 -1 +1 = -dos
5 -1 +1 +1 X 5
6 -1 -1 +1 –4
https://translate.googleusercontent.com/translate_f 273/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
fluir. Cada árbol que corresponde a un flujo viable es una base viable. Sea el árbol de la figura 7.61.
b 1= 3 b dos
=2 b 3= –4
(3)
1 dos 3
(Artificial)
(5) (1)
4 5 6
(dos) (dos)
b 4= –2 b 5= 5 b 6= –4
Página 329
El árbol de la Figura 7.61 corresponde a la matriz triangularizada de incidencia en el arco de tiempos de la Figura 7.62.
Arcos
Nosotros x 14 x 45 x 56 x 63 x 23 xa di
1 +1 3
4 -1 +1 -dos
5 -1 +1 5
6 -1 +1 –4
dos +1 dos
3 -1 -1 +1 –4
3 dos
dos 4
1 dos 3
(Artificial)
3 dos
4 5 6
1 6
dos 4
5
Sin embargo, no todas las bases (árbol en R ) corresponden a una circulación viable. Pensando en
fácilmente tienen una base viable inicial, sería natural imaginar el uso de m variables artificiales que
tener en cuenta el flujo real, lo que automáticamente haría factible el flujo nulo para el otro
red. Cada variable artificial estaría asociado con una línea, suponiendo que el valor ± y i , como
el componente d i señal . Con el mismo razonamiento utilizado en el método simplex, llegaremos a la
conclusión de que una buena forma de eliminar estas variables sería dividir el esquema de solución en
dos frases. En el primero, el método intentaría eliminar las variables artificiales de la base alcanzando
una base viable para el problema. En el segundo, la optimización se procesaría como clásicamente
recomendado en el algoritmo primal simplex. La adición de variables artificiales está asociada con la
clusión de un nodo artificial, es decir, una línea más en la matriz de restricción, como se muestra en la tabla
de la Figura 7.64:
https://translate.googleusercontent.com/translate_f 274/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 330
x 12 ... x 14 x 45 x 56 x 63 x 23 x1 x2 x3 x4 x5 x6 x7 di
1 +1 ... +1 +1 3
4 ... -1 +1 +1 -dos
5 ... -1 +1 -1 5
6 ... -1 +1 -1 –4
3 ... -1 -1 -1 –4
7 0 0 0 0 0 0 0 -1 -1 +1 +1 -1 +1 1 0
La base artificial corresponde a los arcos discontinuos de la Figura 7.65. Tenga en cuenta que para la primera fase del
método, los arcos artificiales recibieron un costo unitario igual a 1, mientras que los arcos reales se cuantificaron
0.
(1)
(1)
b = –4
3
b 1= 3 1 dos 3
(0) b=2 (0)
dos
(1)
(0) (0)
7
(0) (0) (0) b=0
7
b=5 (1)
(0) 5 (0)
b 4= –2 4 5 6
b=
6
–4
(1)
(1)
En este caso, el valor de z ij - c ij se puede obtener directamente de la suma del arco no básico. Cuando
el árbol formado por los arcos en la base que recibe la adición del nuevo arco dejará de ser un gráfico sin ciclos.
Página 331
clos. En el ciclo formado y considerando la dirección del arco agregado al árbol como negativa,
calcularemos todos los costos de los arcos en la dirección opuesta al nuevo arco y restaremos los del mismo
del. Para el caso del ejemplo numérico calcularemos los costos reducidos de los arcos 2-6 y 1-2, arcos no
https://translate.googleusercontent.com/translate_f 275/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
básico.
z 26 - c 26 = –4 - 1 + 3 = –2 como podemos ver en la Figura 7.66:
b 1= 3 b= 2
dos
b=
3
- 4
(3)
1 dos 3
(Artificial)
(-)
(4) (1)
(5)
4 5 6
(dos) (dos)
b 4= - dos b=
5 5 b=
6
- 4
b 1= 3 b=2 b = –4
dos 3
(dos) (3)
1 dos 3
(Artificial)
(-)
(5) (1)
4 5 6
(dos) (dos)
b 4= –2 b=5 b = –4
5 6
Lo sabemos:
z ij - c ij = wa ij - c ij
= W ( e i - e j ) - c ij
= w yo - w j - c ij
Por otro lado, podemos calcular la variable dual w por su definición, es decir:
wB = c B
z 26 - do 26 = w 2 - w 6 - do 26
z 12 - do 12 = w 1 - w 2 - do 12
Página 332
⎡ 1 0 0 0 00 ⎤
⎢ -1 1 0 0 00 ⎥
0 -1 1 0 00
[ w 1w 4w 5w 6w 2w 3 ] ⎢ ⎥ = [5 2 2 1 3 0]
0 0 -1 1 00
⎢ ⎥
0 0 0 0 10
⎢⎣ 0 0 0 -1 -11 ⎥⎦
que produce:
w1-w4=5
w4-w5=2
w5-w6=2
w6-w3=1
w2-w3=3
w3=0
https://translate.googleusercontent.com/translate_f 276/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
z 26 - do 26 = w 2 - w 6 - do 26 = 3 - 1 - 4 = –2
z 12 - do 12 = w 1 - w 2 - do 12 = 10 - 3 - 2 = 5
Dado que hay un arco ( i, j ) tal que z ij - c ij ³ 0, la base actual no es óptima. Como es el mayor costo
reducida (se pide al lector que marque las demás) la variable x 12 debe entrar en la base. Con la entrada
a X 12 , se forma un bucle en el árbol de inducido L . Para que se forme una nueva base es necesario
que uno de los arcos del ciclo se elimina y se crea un nuevo árbol. El criterio de retirada
El arco se asociará con el crecimiento en el flujo del arco entrante. Llamando el valor de flujo por D
arco que entra en la base, a medida que D crece, el flujo en los arcos opuestos a la dirección disminuirá en la
mismo valor. La figura 7.68 muestra el efecto del crecimiento de D. El primer arco que cancela el flujo es el
arco 4-5 y D = 1. La variable x 45 debe salir de la base.
3 dos
Δ 2+Δ
4
1 dos 3
(Artificial)
Sentido 2-Δ
3-Δ
Negativo
4 5 6
1-Δ 6-Δ
dos 5 4
Desde la entrada en la base de una nueva variable, el flujo se actualiza como se muestra en la Figura
7.68, llegando a la solución : x 14 = 2, x 12 = 1, x 56 = 5, x 63 = 1, x 23 = 3 yx a = 0, que es una circulación viable,
como se indica en la Figura 7.69, a un costo de 32 unidades.
El algoritmo recalcula los valores de z ij - c ij . En este caso, z 24 - c 24 = –2 - 1 + 5 = 2. La variable x 2 4 es una candidata.
para entrar en la base. El ciclo que se forma se muestra en la figura 7.70. En este caso, D = 2 y la variable
Página 333
3 dos
1 3 4
1 dos 3
(Artificial)
dos 1
4 5 6
5
dos 5 4
x 14 sale de la base. El flujo en el arco 1-4 se cancela (la variable se vuelve no básica). La solución para el flujo
se convierte en: x 24 = 2, x 12 = 3, x 56 = 5, x 63 = 1, x 23 = 3 yx a = 0, a un costo de 28 unidades. En ese momento, todos
dos z ij - c ij £ 0 y el flujo es excelente.
3 dos
3
1 3 4
1 dos 3
(Artificial)
20 1
4 5 6
5
https://translate.googleusercontent.com/translate_f 277/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dos 5 4
1 12 1 1 1 1 0 4
dos 10 0 dos 1 3 3 3
3 5 0 3 dos 5 1 8
4 1 11 4 dos 4 6 8
5 0 3 5 3 4 5 10
6 3 5 4 12
7 5 4 1 15
Página 334
1. Construya esquemáticamente la red definida en la tabla, indicando una solución viable para un
flujo y su costo.
2. Determine la matriz de incidencia (nodo ´ borde) asociada a la red.
3. Crear un punto de demanda ficticia, con los respectivos arcos asociados, de tal forma que la oferta
total es igual a la demanda total, construyendo el esquema gráfico de la red así formada.
4. Reformule el problema de flujo para que haya un solo punto de oferta y un solo
punto de demanda.
2 - Flujo máximo K
Teniendo en cuenta la siguiente red, calcular el flujo más grande posible entre los vértices s y t usando:
1. Algoritmo de Ford-Fulkerson.
2. Algoritmo MPM.
(0, 5)
(0, 5)
dos (0, 5) 12
13 (2, 8) T
https://translate.googleusercontent.com/translate_f 278/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
circuitos aéreos, etc. La empresa elegida fue Manysteps Airlines. El tablero de vuelo de la empresa
se muestra a continuación.
Decidieron reunirse para comprar sus boletos en asociación con 150 fanáticos, y
Manysteps 50% de descuento en tramos (también llamados tramos de vuelo) que pasan por Brasil
leer (llegar o salir de la ciudad). Sabiendo que la afición se repartirá el gasto de los 150 pases
de manera uniforme, independientemente del esquema de vuelo que se ajuste a cada uno, formular el programa
problema de minimizar los gastos totales de desplazamiento del grupo de aficionados. Un esquema de vuelo
entre São Paulo y Natal es válido si, además de llegar antes de las 19:00:
Página 335
2. Los tiempos de conexión programados (cambios de vuelo) no pueden ser inferiores a una hora.
Por ejemplo: no podemos componer el vuelo 501, que llega a Recife a las 17:00, con el vuelo 595 que
sale hacia Natal a las 17:30, porque el tiempo de conexión sería de solo 30 minutos.
Los vuelos tienen una capacidad de 200 asientos y los boletos reservados ya no se pueden vender
al grupo de fans.
https://translate.googleusercontent.com/translate_f 279/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 336
1. Formule el problema de programación lineal que calcula los flujos de exportación a un costo mínimo.
2. Muestre que este problema puede clasificarse como un problema de flujo en redes capaces.
3. Determine la solución óptima al problema (por cualquier método).
4. ¿Cuáles serán los precios que recibirán los productores de soja en las diferentes regiones productivas?
5 - El problema de la amistad J
Un grupo de discusión de Internet está interesado en formar pares para discutir temas de interés.
interes mutuo. Para cada individuo i se conoce el conjunto de n i personas que son compatibles,
n i = {1, ..., m }.
1. Formule el problema de maximizar la formación de pares compatibles mediante un modelo de
fluir en redes.
2. Qué cambiaría en el modelo anterior si, además de la compatibilidad, se necesitaran pares
fueron formados por un hombre y una mujer?
1 3
dos 4
Red de comunicacion
Un plan de expansión prevé la posibilidad de que la capacidad de los arcos de comunicación sea
extendido y que los nodos de conmutación también pueden procesar un mayor número de mensajes.
Los costos unitarios c ij son conocidos por la expansión de los arcos que conectan los vértices y
ciervo. Los costos del aumento unitario del flujo en un cierto
cambiando v j , j = 3, 4. Sabiendo que la demanda esperada entre los vértices i y j será f ij , formule el
problema de encontrar la expansión que minimice el costo de operación de la red.
Página 337
https://translate.googleusercontent.com/translate_f 280/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
8
TELLER VIAJERO
PROBLEMA DEL
8.1 - INTRODUCCIÓN
8.1.1 - Los orígenes del problema
El problema del viajante de comercio (PCV) es uno de los problemas más tradicionales y conocidos de
explicación matemática (Melamed [1990] y Campello y Maculan [1994]). Los problemas de enrutamiento tratan en
mayormente con tours o tours bajo demanda o puntos de suministro. Estos puntos se pueden representar
ciudades, puestos de trabajo o estaciones de servicio, almacenes, etc. Entre los tipos de tours uno de
el más importante es el llamado hamiltoniano. Su nombre se debe a Willian Rowan Hamilton quien, en
1857, propuso un juego que llamó La vuelta al mundo . El juego se hizo en un dodecaedro en el que cada
El vértice se asoció con una ciudad importante en ese momento. El desafío fue encontrar una ruta
a través de los vértices del dodecaedro que comenzaba y terminaba en la misma ciudad sin repetir jamás
Una visita. El gráfico del problema se muestra en la Figura 8.1.
Página 338
tonianos en cualquier gráfico. El objetivo del PCV es encontrar, en un gráfico G = (N, A), la ruta
Miltonian de menor costo.
https://translate.googleusercontent.com/translate_f 281/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La importancia de la PCV se debe al menos a tres de sus características:
4 Gran aplicación práctica (Bellmore y Nemhauser [1968], Burkard [1979], Reinelt [1994]).
4 Grandificultad para encontrar una solución exacta (Papadimitriou y Steiglitz [1982], Gould [1991] y Zhang
[1997]).
Por tanto, la importancia del modelo es indiscutible, tanto desde el punto de vista práctico como teórico.
Considerado intratable por Garey y Jonhson (1979), Karp (1975) lo clasifica como NP-arduo.
8.2.1 - Formulaciones
Hay varias formulaciones para este problema. Por su importancia, presentaremos los más
fusionado. Estas formulaciones pueden considerarse canónicas, tanto por su amplia difusión en la literatura.
ratura especializada a medida que desarrollan formas peculiares de caracterizar el problema. por
un enfoque más específico Lawler et al. (1985) presentan un buen estudio introductorio.
norte norte
(PCV1) Minimizar z = ∑∑ cx
ij ij
j= 1 = 1
yo
sujeto a:
norte
∑ =x ij 1 "jÎN (8,1)
yo= 1
Página 339
norte
∑ =x ij 1 "iÎN (8,2)
j= 1
Donde la variable binaria x ij asume un valor de 1, si se elige el arco ( i , j ) Î A para integrar la suma
solución, y 0 en caso contrario, y S es un subgrafo de G , donde | S | representa el número de vértices de este
subgrafo. En esta formulación asumimos implícitamente que x ii no existe y que tendremos n (n - 1)
restricciones de números enteros 0 - 1 y O (2 n ). Las restricciones (8.1) y (8.2) son similares al problema de diseño
nación, por lo que configuraciones como las que se muestran en la Figura 8.3 serían válidas. El conjunto de respuestas
(8.3) determina la eliminación de estos circuitos pre-hamiltonianos.
Las ecuaciones en | S | ilegalizar los circuitos pre-hamiltonianos. La figura 8.3 muestra que la respuesta
trición a | S | = 5 elimina los circuitos pre-hamiltonianos con cinco vértices de la siguiente manera:
x 15 + x 54 + x 49 + x 96 + x 61 £ 4
x 23 + x 3 10 + x 10 8 + x 72 + x 87 £ 4
Para cada circuito pre-hamiltoniano posible, es necesaria una restricción de tipo (8.3), que justifique
por tanto, se aplica el número de restricciones de O (2 n ).
Esta formulación destaca un aspecto importante de la PCV que es su naturaleza combinatoria. Para el
Está claro que resolver una PCV es determinar una determinada permutación legal de costo mínimo.
La formulación de Dantzig también ayuda a comprender la conexión de PCV con
secuenciación de operaciones, tan común en la fabricación. Suponiendo que hay una cierta cantidad de
cada máquina para recibir una tarea, y que las tareas se pueden distribuir en múltiples
formas en el conjunto de máquinas existentes, el problema de encontrar una secuencia de operaciones
que minimiza el tiempo de preparación de la máquina y, por tanto, los costes laborales,
modelarse como un PCV.
• Formulación de Miller-Tucker-Zemlin
https://translate.googleusercontent.com/translate_f 282/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Miller,
como seTucker y Zemlin
describe abajo: (1960) proponen una formulación para PCV llamada Folha de Cravo, según
dos dos
4 6 3 4 6 3
1 1
8
X 8
9 9
10 10
7 X 7
5 5
∑ x=
∑ ∑ ≤ 4
ij 5 x=
ij 5 X 5 –1
yo, j yo, j yo, j ij ≤⏐ ⏐
Página 340
Denotaremos la ciudad 1 como la ciudad inicial o final o la ciudad local. El viajante debe visitar
las otras n - 1 ciudades exactamente una vez. Durante su viaje debe regresar a su ciudad de origen exactamente
mente t veces, incluido el regreso final, y no debe visitar más de p ciudades diferentes en un recorrido o
⎡ norte
- 1⎤
ciclo. La formulación requiere que Tennesse
- 1 , donde ⎡ ⎤a denota el número entero más pequeño mayor o igual que el valor
⎢⎢ PAGS ⎥⎥≤ ≤
valor de un , o techo de división, para asegurar la existencia de viajes viables. De esta forma, el PCV puede ser
modelado de la siguiente manera.
norte norte
(PCV2) Minimizar z = ∑∑ cx
ij ij
j= 1 = 1
yo
sujeto a:
norte
∑ Xyo1 = t (8,5)
yo= dos
norte
∑ x ji = 1 j = 2, ..., n (8,6)
= 1
yo
norte
∑ =x ji 1 i = 2, ..., n (8,7)
j= 1
u i - u j + px ij £ p - 1 2£i¹j£n (8,8)
u yo ³ 0 £2i£n (8,9)
x ij Î {0, 1} "i,jÎN (8,10)
El primer conjunto de restricciones (PCV2) garantiza que la ciudad de origen se visite exactamente t
veces. El arco ( i, j ) a través de la solución viable 0-1 de los primeros tres conjuntos de restricciones requiere la
conjunto de restricciones en p para convertirse en:
u yo - u j £ - 1
• Formulación Fox-Gavish-Graves
Fox, Gavish y Graves (1980) formularon una generalización del PCV denominada dependiente del tiempo . En esto
formulación el costo de recorrer la ruta entre ciudades ij depende de la posición t del arco ( i, j ) en un
recorrido (o recorrido) de una ciudad de origen dada indexada por 1. Esta formulación fue originalmente
Fox, por el problema de la programación de n trabajos en 1 máquina . Las variables de decisión de este modelo z ij t
están triplemente indexados. z ijt = 1 si al arco i a j se le asigna la t -ésima posición del recorrido , z ijt = 0
de otra manera. Así tenemos:
https://translate.googleusercontent.com/translate_f 283/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
yo
= 1 j= 1 t = 1
sujeto a:
norte norte norte
∑∑∑ z ijt = n (8,11)
= 1 j= 1 t = 1
yo
Página 341
Las restricciones (8.11) o restricciones de agregación del problema de asignación tridimensional garantizan
que cada ciudad se visita exactamente una vez y que para cada puesto de recorrido hay un arco designado
del. El conjunto de restricciones (8.12) garantiza la eliminación de subtours .
• Formulación de Claus
Padberg y Sung (1988) presentan una importante formulación de la PCV debida a Claus, utilizando conceptos
flujos de red. Denotando por s el origen de la ciudad o fuente y girando todo hamiltoni- ciclo
año en un camino hamiltoniano, ya que también considera la ciudad de origen como destino t ,
interpretar el PCV como un problema de la determinación de un camino de Hamilton de s a t en el di-
gráfico G = ( V , E ), donde:
V = V 1 È { s , t }, V 1 = {1, ..., n } e
V = V * È { t } y E = {( i , j ), " i ¹ j Î V 1 } È {( s , i ), ( i , t )," i Î V 1 }.
El flujo en la red involucra n + 1 comodidades. Claus define una variable auxiliar y ijk como el flujo de la
k -ésima conveniencia en el arco ( i , j ). Por tanto tenemos:
sujeto a:
∑ Xij = ∑ XJi "iÎV1
j∈
V j∈
V
y ijk £ x ij " yo , j , k
x ij ³ 0 " yo , j
y ijk ³ 0 " yo , j , k
8.2.2 - Aplicaciones
El PCV, en sus diversas versiones, está presente en numerosos problemas prácticos. Sin extender
demasiado podemos destacar:
Página 342
https://translate.googleusercontent.com/translate_f 284/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
336 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL ELSEVIER
Este caso particular de PCV es extremadamente importante, ya que representa muchas de las situaciones reales de
ment. Cuando la matriz de costos de PCV es simétrica, el problema se llama simétrico . Si c ik £ c ij + c jk ,
" i , j , k Î N el PCV satisface la llamada desigualdad triangular . Un PCV se llama euclidiano (PCVE)
cuando su matriz es simétrica y satisface la desigualdad triangular, característica de la métrica euclidiana.
Un caso especial de PCV simétrico es aquel en el que hay conjuntos de nodos que tienen restricciones.
condiciones que les obliguen a estar en una determinada secuencia de asistencia. Estos conjuntos de nodos
se llaman agrupaciones o grupos. El problema se conoce en la literatura como Sym-
Tric problema del viajante en racimos (SCTSP). El problema así definido tiene varias aplicaciones en
enrutamiento industrial y de vehículos (véase Jongens [1985]).
Página 343
empleado. Obviamente, cuando se visitan todos los nodos de los grupos, el problema radica en la
físico. Una versión de este problema, llamada igualdad, requiere que en cada conglomerado solo un vértice sea
visitó. Esta versión modela problemas de conexión en circuitos integrados donde los subcircuitos tienen
en varias posiciones de conexión posibles con el conjunto de placa. La figura 8.4 aclara la topología del
modelo que muestra una de las muchas alternativas de enrutamiento de cuatro tarjetas:
Otra aplicación del PCVG ocurre en el área de entrega de correspondencia administrativa y bancaria.
dos dos
3 3
11 15 11 15
8 8
https://translate.googleusercontent.com/translate_f 285/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
14 12 14 12
13 13
10 7 10 7
4 6 4 6
5 5
9 9
1 1
risa. En este tipo de problemas siempre existe una red de estaciones de servicio (sucursales bancarias, sucursales,
etc.) donde un mensajero puede realizar una determinada actividad sin distinción. Suponer-
el problema es ejecutar r servicios en n estaciones posibles, n > r . Supongamos que cada tipo de servicio
El servicio se puede realizar indistintamente en un punto de los conjuntos homogéneos S r que dividen n , o
es decir, el mensajero debe pasar por al menos un punto perteneciente a cada conjunto S r para
realizar las tareas r . La solución PCVG a este problema es el ciclo hamiltoniano más corto
que visita un nodo en cada uno de los conjuntos de puntos S r donde n se divide. Laporte y col. (1996) presentó
Hay otras aplicaciones en tu trabajo.
Supongamos que el conjunto de nodos de G = ( N , A ) se divide en grupos disjuntos S 1 , S 2 , ..., S r ,
es decir, N = S 1 È S 2 È .... È S r . Sea R = {1, 2, ..., r } el conjunto de índices de los grupos. Asumiendo todavía
no hay arcos que conecten estos nodos, Noon y Bean (1991) presentan el siguiente modelo de
información completa para el PCVG:
sujeto a:
∑∑ = 1 x ij (8,14)
yo∈SI j ∉SI
∑∑ = 1 x ij (8,15)
yo∉SI j ∈SI
∑ ∑ ∑ ∑ ≥1 X ij "R,£2|R|£r-2 (8,17)
IR∈ i SI JR∈ ∉ j ∈Sj
x ij Î {0, 1} (8,18)
Página 344
comienzo
4 4
7 7
8 5 8 5
L L
6 6
11 11
12 12
9 9
3 3
10 10
segundo segundo
1 1
dos dos
https://translate.googleusercontent.com/translate_f 286/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Este problema consiste en obtener r recorridos , todos comenzando y terminando en un cierto vértice ( x 0 , por ejemplo
ejemplo) en G , normalmente asociado con r empleados, cuya suma total es mínima.
Este problema consiste en obtener un ciclo hamiltoniano tal que su borde más largo sea
mínimo. Burkard (1991) formaliza el problema. Es interesante notar que la solución PCV es un límite
Página 345
menor para este problema de optimización. A pesar de ser un problema NP-arduo como el
anterior (Parker y Rardin [1984]) en varias situaciones puede admitir solución polinomial. Rebaba-
kard (1991) demostró que para el caso en que la matriz de costos de este problema C = [ c ij ] se puede descomponer
poner en un producto de dos vectores ( una i ) y ( b j ) de manera que en 1 £ a 2 £ .... £ un n y b 1 ³ b 2 ³ .... ³ b n , entonces el PCV
MinMax se puede resolver en O ( n 2 ), mientras que el PCV asociado sigue siendo NP-arduo.
Este problema fue propuesto por Fischetti y Toth (1988) y también estudiado por Balas (1989). Asociar
Una bonificación del b i por cada vértice x i de un gráfico G = ( N , A ), PCV-B consiste en determinar un recorrido ha-
miltoniano de longitud mínima desde un vértice x 1 hasta un subconjunto S Í ( N \ { x 1 }) tal que el retorno
el total obtenido en bonificación en los vértices es al menos igual a un cierto valor p .
Consideremos que en el problema de la gráfica de la figura 8.6 (a), donde el vértice x 1 es el vértice 1,
se obtiene una bonificación mínima de 25 unidades y el subconjunto S de vértices de N tiene una cardinalidad igual a
6. El ciclo (c) sería una mejor solución que (b). Observamos que el ciclo hamiltoniano de (b) es menor que
el de (c) pero viola la condición de bonificación mínima. La solución 1-4-5-2-3-7-6-1 tiene una duración de ciclo
19 y bono 29, siendo la solución óptima. Observamos que la solución 1-6-7-3-2-5-4-1, que tiene un
19 y bonificación 30, es igualmente grande, ya que la condición de bonificación es solo restrictiva.
10 10 10
(a) Gráfico G (b) Solución = 19; Bono = 24 (c) Solución = 20; Bono = 25
https://translate.googleusercontent.com/translate_f 287/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
longitud pero con diferentes bonificaciones no son distintas. El PCV-S aborda la situación en la que, por
cierto subconjunto S Í ( N \ x 1 ), ahora queremos maximizar la bonificación, sujeto a la restricción de que la longitud
la duración del ciclo no supera un cierto valor r .
Considere que en el problema de la gráfica de la figura 8.7 (a), donde el vértice inicial x 1 corresponde
al nodo 1, y que no se requiere que la longitud del ciclo hamiltoniano sea superior a 25 unidades,
considerando | S | = 6. En el ejemplo de la Figura 8.7, los ciclos (b) y (c) son legales, pero el ciclo representado
La figura 8.7 (c) sería la solución buscada. Observamos que el ciclo hamiltoniano de (b) es menor que el
de (c), pero el criterio de optimización ahora se refiere a la bonificación.
El estocástico PCV
El PCV clásico considera que el ciclo hamiltoniano deseado, o el recorrido del secretario, se llevará a cabo en una gráfica
en el que los elementos constituyentes son deterministas. En el modelo estocástico, ventanas de tiempo,
vértices, tiempos y costos de aristas son elementos a los que podemos asociar distribuciones de
probabilidades que definirán su existencia o valor. Se han informado los siguientes casos
En literatura:
Página 346
10 10 10
(a) Gráfico G (b) Solución = 24; Bono = 26 (c) Solución = 25; Bono = 33
En esta versión, el gráfico G = ( N , A ) tiene sus vértices ocupados por los clientes x i , i Î N según una probabilidad
p i . Por tanto, el modelo considera el caso en el que existe la posibilidad de que un vértice de G no exija una
visitar. El enfoque para mostrar un recorrido legal dentro de este modelo generalmente incluye dos pasos:
https://translate.googleusercontent.com/translate_f 288/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
caminos que unen dos vértices de un gráfico o conjuntos de bordes no adyacentes de una coincidencia
máximo. Cada elemento e i , i = 1, 2, ..., p están asociados con dos números reales, uno representado por c i o
costo, y otro por p i o peso.
Página 347
Dado que S Î F , donde F es el conjunto de soluciones viables a un determinado problema, la función se define:
Z ( S ) = Máx. { p i } + ∑ c yo
y 1∈ s
oye∈S
El problema de optimización Min Max-Min Sum se puede formular de la siguiente manera (M 3 S1) :
Min ZS ()
SF∈
Uno de los primeros trabajos que aborda un problema de optimización combinatoria bicriteraria en
El formato M 3 S fue informado por Hansen (1980) para el problema de la ruta más corta. Se informó OM 3 S
visto por primera vez como un problema distinto en el trabajo de Minoux (Minoux [1986]), apareciendo
como un subproblema del problema de descomposición de la matriz relacionado con la asignación óptima de
tráfico de comunicaciones en satélites. Posteriormente, el problema se asoció, entre otros, con
problemas de coloración de aristas en gráficas valoradas y partición de vértices y aristas (Minoux
[1987]). Martello y col. (1984) presenta un problema similar al M 3 S en el contexto de la asignación equilibrada
da. Berman, Einav y Handler (1990) abordan un problema de bicriterio con dos medidas de desempeño
que podrían modelarse como en M 3 S, pero que, en el estudio, se tratan por separado, un
problema como la restricción del otro. Casos de bicriterios similares se resuelven a través de superficies.
cias de Pareto en las obras de Braham (1966) y Frisch (1966). OM 3 S1 se puede formular en un
equivalente como se expresa a continuación que llamaremos (M 3 S2):
⎧ ⎧ ⎫⎫
Min ⎨PAGSk
+ Min ⎨ ∑ C ⎬⎬
yo
s ∈ F ⎩y ∈S ⎭⎭
1≤ ≤ kp k
⎩ yo
De modo que resolver M 3 S puede ser equivalente a resolver una secuencia del subproblema p
pero Min_Sum. El algoritmo de Minoux 1989 se basa exactamente en la formulación M 3 S2.
