Documentos de Académico
Documentos de Profesional
Documentos de Cultura
OPTIMIZACIÓN
LINEAL
PROBLEMA DE TRANSPORTE
INTEGRANTES:
AREQUIPA – PERÚ
INDICE
INTRODUCCION .................................................................................................................................. 1
EL PROBLEMA DEL TRANSPORTE ....................................................................................................... 2
ANTECEDENTES DE LA INVESTIGACION ......................................................................................... 2
¿QUÉ ES? ......................................................................................................................................... 3
CONCEPTOS BÁSICOS ..................................................................................................................... 3
DEFINICIÓN DEL PROBLEMA DEL TRANSPORTE ............................................................................ 5
EJEMPLOS DE PROBLEMAS DE TRANSPORTE ................................................................................ 8
EJEMPLO 1................................................................................................................................... 8
EJEMPLO 2................................................................................................................................. 11
PRINCIPALES CARACTERÍSTICAS ................................................................................................... 13
VIABILIDAD DEL PROBLEMA DE TRANSPORTE: ........................................................................... 14
EL MÉTODO SIMPLEX PARA PROBLEMAS DE TRANSPORTE: ...................................................... 14
OTROS METODOS QUE RESUELVEN EL PROBLEMA DE TRANPORTE .......................................... 18
Problema de Asignación: El Método Húngaro......................................................................... 18
El Problema Dual ...................................................................................................................... 19
La matriz reducida .................................................................................................................... 20
CONCLUSIONES ................................................................................................................................. 25
REFERENCIAS .................................................................................................................................... 26
INTRODUCCION
1
EL PROBLEMA DEL TRANSPORTE
ANTECEDENTES DE LA INVESTIGACION
2
¿QUÉ ES?
CONCEPTOS BÁSICOS
Modelo
Es una representación o abstracción de una situación u objetos reales
Optimización
Consiste en un proceso que conlleva a maximizar o minimizar una función.
Algoritmo de transporte
El algoritmo de transporte es una técnica matemática de optimización, consistente
en transportar bienes materiales desde diferentes puntos u orígenes a distintos
puntos de llegada o destinos, a un costo mínimo
Costos
Es la inversión que realizan las empresas para la compra de mercaderías
Esta inversión se recupera y debe generar en el momento en que la empresa
comercializa los productos o servicios
Puede ser ganancia o perdida
Método Simplex
El método simplex explota el hecho de que una solución óptima debe ocurrir en un
punto extremo de la región factible
Algoritmo húngaro
El objetivo del método húngaro es encontrar el coste mínimo de un conjunto de
tareas que deben ser realizadas por las personas más adecuadas
Matriz de incidencia nudo-arco
3
La información de un grafo G = (N , A), con N = {1, 2, . . . , m} y A = {e1, e2, . . . , en} se puede
dar mediante la denominada matriz de incidencia nudo-arco.
Definición: Se define la matriz de incidencia nudo-arco, o simplemente matriz de incidencia
A de un grafo G como la matriz con una fila asociada a cada nudo y una columna a cada
arco.
Grafo bipartito
En teoría de grafos, un grafo bipartito completo es un grafo bipartito en el que todos
los vértices de uno de los subconjuntos de la partición están conectados a todos los vértices
del segundo subconjunto, y viceversa.1
Este concepto se puede generalizar al de grafo s-bipartito completo, como un grafo cuyo
conjunto de vértices se puede particionar en s subconjuntos, de modo que todos los pares
de vértices pertenecientes a subconjuntos diferentes son adyacentes.
Definicion: Un grafo bipartito completo 𝐺 ≔ (𝑉1 ∪ 𝑉1 , 𝐸) es un grafo bipartito tal que
∀𝑣1 ∈ 𝑉1 , ∀𝑣2 ∈ 𝑉2 ⟹ 𝑒(𝑣1 , 𝑣2 ) ∈ 𝐸
Es decir, un grafo bipartito completo está formado por dos conjuntos disjuntos de vértices
y todas las posibles aristas que unen esos vértices.