En el contexto de aplicaciones prácticas, el PCV-M 3 S puede modelar situaciones de enrutamiento entre celdas
instalaciones de producción donde el empleado representa un dispositivo de transporte y el movimiento de productos
entre celdas causan un impacto en el tamaño de las filas dentro de cada celda.
El Problema del Vendedor Viajero Periódico (PCV-P) consiste en programar una visita diaria del
ro en un horizonte de planificación m días para visitar al menos una vez una de las n ciudades
un conjunto I = {1 ,…, i,… n }, considerando que el empleado regresa a su ciudad
diario. El objetivo del problema es minimizar la distancia total recorrida en los m días del horizonte
de planificación. Las ciudades se pueden visitar más de una vez en un período de m días, sin embargo
sólo una vez al día. No se permite un viaje diario vacío, no hay visitas. El PCV-P fue el primero
descrito por primera vez en el trabajo de Palleta (1992).
Considerando que el vehículo del viajante tiene cierta capacidad y que el vendedor
debe entregar y recoger productos de sus clientes. Considerando que los productos recolectados pueden
puede ser entregado a otros clientes en ruta, el PCV con Recolección (PCV-C) consiste en programar un
proyecto que, satisfaciendo toda la demanda y oferta de los clientes dentro de la capacidad del vehículo, minimiza
la distancia recorrida. Los primeros trabajos sobre el tema se deben a Anily y Mosheiov (1994), y
Mosheiov (1994) quien describe una aplicación al transporte escolar. La variante actual tiene muchos
puntos en común con el problema de enrutamiento de Recolecciones y Entregas .
Página 348
https://translate.googleusercontent.com/translate_f 289/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
PCV con recompletación (PCV-R)
Mientras que los pesos enteros positivos w i se asignan a los nodos de un multigrafo dirigido G =
( N , A ) y que el peso de la trayectoria p es la suma de los pesos de los nodos a lo largo de p . Un subconjunto de los arcos es
llamado arcos recompletación ( recarga ) se observa para B Í A . Los otros arcos, denotados por
C = A \ B, se llaman ordinarios ( comunes ). Se dice que un camino es inviable si su peso excede uno
cierto límite de peso constante y si no contiene arcos de repleción; de lo contrario, es
viable. Una ruta es mínimamente inviable si todas sus subrutas son viables.
El problema del viajante de comercio con la reconstrucción de arcos denotado por (PCV-R) es encontrar un recorrido por
costo mínimo, es decir, un ciclo hamiltoniano dirigido, que no contiene subtrayectos no viables. En eso
contexto tiene sentido permitir la posibilidad de la existencia de dos arcos paralelos entre nosotros, uno es un
reconstruyendo el arco y el otro un arco ordinario, por lo que el arco ordinario tiene un costo menor.
El PCV en línea
Esta es la versión en línea del PCV, es decir, cuando se cambian los datos de entrada del problema
durante todo el proceso de solución.
Página 349
El PCV remoto
Lj = ∑ w yo
yo= 1
https://translate.googleusercontent.com/translate_f 290/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• Restricciones de inclusión, para que se visite un determinado nodo i (mínimo / máximo / exacto
m ) nodos (antes o después) de un determinado nodo j.
• Restricciones de exclusión, para que no se visite un determinado nodo i (al menos / como máximo)
mes / exactamente) m nodos (antes o después) de un cierto nodo j.
La presente variante es descrita por Balas et al. (1995), y se propone una reformulación del problema
por Wang y Regan (2002).
El PCV Bipartito
El problema es determinar un circuito hamiltoniano de costo mínimo en una gráfica ponderada.
tiene n nodos rojos y n nodos azules, de modo que el circuito comienza en un nodo azul y los nodos viven
Los más pequeños del circuito siempre tienen colores diferentes. El problema se define en Chalasani et
Alabama. (1996) junto con algoritmos heurísticos para el problema.
Página 350
Enfoques exactos
https://translate.googleusercontent.com/translate_f 291/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1973 Lin y Kernighan Métodos heurísticos
Kanellakis y
1980 Busqueda local
Papadimitriou
Página 351
https://translate.googleusercontent.com/translate_f 292/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1985 Lawler y col. Revisión del estado del arte - texto
1990 Melamed y col. Revisión del estado del arte
Página 352
mil novecientos
Jonker
ochenta
y Volgenant
y dos cama y desayuno
Lewenstein y
2003 Heurísticas para el máximo PCVAS
Sviridenko
https://translate.googleusercontent.com/translate_f 293/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 353
Fagerholt y
2000 aplicaciones
Christiansen
1977 Russel
Página 354
https://translate.googleusercontent.com/translate_f 294/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1992 Bentley Algoritmos heurísticos
1996 Zachariasen y Dam Búsqueda tabú
Al-Mulhem y
1998 Método elástico
Al-Maghrabi
El PCV euclidiano
(PCV-E) 1998 Arora Esquema de aproximación de tiempo lineal
Salazar-González y
2003 Caso de entrega y recogida de un solo artículo
Hernández-Pérez
Salazar-González y
2004 B & Cut
Hernández-Pérez
Mínimo máximo)
1997 Golden et al . Heurística con memoria adaptativa
(PCV-B)
1996 Blum y col. Oh heurístico (log 2 k). k = nodos recolectados
El selectivo PCV
1990 Laporte y Martello Modelo selectivo de PCV
(PCV-S)
Página 355
https://translate.googleusercontent.com/translate_f 295/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
metro
sujeto a:
metro
∑ xj=n (8,19)
j= 1
Página 356
∑ xj=2 (8,21)
j ∈Av
⎛ metro ⎞ ⎛ ⎞
⎜
min ⎜ ∑
cxij ij
⎟
⎟+ ∑∑
λ ι⎜
⎜
⎟
X j - dos
⎟
X
⎝ j= 1 ⎠ yo∈ N ⎝ j ∈Ai ⎠
⎡ metro ⎤
min ⎢ ∑ c j( + λ ij + λ kj ) - dos ∑ λ ⎥
yo
X ⎣ ⎦
j= 1 yo∈N
Sujeto a las otras restricciones de Lim_Arv, donde i j y k j son los dos nodos ( i y k ) que definen el arco j (re
mostrado en el índice). De hecho, la función objetivo en l representa una transformación de costos en el
https://translate.googleusercontent.com/translate_f 296/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
función original Lim_Arv tal que:
c j = c j + l ij + l kj
metro
sujeto a:
∑ xj=2
j ∈Ai
x j Î {0, 1} j = 1, ..., m
Página 357
Esta formulación se puede obtener a partir de la relajación asociada al árbol generador mínimo mediante
las restricciones de continuidad de la estructura (el árbol es un subgrafo relacionado). Podemos, como
en el caso anterior, incluya la restricción en la función objetivo usando multiplicadores de lagrange. A favor-
El problema es esencialmente el mismo que antes y sus técnicas de solución análogas.
Como se desprende de la formulación de PCV1, los dos primeros conjuntos de restricciones representan una
Problema de asignación lineal. Balas y Christofides (1976) sugieren la introducción de otras restricciones del
problema, en la medida de su violación en una relajación lineal, en la función objetivo, a través de
sensores de lagrange. Los detalles de la propuesta se pueden ver en Christofides (1979).
En vista de la extrema importancia de obtener buenos límites para la posibilidad de una solución
identificación exacta de PCV en problemas de tamaño real (a menudo con decenas o cientos de miles de
clientes) y el alto grado de sofisticación de los algoritmos exactos de hoy (que están más allá del alcance de
de este artículo), centraremos nuestra atención en algunos enfoques aproximados.
https://translate.googleusercontent.com/translate_f 297/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Holanda, como DeJong (1975), Grefenstette (1986), Goldberg (1989) y otros. En resumen, podemos encontrar
que AG es parte de la computación evolutiva que ha encontrado la posibilidad de aplicar
información general y que tiene las siguientes características generales:
Página 358
En resumen, podemos entender que AG son parte de la computación evolutiva que encontramos
trajo la posibilidad de aplicación general. Los siguientes términos son utilizados ampliamente por aquellos
goritmos:
• Aptitud : medida de la aptitud de un individuo (es decir, normalmente asociada con el valor de la función
objetivo para una solución dada).
• Gen: representa un componente del cromosoma (es decir, una variable problemática).
• Alelo o Alelo : describe los posibles estados de un atributo del individuo (es decir, los posibles
valores de una variable de problema).
• Locus : representa la posición del atributo en el cromosoma (es decir, la posición del componente en el vector
componentes).
• Operadores genéticos: son las reglas que permiten la manipulación de cromosomas que, básicamente
son:
• mutación o el operador que permite la producción de un nuevo individuo mediante cambios directos
en el cromosoma padre.
• Fenotipo: denota el cromosoma decodificado.
• Genotipo: representa la estructura del cromosoma codificado.
• Esquema : es un modelo de representación para una familia de cromosomas, generalmente se representa
sentado por símbolos * dentro del cromosoma.
(Fenotipo)
1 5 dos
9
dos
1 1 * 6 5*4 3 2
6 dos 8 3
Esquema
3 dos
4
dos
5 3 4
165432 o 561432
s
Solución = {1,6,5,4,3,2}
gen g 3
165432 Fitness = 23
Genotipo = (,,,,,) gggggg
1 dos 3 4 5 6
Cromosoma
De hecho, los AG son algoritmos de búsqueda probabilística inteligente, con las siguientes características
básico:
• Los individuos están representados por cromosomas y compiten por los recursos y la posibilidad de reproducción .
Los cromosomas generalmente se asocian con soluciones a problemas modelados. Un
La población inicial se forma, en principio, a través de algún mecanismo de evaluación del desempeño.
mance. Cuando aún no se conoce este mecanismo, se puede formar la población
https://translate.googleusercontent.com/translate_f 298/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 359
aleatorio. Los individuos, en general, se codifican como una secuencia finita en un alfabeto.
binario {0, 1}. Se dice que cada componente de la secuencia es un gen. Es natural suponer que un gen es
asociado con una variable de problema. Desde la solución inicial, el mecanismo de reproducción
sera aplicado.
• Los individuos que tienen más éxito en las competiciones tienen más probabilidades de reproducirse que
aquellos con menor rendimiento . El mecanismo de reproducción consta de una función de evaluación
clasificación que clasifica a los individuos por su desempeño y por reglas que permitirán estos
los mejores individuos perpetúan y reproducen. Notamos la importancia de la función fitness o
Evaluación del desempeño. El llamado método de la rueda de la ruleta elige al individuo
un padre con una probabilidad igual a su idoneidad normalizada, es decir, el resultado de
su adecuación absoluta dividida por la adecuación media de la población evaluada. El recorrido
nmento extrae aleatoriamente k miembros de la población y, en este grupo, elige al individuo de
mejor presentación. Es importante comprender la naturaleza probabilística del proceso, con el objetivo
mantener la diversidad de la población.
• Los genes de los individuos evaluados como buenos se propagan a través de poblaciones, para que puedan ser
mejorado y generar una descendencia cada vez más adecuada. Los individuos seleccionados serán transformados
por operadores genéticos en nuevos individuos. Hay operadores asociados a la reproducción.
con el uso de uno o más de un individuo. El operador de reproducción principal utiliza
dos individuos, llamándose cruce o cruce . Hay varias formas de realizar una
cruzamiento entre individuos representados por cromosomas. Básicamente, el objetivo de
el cruce consiste en formar nuevos individuos a partir del intercambio de genes entre los padres individuales. Allí-
Para cada caso se especifican los grados que definen cómo se producirá este intercambio de genes.
La figura 8.9 muestra la posibilidad de una intersección donde se elige la posición de permutación
al azar.
Padres Niños
11011010100 10,101 0 1 0 1 0 0
Posición aleatoria
10101100111 11001100111
11011010100 10111010100
Página 360
Papá Hijo
Inversión
10101 0011 11 10101 1100 11
Papá Hijo
Mutación
101011 0 0011 101011 1 0011
https://translate.googleusercontent.com/translate_f 299/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Puntual
AG = ( N , P , F , Q, W, Y,)
F: S i → ℜ + , yo = 1, ..., N
Q es el operador de selección padre que elige r individuos de P
P: P ® { p 1 , p 2 , ..., p r }
Y es el operador de remoción que elimina son individuos seleccionados en la población P , permitiendo, para
ejemplo, que son niños (nuevos individuos) se agregan a la nueva población P T + 1 :
P t +1 = P t - Ψ ( P t ) + { f 1 , f 2 , ..., f s }.
t es el criterio de parada
t: P t ® {verdadero, falso}
La propia concepción del modelo genético lo hizo flexible y abstracto. El significado de las cadenas de cromo
mosomes es completamente gratis. Lo que está en foco en el modelo es una concepción generalista de un
proceso adaptativo, por eso se le llama metaheurística . Cada situación depende del modelo
pintor para implementar el proceso de selección adaptativo y natural recomendado en la estrategia. La representación
de una solución dentro de una estructura cromosómica puede no ser una tarea trivial. El muy
La secuencia binaria propuesta por Holland puede ser inadecuada para muchos de los problemas de programación
definición lineal de enteros, por ejemplo, considerando números enteros. Abordaremos esto
tema en el momento adecuado. Un algoritmo genético requiere:
Página 361
Meta-algoritmo genético
COMIENZO
Genera una población inicial
Evaluar la aptitud de los individuos de la población.
Repetir
comienzo
Seleccionar un grupo de padres en la población
Criar a los padres para que se reproduzcan.
Evaluar la aptitud de los niños generados
Reemplazar a los niños considerados inadecuados
Fin
Hasta que se cumpla el criterio de detención
https://translate.googleusercontent.com/translate_f 300/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIN
Varios informes informan de buenos resultados en el uso de algoritmos genéticos para la solución PCV.
autores (Wetzel [1983], Grefenstette et al. [1985], Goldberg y Lingle [1985], Sirag y Weisser [1987]). Utilizar
Usaremos el gráfico de la Figura 8.11 para ejemplificar la terminología y los procedimientos de esta técnica.
1 dos
6 3
5 4
• Obtener una representación genética de soluciones PCV viables y asociar esta representación con un proceso de
reproducción .
Hay varias formas posibles de representación genética de las soluciones de PCV. El mas conocedor
das son:
1 - Cadena de enteros
En esta forma de representación, el cromosoma está formado por la secuencia de nodos en el ciclo, es decir, por
una solución PCV. En el ejemplo de la figura 8.12, un cromosoma podría ser p 1 = (1, 4, 2, 3, 6, 5), que
corresponde a la solución:
Página 362
1 dos
6 3
5 4
Esta representación también se conoce como rutas . Es la representación más natural para un
cromosoma, ya que el ciclo se expresa directamente. Grefenstette y col. (1985) reporta buenos resultados
resulta en el uso de esta representación; sin embargo, una de sus dificultades es que el crossover puede
producir ciclos inviables como:
PAGS= (,,,
123 | 4 5,,)6
1 Þ f 1 = (1, 2, 3, | 5, 1, 6) yf 2 = (4, 3, 2, | 4, 5, 6)
PAGS= 4 32|5
dos (,,, ,)dieciséis
Ante este problema, se han desarrollado operadores especiales que evitan la producción
de niños inviables (genéticamente abortivos), dado que los padres son representaciones de soluciones viables.
viable. Entre ellos destacamos:
PAGS= (,,,
123 | 4 , | 5, 6, 7 )
1 Þ f 1 = (1, 2, 3, | 5, | 5, 6, 7) yf 2 = (4, 3, 2, | 4, | 1, 7, 6)
PAGS= 4 32|,| 5
dos (,,, 1, 7, 6)
https://translate.googleusercontent.com/translate_f 301/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Estos son ciclos inviables. Luego, el operador intentará poblar cada gen f 1 em de su padre p 1 , y
cada gen f 2 , de su padre p 2 , siempre que no formen un ciclo inviable para PCV. Entonces:
f 1 = (1, 2, 3, | 5, | Ä, 6, 7) yf 2 = (Ä, 3, 2, | 4, | 1, 7, 6)
Tomamos la primera Ä de f 1 que debería ser 5, pero no es posible, porque 5 ya pertenece al gen
que fue heredado de p 2 . Ahora buscamos el valor que ocupó la posición de incompatibilidad en
f 1 , en cuarta posición. El número es 1. Este número es obviamente compatible con el gen 5 heredado
porque está en el padre. Desafortunadamente, 1 ya pertenece al cromosoma f 1 . Volvemos a mirar f 1
Página 363
p 2 = (4, 3, 2, –––, 1, 7, 6)
f 1 = (1, 2, 3, | 5, Ä, 6, 7)
PAGS= ( 1, 2, 3, 4, 5, 6 7, 8, 9 ) ⇒ Fdos= ⊗ ⊗⊗
(,,,,,,,) 456 ⊗⊗⊗
1
PAGS= F1 = ⊗(,, ⊗ ⊗
dos ( 4 , 3, 2, 1, 8, 5 6, 7, 9) ,,,,,)
185⊗⊗⊗
Los hijos f 1 y f 2 heredan las bandas entre los cortes uno y dos. A partir del segundo corte de un padre
(por ejemplo p 2 ), eliminamos de esa lista las ciudades contenidas entre los dos cortes del otro padre (en este caso
p 1 ), es decir: de 6, 7, 9, 4, 3, 2, 1 , 8 , 5 , quitaremos 4, 5, 6, obteniendo la secuencia: 7, 9, 3, 2, 1, 8. Esta
la frecuencia debe indexarse en f 1 desde su segundo corte:
2, 1, 8 7, 9, 3
¯¯¯ ¯¯¯
f 2 = (Ä, Ä, Ä, | 4, 5, 6, | Ä, Ä, Ä,)
3, 4, 6 7, 9, 2
¯¯¯ ¯¯¯
f 1 = (Ä, Ä, Ä, | 1, 8, 5, | Ä, Ä, Ä,)
p 1 = (1, 2, 3, 4, 5, 6, 7, 8, 9)
p 2 = (4, 3, 2, 6, 8, 9, 1, 5, 7)
https://translate.googleusercontent.com/translate_f 302/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
p 1 = (1, 2, 3, 4, 5, 6, 7, 8, 9)
¯
f 1 = (1, Æ, Æ, Æ, Æ, Æ, Æ, Æ, Æ )
Página 364
f 1 = (1, Æ, Æ, Æ, Æ, Æ, Æ, Æ, Æ )
¯
p 2 = (4, 3, 2, 6, 8, 9, 1, 5, 7)
Por lo tanto, el elemento de la primera posición en p 2 será heredado por el hijo f 1 , pero conservando
la posición que ocupa este elemento en el cromosoma p 1 de tu padre , es decir, la cuarta posición:
p 1 = (1, 2, 3, 4, 5, 6, 7, 8, 9)
¯ ¯
f 1 = (1, Æ, Æ, 4 , Æ, Æ, Æ, Æ, Æ )
f 1 = (1, Æ, Æ, 4 , Æ, Æ, Æ, Æ, Æ )
¯ ¯
p 2 = (4, 3, 2, 6, 8, 9, 1, 5, 7)
Asimismo, 6 será heredado por f 1 en la posición que ocupa en p 1 , es decir, en la sexta posición. LA
La figura 8.13 resume el proceso:
PAGS 1, 2, 3, 4, 5, 6, 7, 8, 9
1=
PAGS= 4, 3, 2, 6, 8, 9, 1, 5, 7
dos
F 1,, ∅ ∅ , 4, 6, ∅7, 9 ∅
1=
Cuando el elemento visitado en p 2 pasa a ocupar la primera posición, y esto sucederá en la séptima
posición, diremos que se ha completado un ciclo. El ciclo de ejemplo se completó con la inclusión del
7. Cuando se completa un ciclo, las otras posiciones se llenan en el cromosoma p 2 .
p 2 = (4, 3, 2, 6, 8, 9, 1, 5, 7)
¯¯ ¯ ¯
f 1 = (1, Æ, Æ, Æ, Æ, Æ, Æ, Æ, Æ )
Resultando en:
f 1 = (1, 3, 2, 4, 8, 6, 7, 5, 9)
Página 365
https://translate.googleusercontent.com/translate_f 303/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
PROBLEMA DE RECLAMO DEL VIAJERO 359
reproducción que tenía como objetivo preservar la representatividad genética, deberíamos reducir la
introducción de aristas al azar en niños. El operador ERX fue desarrollado para este propósito. Sea la gráfica de Fi-
Figura 8.14:
1 dos
6 3
5 4
Ciudad Bordes
p 1 = (1, 3, 2, 4, 5, 6)
p 2 = (2, 6, 5, 4, 3, 1)
Ciudad Bordes
1 (1, 2), (1, 3), (1, 6)
dos (2, 1), (2, 3), (2, 4), (2, 6)
3 (3, 1), (3, 2), (3, 4)
4 (4, 2), (4, 3), (4, 5)
5 (5, 4), (5, 6)
6 (1, 6), (6, 2), (6, 5), (6, 4)
Para usar ERX en la versión para la producción de un solo niño, seleccionaremos la ciudad de inicio
de uno de los dos cromosomas parentales (ciudad 1 o 2) que tiene el menor número de bordes incidentes en el
lista de bordes de cromosomas, es decir, se elige 1. La ciudad 1 está directamente vinculada a las ciudades 2,
3 y 6. Trabajaremos con la tabla de borde de cromosomas. Elegiremos, entre las ciudades
vinculado a 1, que tiene el menor número de bordes en la mesa de trabajo. Elegiremos el
Esta secuencia de elección está formando al individuo de la siguiente manera:
f 1 = (1, 3, Æ, Æ, Æ, Æ )
Página 366
f 1 = (1, 3, 4, 5, 6, 2)
Los experimentos computacionales reportan cierta dificultad para que este operador reduzca la introducción
de aristas aleatorias en los descendientes, especialmente en los últimos aristas del circuito, cuando ya hay
poca flexibilidad para las inclusiones.
https://translate.googleusercontent.com/translate_f 304/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2 - Lista de adyacencias
También podemos representar un cromosoma de la siguiente manera: la ciudad j del ciclo aparece en la posición
ción i si y sólo si, el ciclo va directamente de la ciudad i a la ciudad j . Por tanto, un cromosoma p = (3,
1, 5, 6, 4, 2) representa los siguientes arcos en un ciclo asociado con p :
dos 3 2®3
3 4 3®4
6 3
4 6 4®6
5 5 5®5
5 4
6 1 6®1
3 - Lista ordinal
En una lista ordinal, el ciclo (cromosoma) está representado por su posición en una lista ordenada de
Ciudades PCV. La lista 1 varía de 1 a n ciudades. El cromosoma es un vector para posicionar la ciudad
en la lista. Sea el problema de la Figura 180, entonces l = (1, 2, 3, 4, 5, 6). Un cromosoma p = (1, 2, 1, 3, 2, 1) re
presenta el siguiente ciclo (que representaremos por t = ( t 1 , t 2 , ..., t n ):
2. p = (1, 2, 1, 3, 2, 1) p 2 = 2 Þ segunda posición en la lista actualizada c = (Ä, 2, 3, 4, 5, 6), donde los valores anulan
los lados no se calculan, es decir, c = (2, 3, 4, 5, 6) y t 2 = 3, lo que conduce a t = {1, 3}
Página 367
c = (1, 2, 3, 4, 5, 6)
PAGS
1
= ( 2, 1, 3, | , 1, 2, 1 ) Þ p 3 = (2, 1, 3, | 1, 1, 1,) y p4 = (1, 2, 2 | 1, 2, 1)
PAGS=
dos ( 1, 2, 2, | , 1, 1, 1 )
https://translate.googleusercontent.com/translate_f 305/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 368
COMIENZO
más cerca);
FIN
dos
1 dos
1 5
9 9
4 7
dos 1
6
6 3
1 8
dos 3
5 dos 4
Partiendo del vértice 6 y aplicando la técnica del vecino más cercano, tenemos la secuencia de inserción
en la Figura 8.16.
1 1 1
1 1 1
1 1
6 6 3 6 3
1
https://translate.googleusercontent.com/translate_f 306/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 inserto
ª 2 ªinserción 3 ªinserción
1 1 dos 1 dos
1 1 5 1 5
1 1 7 1
6 3 6 3 6 3
1 1 1
5 4 5 4 5 4
dos dos dos
4 inserción
ª 5 ªinserción 6 inserción
ª - "forzada"
Página 369
• Heurística de inserción
Algunas heurísticas constructivas tienen un proceso de toma de decisiones más elaborado que
completamente codicioso. En este caso, intervienen tres niveles de decisión:
Heurística de inserción
COMIENZO
Comience con un ciclo de vértice { v 1 v 2 v 3 };
Encuentre el vértice v k que no pertenece al ciclo, más
cerca / más lejos de cualquier vértice
perteneciente al ciclo;
Encuentre el borde ( i , i + 1) tal que Minimizar
{ c ik + c k i +1 - c i i +1 }
Inserta el vértice v k entre los vértices i e i + 1.
Si el ciclo formado es hamiltoniano, deténgase .
https://translate.googleusercontent.com/translate_f 307/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
De lo contrario, vuelva al paso 2.
FIN
Página 370
1 1 1
1 1
1
1 1 1
6 6 3 6 6 3 6 6 3
1 1
4 4
dos
1 1 dos 1 dos
5
1 1
1
1 1 1
6 3 6 3 6 3
1 1
5 4 5 dos
4 5 dos
4
El resultado de aplicar la heurística de inserción de vértices más barata al gráfico de la figura 8.15 es
un circuito con 15 unidades de longitud; sin embargo, destacamos el hecho de que, en este último heurismo,
la última inserción no fue completamente forzada. El efecto final de una política miope
7
7
3 6 3 6 3
8 8 8
dos dos 3
5 5 5 dos 4
dos
1 dos
5
1
dos
6 3
dos 3
5 dos 4
3 inserción
ª más económica. Economía = –1
Página 371
https://translate.googleusercontent.com/translate_f 308/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
decisión de las heurísticas de inserción del ápice más cerca o más distante, está disminuida en la inserción
más barata.
Frendewey (véase Arthur [1959]) informa buenos resultados computacionales en el uso de estas heurísticas
para PCV en general. Para el caso de PCV euclidiana simétrica, se encontró superioridad en
calidad de solución para la inserción más distante.
n Heurística de Dynasearch
El algoritmo propuesto por Potts y Van de Velde (1995) combina una serie de movimientos 2-Opt para cada
paso del algoritmo para componer una nueva solución. La composición de los movimientos 2-Opt es limitada
en O ( n 2 ).
n Geni y Genius
Gendreau y col. (1992) presentan un procedimiento híbrido para ciclos de construcción con la ayuda de
un proceso de optimización local basado en el examen de configuraciones de 2 a 4 opciones. Considerando
un cierto orden de visitas, c 1 - c 2 -...- c n , el algoritmo puede comenzar desde una parte del ciclo, c 1 - c 2 - c 3 , para
ejemplo. Cada nueva ciudad que se agrega al ciclo en construcción ( c 4 , en el ejemplo) se prueba
en su punto de inclusión de modo que la posibilidad de una sustitución k -Opt, con 4
³ k ³ 2. Los posibles intercambios están restringidos a una cierta distancia ( p ) de la posición original de la ciudad. los
presentar el resultado de pruebas computacionales que comparan diferentes esquemas para
parámetros de optimización ( k y p ).
En general, las heurísticas de sustituciones k se pueden describir mediante los siguientes pasos:
Heurísticas de sustituciones K
COMIENZO
Comience con un ciclo hamiltoniano { v 1 , v 2 , ..., v n };
Elimina k vértices del ciclo actual, haciéndolo
incompleto;
Construya todas las soluciones viables que contengan el ciclo
anterior;
Elija la mejor solución entre las encontradas;
Condiciones de parada de prueba (número de iteraciones,
elementos en un subconjunto de control, límites para el
valor de la solución, etc.), ya sea que continúe o no en un nuevo
iteración.
FIN
Página 372
y Ï L_Entra .
Si no existe tal ventaja, vaya al paso 12.
De lo contrario, incluya el borde e en H y L_Entra , formando un ciclo en H.
7. Calcule la función de ganancia, g , sumando los pesos de los bordes en L_Sai menos el peso del
https://translate.googleusercontent.com/translate_f 309/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
bordes en L_Entra .
8. Retirar el borde de la adyacente v tal que la Ï L_Entra y una parte de do_ciclo recién formado. Si no
es posible encontrar el borde al que tiende el requisito y pasar al paso 12.
9. Calcule el costo, c_ind , del ciclo hamiltoniano inducido por H más la arista que une los vértices
minals.
10. Si c_ind < c_best , entonces c_best ¬ c_ind y guardar el ciclo hamiltoniano corresponde a c_ind .
11. Si g > 0, vuelva al paso 5.
12. Si c_melhor < c , vuelva al paso 3, considerando el ciclo hamiltoniano correspondiente a c_melhor
como la nueva solución de arranque. De lo contrario, END.
Página 373
1 4 1 4 1 4
6 3 6 3 6 3
1 4 1 4 1 4
6 3 6 3 6 3
https://translate.googleusercontent.com/translate_f 310/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
aincluyendo
(Clark y Wright
que es [1964]). Su aplicación
un enfoque eficiente
muy razonable para sugiere la necesidad
PCV euclidiana de un gráfico
y simétrica. completo, con
El algoritmo
se puede describir de la siguiente manera:
Heurística de economías
COMIENZO
Comenzar en el vértice k , seleccionado por algún criterio o
al azar
Considere todos los vértices conectados al vértice k , es decir,
un circuito no hamiltoniano que pasa n veces a través del nodo k .
Obtenga la lista de ahorros de la siguiente manera: S ij = c jk - c ij ,
i , j = 1, ..., n , donde S es la economía realizada si el vértice i es
conectado directamente al vértice j sin pasar por k .
Ordene los ahorros en una lista decreciente monótona;
Desplácese por la lista comenzando en la primera posición. Tratar de
conexión correspondiente al mayor S ij ;
Si inserta el borde ( i , j ) y quita el borde ( k , i ) y
( j , k ) dan como resultado una ruta que comienza en k y pasa por
otros vértices, eliminar de la lista.
De lo contrario , intente con la siguiente conexión de la lista.
Repita el procedimiento hasta obtener el ciclo hamiltoniano.
FIN
Página 374
La figura 8.21 ejemplifica el uso de herejes del ahorro en la gráfica de la figura 8.15.
ð S 45 = 11 S 36 = –2
dos
1
dos
dos S 56 = 8 S 23 = –2 1 dos
1
S 46 = 4 1 9 9 5
1
4 7
dos 1
S 25 = 4
6 9
4 3 6 6 3
S 35 = 2 1 8
3
S 34 = 2 dos
5 4 5 4
S 26 = 1 dos
S 45 = 11 ð S 56 = 8
dos dos
1 dos ð S 56 = 8 1 dos ð S 46 = 4
1 1 S 46 = 4 1 1 S 25 = 4
S 25 = 4 6 3 S 35 = 2
6 9 4 3 4
S 35 = 2 S 34 = 2
dos
S 34 = 2 S 26 = 1
5 dos 4 5 dos 4
S 26 = 1 S 36 = –2
ð S 25 = 4 ð S 35 = 2 ð S 34 = 2 1 4
S 35 = 2 S 34 = 2 S 26 = 1 6 3
S 34 = 2 S 26 = 1 S 36 = –2
dos 3
S 26 = 1 S 36 = –2 S 23 = –2
5 dos 4
S 36 = –2 S 23 = –2
ð S 34 = 2
1 dos dos
ð S 26 = 1
dos 4
S 36 = –2
S 23 = –2 6 3
dos 3
5 dos 4
https://translate.googleusercontent.com/translate_f 311/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 375
1 dos 3 4 5 6 7 8 9 10 11 12 13 14 15 dieciséis
1 3 5 14 7 11 6 3
dos 3 dos 4 9 1 18
3 dos 1 3 8 1 dos
4 dos 3 8 15
5 12 1 6 7 7 1
6 5 6 12
7 1 dos 11 1
8 7 13 6 17
9 5 1
10 1 3
11 5 9 4
12 9
13
14 dos 3
15 4
dieciséis
4 Modifique los algoritmos anteriores para que puedan resolver este nuevo caso.
4 Comparar el desempeño de los métodos aplicados al problema actual con el resultado obtenido en el
problema 1, verificando el impacto, para el enfoque computacional, de la inclusión de la restricción de visitas
vértices (mejora, empeoramiento, independientemente del rendimiento y la calidad de la solución).
https://translate.googleusercontent.com/translate_f 312/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 376
1 dos 3 4 5 6 7 8 9 10 11 12 13 14 15 dieciséis
1 1 dos 3 1 4 6 4
dos 4 4 1 1 1 1
3 1 6 1 6 6 dos
4 1 1 3 dos
5 1 dos 1 6 3 4
6 1 3 6
7 1 6 dos 1
8 3 1 8 1
9 1 dos
10 1 dos
11 8 8 dos
12 8
13
14 3 1
15 6
dieciséis
Se sabe que, para cada conjunto de cuatro nodos visitados, se cancela el tiempo de viaje acumulado. Sa-
También tenga en cuenta que ningún ciclo puede acumular más de 15 unidades de tiempo en su trayectoria, enfatizando
la regla anterior.
4 Modifique los algoritmos anteriores para que puedan resolver este nuevo caso.
4 Comparar el desempeño de los métodos aplicados al problema actual con el resultado obtenido en
problema 1, verificando el impacto, para el enfoque computacional, de la inclusión de la restricción
(mejora, empeoramiento, independientemente del rendimiento y la calidad de la solución).
Página 377
https://translate.googleusercontent.com/translate_f 313/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
9 Enrutamiento
PROBLEMAS
9.1 - INTRODUCCIÓN
Un sistema de enrutamiento puede considerarse como un conjunto organizado de medios que tiene como objetivo
satisfaciendo demandas ubicadas en los arcos o en los vértices de alguna red de transporte. O
El sistema de enrutamiento, como cualquier otro sistema operativo, se puede descomponer, desde la perspectiva de
operación, en tres partes, a saber:
4 Estratégico.
4 táctica.
4 Logística.
Página 378
Decisiones
Estratégico
þ Mercado operativo
þ Dimensiones de la calidad
þ Ubicación de fábricas y depósitos
þ Tipos de vehículos
þ Restricciones legales
Decisiones
https://translate.googleusercontent.com/translate_f 314/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Táctica
þ Número de rutas
þ Números de vehículos
þ Contratación de mano de obra
þ Régimen de trabajo
þ Ubicación de los garajes
þ Nivel de existencias
Con esta información en mente, el objetivo de la planificación será establecer la rotación del vehículo y
la programación ("programación") de actividades que conducen a minimizar el costo de la actividad.
Página 379
En este punto, es pertinente enfatizar que el establecimiento de una función objetivo adecuada
no es una tarea trivial. El objetivo de reducir los costes puede perseguirse reduciendo:
4 Número de vehículos.
O rediseñar:
4 La política para satisfacer la demanda de los clientes. Tenga en cuenta que la demanda puede ser un
variable de naturaleza estocástica. El "valor de un cliente" puede ser una variable compuesta que
incluye desde la pérdida del cliente y el consiguiente avance de la competencia, hasta la dificultad de su
recuperación futura.
Tales elementos intermedios sugieren que los problemas más complejos de generación de rutas para vehículos
suelen ser problemas multiobjetivo. También es importante enfatizar la importancia, dentro de la
Sistema de enrutamiento general, del subproblema de distribución. Esta importancia se debe, entre otros factores
tors, al hecho de que la distribución implica altos costos. Hollander (1987) muestra que un retraso en
La entrega de productos en el comercio internacional contribuye al costo final del producto con un
https://translate.googleusercontent.com/translate_f 315/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
5% por mes de retraso. Esta observación de Hollander es pertinente, ya que un ciclo en una ruta
El desarrollo marítimo puede implicar dos o más meses. Bodin (1983) muestra que la distribución física de
productos aporta alrededor del 16% del costo final del artículo. Por otro lado, ciertos productos carecen
distribución eficiente por razones económicas y de seguridad. Ejemplos de casos
anteriormente expuestos son medicamentos y combustibles.
Se ha prestado atención a los diversos problemas anidados bajo el tema de las rutas de vehículos.
de muchos investigadores en los últimos 30 años. Solo en los últimos 15 años se ha resuelto el problema
diseñado, mediante algoritmos exactos, para instancias del orden de 30 puntos de demanda (o nodos en la red)
forma Bodin (1983). Con la mejora en el rendimiento de los medios computacionales y la aparición de
nuevos modelos y enfoques, se encuentran en la literatura varios informes de buenos resultados, especialmente
para casos específicos (Desrosiers [1984]; Laporte [1986] y [1987]; Solomon [987]; Desrosiers et al. [1992];
Bianco y col . [1994]; Dumas et al . [1995]; Fisher y col . [1997]; Fischetti [1997]; Laporte y col. [2000]).
Este problema tiene un número extraordinario de aplicaciones prácticas, ya que típicamente implica una
serie de situaciones reales que afectan principalmente a la industria, el comercio, el sector servicios, la seguridad
seguridad, salud pública y ocio. Entre otros, destacan los siguientes:
Página 380
https://translate.googleusercontent.com/translate_f 316/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• Operación de vehículos de limpieza de hielo en calles y carreteras (Eglese [1992]).
• Limpieza de calles con vehículos escobas (Eglese [1991]).
• Mantenimiento de ascensores (Blakeley [2003]).
• Distribución y recolección de leche (Basnet et al . [1993], Sankaran y Ubgade [1994]).
• Programación de sistemas rollon-rollof (Bodin et al. [2000]).
• Ensamblaje de fragmentos de ADN (Pevzner et al . [2001]).
Página 381
9.2.1 Taxonomías
Los problemas de generación de rutas para vehículos abordan básicamente la determinación de secuencias de visualización
que pretenden cumplir una determinada función objetivo. Las visitas pueden asociarse
conexiones (bordes) o puntos de visita (nodos) del gráfico que representa las posibles conexiones entre
puntos de visita (o puntos de conexión entre los bordes).
Los problemas de generación de rutas para vehículos se encuentran entre los más complejos en el área de optimización.
combinacional. Debido a la gran cantidad de variables, diversidad de restricciones y objetivos presentados,
se lleva a cabo un examen cuidadoso de la taxonomía para su mejor comprensión. Una de las taxonomías
El clásico es propuesto por Bodin y Golden (1981). Según los autores, el problema de enrutamiento de video
Los ículos se pueden clasificar de acuerdo con los siguientes criterios:
https://translate.googleusercontent.com/translate_f 317/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 382
2. Número de hogares
- Una casa.
- Más de un hogar.
6. Ubicación de la demanda
- En los vértices.
- En los arcos.
7. Gráfico de sustrato
- Dirigido.
- No dirigido.
- Mezclado.
9. Tiempo de enrutamiento
- Lo mismo para todos los vehículos.
- Tiempos diferentes.
- Sin restricciones de tiempo.
10. Costos
- Variables (asociadas a la ruta elegida).
- Fijo.
11. Operación
- De entrega.
- Recoger.
- Ambos.
12. Propósito
- Minimizar costes fijos.
- Minimizar los costes operativos en la ruta.
- Minimizar el número de vehículos.
14. Otros
Página 383
Otra forma de clasificar los problemas de enrutamiento es propuesta por Maganti (1981) y reforzada
impulsado por otros autores como Eiselt et al. (1995a y 1995b) y Letchford (1996), separando básicamente las
problemas de enrutamiento clásicos en gráficos de las otras variantes, más típicamente centrados en el
manejo de casos prácticos y privados. En este sentido, los problemas de enrutamiento en general pueden
podría clasificarse en dos clases principales: enrutamiento de gráficos y enrutamiento de vehículos
sí mismos. La clase general de problemas de enrutamiento de gráficos estaría constituida por los siguientes
subclases:
https://translate.googleusercontent.com/translate_f 318/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Los problemas de enrutamiento en los nodos se presentan con variantes del problema del vendedor
cena que engloba principalmente los casos descritos en el capítulo 8 de este libro.
Los problemas de enrutamiento de bordes (o arcos) pueden ser del tipo habilitado o no habilitado.
Los principales problemas no calificados, la clase más común, se destacan en el ítem 9.2.2.
dos 3
dos 3
7
7
1 6
1 6
8 8
5 5
4 4
Página 384
La literatura informa variaciones del problema de enrutamiento en bordes que ni siquiera conservan
características polinomiales de la solución. Las principales variantes del problema son:
https://translate.googleusercontent.com/translate_f 319/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
norte norte
(PCC1) Minimizar z = ∑∑ c ij x ij
= 1
yo j= 1
sujeto a:
norte norte
∑ x ji - ∑ x ij = 0 i = 1, ..., n (9,1)
j= 1 j= 1
x ij + x ji ³ 1 "( i, j ) Î A (9,2)
x ij ³ 0 y entero (9,3)
Dónde:
x ij º número de veces que se atraviesa la arista ( i , j ) de i a j ;
c ij º longitud o el costo del borde ( i , j ).
En el modelo matemático propuesto, las restricciones 9.1 garantizan la continuidad del recorrido y
9.2 que no queden bordes fuera.
Como en todo grafo conectado hay un número par de nodos de grado impar, si lo llamamos d i o
grado del nodo i y por | E | = m el número de aristas, entonces ∑ d yo = ∑ d i + ∑ d i = 2 m , ya que cada borde
yo yo∈ extraño yo∈emparejo
tiene dos nodos extremos. Como la primera parte de la suma es par, la segunda será par. Haciendo
note por N i el conjunto de nodos de grado impar en G y por N p el conjunto de nodos de grado par, y también por
N el conjunto de todos los nodos, ya que el número de nodos de grado impar es par, | N i | es par. Utilizando
este hecho, podemos dividir N i en dos conjuntos y formar k = 1/2 | N i | caminos entre pares de nodos
distinto. Los bordes (aquí llamados E *) contenidos en estas rutas se agregan al gráfico original
Diario G como arcos artificiales, dando un gráfico G i ( E *). El problema luego se reduce a determinar la k
caminos que conectan los impares K pares de nodos (Christofides [1976]). El enfoque de Christofides es
transformar el PCC en un problema de determinación de un ciclo euleriano en un gráfico conveniente
luego expandido. La figura 9.4 aclara el proceso de obtención de un gráfico tan aumentado
de G i ( E *).
Página 385
1 dos 1 dos
6 5
3 4 3 4
Conjunto 2 3 4 3 4 Conjunto 2
1 dos 1 dos
6 5 6 5
3 4 3 4
https://translate.googleusercontent.com/translate_f 320/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
COMIENZO
Lea el gráfico G = (N, A);
Si todos los nodos en G, el gráfico original, tienen un grado par
luego determine un ciclo euleriano en G y End.
Organice una gráfica K n de la siguiente manera:
Reúna todos los vértices de grado impar en el gráfico K n y
asociar con cada par de vértices i y j en el gráfico, una arista
( i , j ) con un peso igual al camino más corto que conecta i con j
el gráfico G .
Determine la coincidencia mínima de 1 en K n , M * .
Para cada borde que pertenezca a M *, asocie un nuevo
borde en G en la trayectoria mínima que representa,
obteniendo una gráfica G a .
Determine la solución del cartero chino que se representa
por un ciclo euleriano en G a
FIN
Página 386
Las figuras 9.5 y 9.6 ejemplifican el proceso descrito en el algoritmo del cartero chino. La solución para el
El problema con el gráfico de la Figura es la ruta: AêBêFêEêAêDêEêFêCêEêCêBêA con C = 19.
LA segundo LA segundo
1 4
1
5
dos
re 1 re
C C
3 3
1
Y F Y F
LA segundo
re 1 LA segundo
1
C
dos 3
re dos 3
C
3
Y F 3
Y F
En el caso del grafo orientado, una condición suficiente para la existencia del circuito euleriano es que el
la mitad interior de cada nodo es igual a la mitad exterior. Para solucionar el problema determinaremos
socavar dos conjuntos de nodos S y D . El primero corresponde a los nodos determinados de modo que
grado interno d ( i ) + excede el semigrail externo d (i) - (detalles del concepto de semigrau en el anexo), y el
segundo, de lo contrario. Podemos construir un gráfico bipartito con los nodos s j Î S y d tiene k Î D . Cada distancia
c jk entre dos nodos de este gráfico representará la ruta más corta entre el nodo s j y el nodo s k en el gráfico original. Tal
distancias se pueden determinar mediante la aplicación de un algoritmo de camino más corto en G . Si
hay un nodo s j que no tiene manera de conectar que a todos los nodos s k , entonces el CCP no tiene solución
viable. La figura 9.6 demuestra el hecho de una gráfica dirigida.
De hecho, la solución del PCC requiere la solución de un problema de emparejamiento 1- para la formación del
grafica G i ( E * ) y, posteriormente, la solución de un problema de circuito euleriano Como se muestra en el Capítulo
Capítulo 7, el problema de determinar 1 coincidencia en un gráfico bipartito (conjuntos S y D ) se puede resolver
destacado como un caso del problema de transporte en aproximadamente O ( n 2,5 ) operaciones, donde n = | N |.
Luego, asociar s j a puntos de oferta y d j a puntos de demanda, lo que constituye un problema
sistema de transporte según la siguiente formulación:
1 dos
-
3 4 d (4) = 2
+
d (4) = 0
- S = {5}
d (4) = 2
+
d (4) = 0 5 D = {4}
https://translate.googleusercontent.com/translate_f 321/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Beltrani y Bodin (1982) también presentan una interesante heurística para la solución de este
blema.
Página 387
LA segundo LA segundo
re
C C
F Y F
LA segundo
re
C
Y F
Página 388
https://translate.googleusercontent.com/translate_f 322/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
sujeto a:
∑ PAGS
X Ji - ∑ PAGS
X ij = 0 " i Î V, p Î S (9,4)
j ∈V j ∈V
s ⎡ q ij ⎤
∑ ( l ijPAGS+ l PAGS
Ji
)=⎢ ⎥ "( i, j ) Î E (9,5)
= 1 ⎢ w ⎥
PAGS
PAGS PAGS
X ij ≥ l ij "( i, j ) Î E , p Î S (9,6)
norte
∑∑ PAGS
lqij
PAGS
ij
≤ w pÎS (9,7)
yo∈ V j V ∈
∑ PAGS
Fij - ∑ PAGS
FJi = ∑ l ij
PAGS
" i Î E \ {1}, p Î S (9,8)
j ∈V j∈
V j∈
V
PAGS
Fijp £ ( n 2 ) x ij
"( i, j ) Î E , p Î S (9,9)
Dónde:
C = [ c ij ] º matriz de longitud de arco.
Q = [ q ij ] º matriz de las demandas que se despiertan en los arcos y que deben ser atendidas por los carteros.
w º de la capacidad de los carteros, y W ³ max q ij "( i , j ) Î E .
l ijp º variable binaria que asume un valor de 1 cuando el cartero p atiende la demanda del arco ( i , j ), y 0 en el caso
contrario.
p variable de flujo º que asume un valor positivo si x PAGS pÎ Â+.
Fij ij = 1, f ij
Las restricciones (9.4) garantizan la continuidad de las rutas de los carteros. Las restricciones (9.5) garantizan
que se considera la asistencia de carteros en solo uno de sus pases por el arco. Restricciones
(9.3) requieren que el cartero pase por los arcos a los que está asignado para atender. La restricción (9.4)
Página 389
vela por que los servicios de los distintos carteros no superen su capacidad. Restricciones (9.5)
asegurarse de que el flujo de servicio sea el mismo que el calculado mediante la asignación de trabajadores postales.
Golden y Wong (1981) demostraron que este problema es NP-Arduo y presentan un estudio sobre
sobre la obtención de límites más bajos para el problema a través de 1 emparejamiento . En este trabajo destacamos
siguiente algoritmo para resolver el problema:
Algoritmo de Christofides
https://translate.googleusercontent.com/translate_f 323/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
COMIENZO
Lea el gráfico G = ( N , A );
Realiza todos los moños servidos en un circuito individual.
Comenzando con el circuito más grande disponible, verifique que un
arco de un circuito más pequeño puede ser servido por un
circuito más grande.
Sujeto a las restricciones del problema, intente componer dos
circuitos para obtener el mayor ahorro posible.
Repita la composición hasta que no haya composición que
ahorros para la solución;
FIN
1994 Pearn y Lin Heurísticas que alteran las heurísticas de Guan y Win
Página 390
https://translate.googleusercontent.com/translate_f 324/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ral se formuló en gráficos no dirigidos. La tabla 9.6 presenta trabajos que abordan el problema.
Página 391
https://translate.googleusercontent.com/translate_f 325/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La literatura de los últimos años ha abordado el problema de las rutas de los vehículos principalmente en su
versión sin limitación de capacidad y número de vehículos (Golden y Skiscim [1986]; Van Bredam
[1996]). Actualmente, la mayor parte del trabajo se centra en el caso entrenado. El problema del enrutamiento
el número de vehículos calificados se informa con una flota de m vehículos de capacidad W y se basa en puntos
al garaje. En este caso, el objetivo es atender un conjunto de puntos de demanda ubicados en el
vértices del gráfico G = ( N , A ) para minimizar la longitud total de las rutas de los vehículos. La mesa
9.6 muestra algunos trabajos relacionados con el tema.
Página 392
https://translate.googleusercontent.com/translate_f 326/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2004 Tarantilis Algoritmo tabú
Página 393
Página 394
https://translate.googleusercontent.com/translate_f 327/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TABLA 9.11 CONTINUACIÓN
Página 395
En esta variante, los elementos del problema cambian durante el proceso de toma de decisiones. La mesa
9.13 presenta algunos trabajos relacionados con el problema.
https://translate.googleusercontent.com/translate_f 328/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TABLA 9.13 FUNCIONES DE SOLUCIÓN PARA PRDV
2004 Dua y col. Sistema híbrido compuesto por varios algoritmos clásicos
Una variante de este problema considera el programa de servicio en línea o fuera de línea de un cliente
conjunto de vehículos en una red de demanda estocástica. Los vehículos también se llaman
como sirvientes .
Psaraftis (1988) considerando que las demandas se ubican en los vértices de un grafo y que la
El vehículo (o servo) puede moverse entre cualquier par de vértices pasando el tiempo que viene
a los vértices. El objetivo es minimizar el tiempo medio de espera para recibir asistencia.
Batta y col. (1988) aborda un modelo de servicio igual al anterior con la obligación, siempre que el
El sirviente regresa a la base después de cada llamada.
Bertsimas y Ryzin (1991) estudian el caso en el que las demandas ocurren en cualquier punto de
una región dada del plano con una distribución de probabilidad uniforme. El sirviente
Ubicación entre los puntos de demanda, pasando tiempo proporcional a la distancia entre ellos.
puntos.
Bertsimas y Ryzin (1993) estudian el caso del servicio con múltiples sirvientes.
Tassiulas (1996) aborda un problema similar al de Bertsimas y Ryzin (1991), con el objetivo de
estudiar el rendimiento de varias políticas de enrutamiento, lo que sugiere un algoritmo llamado
Algoritmo de concentración de c ongestion .
Página 396
1997 Cordeau y col. Algoritmo tabú para el problema de depósitos múltiples periódicos
En el caso de esta variante, varios vehículos sirven al cliente dividiendo la demanda. La mesa
9.15 presenta algunos trabajos relacionados con el problema.
https://translate.googleusercontent.com/translate_f 329/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Año Investigador Trabajo
1990 Dror y Trudeau Modelo heurístico y algoritmos
Página 397
2000 Nanry y Barnes Tabú reactivo / algoritmo PREC con ventana de tiempo
2001 Landrieu y col. Algoritmo tabú para PREC con ventana de tiempo
2001 Lau y Liang Algoritmos y casos de prueba para PREC con j / tiempo
https://translate.googleusercontent.com/translate_f 330/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La literatura no reporta un algoritmo exacto para PRFH. La Tabla 9.18 presenta algunos estudios sobre la
problema.
Página 398
https://translate.googleusercontent.com/translate_f 331/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 399
• Gestión de flotas
Es una variante compleja en la que se pueden considerar varias restricciones, tanto para los diferentes
medición de la flota en cuanto a su funcionamiento. Un ejemplo de un trabajo que aborda tal problema
se encuentra en Sherali et al. (1999).
Página 400
https://translate.googleusercontent.com/translate_f 332/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1. El problema de emparejar, o "planificar los tramos a bordo", determina qué etapas de
viaje que será realizado por el tripulante. El problema puede incluir (no necesariamente) el
función a realizar por cada miembro de la tripulación. El problema de designar las funciones realizadas
por el miembro de la tripulación a bordo se denomina complemento de tripulación o problema de designación de actividades
actividades complementarias de la tripulación.
2. El problema de la clasificación o "planificación de las funciones generales de la tripulación" define las actividades
miembros de la tripulación, a bordo o no. En lista de vacaciones, revisión médica, capacitación.
a etc. se consideran obligaciones. Entonces, el problema de la lista incluye la designación del trabajo
miembros de la tripulación a bordo, o el problema del complemento de la tripulación , al menos como entrada. El Fi-
La figura 9.8 resume las entradas del problema.
Reglas Metas
Vacaciones y tiempo libre Minimización de costos
Límites de carga de trabajo Maximizando la robustez del sistema
Cualificación legal Cumplimiento de restricciones (generar soluciones
Restricciones a la constitución de la tripulación viable)
El problema de
Deberes de los miembros de la tripulación
Actividades Tripulación
Designacion
Ocupaciones
Página 401
1981 Marsten y Shepardson Solución a través del problema de particionamiento de conjuntos : particionamiento
1988 Smith y Wren Solución a través del problema de cobertura del conjunto : cobertura
https://translate.googleusercontent.com/translate_f 333/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1997 Wei y col. Programación de la tripulación en funcionamiento irregular
1997 Chu y col. Graves problemas
1998 Stojkovic y col. Estudio centrado en los aspectos operativos del problema
1998 Gamache y col. Planos de corte y B&B. Aplicado al caso de Air Canada
2004 Boschetti y col. Algoritmo exacto para una variante de programación de la tripulación
Página 402
• El método manual
La caña se corta y se empaqueta manualmente, lo que requiere tractores o cargadores para alimentar
camiones de transporte.
• El método mecanizado
En este caso, las cosechadoras cortan, empaquetan y cargan los camiones.
Planta de energía
Campo 8 Sección
Campo 7 Campo 1 4
Campo 6 Sección
Campo 2 Sección Sección
dos 3
1
Campo 5 Campo 3
Granja 1 Granja 2
Campo
https://translate.googleusercontent.com/translate_f 334/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
4 Granja 2
Granja 3
Sección 1
Para que una parcela sea cosechable, debe quemarse el día anterior. Las parcelas son
en secuencia de vecindad, ya que es necesario tener libre el camino de acceso a las vigas.
Los turnos de los conductores son normalmente de 12 horas. Los camiones utilizados para el transporte
carrocería o remolques adaptados, ya que se trata de una carga de gran volumen en cuanto a
su peso. Los camiones con uno o dos remolques son comunes, como se muestra en la Figura 9.10.
Los molinos trabajan con un depósito pulmonar en su centro de molienda para absorber las fluctuaciones.
en el flujo de caña originado por problemas operativos (pinchazos, roturas, etc.) y mantenimiento de
equipos y camiones (cuando el mantenimiento preventivo o la limpieza de la carrocería se realiza más de
Página 403
direcciones de lo esperado) cambios de turno y variación en la longitud de la ruta a lo largo del día. O
El depósito pulmonar tiene un alto costo operativo, porque además de representar una etapa de transbordo
innecesario, ocupa un espacio más grande y requiere esfuerzos de gestión.
El problema de optimización generado en el corte y transporte de la caña de azúcar involucra lo siguiente
variables de decisión:
Página 404
4S *= N \ S para S Í N.
Presentar formulaciones útiles para PRV no es una tarea trivial. 1 Una de las formulaciones más utilizadas
Fisher y Jaikumar (1981) se basan en varios métodos de solución.
⎛ ⎞
(PRV) Minimizar z = ∑∑
⎜C
ij Xijk ⎟
ij,
⎝ k
⎠
sujeto a:
∑ y ik = 1 i = 2, ..., n (9,13)
k
∑ y ik = m i=1 (9,14)
k
Yo q i y ik £ Q k k = 1, ..., m (9,15)
yo
1. Kulkarni y Bhave (1985) presentaron una formulación incorrecta en el European Journal of Operational Research (ver Brodie
and Waters [1988]).
https://translate.googleusercontent.com/translate_f 336/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 405
Dónde:
x ijk º variable binaria que asume el valor 1 cuando el vehículo k visita al cliente j inmediatamente después de hacer clic
entre i , 0 en caso contrario.
y ik º variable binaria que asume un valor de 1 si el cliente i es visitado por el vehículo k , 0 en caso contrario.
q i es la demanda del cliente i.
Q k es la capacidad del vehículo k.
c ij es el costo de viaje del cliente i al j .
Las restricciones (9.13) garantizan que un vehículo no visite a un cliente más de una vez. Las restricciones
(9.14) asegúrese de que el depósito reciba una visita de todos los vehículos. Las restricciones (9.15) requieren que
no se supera la capacidad del vehículo. Las restricciones (9.16) garantizan que los vehículos no se detengan
sus rutas en un cliente. Las restricciones (9.17) son las restricciones tradicionales para eliminar los subtours.
Algoritmos
Aproximados
• Heurística constructiva:
Para este tipo de procedimiento, encontramos variaciones en forma de:
Página 406
https://translate.googleusercontent.com/translate_f 337/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(Paessens, [1988]). Si alguna solución alcanzada es factible, entonces se obtiene un límite superior al problema.
del. Un trabajo clásico dentro de esta línea de acción es el de Clark y Wright (1964).
yo yo
j j
1 1
COMIENZO
Lea G = ( N , A ), c ij . {* el nodo 1 es el depósito central para el enrutamiento *}
Inicializar ruta : = ( x 1 - x s - x 1) ,
Calcule la economía s ij : = c 1 j - c ij + c j 1 para el par completo de
clientes x i y x j {* nodos en G *}
Ordene los ahorros en orden no creciente y colóquelos
en una lista
Siempre que haya enlaces en la lista Make
Comenzando con los mayores ahorros en la lista de tareas pendientes
comienzo
Determine el primer vínculo de la lista que
se puede usar para agregar en
uno de los dos extremos de Rota ,
aumentando su longitud y la
eliminar de la lista;
Si la ruta no se puede expandir desde
forma anterior, así que elige la primera
enlace en la lista para comenzar una nueva
ruta y elimínela de la lista.