4
DEFINICIÓN DEL PROBLEMA DEL TRANSPORTE
Considere los m puntos de origen, donde i origen tiene un suministro de unidades (oferta)
si de un determinado artículo (producto). Además, supongamos que hay n puntos de
destino, donde j destinos requiere dj unidades de la mercancía (demanda). Suponemos que
sí, dj > 0.
Asociado a cada enlace (i, j), desde el origen i hasta el destino j, hay un costo unitario cij para
transporte. El problema es determinar un “patrón de envío factible” desde los orígenes
hasta los destinos, lo que minimiza el costo total del transporte. Este el problema se conoce
como el Hitchcock o el PROBLEMA DE TRANSPORTE.
Sea xij el número de unidades enviadas a lo largo del enlace (i, j) desde el origen i hasta
destino j. Además, supongamos que el problema está equilibrado, es decir, el total de la
oferta es igual a la demanda total. Ahí:
𝑚 𝑛
∑ 𝑠𝑖 = ∑ 𝑑𝑗
𝑖=1 𝑗=1
Si la oferta total excede la demanda total, entonces un destino ficticio puede ser creado con
demanda
𝑚 𝑛
El gráfico subyacente, que comprende el origen y el destino nodos Oi i = 1,..., m y Dj, j = 1,...,
n, respectivamente, y los enlaces de conexión o arcos, se dice que es bipartita. Es decir, los
nodos se dividen en dos conjuntos tales que todos los arcos de la red se dirijan desde un
nodo del primer conjunto a un nodo en el segundo conjunto. Es un gráfico bipartito
completo en el sentido de que todos esos posibles arcos están presentes. Aquí, asumimos
que si alguna conexión entre el par origen-destino (i, j) está prohibido, luego el coeficiente
de costo correspondiente cij es lo suficientemente grande como para que la variable xij sea
esencialmente la variable artificial en el problema. El problema también puede estar
representado por un tablero de transporte en el que las filas 1 ,…, m representan los nodos
de origen, las columnas j = 1,..., n representa los nodos de destino, y la celda en la fila i y la
columna j representa la variable de flujo xij . El coeficiente de coste correspondiente cij a
menudo se muestra cómo se observa en la celda (i, j).
5
Figura: Ilustración grafica del problema del transporte
destino
1 2 ⋯ j ⋯ n
1 𝑠1
2 𝑠2
⋮ ⋮
origen i 𝑐𝑖𝑗 𝑠𝑖 oferta
⋮ ⋮
m 𝑠𝑚
𝑑1 𝑑2 ⋯ 𝑑𝑗 ⋯ 𝑑𝑛
Demanda
6
1, 𝐹(𝑒𝑗 ) = 𝑖
𝙖𝑖𝑗 = {−1, 𝑇(𝑒𝑗 ) = 𝑖
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde: F(from) desde, T(to) hasta. Lo nodos serían las filas (m+n) y los arcos (𝑒1 , … , 𝑒𝑚∗𝑛 )
m*n columnas.
m*n columnas
1 0 ⋯ 0
0 1 ⋯ 0
𝐴 = ⋮ ⋮ ⋱ ⋮ m+n filas
0 0 ⋯ 1
[−𝐼 −𝐼 ⋯ −𝐼 ]
y ei, y em+j. son vectores unitarios en Rm+n, con unos en la iesima y (m + j)sima posiciones,
respectivamente.
Suponiendo que la oferta total es igual a la demanda total, el modelo de programación lineal
para el problema de transporte se convierte en el siguiente:
Minimizar
𝑐11 𝑥11 + ⋯ + 𝑐1𝑛 𝑥1𝑛 + 𝑐21 𝑥21 + ⋯ + 𝑐2𝑛 𝑥2𝑛 + ⋯ + 𝑐𝑚1 𝑥𝑚1 + ⋯ + 𝑐𝑚𝑛 𝑥𝑚𝑛
Sujeto a
𝑥11 + ⋯ + 𝑥1𝑛 = 𝑠1
𝑥21 + ⋯ + 𝑥2𝑛 = 𝑠1
⋱ ⋮
𝑥𝑚1 + ⋯ + 𝑥𝑚𝑛 = 𝑠1
7
Podemos proyectar el problema del transporte en forma de matriz si dejamos
Debemos notar que se ha multiplicado las restricciones de demanda por -1. Una derivación
idéntica sin esta operación es muy evidente. Con estas definiciones, el problema toma la
siguiente forma:
Minimizar cx
Sujeto a Ax = b
x≥𝟎
EJEMPLO 1
Considere un problema de transporte de 2 orígenes y 3 destinos con los datos que se indican
a continuación.