Fin
FIN
Página 407
La figura 9.13 desarrolla un ejemplo numérico del procedimiento de Clark y Wright aplicado a la
gráfico de la Figura 9.13 (a).
A medida que se construye una ruta es posible realizar pruebas relacionadas con restricciones
capacidad del vehículo y, eventualmente, ventanas de tiempo. Respecto al comportamiento
el algoritmo tiene la característica de anidar clientes en las rutas que se van formando. A
En la figura 9.13 notamos que el nodo 3, después de la segunda mejora, se convirtió en una condición interna (sin
directamente con el vértice del depósito) y ya no es un candidato de mejora en la ruta, ya que
Se prueban los nodos extremos para la inserción, es decir, aquellos que se conectan directamente al nodo central.
(vértice 1).
3 3 3
9
4 4
4 6 4
dos dos dos
10
12 8
10
10
1 1 1
5
5 5 5
https://translate.googleusercontent.com/translate_f 338/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(2-3) = 14 (2-3) = 14 ü (2-3) = 14 ü
(2 - 4) = 12 (2 - 4) = 12 (2 - 4) = 12
(4 - 5) = 7 (4 - 5) = 7 (4 - 5) = 7
(2-5) = 3 (2-5) = 3 (2-5) = 3
los los
Puesta en marcha 1 Mejora 2 Mejora
1. e ( i , l , j ) = c es decir + c lj - mc ij .
2. s ( i, l, j ) = l c 0 l - e ( i, l, j ).
Página 408
COMIENZO
Lea G = (N, A), c ij . {* el nodo 1 es el depósito central para el enrutamiento *}
Inicializar F: = N \ { x 1 }
Mientras que F¹Æ hacer
comienzo
Ruta : = ( x 1 -x s -x 1 ) {* varios criterios pueden ser
usado en esta tarea *}
Para todos los vértices x l Î F
comienzo
comprobar la posible inserción en la ruta en
examen que cumple: e ( i 1 , l , j 1 ) = min [ e ( i , l , j )]
y considere todos los vértices vecinos x r y
l
x s Î Ruta donde e x j son los vértices entre
COMIENZO
Para todos los nodos x l aún no incluidos en la ruta R y viables, el
el "mejor vértice" x l * que se insertará es lo que: ( i l * , l * , j l * ) =
max [s ( i i , l , j l )]
https://translate.googleusercontent.com/translate_f 339/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
FIN
Las heurísticas de Mole y Jameson tienen dos parámetros de control que se pueden modificar en
cumplimiento de los deseos de la estrategia de solución.
Página 409
Considerando l = 1 ym = 1 y la gráfica de la Figura 9.14 y considerando la ruta parcial de la Figura 9.14 (b)
donde los nodos fuera de ruta son 4 y 6.
3 3 3
30
4
dieciséis 4 4
8 dos dos dos
15
20
9 10
20
5
15
6 6 6
1
3 1 1
10
5 5 5
Para realizar una inserción, el algoritmo calcula inicialmente una lista de vecindarios de los siguientes
molde:
l=4 l=6
y (2, 4, 5) = 13 y (2, 6, 3) = 40
e (5, 4, 1) = 14 e (1, 6, 2) = 23
e (3, 4, 2) = 38
Como ejemplo, e (2,4,5) = 8 + 5 = 13. Dado que se elige el nodo 4 para la inserción (más cerca de los vecinos)
niños). Para realizar la inserción en sí, se utiliza el criterio de función s según la tabla
abajo:
2-5 s (2, 4, 5) = 20
1-5 s (5, 4, 1) = 5
2-3 s (3, 3, 2) = 14
Como ejemplo, s (2,4,5) = 18 + 15 - 13 = 20, lo que da como resultado la inserción que muestra la Figura 9.14 (c)
con ahorros de 20 unidades para la ruta anterior.
https://translate.googleusercontent.com/translate_f 340/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Procedimientos de agrupamiento primero y luego de enrutamiento
• Heurísticas de Gillet y Miller
Esta estrategia busca obtener una solución al problema en dos etapas distintas. El primero tiene como objetivo agrupar
puntos de demanda según algún criterio de proximidad, mientras que en la segunda etapa cada grupo
po (o cluster ) se resuelve de forma independiente. Un ejemplo de la aplicación de este enfoque puede
Página 410
puede encontrarse en el trabajo de Gillet y Miller (1974). La estrategia asume que las rutas
entre nosotros se desarrollará preferentemente entre vecinos. En la siguiente tabla,
tenemos una versión de la heurística que muestra su enorme eficiencia y simplicidad en el
agrupamiento. En algunas versiones de esta heurística, la fase de enrutamiento se sugiere después de que la organización
de todos los grupos.
COMIENZO
Lea G = (N, A), c ij . {* el nodo 1 es el depósito central para el enrutamiento *}
Obtener las coordenadas polares del cliente en relación con el depósito.
y ordenarlos en orden de crecimiento de valor y hacer :
comienzo
F: = N \ { x 1 }
Ponta_Rota: = { x 1 }
Ruta 1 : = { x 1 }
yo: = 1
Fin
Mientras F ¹ Æ Do {* Group *}
comienzo
Mientras que $ x s Î F dadas las condiciones de
viabilidad de la Ruta i
comienzo
Encuentra el vértice x s Î de la coordenada polar más
cerca de Ponta_Rota y Fazer
comienzo
Ruta i : = Ruta i È { x s }
Ponta_Rota: = { x s }
F: = F \ { x s }
j : = j + 1;
Si Control (j) = Verdadero, aplicar
Procedimiento K-óptimo (Ruta i ) {* Enrutamiento *}
Fin
Fin
yo : = yo + 1
Ponta_Rota: = { x 1 }
Ruta i : = { x 1 }
Fin
FIN
La figura 9.15 ejemplifica la aplicación del procedimiento de Gillet y Miller a la gráfica de la figura 9.15.
(Los). El escaneo se ejecuta desde el vértice 5 y en el sentido de las agujas del reloj.
En esta clase de heurísticas, también encontramos el procedimiento de Christofides et al. (1979). En esto
s enfoque los grupos se forman por proximidad y se incrementan con criterios de inserción y
mejora. Fisher y Jaikumar (1981) agrupan resolviendo un problema de designación.
Página 411
https://translate.googleusercontent.com/translate_f 341/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1 8 1 8 1 8
9 9 9
10 10 10
7 7 7
5 5 5
Agrupamiento
formación
Página 412
COMIENZO
Leer la función de costo f y la estructura de vecindad N
Seleccione una solución s 0
Mientras que f (s) < f (s 0 ) para algunos Sĩ N (s 0 ) Do
comienzo
Seleccione s Î N ( s 0 ) de modo que f ( s ) < f ( s 0 );
s0:=s;
https://translate.googleusercontent.com/translate_f 342/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Fin
s 0 es una aproximación de la solución óptima
FIN
• k- Heurística óptima
La k- heurística óptima propuesta por Lin (1965) es un ejemplo de una heurística de búsqueda local. De hecho, el heurismo
tica propone una búsqueda en un vecindario de una solución de enrutamiento. La búsqueda se realiza por examen
la posibilidad de intercambiar k variables (arcos) entre s 0 y s. A medida que k crece, el procedimiento se acerca
como resultado de la enumeración total (en cuyo caso k = n - 2). La vecindad de s 0 crece exponencialmente en la forma
de n ! / [( n - k )! k !]. Para k = 2, el tamaño de la vecindad de s 0 es igual an ( n - 1) / 2. Soluciones de informes de literatura
eficiente solo para k = 2 y k = 3. La figura 9.16 ejemplifica un procedimiento de 2 intercambios
dos dos
4 6 3 4 6 3
1 8 1 8
9 9
10 10
7 7
5 5
Solución S 0 Solución S
Los arcos 5-4 y 9-6 se reemplazan por los arcos 5-9 y 4-6. El arco 9-4 se atraviesa en reversa
de la solución s. Si el gráfico del sustrato no está dirigido, el procedimiento anterior suele ser dos
intercambios. Si la gráfica está dirigida, y los costos de atravesar el arco 9-4 son diferentes de los de atravesar 4-9, el
El procedimiento puede considerarse como tres intercambios.
1 - Formulación
Suponga que la siguiente figura representa un vecindario al que sirve un refresco local
ubicado en el ápice rectangular. La región en negrita será atendida por cierto camión de reparto.
Los. Formular el problema de encontrar la salida del almacén, atender los puntos de demanda y
regreso al almacén minimizando la trayectoria recorrida.
SEGUNDO. Formule el problema de designar cuatro camiones de reparto para atender a todo el vecindario
para minimizar la longitud total de las rutas.
Página 413
Planta de distribución
2 - Formulación L
Suponga que la siguiente figura representa el mismo vecindario que antes y ahora estamos interesados en encontrar
entregar los resultados de las pruebas de laboratorio y recopilar material para realizar más pruebas. Los resultados de
los exámenes se entregan en los hogares de los usuarios y se recogen los materiales para nuevos exámenes
puntos de recogida. Los vehículos que realizan la entrega también realizan la recogida. Cuando un vehculo
visitar un punto de recogida (círculo más grande) debe regresar inmediatamente al laboratorio con el
recolectados para minimizar el tiempo de exposición del material a los riesgos de transporte.
https://translate.googleusercontent.com/translate_f 343/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Planta de distribución
Desarrollar el modelo de programación que minimice la longitud total a recorrer por los vehículos
ellos en caso de:
3 - Modelado L
Analizar los siguientes problemas de enrutamiento y clasificarlos según la metodología propuesta por
Bodin y Golden (1981).
Página 414
https://translate.googleusercontent.com/translate_f 344/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 415
10 COBERTURA,
PARTICIPACIÓN
Y UBICACIÓN
10.1 - INTRODUCCIÓN
Página 416
PAGS
U M (yo) = M
=1
yo
Página 417
https://translate.googleusercontent.com/translate_f 346/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
PAGS
costo mínimo. Definiendo A = [ a ij ] una matriz m ´ n cuyas filas y columnas están asociadas con el
juntos M y F , respectivamente, y tal que:
M j = { i Î M | a ij = 1} y M j = { i Î M | a ij = 0}
norte
sujeto a:
norte
∑ a ij x j ³ 1 i = 1, ..., m
j= 1
Dónde:
x j º variable binaria que adopta el valor 1 cuando la columna j de A está en la solución y 0, de lo contrario.
c j costo º unidad asociada con la variable x j .
norte
sujeto a:
norte
∑ a ij x j = 1 i = 1, ..., m
j= 1
Por supuesto, toda solución para el PP es también una solución para el PR asociado, pero el recíproco
ca no es cierto. Solo en ocasiones particulares puede el RP establecer límites para el PP (ver
Goldbarg [1995]).
Página 418
norte
sujeto a:
norte
∑ a ij x j £ 1 i = 1, ..., m
j= 1
El modelo de empaque es de gran aplicación práctica para resolver problemas geométricos de corte,
https://translate.googleusercontent.com/translate_f 347/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
embalaje y carga de vehículos. Su relación con el PP es bien conocida y
fue objeto de estudios en profundidad en Nemhauser y Sigismondi (1989) y Nemhauser y Trotter (1975).
norte
sujeto a:
norte
∑ a ij x j ³ 1 i = 1, ..., m
j= 1
norte
∑ |Mj|xj=m
j= 1
Como una solución PR 2 completa cumple con todas las restricciones (³) del modelo, la solución S * , la solución
PAGS
óptimo PR 2 , cumple T M ( i ) = M . Por otro lado, toda la solución S * también debe cumplir con restricciones
yo= 1
cardinalidad que requiere que la suma de las líneas cubiertas por cada variable sea exactamente
igual a M , es decir, M j ( i ) Ç M j ( k ) = Æ. Como PR 2 cumple las dos condiciones impuestas por PP, la solución
S * está particionando.
La transformación de PP a PR también se puede lograr simplemente cambiando los pesos del vehículo.
el costo del PP (ver Lemke, et al. [1971] y Hulme y Baca [1984]).
4 Transformación de PP en PK
El problema de la partición también puede considerarse un caso particular del problema de
embalaje . El conjunto de restricciones de empaque condiciona la recolección de F a ser desarticulada como en la partición.
PAGS
Desde el punto de vista del universo de restricciones, los requisitos de partición abarcan tanto
ras de una cubierta como un embalaje para el conjunto de M . Podemos convertir un PP en un
PK usando un vector de costos conveniente. Billionnet (1978) demostró que el PP se puede transferir
formado en un PK de la siguiente manera:
Página 419
norte
sujeto a:
norte
∑ a ij x j £ 1 i = 1, ..., m
j= 1
metro norte
donde c j
∇
=L. ∑ a kj - c j y L > ∑ cj
k= 1 j= 1
La presente transformación puede ser útil en varias situaciones, especialmente debido a la posibilidad
de utilizar la correspondencia entre la política de embalaje con ciertos gráficos (ver Balas y Zemel
[1977]) para generar facetas del problema de la partición (ver también Nemhauser y Sigis-
Mondi [1989] y Nemhauser y Trotter [1975]).
https://translate.googleusercontent.com/translate_f 348/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3 dos
6 7
9 8
4 5
$* PS
• El nodo que cubre ( N ) es el problema de determinar el conjunto N de nosotros, de mini-
PS PS
cardinalidad N Í N , de modo que todo el borde en G incide al menos en un nodo de N . F ormal-
mente:
norte
(NC) Minimizar z = ∑ xj
j= 1
sujeto a:
metro
∑ b ij x j ³ 1 i = 1, ..., n
j= 1
Página 420
Dónde
PS
x j º variable binaria que toma el valor 1 cuando el nodo j está en la solución ( j Î N ) y 0, en caso contrario.
PS
La figura 10.2 muestra una cobertura en los nodos del gráfico G C , N = {2, 4, 6, 8}. Nombraremos el valor
óptimo de NC (cardinalidad de la solución) de b 0 o b (G) o número de absorción . En este caso, b ( G ) = 4.
3 dos
6 7
9 8
4 5
$* PS PS
• El revestimiento del borde ( A ) es el problema de determinar el conjunto El de los bordes A Í
PS
A , con cardinalidad mínima, en la que cada vértice de G se ve afectado por al menos un borde de El .
Formalmente:
metro
(EC) Minimizar z = ∑ xj
j= 1
sujeto a:
norte
∑ a ij x j ³ 1 i = 1, ..., m
j= 1
Dónde
PS
x j º variable binaria que toma el valor 1 cuando la arista j está en la solución ( j Î A ) y 0, si
trario;
3 dos
6 7
https://translate.googleusercontent.com/translate_f 349/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
9 8
4 5
Página 421
$ * PS
• El paquete de nodos o un subconjunto de nosotros T , T Í N de máxima cardinalidad, de modo que cada borde de
PS
G es incidente como máximo en un nodo T . Formalmente:
norte
(NP) Maximizar z = ∑ xj
j= 1
sujeto a:
metro
∑ b ij x j £ 1 i = 1, ..., n
j= 1
PS
x j º variable binaria que toma el valor 1 cuando el nodo j está en la solución ( j Î T ) y 0, en caso contrario.
$*
La figura 10.4 ejemplifica un empaquetamiento de nodos , T = {1, 3, 5, 7, 9}. Llamaremos al valor óptimo de
NP (cardinalidad de la solución) de un 0 a (G), número de estabilidad o número de independencia (también
$*
también llamado por algunos autores de estabilidad interna). Los subconjuntos de T constituyen
conjuntos también denominados estabilidad, estable o independiente . En el caso del ejemplo de
En la figura 10.1, tenemos la solución NP que conduce a a ( G ) = 5, como se muestra en la figura 10.4.
3 dos
6 7
9 8
4 5
$* PS PS
• La coincidencia de bordes
M ) (es el problema de determinar el conjunto M de aristas, M Í A , máximo cardíaco
PS
nidad, en la que cada vértice de G se ve afectado por como máximo un borde de M . Formalmente:
metro
(EM) Maximizar z = ∑ xj
j= 1
sujeto a:
metro
∑ a ij x j £ 1 i = 1, ..., m
j= 1
PS
x j º variable binaria que toma el valor 1 cuando la arista j está en la solución ( j Î M ) y 0, en caso contrario.
$*
La figura 10.5 muestra una coincidencia óptima de 1 M = {(3, 2); (4, 5); (7, 6); (8, 9)}. Nombraremos el valor
modelo EM (cardinalidad de la solución) de 1 a 1 ( G ).
Un resultado interesante de Gallai (1958) vincula la solución a los cuatro problemas anteriores:
a0+b0=n=a1+b1
https://translate.googleusercontent.com/translate_f 350/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 422
3 dos
6 7
9 8
4 5
1 dos 3dos
4 5 26
Sea K (.) Una función de cobertura no decreciente para el problema específico de modo que K (.)
no puede disminuir si se cubren nuevos puntos. En consecuencia, la función objetivo de
La cobertura máxima para el problema en el plan  2 se puede expresar de la siguiente manera:
norte ⎛ PAGS ⎞
(CCI) Maximizar z = ∑ K∑⎜⎜ ⎟
X ij ⎟
= 1
yo ⎝ j= 1 ⎠
Página 423
Para incorporar las restricciones del problema consideraremos S = {1, 2, ..., s } el conjunto de posibles
puntos candidatos a ocupar localizando una posición de suministro en el plano  2 y:
https://translate.googleusercontent.com/translate_f 351/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
un escalar ijº que será igual a 1 si la distancia d ij £ r ij y 0, en caso contrario.
y j º variable binaria que será igual a 1 si el punto j está ocupado por la ubicación de una instalación y
0, de lo contrario.
En ese caso, podemos reescribir la función objetivo de CC1 e incorporar restricciones de ubicación
en el plan, constituyendo el siguiente modelo CC2:
norte ⎛ PAGS ⎞
(CC2) Maximizar z = ∑ K∑⎜⎜ ⎟
síij yo ⎟
yo= 1 ⎝ j ∈S ⎠
sujeto a:
∑ yj=P
j ∈S
norte
(PRM) Minimizar z = ∑ xj
j= 1
sujeto a:
norte
∑ a ij x j ³ 1 i = 1, ..., m
j= 1
Teniendo cuidado de obtener la matriz A como se muestra en la Figura 10.7, con los puntos
ubicación de instalaciones discretizadas en las intersecciones de los círculos de máxima distancia.
Sin embargo, una topología similar a la anterior, utilizando un lugar geométrico rectangular (en
sustitución de círculos) es sugerido por Benveniste (1982). La formulación PRM se puede aplicar a
problemas de ubicación en el continuo. Un ejemplo es el problema de la ubicación de
alumbrado público, donde los puntos de demanda son los lugares donde se desea proporcionar iluminación
nación o incluso una malla de estos puntos. El problema de ubicar las cámaras de vigilancia, la asignación
la focalización y explotación de petróleo en pozos submarinos son otros casos que se pueden formar
Página 424
3
O dos
O
3
dos
R ij
O
yo
1
1
Puntos de servicio
3 x2
x3 dos
x1 x2 x3 x4
1 1 1 1 1
https://translate.googleusercontent.com/translate_f 352/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x1 1 x4 A= dos 0 0 1 1
3 1 1 0 0
de esta manera (Goldbarg [1987]). Considerando que existe una posibilidad práctica de discreción
demanda, el modelo en cuestión se puede utilizar en otras situaciones relacionadas, como la ubicación
estaciones de metro y evacuación de emergencia en zonas amenazadas por catástrofes. La figura
10.8 (a) muestra el proceso de discretización de la demanda de un conjunto de bloques para el acceso a las escuelas.
estaciones de metro. En la Figura 10.8 (b) se asocian las restricciones máximas de desplazamiento previstas para
usuarios a un punto de acceso a la estación (en el ejemplo no se consideraron todos los puntos
solo para no sobrecargar el dibujo). La figura 10.8 (c) muestra una posible solución a la
de la estación buscada.
Definición del problema : el petróleo se extrae de la roca matriz de un campo submarino a través de
perforado en el suelo. Estos pozos están dispuestos de manera que se optimice el volumen de petróleo extraído,
perforado perpendicular u oblicuamente al suelo. En el primer caso, el pozo
se llama vertical y en el segundo, direccional. El sitio submarino donde comenzará la perforación
se llama boca de pozo, y el lugar más profundo, donde la exploración se realiza correctamente
realizado se llama el punto objetivo. El alcance del pozo es la distancia entre las proyecciones de la cabeza.
y el punto objetivo en el plano definido por la superficie marítima. Cuando el pozo es vertical, el rango es
cero, sin embargo para pozos direccionales el alcance es una medida relevante debido a la necesidad de cumplir
cumplir con un estándar de longitud máxima para llegar a un pozo.
Todo el petróleo extraído de los pozos se envía a la unidad o plataforma de producción estacionaria
(UEP). En vista de las limitaciones operativas, el número de conexiones directas entre los pozos y el UEP es limitado.
tated. El control del número de conexiones directas a UEP se realiza mediante colectores que normalmente también
También se encuentran en el suelo submarino y funcionan como concentradores de petróleo.
Página 425
Al igual que UEP, los colectores también están limitados en su capacidad de interconexión.
con los pozos. Por otro lado, debido a la necesidad de mantener la viabilidad económica,
los colectores deben funcionar con un número mínimo de conexiones. La conexión entre pozos y colectores es
https://translate.googleusercontent.com/translate_f 353/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
conveniencia, de modo que un pozo pueda conectarse directamente a UEP cuando sea económicamente
indicado. Las interconexiones entre pozos y colectores , colectores y UEP, y pozos y UEP se denominan
los paquetes .
La configuración del campo está influenciada por una gran cantidad de factores, entre los que destacan
por su significado:
Página 426
UEP
Espada
Haz
agua
Colector / Plataforma
Jefe de
bien
Puntos objetivos
https://translate.googleusercontent.com/translate_f 354/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
pensando sólo en la asignación de múltiples , en un campo compuesto por m pozos y, incluso en posesión
criterio que reduce la ubicación en los puntos infinitos del plano a n ubicaciones viables para
las variedades , el número de soluciones viables a examinar sería n m . Teniendo en cuenta que el problema
completa requiere una consideración combinatoria adicional para la ubicación de los cabezales de pozo y
UEP, parece evidente la imposibilidad del tratamiento enumerativo de los grandes problemas reales
(donde al menos m > 100 yn > 50). El método heurístico propuesto divide el problema en tres etapas, la
saber:
• La primera etapa tiene como objetivo establecer el número de variedades que existirán en el campo, sus ubicaciones
y el conjunto de pozos conectados a ellos.
Página 427
Jefe de
bien
Puntuación Colector
objetivo
X
X
X UEP X
Haz
Bien / Colector
• La segunda etapa tiene como objetivo la ubicación definitiva de las bocas de pozo.
• El tercer paso tiene como objetivo ubicar la unidad de producción estacionaria.
Definir un radio operativo efectivo R para cada pozo r Î M = {1, ..., m }, como el más grande
distancia permisible entre el pozo y el colector al que está conectado, un pro-
procedimiento de discretización para PCCS1 capaz de reducir el conjunto infinito de ubicaciones viables
de colectores a un máximo junto con los componentes ( m 2 ) de la siguiente manera: teniendo en cuenta
Tener en cuenta los rayos operativos reales determinar, en el plano, puntos de ubicación para el manifiesto
pliegues N = {1, ..., n } en las intersecciones de los círculos centrados en los pozos, cuyos radios son equivalentes a sus radios
de operación. Estos puntos de intersección para permitir la interconexión entre al menos dos pozos y ma-
nifold ; sin embargo, pueden interconectar otros pozos cuyos círculos operativos los contengan. La utilización
El concepto de rayos operativos efectivos o rayos de sensibilidad introduce un nuevo enfoque para
la formulación de problemas de ubicación en el plan. En el caso de PCCS la solución obtenida en el plan
puede extenderse al perfil del fondo marino, considerando su proyección topográfica. Es im-
Importante señalar que la ubicación de los colectores , así como su designación en las cabezas de pozo, es
llevado a cabo en la primera fase sin que la posición definitiva de las cabezas de pozo haya sido aún perfectamente determinada
terminado . En principio, se consideran todos los pozos verticales, por lo que son coincidentes, en
planta, puntos objetivos y bocas de pozo. Por tanto, una configuración de explotación de
campo petrolero submarino se reconoce como permisible cuando todos los pozos r Î M ,
cubiertos por colectores asignados sobre los puntos viables i Î N , obtenidos por las intersecciones de los círculos
ellos. Considerando las variables 0-1, los costos y coeficientes se definen a continuación:
• Matriz de cobertura A = [ a rj ].
a rj será igual a 1 si el pozo r se puede conectar al colector ubicado en el punto j , y 0 en caso contrario.
• c j , el costo de asignar un colector en j más el costo de interconectarlo a todos los pozos que se pueden
ser servido por él.
https://translate.googleusercontent.com/translate_f 355/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 428
buena precisión, teniendo en cuenta todos los factores considerados importantes para el puesto específico. Des-
De esta forma, tenemos el siguiente modelo:
norte
sujeto a:
norte
∑ a rj x j ³ 1 r = 1, 2, ..., m
j= 1
La restricción de cobertura asegura que todos los pozos estén conectados al menos a un colector . Me gusta
en el caso real, cada pozo debe estar conectado a un solo colector , la solución PCCS1 debe revisarse, eliminarse
socavar los recubrimientos (Leal [1993]). La solución revisada será una solución de partición.
menor costo que el obtenido en PCCS1.
Obtención de la matriz A
Ejemplificaremos a través de este problema la obtención de la matriz A para los demás casos de asignación
en el continuo. La matriz de cobertura PCCS1 se obtiene a partir de la generación de puntos viables de
Calibración de colectores con ayuda de círculos operativos. Sin embargo lo és
las restricciones restantes del problema; de lo contrario, la solución PCCS1 puede no ser viable para el PCCS. Fe-
Desafortunadamente, la consideración de estas restricciones se puede realizar en tiempo polinomial sobre N , en el momento
organización de la matriz A , de acuerdo con las siguientes reglas:
• Se garantizan las restricciones sobre el número máximo y mínimo de pozos servidos por un colector
mediante:
1. Considere todas las columnas en las que el número de pozos cubiertos es mayor que el límite inferior y
menor que el límite superior para la capacidad del colector . Considere todas las columnas en las que
el número de pozos cubiertos viola el límite superior de S unidades sobre la eliminación de S po-
más distante del punto de asignación.
2. Considere todas las columnas en las que el número de pozos cubiertos viola el límite inferior en R
unidades, incluyendo los pozos R más cercanos al punto de asignación. Las restricciones
en relación con la profundidad del agua se sirven eliminando las columnas asociadas con estas violaciones.
Página 429
• Además de las reducciones en filas y columnas necesarias para aplicar las restricciones impuestas al problema,
otras reducciones válidas para el problema de cobertura se pueden utilizar con el propósito de
simplifica el problema. Se pueden encontrar más detalles en Fampa (1992).
Después del preprocesamiento y la solución PCCS1, se definirá la ubicación de los colectores de campo
definidos, así como el conjunto de pozos conectados a ellos. El costo de cada columna viene dado por un costo
C m fijo de instalación de colector plus
https://translate.googleusercontent.com/translate_f 356/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
donde c paquete / pozo es el costo del paquete que conecta el pozo al colector , donde d ri es la distancia euclidiana entre
el punto objetivo iy la boca del pozo r , y p j es el conjunto de pozos servidos por la asignación de un colector
en el punto viable j .
El PCCS2
En el desarrollo del segundo paso de resolución, el objetivo es establecer el mejor posicionamiento
para las cabezas de los pozos. Para ello, la hipótesis que estableció todos los pozos como pozos verticales es
laxos, admitiendo entonces la existencia de pozos direccionales, de manera que sus cabezas se ubican en
sobre la línea que une el objetivo del pozo y el colector al que está conectado, respetando, no obstante, el límite
impuesto por el rango máximo permitido. Es evidente que tal admisión es bastante razonable, ya que la
La calibración de la boca de pozo fuera de la línea mencionada implica un costo de implantación obviamente mayor debido a
mayor longitud del haz de eslabones y mayor complejidad en la geometría de perforación.
Así, el objetivo de la segunda etapa es determinar, entre los puntos viables de asignación de los jefes de
pozos, aquellos que conducen a un menor costo, representado por el costo de perforación del terreno
más el costo del paquete que conecta el pozo al colector .
Este paso se resuelve mediante un problema de programación no lineal unidimensional que
consiste en determinar x cr , y cr , z cr , r = 1, 2, ..., m , coordenadas definidas de cabezales de pozo (ver
cortes en Fampa [1992]), con el fin de minimizar la suma de los costos de perforación y el paquete de conexión
entre el pozo y el colector .
Para una ubicación conocida del colector , la ubicación óptima del cabezal de pozo no depende de la ubicación
otros pozos. La región viable para la asignación de la boca de pozo comprende la línea que
parte de la proyección de tu objetivo en el suelo hacia el colector que te sirve, siempre siguiendo el
topología del terreno. El final de la línea que representa los puntos candidatos para colocar el
La cabeza entonces se establecerá por el alcance máximo para pozos direccionales o la distancia entre la cabeza
pozo y colector , si es menor que el alcance máximo, como se muestra en la Figura 10.11.
Haz
Alcance efectivo Bien / Colector
Espada
agua
Colector
Región viable
Depositar
Punto objetivo
Página 430
metro
sujeto a:
norte
∑ a ij x j - y i ³ 0, i = 1, ..., m
j= 1
norte
∑ xj=p
j= 1
https://translate.googleusercontent.com/translate_f 357/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Dónde:
norte
(MCLP2) Minimizar z = ∑ xj
j= 1
sujeto a:
norte
∑ xj³1 i = 1, ..., n
j∈
Ni
Dónde:
x j variable binaria que es igual a 1 cuando el nodo j está ocupado por una instalación y 0, en caso contrario.
N i = { j | d ij £ R }, donde R es la distancia máxima que se espera para llegar al servicio desde su punto de
ubicación.
El modelo MCLP tiene una conexión estricta con los modelos p- mediana (Khumawala [1973]).
Para que sea posible considerar una restricción asociada al número máximo de instalaciones
asignable, una restricción a menudo necesaria en la práctica debido a limitaciones presupuestarias.
y maximizar el cumplimiento de una demanda de instalaciones dentro de un rango máximo de ese
service, Chung y Revelle (1986) reformularon el MCLP de la siguiente manera:
Página 431
(MCLP3) Maximizar z = ∑ a iy i
yo∈yo
sujeto a:
Σ x j ³ y ii Î I
yo∈Ni
∑ xj=p
yo∈J
Dónde:
Este problema tiene varias aplicaciones en el área de ventas. Normalmente, su solución estará asociada
asociado a la mejor inversión en redes de distribución y representantes de productos, ventas
además de talleres autorizados y servicios públicos o de emergencia. Chung y Revelle (1986) sugirieron
una solicitud para el área de aplicación del gobierno. Almiñana y Pastor (1997) sugieren una
heurística (de la clase heurística sustituta ) para el problema, y Galvão y ReVelle (1996) otra
heurística basada en la relajación lagrangiana del problema. Una de las heurísticas más extendidas para la
El problema se llama algoritmo de adición codicioso . Este algoritmo comienza sin ninguna instalación localizada
y va, en cada una de las p etapas, asignando una facilidad al nodo que conduce al mayor crecimiento
cobertura.
https://translate.googleusercontent.com/translate_f 358/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
redes centralizadas. El modelo considera la existencia de tres niveles en la estructura jerárquica de
una red de comunicaciones:
• Concentradores, C j , j Î M , M = {1, ..., m }, unidades más grandes y capacidad que los terminales, pueden
si se encuentran o no junto a las terminales, y cuyo número y ubicación se suele dar
conocido.
Página 432
La práctica adoptada en los proyectos sugiere que las terminales estén conectadas directamente a sus
controladores y concentradores directamente a la planta. También hay una restricción en la capacidad de
concentradores, por lo que no es recomendable que el concentrador C i no reciba más de k i termine
administrar. Considerando cómo d j el costo de implementar una unidad concentradora en el
punto j y c ij el costo de conectar un terminal T i al concentrador C j , el problema es encontrar la red
que minimiza los costos de implementación. Podemos formular el PLC de la siguiente manera:
sujeto a:
metro
∑ x ij = 1 i = 1, ..., n
j= 0
norte
∑ x ij £ k j y j j = 1, ..., m
yo= 1
Dónde:
y i es una variable binaria que asume el valor 1 si se elige el nodo i para el concentrador y 0, en caso contrario
Río.
x ij es una variable binaria que toma el valor 1 si el terminal T i está conectado al concentrador C j y 0, si
contrario.
(ASP) Minimizar z = Σ c py p
∈ PAGS
PAGS
sujeto a:
∑ y p = 1, iÎF
p: i ∈
P
y p Î {0, 1} , pÎP
https://translate.googleusercontent.com/translate_f 359/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
considerado. y p es una variable binaria que asume un valor de 1 si la configuración de la tripulación p Î P es
en la solución y 0, en caso contrario. La columna p tiene una entrada igual a 1 en la fila i si el vuelo i tiene servicio
por la configuración p y c p es el costo de configuración p . Para que podamos usar esta formulación cumple
generar escenarios viables para el problema. La dificultad de esta enumeración es discutida por Graves et
Alabama. 1993. ASP es un caso particular y muy importante del problema de generación de rutas para vehículos (con
actividades) que se cubrió en el Capítulo 9. Con una formulación similar es posible
Es posible lidiar con la programación de la escala de otros tipos de tripulaciones como los trenes.
Página 433
dos
13 dos
13
13
7 13
14
7
14
10
3 10
8
3
8
5 11
5 11
8
6 8
W 6
12
4 12
T
4
(Los) (SEGUNDO)
Podemos formular CTP como un problema de programación completo (ver Gendreau et al. [1997]) de
como sigue:
(CTP) Minimizar z = ∑ c ij x ij
ij<
sujeto a:
∑ y k ³ 1, v1ÎV (10,1)
vk ∈ Sl
∑ x ik + ∑ x kj = 2 y k vkÎV (10,2)
ik< j> k
∑ x ij ³ 2y t S Ì V , £ 2 | S | £ n - 2, T \ S ¹ Æ v t Î S (10,3)
∈ S, vj ∈ VS\
Sierra
o vj ∈ S, vi ∈ VS\
Página 434
https://translate.googleusercontent.com/translate_f 360/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
metro
Minimizar w = ∑ cjxj
j= 1
sujeto a:
norte
∑ a ij x j - y i ³ 0, i = 1, ..., m
j= 1
Dónde:
Estos problemas corresponden a una serie de situaciones híbridas en las que la toma de decisiones implica
los conceptos de cobertura y ubicación.
Storbeck (1988) presenta el siguiente modelo llamado modelo capacitado de ubicación de cobertura máxima
del (CMCLP), o problema de ubicación en cobertura calificada, para los casos en que las instalaciones
pueden, de alguna manera, cumplir con los pedidos entrantes y no violar las restricciones de capacidad
Ciudad. Pirkul y Schilling (1989) estudian dos modelos similares al PRB, desarrollando un algoritmo
basado en la relajación y optimización lagrangiana por el método de subgradientes.
• La definición de diseños de redes de energía eléctrica que puedan atender áreas de mayor demanda.
• El diseño de carreteras y corredores de flujo que satisfagan las distintas demandas de transporte.
Página 435
• Varios problemas de desbordamiento y enrutamiento bimodal (que involucran dos tipos de medios)
transporte), como la distribución aérea o por carretera en la que se seleccionan varios aeropuertos.
Dada la posibilidad de cobertura vial para conexión y distribución.
https://translate.googleusercontent.com/translate_f 361/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
( N , A ) que maximiza la cobertura de la demanda satisfecha y minimiza los costos de implementación de la
te da forma:
(PCMCC) Maximizar z = Σ d ky k
k
Minimizar w = ∑ d ij x ij
ij ,
sujeto a:
⎡ -1 si j = 0 ⎤
∑ x ij - ∑ x jk = ⎢ 0 si j OD ∉ {,} ⎥
yo k ⎣ + 1 si j D = ⎦
∑ un jk ∑ ( x ik + x ki ) - 2 y yo ³ 0 j Ï { O , D }
k yo
x ij , y i Î {0, 1}, yo , j Î A
Dónde:
y k º variable binaria que asume un valor de 1 si el nodo k está cubierto y 0, en caso contrario ( y O y y D son fijos
igual a 1).
x ij º binaria variable que asume un valor de 1 si el arco (i , j ) está en el camino elegido y 0, de lo contrario;
a ik = 1 si k está cubierto con j y 0, en caso contrario.
d kº representa la demanda en el vértice k.
d ij º representa la longitud del arco ( i , j ).
Página 436
• Conexiones físicas
En diversas situaciones, las conexiones de circuitos eléctricos y distribución de agua pueden presentarse en
una configuración que es análoga a los modelos de servicio de contestador móvil. Para el caso de
conexiones de agua a presión, por ejemplo, los giros y contornos de una conexión representan
caída de presión (presión). En el caso de conexiones a una red eléctrica, la longitud de la línea y su
Las variaciones conducen a una menor confiabilidad y pérdida de voltaje. En ambos casos surge la necesidad de
imponer limitaciones al número total de nodos pertenecientes a la misma rama o circuito, así como
buscan minimizar las curvas y distancias recorridas. Se pueden encontrar modelos para tales problemas
en Current et al. [1986]). La figura 10.13 muestra el efecto de la disposición física en el diseño de un
red de servicio. La solución 2 se realiza en cuatro ramales sin cortes ni derivaciones en las conexiones
mientras que en la solución 1 hay divisiones.
1 4 5 6
dos 3 7 8
9 10 15
1 4 5 6
12 11 dieciséis
https://translate.googleusercontent.com/translate_f 362/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dos 3 7 8
14 13
Solución 1
9 10 15
1 4 5 6
12 11 dieciséis
dos 3 7 8
12 13
3 7 8
Red para conectarse
12 3 dieciséis
12 13
Solucion 2
Página 437
mil novecientos
Ronen
ochenta y dos Generación de columnas
https://translate.googleusercontent.com/translate_f 363/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
1994 Harche y Thompson Restar columnas
Página 438
mil novecientos
Hochbaum
ochenta y dos Teoría de grafos para revestimiento
https://translate.googleusercontent.com/translate_f 364/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2004 van Krieken y col . Heurísticas basadas en la relajación lagrangiana
Página 439
4 Heurística de primates
La heurística de primates es una generalización de los procedimientos miopes. Básicamente, estas heurísticas
construir una portada paso a paso seleccionando las variables que minimizan un determinado
función de evaluación.
• Primeras heurísticas
Donde N i = { j Î N | a ij = 1}, i Î M , el conjunto de columnas que cubren la fila i , y M j = { i Î M | a ij = 1}, j
Î N , el conjunto de líneas cubiertas por la variable j . R sigue siendo el conjunto de líneas no cubiertas en el
matriz A en una iteración dada, entonces k j = | M j Ç R |, j Î M será el número de líneas que serán co-
con la introducción de la variable x j en la cobertura. Con esta información, una heurística primaria
El mal absolutamente natural para la solución de relaciones públicas sería el que seleccionara una secuencia de
grupos de variables que maximizan una función que tiene en cuenta el número de líneas a ser
cubierto por la variable y su costo. En ese caso podríamos escribirlo de la siguiente manera:
COMIENZO
Lea la matriz de cobertura A y el vector de costos c j .
Inicializar variables R ¬ M , S ¬ Æ, t ¬ 1.
Mientras R ¹ Æ hacer
comienzo
Elija i * Î R , tal que | N i * | = Mínimo | N yo |, yo Î R
Elija j ( t ) tal que f ( c j ( t ), k j ( t )) = mínimo { f ( c j , k j ) |
j Î N i * e k j > 0} {* Comando de evaluación *}
Donde k j = | M j Ç R |, " j Î N i *
Actualice R y S , ( R ¬ R \ M ), ( S ¬ S È { j ( t )}) y
aumentar la iteración ( t : ¬ t +1).
Fin
Clasifique la cobertura S en orden de costos no creciente, es decir:
S = { j 1 , j 2 , ..., j t } correspondiente a { c j (1) ³ c j (2) ³, ..., ³ c j (t) }
Para j = 1 para t hacer:
Si S \ { j } es cobertura, entonces S ¬ S \ { j }
De lo contrario, z 0 ¬ z 0 + c j
Escribe { S y z 0 }
FIN
Columna 1 dos 3 4 5 6 7 8
Línea
C=
dos 3 4 4 6 dos dos 3
1 1 0 0 0 0 0 0 1
dos 0 1 1 1 1 0 1 0
A=
3 1 1 0 1 1 0 0 0
4 0 0 1 1 0 0 0 1
5 0 0 1 1 0 1 0 1
6 0 0 0 0 1 1 1 0
Página 440
https://translate.googleusercontent.com/translate_f 365/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Inicialización: R = {1, 2, 3, 4, 5, 6}, S = Æ y t = 1;
Mientras que la iteración t = 1:
min {| |}
norte
=yo| N 1 | = 2, por tanto i * = 1 (se elige cubrir la primera línea).
j∈
R
J 1 8
kj dos 3
cj dos 3
cj/kj 1 1
min {| |}
norte
=yo| N 4 | = | N 6 | = 3, por lo tanto i * = 4 (la cuarta línea se elige al azar)
j∈
R
J 3 4 8
kj 3 3 dos
cj dos 4 3
min {| |}
norte
=yo| N 6 | = 3 luego i * = 3 (línea única descubierta)
j∈
R
J 5 6 7
kj 1 1 1
cj 6 dos dos
j (3) = 6
R = {Æ}, S = {1, 3, 6}
Para j = 1 a t hacer
Página 441
Define que S es una cobertura Prime, es decir, no se puede reducir de ninguna de sus columnas
bajo pena de dejar de ser una tapadera.
Escriba { S = {1, 3, 6} yz 0 = 9}
• Heurística de Chvatal
Aplicar la heurística Prime sin verificar la superposición (redundancia) que el comando
" Para j = 1 hasta que t do", y reemplazando N i en el ciclo del while R ¹Æ por N , entonces tendremos el
heurística minada de Chvatal (Chvatal [1979]). El trabajo de Chvatal se debió a la mejora
Propuestas de Johnson (1974) y Lovász (1975) que podrían aplicarse a
https://translate.googleusercontent.com/translate_f 366/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
rado. La heurística de Chvatal tiene un índice de rendimiento de Rp calculado a partir de:
H
z 0yo ()
Rp = ≤H(d)<H(m)
*
z yo
0 ()
Dónde:
metro
H(m)= ∑ e1 d = máx. {| M j |}
j= 1
j j ∈N
H
z yo
0 () ≡ valor de la solución heurística.
*
z yo
0 () Ótimo valor óptimo del problema.
De hecho, Ho (1982) demuestra que, para toda la clase de heurísticas primarias, la relación de rendimiento es la
igual que el de Chvatal (Campello y Maculan [1994]).
• Heurísticas Bullets y Ho
El procedimiento propuesto por Balas y Ho (1980) sugiere un cambio en las funciones de evaluar la heu-
Prime de la siguiente manera:
1. c j
2. c j / k j
3. c j / log 2 ( k j )
4. c j / k j .log 2 ( k j )
5. c j / k j . ln ( k j )
1. c j / ( k j ) 2
Cj
dos. dos
kj
Página 442
Los autores también sugieren, en el procedimiento Prime, una elección aleatoria, en cada iteración, de la
función de evaluación que se utilizará. El enfoque de Vasko y Wilson reporta buenos resultados (Vasko y
Wilson [1984a]). Los autores todavía proponen (Vasco y Wilson [1986]) un uso conjunto de las funciones de
evaluación y dos versiones para las heurísticas primarias, una similar a Prime y la otra sin la
comando Elija i * Î R, tal que | N i * | = Mínimo | N yo |, yo Î R.
• Heurística híbrida
Algunos procedimientos comprenden varios enfoques heurísticos y procedimientos exactos desarrollados
incompletamente. Estas heurísticas se denominan híbridos. El uso de técnicas de reducción.
problema (Nemhauser y Garfinkel [1972] páginas 302-304) para acelerar los procedimientos exactos también
también es un camino interesante en esta línea de solución (Goldbarg [1988]).
https://translate.googleusercontent.com/translate_f 367/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Algoritmo GRASP para relaciones públicas
J*®
AM 0≠ ∅∀,
j j = 1, ..., n Hacer
comienzo
0
X ¬ max {| M j |: 1 £ j £ n }
0
P¬{j:|Mj | ³ ax , 1 £ j £ n }
Fin
FIN
Página 443
Vector de costo
Matriz de restricciones A
1 1 1 1 1 1
dos 1 1 1
3 1 1 1
4 1 1
5 1 1 1
6 1 1 1 1
7 1 1 1 1
8 1 1 1 1 1
Como señalamos anteriormente, las heurísticas primarias, cuando se aplican a la solución PR,
explorar exhaustivamente los criterios miopes para la formación de una solución viable. El procedimiento
GRASP también usa esta idea, pero agrega una mayor flexibilidad de construcción.
Consideraremos que una opción miope adecuada para PR será la que pretenda seleccionar
un conjunto de variables M i que cubre tantas filas de la matriz A como sea posible que sean
aún descubierto, cuyo conjunto de índices está representado por M . La función adaptativa miope de
GRASP utilizará el criterio de decisión codicioso que, sin embargo, estará restringido a un cierto conjunto P de
variables. La diferencia introducida por GRASP en el uso de la estrategia miope se debe a la
flexibilidad del criterio, lo que permitirá su infracción parcial. El criterio de elección en este contexto
restringidos juntos (LRC - lista restringida de candidatos o L ) se referirá a un valor a, porcentaje
lejos del criterio miope. Esta forma de restringir la elección en la lista de candidatos se denomina
nada restricción de valor .
Podemos pensar de manera similar con respecto al tamaño de la lista de variables candidatas
fechas. En este caso, podemos considerar solo los mejores b elementos de esa lista, de acuerdo con los criterios
río miope, con la relajación previamente definida. b es una restricción de cardinalidad que excede
el tamaño de la L lista . Claramente, los dos parámetros tienen un impacto en el tamaño final de la lista.
L , ya que actúan implícitamente como restricciones lógicas asociadas con la búsqueda.
Tome la matriz de restricción de la figura 10.14 como ejemplo. Una simple elección miope, según
criterio de máxima cobertura, clasificaría las variables x 3 , x 4 , x 5 y x 6 como buenas candidatas para
componen una solución, ya que todas maximizan el número de líneas cubiertas por una elección.
(todos cubren 4 líneas de la matriz de restricción del problema). Considerando un porcentaje de relajación
este criterio de cobertura miope de, por ejemplo, 40% (es decir, a = 60%), estaríamos en condiciones de
aceptando incluir en la solución variables que van de 4 (100%) a 4 ´ 0.6 = 2.4 (60%), es decir, 3
líneas.
https://translate.googleusercontent.com/translate_f 368/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Con la adopción del criterio relajado, el conjunto P de variables candidatas crece. En caso de
ejemplo P crece de {3, 4, 5, 6} a [{3, 4, 5, 6} È {2, 7}]. Si hubiera alguna restricción cardinal
como b = 5, entonces la CRL se obtendría de P eliminando una variable. un
El posible criterio para esta reducción podría ser el costo de la variable. En ese caso se obtendría el LRC o L
eliminando el conjunto P de la variable más cara, es decir, L = P \ {6} = {3, 4, 5, 7}.
Con la lista L estructurada, depende de usted decidir si incluir una variable en la solución. En este caso, el
GRASP utiliza el método aleatorio. De acuerdo con el algoritmo de la tabla, si el sorteo recayó en el
nivel 7, entonces se organizaría una solución parcial con las líneas 2, 3 y 4 cubiertas. los
0
establece M j se actualizaría debido a la inclusión de x 7 en la solución parcial, eliminando estas líneas
del conjunto de líneas aún por cubrir. La consecuencia de incluir la variable índice 7 en el
La solución parcial se puede representar mediante la reducción de la matriz de restricciones, como se muestra en la Figura 10.15.
En ese momento, todo el proceso se rehace nuevamente.
Página 444
Vector de costo
Matriz de restricciones A
1 1 1 1 1 1
5 1 1 1
6 1 1 1 1
7 1 1 1 1
8 1 1 1 1 1
Aplicando nuevamente el criterio codicioso para elegir columnas candidatas, encontramos el máximo
0
mo {| M j |} = 4, por lo tanto P = {3, 4, 5, 9}. Como b = 4 tenemos L : = P y dibujamos el nuevo miembro de la
solución actual.
Para estudiar la segunda fase del método asumiremos que la solución final encontrada por el
El proceso de restricción y extracción fue Sol = {1,6,7} con un costo total igual a 13. La segunda fase del algoritmo
mo es una etapa de intensificación elaborada por una búsqueda local. Consideraremos que examinaremos
Nótese el vecindario de {1, 6, 7} usando una estrategia económica para guiar la búsqueda. En ese caso el
La búsqueda estaría dirigida a identificar una solución viable y cercana a {1,6,7}, obtenida al intercambiar uno o
más variables solares y que, por el criterio descendente, llevaría a un valor inferior al encontrado para
Sol. En el caso del ejemplo podríamos reemplazar la columna 6 (la más cara) con las columnas 3 y 8. El nuevo Sol
encontrado sería {1, 3, 8, 7} a un costo de 11, dos unidades más bajo que la solución primitiva. Todavía dentro
de una estrategia de búsqueda local, la redundancia de Sol probablemente se eliminaría mediante una estrategia
estrategia de intensificación, dejando el conjunto {3, 7, 8} que representaría una gran ubicación. En este caso particular
encontrar la solución óptima para el vecindario {1, 6, 7} también sería globalmente óptimo.
https://translate.googleusercontent.com/translate_f 369/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 445
El problema de la dispersión k difiere de los otros problemas de ubicación en los que un conjunto
los usuarios o los puntos de demanda interactúan con un conjunto de posibles ubicaciones de instalaciones
como en los problemas de Anticentre, Antimediana etc. (Erkut y Neuman [1989], Churk y Garfin-
kel [1978] y Minieka [1983]). La formulación más conocida para este problema se llama Max-
Min. La siguiente redacción se debe a Erkut (1990).
(PKD1) Maximizar z = r
sujeto a:
r £ M (2 - y i - y j ) + d ij , £1i£j£n
norte
∑ y yo = k
= 1
yo
y i Î {0, 1} £1i£n
Dónde:
sujeto a:
norte
∑ y yo = k
= 1
yo
z ij £ y i yo < j , j = 1, ..., n
z ij £ y j yo < j, j = 1, ..., n
y i Î {0, 1} " i
z ij Î {0, 1} " i , j
Dónde:
z ij es una variable binaria que asumirá un valor igual a 1, si las instalaciones están ubicadas en i y j, y 0,
de lo contrario, a pesar de su definición como variable continua. El control del valor de z ij se realiza
a través de restricciones sobre y i y y j . Solo si las variables y i y y j son ambas iguales a 1 z ij , esto
valor. La función objetivo cuenta la suma de las distancias entre todos los pares de instalaciones abiertas.
PKD2 es NP-completo. Un aspecto muy interesante de este problema es su relación con la
problema anti cubrimiento (PAC). El objetivo PKD maximizar la distancia de separación mínima r de k facilidades
entre sí, mientras que el PAC tiene como objetivo maximizar el número de instalaciones que se ubicarán en
para mantener una distancia de separación mínima r entre ellos. Moon y Chaudhry (1984) formulan el
CAP de la siguiente manera:
Página 446
(PAC) Maximizar z = ∑ xj
j∈
S
https://translate.googleusercontent.com/translate_f 370/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
sujeto a:
M (1 - x i ) ³ ∑ ,x j "iÎS
j∈
Qi
Dónde:
En este modelo, cuando x i = 1, todo x j debe ponerse a cero para j Î Q i . Entonces la restricción en
M representa la separación deseada d ij > r .
Erkut (1990) propone otra formulación similar para la PKD y la denomina separación r
de la siguiente manera:
norte
(PKD3) Minimizar z = ∑ x ij
yo= 1
sujeto a:
x i + x j ³ 1, i < j = 2, ..., n con d ij < r
x i Î {0, 1}, i = 1, ..., n
Dónde:
x j variable binaria que toma un valor de 1 si se selecciona la característica j para integrar la solución y
0, de lo contrario.
Esta formulación utiliza n variables y restricciones O ( n 2 ). El valor óptimo de la función objetivo será cero si
y solo si hay un conjunto independiente de tamaño k . en el subgrafo definido por los bordes con
d ij < r . Su similitud con la formulación del problema anti-cobertura y el conjunto independiente es fuerte
(Moon y Chaudhry [1984] y Chaudhry et al . [1986]).
Página 447
Si estamos usando un alfabeto a = { x 1 , x 2 , ..., x n } para un proceso de comunicación y G = (a, q), donde
q representa las relaciones entre los signos del alfabeto que no se pueden confundir entre sí, haciendo clic en
(subgrafo completo de G ) de tamao k en G consta de k seales para las cuales no habr riesgo de
Fusión. Si el problema de la confusión de la señal está asociado con una determinada variable aleatoria de modo que
para cada borde ( i, j ) hay una probabilidad p ij de que ocurra la confusión, entonces podemos definir un
PKD de la siguiente manera: obtenga el conjunto de k signos del alfabeto en el que la probabilidad mínima de
dos señales que no deben confundirse es máximo.
1 d ( v i , v j ) ³ 0.
2 re ( v yo , v j ) = re ( v j , v yo ).
3 d ( v i , v j ) £ d ( v i , v k ) + d ( v k , v j ).
Página 448
7 7
7
5 1 3 6 5 1 3 6 5 1 3 6
(a) Distancia MinMax = 3 (b) Distancia MinMax = 2 (c) Distancia MinMax = 1,5
https://translate.googleusercontent.com/translate_f 372/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El problema del doble centro k consiste en elegir k +1 puntos de demanda de manera que el mínimo
el radio calculado con respecto a todos los pares de demandas elegidos es lo más grande posible. SUS
Es posible una fuerte relación dual entre el problema de k -centro y k -dispersión en un árbol y cuando
no hay restricción en la asignación en los vértices para el problema del centro k . En este caso, la solución óptima
La dispersión ma MaxMin da ( k +1) es exactamente el doble de la solución MinMax de k -centros (Shier [1977]).
Bar-Ilan (1993) presenta varios algoritmos heurísticos para la solución de este problema en redes de
Comunicación.
4 la heurística de Erkut
Erkut (1990) sugiere una heurística que puede dividirse en una fase de solución miope y una fase de mejora.
El procedimiento, que está formalizado en el marco del algoritmo Erkut de dispersión k , tiene complejidad
O ( n 2 ) en la fase de construcción y O ( n 2 ) para cada iteración de mejora.
Página 449
COMIENZO
Lea la gráfica G = (N, A) y k .
Inicializar variables B : = 0; Cuello de botella: = 0;
Ordene los bordes d ij de G de una manera monótona no decreciente
en un montón de C
Mientras | B | <( n - k ) hacer
comienzo
Encuentre la distancia más corta d ( u, v ) en C
Si ( u o v ) Ï B y | B | <( n - k ) entonces haz
comienzo
Eliminar aleatoriamente ( u o v ) Ï B
C ¬ C \ ( u, v )
B ¬ B È {elemento u o v eliminado}
Fin
Si | B | = ( n - k ) luego haga Bottleneck ¬ d ( u, v )
Fin
FIN
COMIENZO
Leer G = (N, A) , ky Bottleneck
La inicialización de las variables V = A \ B {* organiza el conjunto V donde i , j Î
V Þ d ij ³ cuello de botella, | V | = k *} temp ¬ Æ
Para j Î B hacer
comienzo
Asigne w ¬ u o w ¬ v si es posible intercambiar uno de ellos
con j en las siguientes condiciones:
1. w ¬ v se ( d uj > d vj ) e ( d uj > cuello de botella)
2. w ¬ u se ( d vj > d uj ) e ( d vj > cuello de botella)
temp = { j } È V \ { w }
Calcule N _Bottleneck ¬ max, {d ij i , j Î temp}
Si N _Bottleneck> Bottleneck entonces haz
https://translate.googleusercontent.com/translate_f 373/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
comienzo
V ¬ {j } È V \ { w }
Temp ¬ V ;
Fin
B ¬ B \ { j };
Fin
FIN
Página 450
Considere el problema de ubicar tres instalaciones en el gráfico de la figura 10.17 (a). Aplicando el
El ritmo de Erkut (1990) tenemos el siguiente resultado en fases:
10 5 10 5 10 5
9 Tercero 9 Primero 9
4 4 4
5 6 5 6 5 6
5 5 5
6 9 4 6 9 4 6 9 4
8 8 8 8 8 8
Considerando que el posible nodo candidato con el índice más bajo siempre fue eliminado, la secuencia de
La información y las actualizaciones se muestran en la Tabla 10.4.
En la tercera inclusión | B | = 3 finaliza la fase de construcción de una solución miope, como se muestra
Figura 10.17 (b). La solución consta de los k vértices restantes.
d 24 = 11 d 24 = 11> 9 e 9> 8
(4, 5) (2, 5, 6)
d 25 = 9 d 25 = 9> 8 (*) Mejora
d 24 = 11 d 24 = 11> 9 e
dos (4, 6) (2, 5, 6) igual que el anterior
d26 = 9 d 26 = 9> 8
d 25 = 9
(5, 6) d 25 = d 26 > 8 - -
d 26 = 9
https://translate.googleusercontent.com/translate_f 374/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 451
Otra forma de abordar la solución heurística de este problema es mediante la constitución de clusters o
grupos de proximidad. El análisis de conglomerados es un enfoque que intenta agrupar los puntos en el
espacio en conjuntos generalmente disyuntivos en los que se espera que conserve características notables en su
población.
Existen varios tipos de análisis de conglomerados, siendo el enlace simple uno de los más utilizados
en informática (Gower y Ross [1969]). La estrategia básicamente une todos los pares de puntos más
para formar grupos, que luego se irán incrementando (unidos o uniéndose )
también por proximidad (una técnica a veces llamada bola de nieve; véase Mcgregor y Shen [1977]).
En cada paso de incremento, el número total de grupos ( n / 2 grupos) se reduce en uno
fusionando dos grupos vecinos en uno.
Otra forma de obtener agrupaciones de enlaces simples es dividir (operación llamada
dividir ) el todo en dos parcelas de modo que la distancia entre los grupos (definida como el mínimo
entre pares de puntos) se maximiza. Como en el caso anterior, las operaciones de división
se siguen procesando sobre los grupos que se están formando. La propiedad de exigir
un enlace por combinación de grupos justifica el nombre de enlace simple.
Los algoritmos de enlace único para el análisis de conglomerados son miopes y suelen tener
la complejidad O ( n 2 ). Evaluar el rendimiento cualitativo de las heurísticas de dispersión mediante
Examinaremos la instancia de la figura 10.18 y su proceso de solución.
1 1 dos 1 1 dos
1 5 2M 1 5
METRO METRO
4 1 3 4 3
METRO
Solución final = M
La solución óptima al problema de la figura 10.18 es 2M, lo que muestra que este enfoque no tiene
límite e-aproximado absoluto.
Un procedimiento igualmente eficaz en la generación de k clusters o clusters de nodos es la eliminación
de k - 1 aristas más caras del árbol generador de G mínimo . La figura 10.19 aclara este proceso
para la formación de cuatro grupos, basado en el hecho de que la eliminación de k - 1 bordes en un área
arbol forma k subgrafos desconectados.
Evidentemente, para cualquier ubicación dentro de los grupos formados por el procedimiento
arriba, las distancias entre los grupos serán un límite superior para el cuello de la k -dis-
persona. El gráfico G puede reemplazarse por un gráfico de distancias en el que cada grupo estará
representado por un nodo, como se muestra en la Figura 10.20.
Examinando el gráfico de distancias en la figura 10.20, podemos ver que el cuello de botella de la brecha se
presentado por el borde de valor inferior. Cada grupo tiene un conjunto de nodos que establece
su conexión con los grupos vecinos y el cuello de botella está relacionado con ellos. En un caso general,
malmente, los vértices que pertenecen a los grupos no están todos en la frontera, es decir, no todos
están relacionados con los vértices de los otros grupos a través de los bordes del gráfico de distancias. Aquellos
Página 452
1 7 11 1 7 11 1 11
8
10 10
5 5
12 12 12
4 15 dos 4 3
dos 3 dos 3
7 7
5 5 5
13 13 13
20
4 4 6 4 4 6 4 6
https://translate.googleusercontent.com/translate_f 375/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
8 88 9 8 9
7 11 14 7 7 14
14
5 5 10 5 5
8 6 9 8 9 8 9
7 8 7
10 10 10
(un gráfico (b) Árbol generador mínimo (c) Eliminación de los 3 bordes más costosos
Grupo 3 1 11
Grupo 2
12
dos 3
G1
13 10
10
4 6
G3
9
9
88
29
29
28
7 14
G2 10
10 G4
9
Grupo 1
8
Grupo 4 Grafico
distancias
10 Nodo de vecindario
los nodos internos, o no relacionados con distancias de cuello de botella, son candidatos para, si se utilizan para
solución del problema, mejorar el cuello de botella asociado con su grupo. Si el gráfico solo tiene
bordes mayores que cero y todos los grupos tienen nodos internos, por lo que, seguro, el cuello de botella
obtenido mediante el procedimiento descrito anteriormente se puede mejorar. La figura 10.21 muestra la elección
nodos internos a los grupos 1 y 4 y su efecto en el cuello de botella.
Observamos que el cuello de botella para el gráfico de distancias entre los grupos salta a
18 al elegir los nodos internos (nodos 2 y 10) en los grupos 3 y 4 respectivamente. La complejidad
de un algoritmo que encuentre los grupos de nodos a través del árbol generador mínimo tendrá
mínimo O ( n 2 ). La elección de los nodos internos dentro de cada grupo requerirá, para un caso general
una complejidad O ( n 2 ).
Página 453
Grupo 3 1 11
Grupo 2
12
dos 3
G1
13 10
19
4 6
G3
189
8
25
29
29
40
7 14
10
18
G2 G4
9
Grupo 1
Grupo 4
8 Grafico
distancias
10
posibilidad de que sirva más de un punto. En ese caso, la instalación debería de alguna manera
https://translate.googleusercontent.com/translate_f 376/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Realizar una trayectoria en la red para posibilitar el contacto entre suministro y consumo. Las unidades de servicio
Las instalaciones se llaman sirvientes. Un ejemplo de este tipo de problema es lo que
denomina k -servos (PKS). Sea la gráfica G = (N, A) y k -serve distribuida sobre los vértices de G , sujeto
a un vector de demanda que se caracteriza en estos mismos vértices. El problema con los servicios k es que
planificar el desplazamiento de estos servidores sobre los vértices de G con el fin de satisfacer la demanda y otros
posibles restricciones, minimizando una función determinada. En general, la función de minimización
se asocia con la distancia recorrida por los sirvientes. El k Servants se distingue de ro- problemas
teamento por el hecho de que el sirviente permanece ocupando el último vértice visitado y no se caracterizan
rutas cerradas en el gráfico. Además, el posicionamiento inicial de los sirvientes tiene una gran influencia en la
resultado y rendimiento de los algoritmos de solución. La figura 10.22 aclara el desplazamiento de dos servicios
usted en un gráfico de siete nodos. Los vértices marcados con ✓ representan los vértices de demanda. El seguimiento
líneas reforzadas marcan el camino recorrido por el sirviente S i .
La figura 10.22 ejemplifica, entre las muchas posibilidades de servicio, dos. En el primero,
se emplearon dos sirvientes. En el segundo, las dos llamadas son realizadas por el servidor S 1 . Nota
deje que los sirvientes permanezcan estacionados en el último nodo al que sirvieron.
Podemos destacar las siguientes aplicaciones para el problema:
Página 454
S1
ü
1
1
S1
dos 3 dos 3
7 7
ü
1
5 4 5 4
S1 S2
dos 3
7 6 6
ü
S2
5
ü
4
S2 1
1
S1
6 dos 3
ü dos 3
7
7
5 4
5 4
S2
S2
6
6
ü
S1
En situaciones reales de servicio de demanda múltiple con múltiples servidores, uno de los factores más importantes
importante para el rendimiento es el tiempo de servicio. Cuando este factor es preponderante, obviamente
se considerará como el costo del viaje. En otras situaciones, sin embargo, su
normalmente será restrictivo. Así, en los sistemas de atención de emergencia, como en
en el caso de los equipos de mantenimiento de vuelo, es necesario considerar la restricción de tiempo. Oliveira (1996)
sugiere un algoritmo fuera de línea para resolver este problema.
Página 455
metro
(PMS) Maximizar z = ∑ dy ii
= 1
yo
sujeto a:
norte
∑ hacha
k
ij
k
j - y yo ≥ 0 , i = 1, ..., m , k = 1, ..., r
j= 1
k
X j - z j ≤ 0, j = 1, ..., n , k = 1, ..., r
norte
∑ x jk =pk, k = 1, ..., r
j= 1
k
x j , y i Î {0, 1}, j = 1, ..., ni = 1, ..., m k = 1, ..., r
Dónde:
x jk b variable binaria que asume el valor 1 si se asigna un servidor de tipo k a la ciudad j y 0, en caso contrario.
y i º variable binaria que toma el valor 1 si un punto de demanda i que está cubierto y 0, de lo contrario.
z j º variable binaria que adopta el valor 1 si hay una instalación asignado en el vértice j y 0, de lo contrario.
d i º demanda en el punto i .
p jk º número de servos de tipo k permitidos.
a ij = 1 si i puede ser cubierto por el sirviente tipo k en la ciudad j y 0, en caso contrario.
Las restricciones que obligan a todo tipo de servidores a atender una demanda (la primera restricción
PMS) puede ser reemplazado por restricciones de compromiso con una cantidad presupuestaria
disponibles (Boffey y Narula [1997]) para el desplazamiento. Marianov y ReVelle (1991) estudiaron el síndrome premenstrual
en un contexto de seguridad contra incendios para dos tipos diferentes de servos. En el caso
en la agenda, es necesario reunir al menos dos servidores de un tipo y tres del otro para que el
Órdenes para ser consideradas atendidas por un equipo.
La figura 10.23 muestra la posibilidad de utilizar este modelo para múltiples servicios.
La satisfacción de la demanda se caracteriza por la llegada de los tipos de servidores existentes y la cantidad
definido. El origen de estos servidores se puede variar (varias bases). El vértice 8 representa un
asistencia múltiple, en la que los criados y las demandas (ü) se colorean de acuerdo con la
el servicio exigido. Los criados están especializados en satisfacer demandas cuyo color
está marcado en su uniforme.
1 1
10 10 10 10
6 6
dos 3 dos 3
6 7 6 7
7 7
5 5
13 5 13 5
8 8
ü ü
ü ü
5 9 4 7 8 5 10 5 9 4 7 8 5 10
https://translate.googleusercontent.com/translate_f 378/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
8 10 4 1 8 10 4 1
1 5 9 8 11 1 5 9 8 11
Página 456
Sleator y Tarjan (1985), presentan el algoritmo BAL para la solución de k -servos online. La estrategia es
Básicamente, elige los movimientos que permiten a los distintos sirvientes moverse.
igualitario. Para cada k servo, el algoritmo mantiene la distancia de movimiento total equilibrada que será
llamado D k . Si se descubre una demanda en un cierto vértice j, se elige el servo k para
alizar el servicio de modo que min { D k + d kj }, donde d kj es la distancia que debe recorrer el sirviente k al
vértice j, K = {1, ..., k } un conjunto de índices S = {,siyoN k K
∈ , ∈ } conjunto de | K | sirvientes ubicados
k
en los vértices k , y, finalmente, j, el vértice donde se configuró la demanda. El algoritmo siguiente describe el
La estrategia de Sleator para equilibrar los desplazamientos con cada nueva demanda.
COMIENZO
Lea el gráfico G = (N, A) , D , S y J ;
Inicializar las variables Sol ← Æ;
Sol ← { k };
D k ← D k + d kj ;
yo j
sk ← s k ;
Fin
FIN
Página 457
https://translate.googleusercontent.com/translate_f 379/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ocurre en el vértice 4. Dado que ambos sirvientes nunca se movieron, el sirviente elegido para el servicio
es el más cercano al punto de demanda, es decir, el servo S 1 que estaba estacionado en el vértice 5.
La segunda llamada ocurre en el vértice 2. En este caso, como S 2 ya se ha desplazado nueve unidades, el
es el sirviente S 1 . El total recorrido por los sirvientes para realizar ambas llamadas es 9 + 13 = 22 unidades.
des. Si S 2 se asignara al primer servicio y S 1 al segundo, el espacio total recorrido sería
10 + 5 = 15 unidades.
1 1
10 10
10 10
2ü 6 6
S1
dos 3 dos 3
6 7 6 7
7 7
5 5
13 5 13 5
8 8
5 9 4 1ü 5 9 4
S2 S2
8 10 8 10
1 1
Si disponemos de información sobre la demanda desde el principio del problema, es posible prevenir una situación.
como se verifica en la aplicación del algoritmo anterior.
Manasse y Sleator (1990) presentan otros algoritmos para el problema de ( n - 1) servidores y
2-sirvientes. El siguiente algoritmo explora la relación entre k -servos y PDK para resolver un problema.
ma fuera de línea . Denominando por J, J Ì N el conjunto del índice de los vértices que demandan servicios.
Separando L en k clusters de proximidad con los vértices representados por el conjunto P ,
solución del PDK en G , P = { p 1 , p 2 , ..., p k }, y denominando por G i = {1, ..., g i } los vértices asignados en
cada uno de los k grupos tenemos:
Algoritmo de separación K
COMIENZO
Lea el gráfico G = (N, A) , S y J ;
Encuentra k grupos de proximidad en G
Encuentre k vértices dispersos (solución PDK)
Asignar cada grupo de vértices G i al nodo sirviente más cercano
al representante de G i
yo
Encuentra el camino más corto que une s k exigir nodos
perteneciendo a tu grupo
FIN
Observamos que el propósito de la separación propuesta para el problema de los sirvientes es diferente del
modelo de Erkut (1990) y llamado r-separación . La figura 10.25 ejemplifica la aplicación del algoritmo
k- separación como en el caso de la figura 10.25 (a). En el primer paso, se forman grupos de proximidad.
en. En la segunda etapa, dentro de cada grupo, se establece la mejor ruta para el servidor asignado a usted.
designado.
Página 458
1 1 1
10 10
ü 6 S1 ü
S1
dos 3 dos 3 dos 3
6 7
7 7 7
5
13 10
8
4 ü 5 4 ü 5
5 9 4
S2 S1
S2
8 10
1 1 1
https://translate.googleusercontent.com/translate_f 380/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
El algoritmo de separación k busca equilibrar los esfuerzos de los sirvientes separando un área de trabajo
para cada uno de ellos. Por otro lado, el criterio de minimización de desplazamiento se considera directamente
por el camino más corto que une los vértices exigidos dentro de cada grupo.
Para operacionalizar el proceso, el área de explotación se dividió en r bloques, como lo muestra Fi-
Figura 10.26. Una configuración de explotación anual consiste en elegir un determinado conjunto de
bloques a atacar y la cantidad de árboles que se eliminarán en cada bloque. Dentro de los cuatro
dras solo se puede eliminar hasta n i árboles i = 1, ..., r . Si un tribunal está incluido en una determinada confi-
configuración de explotación, al menos dos bloques vecinos no se pueden incluir en la misma configuración
guración. Por razones económicas, es necesario que todos los tribunales designados en la configuración de la
año s tienen al menos un corte vecina también en el año s de configuración . El concepto de barrio
Página 459
entre bloques se aclara en la figura en relación al corte marcado. Observamos que el enfrentamiento
La relación entre los vértices de los bloques se considera una relación de vecindad. Ellos deberían ser
al menos k árboles en el área anualmente . Una vez que se ha designado un determinado tribunal para
figuración del año s , solo podrá reasignarse a la explotación después de s + 3.
Formule el problema considerando que desea maximizar el número total de árboles que se eliminarán.
en un horizonte de 4 años.
https://translate.googleusercontent.com/translate_f 381/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 460
Mar
las personas deben ser introducidas en el área de riesgo, aumentando el riesgo humano. Si, por un lado, un
un número excesivo de centros dificultará la coordinación de la evacuación y aumentará el riesgo de
seres humanos, por otro lado, un pequeño número ciertamente causará insuficiencia en el
asistencia.
Las unidades de discretización (rectángulos de figura) tienen las siguientes demandas:
Tenga en cuenta que cada unidad de discretización debe asignarse a un centro de detección. Estafa-
sidere también que los centros de cribado serán unidades estandarizadas para facilitar la formación
personal de servicio, además de permitir flexibilidad en la redistribución del personal (condiciones
típico de las operaciones de emergencia), pudiendo atender g personas, k animales yl unidades de
volumen de capital, dentro del plazo que se considere seguro para la operación. Teniendo en
Tenga en cuenta que ningún punto de demanda puede estar a más de r kilómetros de un centro de
detección (como se muestra en el círculo más pequeño de la figura) y que no se puede ubicar ningún centro de detección
https://translate.googleusercontent.com/translate_f 382/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dentro del área de máximo riesgo de la planta (como se muestra en el círculo más grande de la figura), formule el
problema de minimizar el número de centros de clasificación del sistema de evacuación. 1
1
Considere los puntos de apantallamiento ubicados en el centro de gravedad de los rectángulos de discretización.
Página 461
Los costos de una presa son unidades monetarias, mientras que un pozo T unidades. Las presas y los pozos pueden
construirse en cualquier parte del área bajo análisis.
Formular el problema para minimizar el costo total del sistema y satisfacer todas las demandas.
identificado.
la beca debe aprobar al menos todas las pruebas i de un paquete j, y que cada prueba i del paquete j cuesta c ij
unidades monetarias a realizar, formular:
1. El problema de maximizar la idoneidad de las pruebas para un conjunto de K = {1, ..., k }, bolsas de sangre,
sujeto a la restricción de agotar los recursos disponibles para tal fin.
2. Minimice el gasto en la prueba de un conjunto de K = {1, ..., k } bolsas de sangre, lo que requiere
un estándar mínimo de adecuación R t , t = 1, 2, 3, 4, asociado con cada tipo de prueba que una bolsa k
Se presentará un valor obtenido por la suma de los factores de adecuación entre las pruebas realizadas
y la beca en examen.
https://translate.googleusercontent.com/translate_f 383/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 462
ANEXO
TEMAS EN ÁLGEBRA
LINEAL Y CONVEXIDAD
La matriz es una entidad matemática representada por una disposición dimensional de números o una tabla.
Como entidad matemática, cada matriz tiene ciertas propiedades. Las matrices más conocidas
CIDAS son matrices bidimensionales en el que llaman a la m filas y líneas horizontales n See-
ticales de columna. Ejemplo:
456 ⎤
A=⎡ ⎣ ⎦
789
m = 2; n = 3.
45 ⎤
B=⎡ ⎣ ⎦
78
m = 2; n = 2.
Matriz de columnas
⎡ 4⎤
C 3 × =1 ⎢ 7⎥
⎣ 3⎦
Página 463
https://translate.googleusercontent.com/translate_f 384/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Matriz de línea
D 1×3= [4 5 6 ]
Los elementos individuales de una matriz están representados por la letra minúscula de la matriz adjunta.
de los índices que corresponden a sus coordenadas en la tabla. El primer índice asociado
la coordenada horizontal o el número de línea. Según el segundo índice, el número de columna
reflexionando. Ejemplo:
⎡ C11 = 4 C12 = 3 ⎤
C = [ c ij ] = ⎣
C21 = - 1 C22 = 5 ⎦
Genéricamente:
La condición para que dos matrices puedan operar en suma o resta es que tengan
el mismo número de filas y columnas.
El operador neutral en la suma de matrices es la matriz nula (ver matriz C ). La suma o resta de
Las pautas se realizan operando elemento por elemento de cada matriz involucrada. Ejemplo:
Agregue las siguientes matrices: D = A + B + C , donde
4 - 1⎤ 11 ⎤ 00 ⎤
A = ⎡⎣ 7 2 ⎦ , B = ⎡⎣ 2 1–, ⎦ C = ⎡⎣ 0 0 ⎦
En este caso obtenemos D sumando las matrices A , B y C elemento por elemento (matriz nula).
⎡ 4 1+ 0+5= - 1 1+ 0+ 0= ⎤
D= ⎣ ++=
7209 2 1- 0 1+ = ⎦
Dada una matriz A y un número escalar (o real) l, el producto l ´ A es una matriz en la que todos los elementos son
Los valores A se multiplicaron por el valor de l. Ejemplo:
4 - 1⎤ ⎡ -4 1⎤
Si A = ⎡ ⎣ ⎦ el = –1 entonces l ´ A = ⎣ -7 ⎦
72 - dos
4 Producto Matrix
Es una de las operaciones más importantes del álgebra lineal. Sean las matrices A = [ a ij ]; B = [ b ij ];
C = [ c ij ]; y sabemos que C = A ' B . Entonces podemos obtener los elementos de C , su c ij , a través de la
siguiente regla:
El elemento i , j de la matriz de productos se obtendrá sumando los productos de los elementos correspondientes
correspondiente a la fila i de la primera matriz, por los elementos de la columna j de la segunda matriz. Ejemplo:
Página 464
Ser:
⎡ 12 ⎤ ⎡ dos 1 ⎤
A = ⎣ 3 4, ⎦ B = ⎣ - 1 - 1⎦
Entonces, el elemento c 12 de la matriz C debe obtenerse sumando el producto entre los elementos de la primera
primera fila de A , ( a 11 , a 12 ) con los elementos de la segunda columna de B , ( b 12 , b 22 ). En ese caso:
c 12 = ( a 11 ´ b 12 ) + ( a 12 ´ b 22 ) = +1 –2 = –1
Etcétera. En el ejemplo:
⎡ ⎤
https://translate.googleusercontent.com/translate_f 385/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
⎡ C11 = 0 C12 = - 1 ⎤
C = [ c 12 ] = ⎣⎢
C21 = dos C22 = - 1 ⎦⎥
⎡ 10 .... 0⎤
⎢ 01 .... 0⎥
Yo = [ i ij ] =
⎢ .. .. .... .. ⎥
⎣ 00 .... 1⎦
Al definir la operación del producto matricial, solo puede ocurrir cuando el número de columnas
en la primera matriz es igual al número de líneas en la segunda.
La matriz resultante del producto A ´ B tendrá el número de líneas en la primera y el número de
segundas columnas. Ejemplo:
El producto de la matriz no es una operación conmutativa como lo es el producto de números reales. Ni-
mally A 'B B ¹' El . Si A ´ B = B ´ A , entonces diremos que A y B son matrices conmutativas. Otro
fenómeno interesante observar es que si A 'C = A' B no pueden afirmar que C = B .
En el caso del producto con la matriz identidad A ´ I = A si la matriz A es cuadrada entonces A´I = I´A .
El producto de dos matrices distintas de cero puede ser una matriz nula.
4 Transposición de matrices
Es una operación en la que intercambiamos las filas de la matriz operadas por sus columnas y viceversa.
El símbolo de transposición es el exponente t .
⎡ 12 ⎤ ⎡ 13 ⎤
A = ⎣ 3 4e ⎦ LAt = ⎣ ⎦
24
El s'p Þ El t PD
Página 465
⎡ ⊗ Bs ..... Bs ⎤
⎢ Bi ⊗ ..... Bs ⎥
A = [ a ij ] =
⎢ .. .. ..... .. ⎥
⎣ Bi Bi ..... ⊗⎦
La diagonal formada por el símbolo Ä se dice que es principal. La diagonal principal divide la matriz en la banda.
banda superior e inferior. Cuando una matriz presenta la banda superior o inferior compuesta de ze-
y la diagonal principal unitaria, decimos que la matriz está escalada hacia la derecha o hacia la izquierda.
⎡ ⎤
https://translate.googleusercontent.com/translate_f 386/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
⎡ 11
los 12
los los13 los14 ⎤
⎢ los
21 los
22 los23 los24 ⎥
A=
⎢ los
31 los
32 los33 los34 ⎥
⎣ los
41 los
42 los43 los44 ⎦
⎡ LA LA12 ⎤
A = ⎣ 11
LA21 LA22 ⎦
o todavía,
A = [ A 11 A 12 A 13 A 14 ]
Página 466
⎡ 4⎤ ⎡ 1⎤ ⎡ X ⎤
1
A = ⎢ 3 ⎥ , B = ⎢ 5 ⎥ y x = ⎢ X dos⎥
⎣ 7⎦ ⎣ dos
⎦ ⎣ X3 ⎦
A+2x=B
2x=(A+B)
o sea:
⎡ dos
X1 ⎤ ⎡ 4⎤ ⎡ 1⎤
X dos⎥ = ⎢ 3 ⎥ + ⎢ 5 ⎥
2 x = ⎢ dos
X 3 ⎦ ⎣ 7 ⎦ ⎣ dos
⎣ dos ⎦
O todavía:
2 x 1 = 4 + 1 = 5 Þ x 1 = 5/2
2x2=3+5=8Þx2=4
2 x 3 = 7 + 2 = 9 Þ x 3 = 9/2
Dónde:
Los valores de las variables de la ecuación anterior que la transforman en una identidad se denominan
https://translate.googleusercontent.com/translate_f 387/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
de solución. Un sistema de ecuaciones lineales no es más que un conjunto de varias ecuaciones lineales.
como sigue:
Hacha = B
Página 467
A ´ A –1 = I = A –1 ´ A
otras propiedades:
( A –1 ) –1 = A
( I –1 ) –1 = I
( k ´ A ) –1 = k –1 ´ A –1
( A ´B ) –1 = B –1 ´ A –1
( A ´ B ´ C ) –1 = C –1 ´ B –1 ´ A –1
No todas las matrices cuadradas tienen inversas. Una matriz que sirve a la propiedad
se dice que lo anterior es reversible . De lo contrario, la matriz se llama singular . Lo necesario y
lo suficiente para que una matriz cuadrada sea invertible es que su determinante sea diferente de cero. Y
¿Qué es un determinante?
Definición 1:
Se llama determinante (D) asociado con la matriz M , el polinomio obtenido al hacer la suma
representación algebraica de todos los términos constituidos por los productos de n elementos de la tabla,
de modo que los primeros índices forman la permutación natural y el segundo
las posibles permutaciones, y el signo positivo también debe asignarse a cada término
o negativo según la permutación de los índices, ya sea de primera o de segunda clase.
El determinante de una matriz es un valor escalar, es decir, un número real y se puede obtener mediante
siguiente expresión:
norte
det A = ∑ a yo 1 A yo 1
= 1
yo
donde A i l es el cofactor de un il definido por el producto de (–1) i +1 con el determinante de una submatriz de A , obteniendo
tomada por la eliminación de la i fila-ésima y la primera columna de A .
237
det 4 5 11 = dos
LA11 + 4 LA21 + 6 LA31 =
679
5 11 3 7 + 37
det 79 - det
4 7 96 det 5 11
El sistema de reducción recursivo propuesto por estas fórmulas termina invariablemente en el cálculo de
determinantes de matrices 2 ´ 2 cuya expresión es muy simple. Por otro lado, al calcular el
determinantes podemos obtener el valor de las variables o incógnitas de los sistemas lineales a través de la
presión:
det LA
https://translate.googleusercontent.com/translate_f 388/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
xj= J , j = 1, 2, ..., n
det LA
Página 468
Tres líneas de acción principales son clásicas para determinar la inversa de A, a saber:
Hacha = B
Ax = IB
Es igual a Ax = b .
x = A –1 B
Ix = A –1 B
Comparando las ecuaciones anteriores, observamos que el proceso de inversión de la matriz se puede pensar
Sado como un proceso de transformación de una matriz A ya sea en una matriz de identidad, atra-
a través de operaciones que no violan las condiciones del sistema lineal original. En vista de lo anterior, puede
podemos imaginar un método de inversión para la matriz A , mediante operaciones elementales en sus líneas
líneas. Sea la matriz A representada debajo y la matriz I al lado. Cuando A se transforma en un
matriz de identidad matriz I habré acumulado el valor de la matriz A –1 . 1
⎡ 1 -11 ⎤ ⎡ 100 ⎤
A= ⎢ 0 -20 ⎥ Yo =⎢ 0 1 0 ⎥
⎣ 0 13 ⎦ ⎣ 001 ⎦
Usaremos una estrategia de cambiar A en una matriz de identidad, comenzando desde la esquina superior
a la izquierda y progresando de columna en columna.
1
Debemos utilizar una estrategia de cambio racional y cuidadosa para evitar cálculos innecesarios. Esto permitira
que la programación de A (los números cero en la matriz) se planifica de manera metódica. Tenga en cuenta, en el ejemplo, que el
elemento a 23 ya era cero inicialmente, como lo necesitaría, aunque su valor se cambia a la primera operación
perro. Sin una estrategia de cálculo racional, este fenómeno puede ocurrir en celdas que ya han sido calculadas.
Página 469
Operación 2: Hacer que el elemento de un 21 = 0. Para ello, debemos multiplicar la primera línea por -1 y complemento
https://translate.googleusercontent.com/translate_f 389/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
con la segunda línea resultante:
⎡ 1 -11 ⎤ ⎡ 100 ⎤
A= ⎢ 0 - 1 - 1⎥ Yo =⎢ - 1 1 0 ⎥
⎣ 0 13 ⎦ ⎣ 001 ⎦
Operación 3: Hacer que el elemento de un 12 = 0. Añadir la tercera línea a la primera, lo que resulta en:
⎡ 1 04 ⎤ ⎡ 101 ⎤
A= ⎢ 0 - 1 - 1⎥ Yo =⎢ - 1 1 0 ⎥
⎣ 0 13 ⎦ ⎣ 001 ⎦
Operación 4: Hacer que el elemento de un 22 = 1. La segunda línea se multiplica por -1 resultando en:
⎡ 104 ⎤ ⎡ 101 ⎤
A= ⎢ 011 ⎥ Yo =⎢ 1 - 1 0 ⎥
⎣ 013 ⎦ ⎣ 001 ⎦
Operación 5: Haciendo el elemento en 23 = 0. Multiplica por -1 la segunda fila y suma con la tercera re -
sulting:
⎡ 104 ⎤ ⎡ 1 01 ⎤
A= ⎢ 011 ⎥ Yo =⎢ 1 -10 ⎥
⎣ 002 ⎦ ⎣ -1 11 ⎦
Operación 6: Hacer que el elemento de un 33 = 1. La tercera línea se divide por 2 resulta en:
⎡ 104 ⎤ ⎡ 1 0 1 ⎤
A= ⎢ 011 ⎥ Yo =⎢ 1 -1 0 ⎥
⎣ 001 ⎦ ⎣ - 1/ 2 1 2 1 2 / / ⎦
Operación 7: Hacer que el elemento en 23 = 0. Multiplica por -1 la tercera línea y la segunda suma resultante
tando:
⎡ 104 ⎤ ⎡ 1 0 1 ⎤
A= ⎢ 010 ⎥ Yo =⎢ 3 2/ - 3/ 2 - 1/ 2 ⎥
⎣ 001 ⎦ ⎣ - 1/ 2 1 2 / 1 2/ ⎦
Operación 8: Haciendo el elemento en 13 = 0. Se multiplica por la tercera fila y la suma -4 a la primera resultante
tando:
⎡ 100 ⎤ ⎡ 1 - dos -1 ⎤
A= ⎢ 010 ⎥ Yo =⎢ 3 2/ - /3 2 - /1 2 ⎥
⎣ 001 ⎦ ⎣ - /1 2 1 2 / 1 2/ ⎦
11 ⎤ ⎤
dos
A = ⎡⎣ ⎦ , B = ⎡⎣ 1 ⎦
-10
Página 470
A –1 B
⎡ 1 1 ⎤ [
dos
A+= ⎣ | ]
AB
-1 0 1⎦ =
https://translate.googleusercontent.com/translate_f 390/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
• Agregación de la matriz de identidad
⎡ 1 1 ⎤
dos ⎡ 10 ⎤
A+= ⎣ Yo =
-1 0 1⎦ ⎣ 01 ⎦
• Operación de canonización de la segunda columna, multiplicando la segunda línea del aumento por –1 y
sumando a la segunda línea, concluyendo el proceso de obtención de la inversa de A
⎡ 1 0 -1 ⎤ ⎡ 0 –1 ⎤
A+= ⎣ Yo =
0 1 3 ⎦ ⎣ 11 ⎦
⎡ 0 - 1⎤ ⎤
dos - 1⎤
A –1 B = ⎣ 1 1 ⎦ × ⎡⎣ 1 ⎦ = ⎡⎣ 3 ⎦
[ I | A –1 B ] [ A –1 ]
Teorema de Cramer :
Cualquier sistema de n ecuaciones lineales con n incógnitas, cuyo determinante
de las incógnitas es diferente de cero, admite una única solución.
Página 471
1. Si D ¹ 0 los valores de las incógnitas son todos cero y la solución se llama trivial.
2. Si D = 0, el sistema admite infinitas soluciones diferentes y se dice que es indeterminado.
https://translate.googleusercontent.com/translate_f 391/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
De ella podemos deducir varios determinantes de orden p . Suponiendo que al menos uno de ellos difiera
cero y organizando las incógnitas y restricciones que podemos tener:
Como el sistema correcto tiene D ¹ 0, podemos determinar los valores de p incógnitas x 1 , x 2 , ... ,
x p (incógnitas principales), dependiendo de las n - p restantes (incógnitas no principales) de tal manera que la
cada conjunto de valores asignados arbitrariamente corresponderá a un conjunto determinado
de valores para aquellos. Vemos que el sistema propuesto, dentro de la hipótesis formulada, es siempre
socavado.
Página 472
4 combinación cónica
x = l 1 x 1 + l 2 x 2 + .... + l n x n cuando l i ³ 0
Cónico
X1
X2
4 combinación relacionada
norte
x = l 1 x 1 + l 2 x 2 + .... + l n x n cuando ∑ l yo = 1
yo= 1
Al fin
X1
X2
4 combinación convexa
https://translate.googleusercontent.com/translate_f 392/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
norte
x = l 1 x 1 + l 2 x 2 + .... + l n x n cuando ∑ l yo = 1 y yo yo ³ 0
= 1
yo
Convexo
X1
X2
Página 473
La noción de dependencia lineal puede verse como una generalización del concepto de proporcional
entre diferentes cantidades. Consideremos dos conjuntos de números, a saber:
(dos)
x 1 (1) , x 2 (1) , ...., x n (1) y x1 (2) , x2 (2) , ...., x n
se dice que son proporcionales entre sí cuando es posible determinar dos constantes l 1 , l 2 no
simultáneamente nulo tal que:
Cuando l 1 ¹ 0, deducimos:
Cuando l 2 ¹ 0, deducimos:
–Λ 1 –Λ 1 –Λ 1 (1)
x 1 (2) = x 1 (1) , x 2 (2) = x 2 (1) , ......., x n (2) = xn
λ λ λ
dos dos dos
La definición anterior tiene la ventaja, como caso particular, de que uno de los conjuntos está constituido
por ceros. Los polinomios f 1 , f 2 , ..., f m , previamente definidos, se dice que son linealmente dependientes
cuando podemos determinar m constantes, no todas nulas l 1 , l 2 , ..., l m tales que:
f 1 l 1 , f 2 l 2 , ..., f m l m º 0
Sabemos que, básicamente, un sistema de ecuaciones puede admitir las siguientes condiciones de solución.
• Sistema compatible:
• Con una solución.
• Con infinitas soluciones.
• Sistema incompatible.
Ejemplo 1 :
x 1+ 2 x 2+ x 3= 1
2 x 1- x 2+ 2 x 3= 2
3 x 1+ x 2+ 3 x 3= 4
https://translate.googleusercontent.com/translate_f 393/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
la matriz aumentada del sistema es:
Página 474
⎡ 12 1 1⎤
S = ⎢ 2-1 dos dos
⎥
⎣ 31 3 4⎦
⎡ 12 1 1⎤
S = ⎢ 0 –5 0 0⎥
⎣ 31 3 4⎦
⎡ 12 1 1⎤
S = ⎢ 0 –5 0 0⎥
⎣ 0 –5 0 1⎦
⎡ 12 1 1⎤
S= ⎢ 01 0 0⎥
⎣ 0 –5 0 1⎦
⎡ 12 1 1⎤
S= ⎢ 01 0 0⎥
⎣ 00 0 1⎦
Como podemos ver en la última línea de la matriz escalonada S, existe una inconsistencia en el sistema.
tema para que la solución sea imposible.
Ejemplo 2:
x 1+ 3 x 2+ x = 5
3 x 1- 2 x 2- 8 x 3= - 7
3 x 1+ x 2+ 3 x 3= 4
⎡ 13 1 5 ⎤
S = ⎢ 3 –2 –8 –7 ⎥
⎣ 31 3 4 ⎦
Página 475
⎡ ⎤
https://translate.googleusercontent.com/translate_f 394/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
⎡ 1 3 1 5 ⎤
S = ⎢ 0 –11 –11 –22 ⎥
⎣ 3 1 3 4 ⎦
⎡ 1 3 1 5 ⎤
S = ⎢ 0 –11 –11 –22 ⎥
⎣ 0 –8 0 –11 ⎦
⎡ 13 1 5 ⎤
S= ⎢ 01 1 dos⎥
⎣ 0 –8 0 –11 ⎦
⎡ 13 1 5⎤
S= ⎢ 01 1 dos
⎥
⎣ 00 8 5⎦
⎡ ⎤
13 1 5
S= ⎢ 01 1 dos⎥
⎢⎣ 0 0 1 5 ⎥⎦
8
x 1 + x 2 - x 3 + x 4 + 2x 6 = 12 (04)
–X 1 + 2x 2 + 2x 3 + x 5 = 6
xxx
1 dos 3 xxx
4 5 6 segundo
⎡ 1 1 –1 1 0 dos 12 ⎤
s =⎣ -1 2201 0 6 ⎦
Página 476
Observando la matriz aumentada del sistema (04) encontramos una solución inmediata para el sistema
ma, es decir, una submatriz de tipo (03) que se compondrá de las variables x 3 y x 5 . Entonces, con el propósito de
solución, el sistema indeterminado (04) se puede reescribir de la siguiente manera:
xx4 5 segundo
⎡ 1 0 12 ⎤
s =⎣
0 1 6 ⎦
poniendo las otras variables a cero. En este caso, la solución sería: x 1 = 0, x 2 = 0, x 3 = 0, x 4 = 12, x 5 = 6,
o en:
Hacha = B
x = (0, 0, 0, 12, 6)
https://translate.googleusercontent.com/translate_f 395/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
En este punto, es interesante aclarar mejor el proceso de selección de submatriz (03). Cómo
quedó claro en la deducción de (03) que no es ninguna submatriz que pueda resolver nuestro sistema de ecuaciones.
Si hubiéramos elegido seleccionar la submatriz a continuación, por ejemplo:
xx4 5 segundo
⎡ 1 dos 12 ⎤
=
s ⎣
0 1 6 ⎦
¡El determinante de la submatriz (03) sería singular y la descomposición no sería válida! A pesar de esto
De hecho, matemáticamente, que sepamos, ahora lo justificaremos a la luz del cálculo
vector.
Realmente podemos considerar las columnas de la matriz aumentada como vectores y una solución para
el conjunto de ecuaciones del sistema como una combinación lineal entre estos vectores. En el ejemplo,
La combinación lineal que elegimos inicialmente para resolver nuestro sistema será:
l = (l 1 , l 2, l 3 , l 4 , l 5, l 6) = (0, 0, 0, 12, 6, 0)
X = l 1x 1 + l 2x 2 + l 3x 3 + l 4x 4 + l 5x 5 + l 6x 6 =
⎛0⎞
⎜0⎟
Definición 2 :
Un espacio vectorial con n dimensiones es el conjunto de todos los vectores de n componentes.
Página 477
Definición 3:
Se dice que un conjunto de vectores es un conjunto generador de un espacio vectorial, si todos
El espacio se puede expresar como una combinación lineal de los vectores de este
Generador listo.
Definición 4 :
A base de de un espacio vectorial es un conjunto generador de espacio, compuesto de m vector
indicadores linealmente independientes . Las variables asociadas con estas columnas se denominan
variables básicas.
En el ejemplo que examinamos x 4 y x 5 , incluso forman una base canónica del espacio R 2 ( m =
dos). De esta forma, existe una equivalencia de conceptos que resulta sumamente interesante: obtener un sistema
un tipo consistente (03) sería una medida que dependería solo de operaciones algebraicas
si no fuera por el hecho de que no todos los subconjuntos de m variables en la matriz A tienen ciertos
no nulo minant. Los subconjuntos que se pueden resolver de forma independiente (permitiendo
tratando de fijar los demás en cero) el sistema de ecuaciones constituye una base de dimensión m , es decir,
son variables linealmente independientes en el conjunto de restricciones del sistema de ecuaciones, o
también: una base A es una matriz de m vectores columna linealmente independientes A .
Definición 5 :
Cada base corresponde a una y solo una solución para el sistema. A esa solución
lo llamaremos la solución básica .
https://translate.googleusercontent.com/translate_f 396/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Definición 6 : solución básica todos los componentes del vector solución son positivos,
Cuando en una
se llama solución básica viable .
Está claro que los sistemas indeterminados con un gran número de variables tendrán una gran
número de submatrices que cumplirán con el requisito para formar una base. Sabiendo que hay
n variables en el sistema y subconjuntos deben estar formados solo por m , entonces como máximo
⎜ norte
⎛ ⎞⎟ = norte
!
⎝metro
⎠ teóricamente estas bases podrían formarse. Es en este punto que necesitamos aclarar
mnm!( - )!
comprender por qué estaríamos tan preocupados por trabajar con esta gran cantidad de subconjuntos.
variables de la matriz A , en lugar de ahondar en métodos que podrían resolver rápidamente
sistemas indeterminados, incluso si las variables tuvieran que compartir valores.
Finalmente, ¿por qué no nos interesaría obtener soluciones del tipo (1, 0, 0, 6, 7, 3), soluciones no básicas
pero ¿cuál podría ser aún más fácil de calcular?
Definiciones basicas
4 Una matriz cuadrada de elementos enteros (matriz llamada número entero) A = [ a ij ] es unimodular si
| det A | = 0 o 1.
Página 478
4 Una matriz de elementos enteros A es completamente unimodular (tu) si cada submatriz cuadrada
El carácter singular de A es unimodular.
4 Una matriz A es euleriana por columna (o fila) si la suma de los elementos de cada columna (o
mi) es parejo.
4 Si A eres tú, toda solución básica Ax = b , donde A y b son matrices de elementos enteros, es entera.
4 Es una condición necesaria para que la matriz A sea usted que " a ij Î A Þ a ij = 0, +1, –1.
Teoremas útiles
Teorema de Camion:
Una matriz A con componentes {0, 1, -1} es usted si y solo si la suma de
de cada submatriz euleriana cuadrada de A es un múltiplo de 4.
Teorema de Truemper :
Una matriz A con componentes {0, 1, -1} es usted si y solo cada submatriz cuadrada
euleriano es singular.
https://translate.googleusercontent.com/translate_f 397/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
2. Si una columna contiene dos elementos no nulos
con diferentes señales, ambos están en el mismo
subconjunto.
Para más detalles sobre unimodularidad, ver: Truemper (1976a y 1976b), Chandrasekaran (1969),
Hoffman y Kruskal (1957), Heller y Hoffman (1962).
Página 479
Definición 7 :
Un subconjunto X Î Â n es convexo si y solo si, para todos los vectores x 1 , x 2 Î X
tenemos que (l x 1 + (1 - l) x 2 ) Î x y Î (0, 1).
Conjuntos no convexos
Conjuntos convexos
Definición 8 :
El punto extremo de un conjunto X se llama cualquier punto que no se puede expresar
por combinación lineal convexa de otros dos puntos distintos e igualmente
perteneciente a x .
La figura A.1 muestra que los puntos x 1 y x 3 se pueden obtener mediante una combinación lineal convexa
otros dos puntos del conjunto C . No ocurre lo mismo con un punto extremo.
La figura A.2 muestra que el punto x 2 solo se puede obtener mediante una combinación cónica lineal o similar, y
nunca para ambos.
Definición 9:
El encuentro de los puntos extremos de un conjunto convexo X se denomina perfil.
https://translate.googleusercontent.com/translate_f 398/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 480
Puntos no extremos
x1
x3
x2
Conjunto
Convexo C
Combinación
Al fin
x3 Combinación
x5 Punto extremo Cónico
Conjunto
Convexo C
x4 x3
Punto extremo
x4 Conjunto
Convexo C
x5
Cuando hacemos la asociación entre las variables de los sistemas lineales y los vectores, establecemos
una asociación directa entre el conjunto de soluciones de estos sistemas y las figuras geométricas generadas
por las combinaciones entre vectores en  n . De esta forma podemos demostrar que:
Teorema 1:
El conjunto de todas las soluciones viables en el modelo PL es un conjunto convexo.
Algunos de los puntos generados como soluciones viables pueden ser internos al conjunto, como los puntos
x 1 y x 2 de la Figura A.1. Estos puntos incluirán variables que son linealmente dependientes entre sí, un
ya que se pueden obtener por combinaciones lineales convexas de otros puntos de ese mismo conjunto
a. Otros serán externos. Entre los puntos externos, algunos serán extremos. Los puntos extremos
pueden obtenerse por combinación lineal convexa de otros puntos en el sistema, es decir, serán
correspondiente a las soluciones básicas del sistema. De hecho, esta correspondencia es bidireccional. En cada punto
temblor corresponde a una base y viceversa, de ahí el siguiente teorema:
Teorema 2:
Toda solución básica viable del sistema Ax = b es un punto extremo en el conjunto de soluciones
condiciones viables.
Página 481
¿Qué hace que las soluciones extremas de conjuntos convexos sean tan atractivas y fundamentales para nuestra
La discusión está asociada con su interpretación geométrica. Las numerosas soluciones de sistemas indeterminados
serían, en términos matemáticos, indistintos si no pudieran asociarse con una función externa
https://translate.googleusercontent.com/translate_f 399/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
licitación al sistema. De hecho, el problema de la programación matemática es no resolver sistemas para
ecuaciones indeterminadas, sino para optimizar una función sujeta a estos sistemas como restricciones. En cada
solución del sistema de restricciones la llamada función objetivo tendrá un cierto valor. Nuestro de-
es optimizarlo. Considerando una función objetiva sobre el universo de soluciones viables para la
ma Ax = b, se verifican los siguientes teoremas:
Teorema 3:
Si una función tiene un máximo o mínimo finito sobre un conjunto convexo,
por lo que al menos una solución óptima es un punto extremo de este conjunto convexo.
Teorema 4:
Si la función objetivo asume el máximo o el mínimo en más de un punto extremo,
entonces toma el mismo valor para cualquier combinación lineal convexa de estos puntos
extremos.
Con base en los resultados teóricos enumerados anteriormente, en caso de que la matriz de restricciones sea
consiste en ecuaciones lineales que forman una figura convexa y compacta, entonces la solución de la
El modelo de programación lineal se encontrará en los puntos extremos de esta figura.
Comprender el comportamiento de esta función en el universo de soluciones viables para sistemas.
restricciones, ahora discutiremos la influencia de la geometra de conjuntos convexos en la optimizacin de
ción de funciones lineales.
4 Variedad lineal
Un conjunto V se denomina variedad lineal , si " x 1 , x 2 Î V tiene que ser l x 1 + (1 - l) x 2 Î V para cualquier
o lÎÂ. Como ejemplos de variedades lineales podemos mencionar la recta y el plano. Cada variedad
near es un conjunto convexo. Cabe señalar que lo recíproco no es cierto.
4 Geometría en  n
• Hiperplano
Generalizando la noción de recta en  2 y plano en  3 tenemos el concepto de hiperplano ( H ) expresado a partir de
siguiente manera:
H = { x Î E n | a x = k }, donde a ¹ 0 y k Î Â
H = { x Î E n | a ( x –x 0 ) = 0, x 0 Î H }
Página 482
x0
• Semi-espacio
Un hiperplano divide el espacio vectorial en regiones llamadas semiespacio, de la siguiente manera:
H+={x|ax³k}¹0ya¹0
https://translate.googleusercontent.com/translate_f 400/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
H-={x|ax£k}¹0ya¹0
o entonces:
H + = { x | a ( x –x 0 ) ³ 0}
α H
x0
• Rayos y direcciones
Un rayo vectorial es una colección de puntos de la forma:
R = {x 0 + l d : l ³ 0} d ¹ 0
Dónde:
x 0 º vértice.
d dirección del rayo del vector.
Página 483
x+
0
d
x0
re
• Dirección de un conjunto
Sea X un conjunto convexo y X = { x Î E n | Ax = b , x ³ 0}. Diremos que d Î E n es una dirección de X si:
" x 0 Î X , { x 0 + l d : d ³ 0} Í X
o sea:
( x+ λ re) ∀ ∈
Una
xX , λ≥ 0
X + λ re≥ 0
Conclusión inmediata: si un conjunto es limitado, no tiene dirección. La figura A.6 muestra una dirección d
en cualquier conjunto.
https://translate.googleusercontent.com/translate_f 401/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
x0
re
x 1 - 2 x 2 + l ( d 1 - 2 d 2 ) ³ -6 d 1 - 2d 2 ³0
x 1 - x 2 + l ( d 1 - d 2 ) ³ –2 d 1 - d 2 ³0
Página 484
(4, 2)
d2
(0, 2)
d1
(0, 1)
• Conjuntos poliédricos
Una intersección de un número finito de semiespacios cerrados se llama poliedro.
En general:
H = { x Ax £ b} es un poliedro b Î E n
Representación en función de los puntos extremos y las direcciones extremas de un conjunto convexo
Sea el poliedro:
–3 x 1 + x 2 £ –2
- x 1 + x 2£ 2
- x 1 + 2x 2 £ 8
–X 2 £ - 2
Para cualquier punto, interno al poliedro, por ejemplo (4, 3), tendremos:
https://translate.googleusercontent.com/translate_f 402/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
l 1 = l 2 = 1/2
l3=0
m 1 = 7/3 en 2 = 0
• Envoltura convexa
Sea S = { x 1 , x 2 , ..., x p , ...} Ì E n . La envolvente convexa de S , o Conv S , es el conjunto convexo más pequeño
teniendo S , es decir, es el conjunto de todas las combinaciones convexas de los elementos de S , es decir:
Conv S = { x | x = Σ U j x j donde Σ l j = 1 l j ³ 0, x j Î S }
j j
Página 485
Conv S
( P ): Min { X a = CX tal que Ax = b, 0} ³ x donde A = [ a j ] es una matriz m ' n de las instalaciones a 1 , a 2 , ... , a n .
Ahora queremos debatir la viabilidad de ( P ), es decir, saber en qué condiciones no tendrá el problema
solución, o x = { x tal que A x. = b, x ³ 0} = Æ. Considere el cono generado por vectores de mercancías
ocupaciones:
norte
norte norte
Sea K = { y tal que y = ∑ ljaj,∑ l j = 1, l j ³ 0 j = 1, 2, ..., n }, la envolvente convexa de los puntos definidos
j= 1 j= 1
norte norte
Xj segundo
∑ losj = , con ξ = ∑ xj
ξ ξ
j= 1 j= 1
Xj segundo
Definición de λ j = , £ l j £ 1, con j = 1, 2 ... n , se sigue que ∈, es
K decir, si X ¹ Æ, entonces b Î R n debe
ξ ξ
pertenecen al cono generado por las amenidades, en caso contrario X = Æ según las Figuras A.9 y A.10.
K segundo
a2
b/ξ
a3
O
a1
X≠0
https://translate.googleusercontent.com/translate_f 403/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 486
segundo
a2
a3
O
a1
X=0
( P ) Maximizar x 0 = 2 x 1 + 4 x 2
sujeto a:
x1+x2£9
x1£4
x2£7
x 1 ³ 0, x 2 ³ 0
x2 x2
x1=4
7 C 7 C
x2=7
re re
segundo segundo
Y
X 0 = 2 +4X 1 X dos= 32
X 1 + X dos= 9
LA
LA
O 4 x1 O 4 x1
Página 487
ANEXO B
https://translate.googleusercontent.com/translate_f 404/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
TEMAS DE TEORÍA
GRÁFICOS
El concepto de Grafo es extremadamente simple e incluso intuitivo. Podemos considerar que una gráfica
no es más que una representación gráfica de la interdependencia entre los elementos que se representan
para nosotros . Los elementos que se encuentran con la relación imaginada se unen simbólicamente a través de un
característica llamada borde . El modelo tiene una interpretación gráfica muy cómoda; sin embargo, tal
El diseño no tiene el poder, en diversas situaciones reales, de formalizar completa y satisfactoriamente la
estructura imaginada. Por este hecho, es necesario que un gráfico también se defina analíticamente.
Algunos autores brasileños que cubren el tema son Barbosa (1974, 1975) y Furtado (1973).
Definición de gráfico
Un gráfico es una estructura de abstracción que representa un conjunto de elementos definidos
nos nominó y su interdependencia o aristas.
Representación matemática
Denominando el conjunto de vértices de la estructura por N , y por M el conjunto de aristas
o conexiones entre los vértices, un gráfico se puede representar por: G = ( N, M ).
dos
dos
1 1 segundo
F C
4
7 y 4
7
3 3
los re
6
5 5
Gráfico 1 Gráfico 2
Página 488
El conjunto N = {1, 2, ..., n } estará compuesto por los n nodos del gráfico, y M = {1, 2, ..., m } contendrá los m bordes. SUS
es común el uso de la variable x i , i = 1, 2, ..., n para la representación de nodos. En el gráfico de la Figura B.1,
N = {1, 2, 3, 4, 5, 7} y M = {a, b, c, d, e, f}.
El concepto de grafo se puede generalizar al caso en el que no se constituye la relación entre nodos.
con solo un par de nodos o vértices. Los hipergrafos son modelos que permiten la representacion
bordes que abarcan más de dos nodos.
Definición de Hypergraph
A hypergraph H es un par H = ( N, x ) donde n representa el conjunto de nodos de H y x es
una familia de piezas C .
En la Figura B.2 tenemos N = {1, 2, 3, 4, 5, 6} yx = {(1, 2, 3); (3, 4); (4, 5, 6)}.
dos
https://translate.googleusercontent.com/translate_f 405/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
6
3
5
Como podemos ver en las figuras de los ejemplos, un gráfico puede contener información asociada
a sus vértices y aristas. Definimos esta información como etiquetas o pesos . Formalmente tenemos:
segundo
segundo LA 3
LA
dos 3 1
5
re 1 7
re C
C
Y Y
1
5 4
F
F
GRAMO
Finalmente, un gráfico puede tener más de un borde distinto que conecta dos vértices.
Página 489
Definición de Multigraph
Un gráfico G = ( N, M ) es un gráfico múltiple si hay más de un borde que conecta el mismo
par de vértices.
dos 4
Multigraph
Algunos gráficos destacan por sus peculiaridades en sus estructuras. Estas peculiaridades pueden
ser muy útil en la representación de situaciones reales o en el uso de algoritmos de solución para
problemas de gráficos. Entre ellos destacamos:
4 Gráfico dirigido
Representación matemática
Denotando el conjunto de vértices de la estructura por N , y por M el conjunto de pares
del producto cartesiano n X n de los enlaces existentes en G , un gráfico orientado
do también está representado por G = ( N, M ) .
https://translate.googleusercontent.com/translate_f 406/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
dos
dos
1 1 segundo
F C
4
7 y 4
7
3 3
los re
6
5 5
Gráfico 1 Gráfico 2
Página 490
4 Gráfico bipartito
Otra clase importante se llama gráficos bipartitos . Este tipo de estructura puede representar
situaciones como las que se generan al asignar personas a tareas, herramientas a máquinas, etc.
1 dos
6 5
N1
N2
4 Gráfico completo
1 dos
1 dos
3
3 4
https://translate.googleusercontent.com/translate_f 407/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
K4
5
6
K 33
Página 491
4 Gráfico regular
segundo
LA
re
C
Y
F
GRAMO
Algunos autores distinguen entre el concepto de titulación para grafos orientados y no orientados.
En el caso de gráficos orientados, el grado se puede descomponer en dos partes: el grado interno o el número
número de arcos que llegan al nodo y el grado externo, o el número de arcos que salen del nodo. Estos paquetes
el grado del nudo se llama semigrau. En el caso de grafos dirigidos, la suma del semigrau incluyó
ter d ( i ) + y exterior d ( i ) - conduce al valor final del grado del nodo. La expresión para obtener el título en
gráficos orientados es:
d(i)=½d(i)-½+½d(i)+½
En el caso de la Figura B.9, podemos calcular el grado del vértice 4 de la siguiente manera:
=½-2½+½+2½=4
6 3
dos
7 5
4 árbol
Definición de árbol
Una gráfica se llama árbol si está conectada y no tiene ciclos.
https://translate.googleusercontent.com/translate_f 408/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 492
1 dos
4 5
Árbol
4 Gráfico plano
Un tipo de gráfico muy importante para representar problemas de topología plana es el llamado gráfico
planar . Redes de carreteras, mapas, circuitos electrónicos, varios tipos de diseño , etc., cuando se representan
de gráficos, terminan configurando, en la mayoría de ocasiones, gráficos planos.
1 dos 1 dos
3 4 3
4 Red
Página 493
Nosotros
Intermediarios
( l,C
ij ij , ) L ij
En el En el
https://translate.googleusercontent.com/translate_f 409/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Fuente Lavabo
Arco de equilibrio
(0, 1, 8) (1, 1, 5)
1 (1, 2, 10) 6
4 5
(0, 0, +)?
Uno de los puntos más fundamentalmente asociados con la noción de gráficos es el concepto de conexión entre
tices. De hecho, el modelo es básicamente una estructura adecuada para representar formas topológicas
de conexión. Es, por tanto, fundamental aclarar cómo los vértices pueden establecer enlaces o enlaces
ciones a través de los llamados aristas o arcos. En este sentido, existen dos formas específicas de encontrar
tender vecindad entre nodos y bordes, uno para el caso de gráficos dirigidos y otro para gráficos no diferentes
recioned.
4 Vertex Vecindario
Página 494
1 dos 1 dos
3 3
4 5 4 5
Como el concepto de vecino para el caso de grafos no dirigidos puede resultar insuficiente en el establecimiento
cimentar la comprensión de ciertas relaciones, para estos gráficos introducen el concepto de su-
cesor y predecesor .
https://translate.googleusercontent.com/translate_f 410/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
(*) En el caso de la relación inversa diremos que el vértice x j es antecesor de x i .
Predecesor de 3
1 dos
4 5
Sucesores de 3
+ -
Lo llamamos () x el conjunto de todos los sucesores de x y porΓ () x el de los predecesores. En el
+ -
ejemplo en la Figura B.15 Γ (3) = 4.5 y Γ (3) = 1.
4 cierres transitivos
Podemos generalizar el concepto de vecindario considerando la estructura de proximidad mediante
una idea recursiva. Los vecinos de los vecinos y así sucesivamente. En el modelo gráfico, este tipo de
La formación puede ser útil para representar fenómenos de propagación de información o capacidad.
de comunicación. Un cierre transitivo no es más que un despliegue de niveles de vecindario
que destaca el fenómeno de la accesibilidad.
(*) En el caso inverso de los vértices que pueden llegar a x por sucesivas relaciones vecinas
Definiremos el cierre transitivo inverso .
Página 495
11
dos 6
12
13
1 8
4 10
En la Figura B.16, podemos ver que el primer nivel de vecindad del vértice 1 son los nodos 3 y 4.
En un segundo nivel encontramos más nodos 7, 8, 9 y 10. También encontramos que estos últimos versos
Las notas también pertenecen al tercer nivel de vecindad del nodo 2. Así:
Γsegundo
+1 (1) - relación de vecindad hasta el nivel 1 (lejos del vértice 1 por hasta un borde o arco) = {3, 4}
Γsegundo
+2 (1) - relación de vecindad hasta el nivel 2 (lejos del vértice 1 por hasta dos aristas o arcos) = Γsegundo
+1 (1)
Γsegundo
+3 (6) = {2, 11, 12, 13} È {5, 1} È {3, 4} = {1, 2, 3, 4, 5, 11, 12, 13} etc.
Γsegundo
–3 (3) = {1} È {2} È {6} = {1, 2, 6}
Algunos autores llaman a los cierres directos como cierres positivos y al inversor como negativos .
https://translate.googleusercontent.com/translate_f 411/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
4 cadena de bordes
Las trayectorias dentro del modelo gráfico son características muy importantes. Las cadenas de borde
se forman necesariamente a través de caminos sobre los nodos del gráfico.
tú 1
tú 5 u2
6 3 5
4
tú 3
tú 4
dos
Página 496
4 camino
Las cadenas de borde no tienen ningún compromiso con los nodos visitados. Si una secuencia de
Los bordes, además de ser distintos, no repiten los nodos que llamaremos ruta.
Definición de ruta
Una ruta es una secuencia de bordes en la que todos los nodos visitados son diferentes.
tú 1
u2
6 3 5
4
tú 3
tú 4
dos
4 Longitud de un camino
1 1
1 1
1
4 1 4 1
6 3 6 3
5
dos 1 dos 5
7 5 7 5
4 ciclo o circuito
Cuando las cadenas se repiten, por alguna razón, los nodos visitados se forma un ciclo.
https://translate.googleusercontent.com/translate_f 412/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Definición de ciclo
En un gráfico G , un ciclo es una cadena cerrada, es decir, comienza y termina en una
mismo nudo.
Definición de circuito
Cuando el grafo G está orientado, algunos autores piden el circuito siguiente:
pintura de arco que repite el último nodo visitado.
Página 497
1 dos 1 dos
3 3
4 5 4 5
Gráfico 1 Gráfico 2
1 dos 1 dos
6 3 6 3
5 4 5 4
4 Conectividad
1 dos 1 dos
6 3 6 3
5 4 5 4
Además de la representación geométrica, un gráfico puede ser representado por al menos otros cuatro
diferentes caminos:
https://translate.googleusercontent.com/translate_f 413/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 498
a ij = 1 «$ Conexión ( i , j )
a ij = 0 «/ ∃ Conexión ( i , j )
dos
1
123456
1 ⎡ 000100 ⎤
dos⎢ 001100 ⎥ 4
3
3 ⎢ 010100 ⎥
4 111011
⎢ ⎥
5 000101
6 ⎣⎢ 000110 ⎥⎦
6
Matriz de adyacencia 5
Gráfico G
a ij = +1 « i = k
a ij = -1 'i = l (para un gráfico dirigido, pero a ij = 1)
a ij = 0 en otros casos
1 dos
1 ⎡ 1 0 00 ⎤
dos⎢ 0 1 00 ⎥ tú 3 3 tú 4
3 ⎢ -1 -11 1 ⎥
4 0 0 -10 4 5
⎢ ⎥
5 ⎣ 0 0 0 - 1⎦
Gráfico dirigido
Página 499
1 dos
uuuu
1 dos 3 4
tú 1 u2
1 ⎡ 1000 ⎤
dos ⎢ 0100 ⎥
tú 3 3 tú 4
3 ⎢ 1111 ⎥
4 0010
⎢ ⎥⎦
5 ⎣ 0001 4 5
Gráfico no dirigido
https://translate.googleusercontent.com/translate_f 414/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
4 Representación vectorial
Esta representación es útil en el caso de gráficos dispersos, es decir, con pocos bordes. Son usados
dos vectores para resumir la información del vecindario. El vector SX registra el número de vecinos en el
nodo correspondiente a la posición x , mientras que el vector NX los enumera. La figura B.27 aclara la estructura de
representación. La representación vectorial simula la representación mediante listas vinculadas de nodos.
List_1
3 1 dos 4 5
1 dos 3
1 dos
dos 1 3
tú 1 u2
tú 3 tú 4
4 3 3
4 5
5 3
Gráfico no dirigido
Lista enlazada
El problema de la coloración es uno de los más conocidos en teoría de grafos. Colorear una gráfica G = ( N , A ) es
asigne colores a sus vértices para que los vértices adyacentes reciban colores distintos. Simplemente
colorear una gráfica es una tarea trivial, ya que podemos imaginar distribuir un color a cada vértice. O
El problema de colorear realmente surge cuando queremos colorear el gráfico usando el número más pequeño
tantos colores como sea posible.
Página 500
1 dos
Índices 1 dos 3 4 5
tú 1 u2
SX dos dos 4 1 1
tú 3 tú 4
3
Gráfico no dirigido
La menor cantidad de colores que se pueden usar para colorear un gráfico se llamará
número cromática o x ( G ). Distinguiendo los colores por números, la Figura B.28 representa un
3-coloración de gráfico G .
dos dos
https://translate.googleusercontent.com/translate_f 415/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
3
Cuando la gráfica es plana, se sabe que x ( G ) £ 4 (prueba exhaustiva en Appel y Haken [1989]). A favor-
El problema de colorear en gráficas planas se llama El problema de los cuatro colores y tiene una larga historia.
tradición en la teoría de grafos (ver Saaty y Kainen [1977] para una visión amplia del tema).
El número cromático está relacionado con otros invariantes en un gráfico.
Dado un gráfico G y S Í N , S se denomina conjunto independiente si " i , j Î S , ( i , j ) Ï A. Un conjunto
independiente es máximo si " S ' Ì N , | S' | <| S. La cardinalidad del máximo S se llama el número de
independencia de G , o número de estabilidad o a ( G ). Como resultado inmediato, tenemos vértices colocados
con el mismo color forman un conjunto independiente y que x ( G ) es el menor número de conjuntos
independiente de los vértices donde G se puede dividir. De esa forma podemos demostrar que:
n-a£x£n-a+1
Página 501
Podemos colorear un gráfico para que a los vértices y bordes se les asignen colores para que
dos elementos incidentes o adyacentes reciben colores diferentes. El número mínimo de colores necesarios
Esta tarea se llama el número cromática total de o x 2 ( G ).
Colorea los vértices de una gráfica con módulo entero n de modo que los vértices adyacentes sean
colores asignados con la mayor distancia posible es la generalización propuesta por Vince (1989). En ese caso, el
La coloración clásica sería un caso particular de esta teoría cuando la distancia considerada es igual a 1.
Teniendo en cuenta k y d números enteros positivos y k ³ 2 d . A ( k , d ) -color de G es un mapeo c : N
® Z k , de modo que para "( x i , x j ) Î A , | c ( x 1 ) - c ( x 2 ) | k ³ d , donde | x | k = Mínimo {| x |, k - | x |}. La figura
B.29 ejemplifica un color (4, 2), ( d = 2 y k = 4). En este caso, el conjunto Z 4 = {0, 1, 2, 3}.
0 3 1
dos 0 3
El invariante en este caso se llama número cromático en estrella o X * ( G ), con el k / d más pequeño para el cual G
admite un color ( k, d ).
Otro reciente extensión de los problemas de tinción gráfico es T-tinción . Esta forma de
La tinción fue presentada por Hale (1980) modelando el problema de asignar
comunicación. Considerando que en una determinada región existen n transmisores, x 1 , x 2 , ... , x n que se desean
asignar frecuencias f ( x ) en las que puedan operar. Para este conjunto de transmisores se define
un gráfico de interferencia G = ( N , A ), donde N = { x 1 , x 2 , ... , x n } y los bordes ( x i , x j ) Î A representan el
hecho de que existe interferencia entre los transmisores x i y x j . Un conjunto T de enteros positivos representa
las distancias prohibidas entre pares de transmisores. Se supone que pertenece a 0 T . La restricción de
distancias mínimas que aseguran la eliminación de interferencias entre un par x i , x j de transmisores es
definido por la siguiente expresión:
(x1,xj)ÎAÞ|f(x1)-f(x2)|ÏT
https://translate.googleusercontent.com/translate_f 416/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Así,
rior. La la coloración
figura T de una
B.30 muestra una coloración
gráfica se define
T paracomo una1,función
T = {0, 2} en unf :cierto
N ® Àgráfico
que satisface la expresión
de interferencia G. anterior
1 4 1
4 7 4
El número cromático T se define como el orden más bajo de un color T , señalado por
X t (G). El orden de la coloración en T representará el número de canales abiertos o el espacio de frecuencia
no utilizado. Podemos interpretar que en la red de comunicación del gráfico de la Figura B.30,
canales (UHF) 1, 4 y 7. En este problema, un segundo invariante sigue siendo importante, el T-span . De hecho,
En este tipo de situaciones existe interés en minimizar el número de canales (frecuencias) utilizados y la
difundiendo estas frecuencias en la banda de comunicación. El T-span de una asignación dada se denota
por sp T ( f ). La dispersión más pequeña entre todas las posibles en G se denota por sp T ( G ). Si se determina
digamos que T = {0, 1, 4, 5} entonces la Figura B.31 muestra que el diferencial óptimo no está asociado con
Página 502
mejor orden de tinción T. El orden óptimo de tinción T utiliza tres canales (1, 4 y 7) pero su
Esto compromete una gama de siete canales. Por otro lado, si se utilizan los canales 1, 2, 3, 4,
5, los canales 6 y 7 no se verán afectados por el rango de compromiso.
1 4 5 dos
7 4 3 4
1 1
T- Coloración óptima Gran palmo
https://translate.googleusercontent.com/translate_f 417/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 503
ANEXO
TEMAS EN
COMPLEJIDAD
DE ALGORITMOS
Página 504
https://translate.googleusercontent.com/translate_f 418/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
La verificación del buen funcionamiento de un algoritmo es uno de los puntos más importantes dentro de
este tema. A menudo, un algoritmo es capaz de resolver solo un cierto conjunto de casos de
un problema. Estos casos específicos se denominan instancias del problema. Para garantizar el
La corrección de un algoritmo en la solución de un determinado problema es necesaria para que podamos garantizar su
correcto en todos los casos posibles. Solo mostrar un caso de falla es suficiente para
mostrar su ineficacia. Por otro lado, para probar su corrección, normalmente será necesario
medidas extenuantes. Una forma de reducir la dificultad de probar la exactitud de un algoritmo es
establecimiento de dominios definitorios , es decir, regiones o límites en los que podemos garantizar que el
las tancias se resuelven correctamente.
C.2 - NOTACIÓN O
Hacer que À y  representen el conjunto de números naturales y el conjunto de números reales, respectivamente
el conjunto  * que representa el conjunto de reales no negativos y  + el conjunto de reales estrictamente
positivo, podemos definir:
Página 505
Como se aclaró en el ítem anterior, la notación asintótica O tiene un objetivo muy claro dentro del cálculo
eficiencia de los algoritmos. En muchos casos, el tiempo de ejecución de un algoritmo depende simultáneamente
https://translate.googleusercontent.com/translate_f 419/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
más de unde
búsqueda parámetro. Este esn el
vértices (valor ) ycaso, por(valor
aristas ejemplo,
m ). de
Enlos
estealgoritmos de gráficos que involucran
caso, haciendo:
[ t ( m , n ) £ cf ( m , n ))]}
O ( f ( n ) | P ( n ) = { t : À ® Â * | ($ c Î Â + ) ($ n 0 Î À) (" n ³ n 0 ) [ P ( n ) Þ t ( n ) £ cf ( n )]}
Leemos la notación anterior como el orden f ( n ) cuando P ( n ), y corresponde al conjunto de todas las funciones
ciones t ( n ) en sentido superior limitada por un múltiplo real positivo de f ( n ), donde n es suficientemente gran-
de y P ( n ) ocurre.
Página 506
metro (05)
∑ r j t ( yo j )
j= 1
unidad
en
Memoria
https://translate.googleusercontent.com/translate_f 420/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
tiempo computacional, ya que las relaciones entre la duración de los diferentes tipos de instrucciones
obviamente es de naturaleza constante, lo que sería irrelevante para calcular el orden de complejidad. O-
Otra ventaja de adoptar t ( I ) = 1 es que el valor del tiempo de ejecución de un programa similar
corresponde al número total de instrucciones calculadas.
Diseñar paso a paso un algoritmo para la computadora de una instrucción de programa P que
lo implementa, la complejidad local del algoritmo a se define como el número total de pasos requeridos
necesario para el cálculo perfecto de P , para una determinada entrada de datos E de longitud n. Razonamiento
Por tanto, la complejidad de un algoritmo se confunde con su tiempo de ejecución, que
socavaremos T ( n ), y dependerá fundamentalmente de la entrada de datos.
En este punto, es interesante establecer el discernimiento entre un problema y sus instancias. El término
instancia se refiere a una especificación de valores dados a los parámetros de entrada en un determinado
del momento, satisfaciendo las condiciones o restricciones del problema. El tamaño de un
La importancia es el número total de códigos necesarios para su identificación, considerando el tipo y estructura de los datos.
usado. Y , en el cálculo de complejidad, se refiere al tamaño de la instancia, independientemente de la
valores asociados con los parámetros que alimentar a la P programa . En este sentido, se vuelve fundamental
Evaluar bien mentalmente el tamaño de la entrada.
Como generalmente nos interesa evaluar el rendimiento de los algoritmos en instancias
tamaño grande, sería muy útil si pudiéramos establecer un límite superior para el número de pasadas
sos cuando el algoritmo a través de P , de actuar sobre tal entrada Y . La complejidad local se define como-
sintaxis de un algoritmo como un límite superior de su complejidad local, para un cierto
entrada E , considerada lo suficientemente grande. En teoría, siempre estamos interesados en el verdadero valor.
complejidad del algoritmo, pero puede ser extremadamente difícil de calcular. El uso de
concepto de complejidad local asintótica es una simplificación adecuada cuando podemos encontrar
un límite superior de complejidad suficientemente cercano al valor exacto buscado. En eso
buscaremos la ayuda de la notación O ( . ). Usando esta notación podremos encontrarnos con
más fácilmente un límite superior para la función de complejidad en grandes entradas.
Para que podamos completar un análisis introductorio del tema, solo necesitamos considerar el comportamiento
instancias. La complejidad asintótica de un algoritmo no será única porque, incluso para
entradas de igual longitud, P puede requerir un número de pasos completamente diferente. Guarida-
Dentro de una amplia gama de entradas, dos son importantes: la que conduce a
más optimista y el que lleva a uno más pesimista.
Página 507
Sabiendo que T ( n ) £ c ´ f ( n ), para algún valor de c > 0 y " n , definimos la complejidad del peor caso
O ( f ( n )) al valor máximo entre todas sus complejidades asintóticas, para entradas de tamaño
suficientemente grande. Definimos la complejidad del mejor caso W ( f ( n )) al valor mínimo mínimo
entre todas sus complejidades asintóticas, para entradas suficientemente grandes. LA
En el mejor de los casos, la complejidad corresponde a un límite superior en el número de pasos necesarios para
cálculo de la entrada más desfavorable. Finalmente, el comportamiento asintótico del algoritmo
puede estar limitado simultáneamente por ambas complejidades previamente definidas. En eso
caso particular, introduciremos la noción de orden exacto de f ( n ), Q ( f ( n )):
Q ( f ( n )) = O ( f ( n )) Ç W ( f ( n ))
1. O ( f ( n )) + O ( g ( n )) = O {max { f ( n ), g ( n )}}
2. O ( cf ( n )) = cO ( f ( n ) = O ( f ( n ))
3. O ( f ( n ). G ( n )) = O ( f ( n )). O ( g ( n ))
dos 3 4 norte
X X X X
S ( x , n ) = 1 + +X + + + K +
dos 3! 4! norte
!
comienzo
Leer ( x, n )
S¬1
F¬1
Para i = 1, n Do
comienzo
https://translate.googleusercontent.com/translate_f 421/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
F¬F*i
S¬S+xi/F
Fin
Imprimir ( S )
Fin
f1=4
Página 508
El segundo bloque tiene un control de bucle , una asignación con un producto y otra asignación
con una suma y una división. Observamos que los productos i - 1 se desarrollan para obtener x i . El bucle es
realizado n veces ( i = 1, ..., n ) con 4 operaciones e i - 1 productos, por lo que el cálculo final de f 2 será:
f3=1
dos
norte+ 7 norte
Así, la función T ( n ) = O (max { f 1 , f 2 y f 3 }) = O (max {4, , 1}) = O ( n 2 )
dos
Problemas de decisión
En este caso, el objetivo propuesto en P es decidir sobre la existencia de una configuración S que cumpla con
P restricciones . Una pregunta habitual en este tipo de problemas es: ¿ existe una configuración S que satisfaga el
propiedades requeridas en P ? La respuesta a este tipo de problemas es sí o no.
https://translate.googleusercontent.com/translate_f 422/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Problemas de ubicación
Ahora el objetivo propuesto en P es ubicar o mostrar una configuración S que cumpla con
problema anterior o demostrar que no existe. Una pregunta común en este tipo de problemas es: exi-
BA, si no es una configuración S que satisfaga las propiedades requeridas en P . La respuesta a este tipo de
problema es para mostrar cualquier configuración que cumpla con los P restricciones .
Página 509
Problemas de optimización
El último tipo de problema algorítmico más profundamente en la cuestión planteada en P . En este caso, además de
interesados en mostrar la configuración S , estamos interesados en elegirla a través de un
criterios de optimización. Una pregunta habitual en este tipo de problemas es: mostrar, en su caso, una configuración S que
satisfaga las propiedades requeridas en P y minimice (o maximice) cualquier función z (x) . La respuesta a eso
El tipo de problema es una configuración que cumple las restricciones de P y optimiza una función z ( x ).
La clase de problemas de decisión P se define como aquella que comprende aquellos que admiten un algoritmo
solución polinomial . Dado que existe un algoritmo polinomial que verifica si una gráfica está conectada, por
ejemplo, entonces el problema de la conectividad en los gráficos es P .
La clase de problemas NP se define como la que comprende todos los problemas de decisión P, de manera que hay
justificación de la respuesta sí a P, cuyo paso de reconocimiento se puede realizar mediante un algoritmo polinomial
en el tamaño de la entrada E de P.
Por definición, todo problema NP-difícil es tan difícil como cualquier problema perteneciente a NP. LA
Cook introdujo la designación del problema de decisión NP-completo (véase Cook [1983]). cocinar
demostró que era posible dividir NP en clases de problemas equivalentes entre sí. También encontró
que la clase P no incluía la posibilidad de que todos los problemas relacionados con NP fueran
polinomialmente transformado en él. Por lo tanto, la clase NP-completa se definió como compuesta por
P problemas que:
1. P Î NP.
Página 510
https://translate.googleusercontent.com/translate_f 423/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
PUBLICACIONES CIENTIFICAS
CITADO POR SU
ABREVIATURAS TRADICIONALES
Página 511
https://translate.googleusercontent.com/translate_f 424/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
MOR Matemáticas de la investigación operativa
Numerische Math. Matemáticas numéricas
Nav. Res. Log. Q. Logística de investigación naval trimestral
NRL Logística de investigación naval
Problema. Mangement Sci.
IEEE Proc Actas de IEEE
Proc. Amer. Matemáticas. Soc. Actas de la American Mathematical Society
Cuarto de galón. Apl. Matemáticas. Matemáticas aplicadas trimestrales
RAIRO - Rept. De investigación de operaciones. Revisado d'Automatique d'Informatique et
Operationnelle de Recherche - Operaciones
Investigue.
SIAM - J. Appl. Matemáticas. Sociedad de Industriales y Aplicados
Revista de matemáticas sobre matemáticas aplicadas
SIAM - J. Comp. Sociedad de Industriales y Aplicados
Revista de Matemáticas en Computación
SIAM J. Opt. Sociedad de Industriales y Aplicados
Revista de matemáticas sobre optimización
Revisión SIAM Sociedad de Industriales y Aplicados
Revisión de matemáticas
Matemáticas soviéticas. Dokl Matemáticas soviéticas Doklay
Opns. Res. Soc. Sociedad de Investigación de Operaciones
Opns. Res Investigación de operaciones
ENT Cartas de reserva de operaciones
O Spektrum Operaciones Reserch Spektrum
Opns. Res. Quart. Investigación de operaciones trimestral
Telecomm Sys. Sistemas de telecomunicaciones
Transactions Sys. Man. Cyb. Transacciones sobre gestión de sistemas y cibernética
Trans. Sci. Ciencia del transporte
YUJOR Revista Yugoslava de Investigación de Operaciones
Alfombra Zastos Matemática Zastos
Página 512
PUBLICACIONES CIENTIFICAS
Citado sin abreviaturas
https://translate.googleusercontent.com/translate_f 425/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Inteligencia artificial en ingeniería
Revisión de inteligencia artificial
Revista de investigación operativa de Asia y el Pacífico
Sinergia Blackwell
Revista belga de investigación operativa, estadística e informática
Biometrika
Cibernética biológica
Revista de tecnología BT
Edificación y Medio Ambiente
Boletín de la Academia Polaca de Ciencias, Ciencias Técnicas
Revista Canadiense de Ingeniería Civil
Cashier Cent. d'Etudes Recherche Operationelle
Investigación de cemento y hormigón
Revista centroeuropea de investigación operativa y economía
Caos, solitones y fractales
Optimización combinatoria
Comunicaciones de la ACM
Sistemas complejos
Estructuras compuestas
Aplicaciones y optimización computacional
Optimización combinatoria: teoría y práctica
Informática e Ingeniería Química
Informática e Ingeniería Industrial
Informática
Decisiones y control en la ciencia de la gestión
Serie DIMACS sobre matemáticas discretas e informática teórica
Documenta Mathematica
Investigación de sistemas de energía eléctrica
Aplicaciones de ingeniería de la inteligencia artificial
Diseño de ingeniería y automatización
Optimización de ingeniería
Modelado y evaluación ambiental
Computación evolutiva
Conjuntos y sistemas difusos
Sistemas informáticos de futura generación
Página 513
https://translate.googleusercontent.com/translate_f 426/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Diario de KISS
Revista de sistemas de fabricación
Revista de teoría y aplicaciones de la optimización
Diario de fuentes de energía
Revista de espectroscopia cuantitativa y transferencia radiativa
Revista de ciencia regional
Diario de programación
Diario de sonido y vibración
Notas de conferencias en informática
Ciencia e Ingeniería de los Materiales
Mathware y Soft Computing
Microeconomía
Microprocesadores y microsistemas
Procesamiento mineral y metalúrgico
Computación natural
Redes
Científico nuevo
Investigación de ácidos nucleicos
Óptica y láseres en ingeniería
Tecnología óptica y láser
Página 514
Optimización e Ingeniería
Omega
ORSA, Boletín de Inteligencia Artificial
Pacific Journal of Mathematics
Computación paralela
Reconocimiento de patrones
Investigación naval
Investigación Operativa
Revisión física
Sistemas de producción y fabricación
Planificación y control de la producción
Revista militar de ciencia y tecnología
Revue Francaise D Informatique De Recherche Operationnelle
Ricerca operativo
Robótica y sistemas autónomos
Estadística y Computación
Ciencias de la planificación socioeconómica
Ciencias
Ciencia y tecnologia
Estudios de análisis de ubicación
Diario TAPPI
Técnicas y Ciencias Informáticas
Technometrzcs
Sistemas de telecomunicaciones
Revista internacional de redes informáticas y de telecomunicaciones
Informática Teórica
Transacciones de la ciencia
Investigación de transporte
Estrategia de transporte
Zeitschrift für Investigación de operaciones
https://translate.googleusercontent.com/translate_f 427/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Página 515
BIBLIOGRAFÍA
Para consultar la bibliografía de este libro, consulte nuestro sitio web www.elsevier.com.br .
Página 516
https://translate.googleusercontent.com/translate_f 428/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
ÍNDICE
LA segundo
Página 517
https://translate.googleusercontent.com/translate_f 429/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
Flujo máximo, 274, 302, 306-307, 309-310, 316 Gráficos, 125, 483
Inversión de matriz, 108, 462, 463
Flujos crecientes, 307
Espacios complementarios, 132, 136, 137, 290
Formulación
L
Embalaje clásico (PK), 412
Clasificación de particiones (PP), 412 Límites, 14, 15, 17-18, 133-134, 141, 253, 276, 294, 302,
Clásico para el problema del transporte, 278 304-305, 338, 349-351, 361, 366, 413, 418, 426
Claus (C), 335 Lista de adyacencias, 360
de Fox-Gavish-Graves (FGG), 334 Lista ordinal, 360
Miller-Tucker-Zemlin (MTZ), 333
Producto único (FPU), 259
Matemáticas del (PCCS), 301, 422 METRO
Multiproducto (FPM), 260
Matriz
Problema de transporte restringido, 278
de adyacencia, 494
Incidencia, 318, 324, 494
GRAMO Matriz triangularizada, 319
Metaheurísticas, 436
Geni y Genius, 365 Método
Gestión, 17, 18, 21 de las dos fases, 115, 124, 127
Tenedor por Vogel, 183, 184
Bipartito, 277, 297, 486 do Canto Noroeste, 286
Completo, 361, 367, 486 Modelos
Aumento de flujo, 307 Analógico, 7
Dirigida, 175, 485, 494 Icónico, 7
Regular, 487 Simbólico, 7
GRASP, 436, 439-440
norte
H
Notación O, 500, 501
Heurístico Núcleo, 1, 351
de "Saving", 367 Número
por Backer, 436 Absorción, 415
de Balas e Ho, 435 de estabilidad, 416, 196
Bellmore y Nemhauser, 361, 362, 369 de la Independencia, 416, 496
por Chvatal, 169, 435
de Erkut, 442, 443, 444
Gillet y Miller, 403, 404 O
Híbrido, 183, 435
Operaciones elementales con matrices, 108, 457
de Inserción, 363-365
Operadores de algoritmos genéticos, 351, 354, 355
K-Sustituciones o k-Opt, 365
Optimización combinatoria, 239
de Mole e Jameson, 401, 402
de separación de grupos, 445
Página 518
ÍNDICE 517
PAGS R
PCV Red
con Backhauls, 337 definición, 488
con bonificación, 338, 339 Suministro, 217, 218
con clientes estocásticos, 340 desde Diners, 219
con cuello de botella, 338 Oferta x demanda, 278
con ventana de tiempo, 369 por Petri, 7
con tiempo de viaje estocástico, 340 de Televisión, 225, 226
Estocástico, 339 PERT, 326, 410
Generalizado, 336 PERT / CPM, 326, 327
Min-Max-Min-Suma, 340 de agua, 270
Múltiple con tiempo de viaje estocástico, 340 Comunicaciones, 256, 261, 272, 425, 426, 441
Múltiple, 340 Distribución, 425
Simétrico, 336, 365, 368 Drenaje, 257
Investigación operativa, 10, 12, 13, 411 Electricidad, 430
Pivotante, 97, 108-109, 111, 139, 140, 145, 156-159 de Alcantarillado, 270
Puntos extremos, 96, 99, 100, 120, 122, 125, 475, 476 Lugares, 261
Principio de Bellman, 170 Relajación
Problema Lagrangeana, 184, 254, 431
de cobertura máxima en la ruta más corta, 428 Lineal, 174, 184, 431
de Cobertura Continua, 417 Rutas de vehículos, 240, 412
de K-Dispersión discreta, 438 Rotulación, 232, 234, 235, 250, 253, 294, 300, 301, 304, 305,
Mochila, 170-178, 195, 213, 214 310
Cobertura capaz, 428
Designación, 227, 228, 262, 289-290, 292-295, 297,
298, 422, 424 s
Emparejamiento, 261, 273, 277, 278, 279, 281-283,
https://translate.googleusercontent.com/translate_f 430/431
16/12/2020 OPTIMIZACIÓN COMBINATORIA Y PROGRAMACIÓN LINEAL Modelos y Algoritmos
285-287, 288, 317, 336, 428 Anneling simulado, 203, 432
Flujo al costo mínimo, 275 Sinergia, 4
Recubrimiento, 261, 331, 432 de ecuaciones, 92, 93, 96, 154, 280, 287, 319, 320,
Enrutamiento y designación, 229, 230, 248-252, 350 460-461, 465-473
Enrutamiento, 177, 196, 233, 240, 262, 336, 361, Análisis de sangre, 455
del cartero chino, 377, 378, 381-382, 383 Submarinos de exploración de petróleo, 418
hacer Transbordo, 277, 295, 296, 301 Solución básica, 92-96, 101-102, 105, 125, 134, 281, 285,
Programación 286
T-coloración, 497
Q
Teorema
Tablero de transporte, 281, 282, 283, 285, 286 de existencia, 133
Calidad, 19, 140, 183, 197, 198, 218, 282, 350, 361, 365, desde Camion, 473
369, 370 por Cramer, 465
Página 519
U Entero, 333
Vivacidad, 19-23
Unimodularidad, 472-473
https://translate.googleusercontent.com/translate_f 431/431