Destinos
1 2 3 𝑠𝑖
1 𝑐11 = 4 𝑐12 = 7 𝑐13 = 5 30
origen 2 𝑐21 = 2 𝑐22 = 4 𝑐23 = 3 20
𝑑𝑗 15 10 25
8
Ordenamos el problema
𝑥 = (𝑥11 , 𝑥12 , 𝑥13 , 𝑥21 , 𝑥22 , 𝑥23 )𝑡
𝑐 = (4,7,5,2,4,3)
𝑏 = (30,20, −15, −10, −25)𝑡
𝐴 = (𝙖11 , 𝙖12 , 𝙖13 , 𝙖21 , 𝙖22 , 𝙖23 )
Calculamos la Matriz A
Hay dos formas para calcular la matriz una por definición y otra aplicando la formula
Por definición:
1, 𝐹(𝑒𝑗 ) = 𝑖
𝙖𝑖𝑗 = {−1, 𝑇(𝑒𝑗 ) = 𝑖
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Filas/columnas 𝑒1 𝑒2 𝑒3 𝑒4 𝑒5 𝑒6
1 1 1 1 0 0 0
2 0 0 0 1 1 1
3 -1 0 0 -1 0 0
4 0 -1 0 0 -1 0
5 0 0 -1 0 0 -1
9
Así que daría la matriz A
1 1 1 0 0 0
0 0 0 1 1 1
𝐴 = −1 0 0 −1 0 0
0 −1 0 0 −1 0
[0 0 −1 0 0 −1]
O con la fórmula:
𝙖𝑖𝑗 = 𝑒𝑖 − 𝑒𝑚+𝑗
1 1 1
0 0 0
𝙖11 = 𝑒1 − 𝑒2+1 = −1 , 𝙖12 = 𝑒1 − 𝑒2+2 = 0 , 𝙖13 = 𝑒1 − 𝑒2+3 = 0
0 −1 0
[0] [0] [−1]
0 0 0
1 1 1
𝙖21 = 𝑒2 − 𝑒2+1 = −1 , 𝙖22 = 𝑒2 − 𝑒2+2 = 0 , 𝙖23 = 𝑒2 − 𝑒2+3 = 0
0 −1 0
[0] [0] [−1]
Para este problema, entonces la matriz quedaría de la siguiente forma:
1 1 1 0 0 0
0 0 0 1 1 1
𝐴 = −1 0 0 −1 0 0
0 −1 0 0 −1 0
[0 0 −1 0 0 −1]
El problema sería:
Minimizar
4𝑥11 + 7𝑥12 + 5𝑥13 + 2𝑥21 + 4𝑥22 + 3𝑥23
Sujeto a:
𝑥11 + 𝑥12 + 𝑥13 = 30
+𝑥21 + 𝑥22 + 𝑥23 = 20
−𝑥11 − 𝑥21 = −15
−𝑥12 − 𝑥22 = −10
−𝑥13 − 𝑥23 = −25
10
EJEMPLO 2
MG Auto tiene tres plantas: en Los Ángeles, Detroit y New Orleans; y dos centros principales
de distribución en Denver y en Miami. Las capacidades de las tres plantas durante el
próximo trimestre serán 1000, 1500 y 2000 autos. Las demandas trimestrales en los dos
centros de distribución son 2300 y 1400 autos. El kilometraje entre las fábricas y los centros
de distribución se ve en la tabla 1
La empresa transportista cobra 8 centavos por milla y por auto. El costo de transporte por
auto, en las distintas rutas y redondeado hasta el $ más próximo, se calcula como se ve en
la tabla 2.
11
El modelo de programación lineal para el problema es el siguiente:
Minimizar z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32
sujeto a:
x11 + x12 = 1000 Los Ángeles
x21 + x22 = 1500 Detroit
x31 + x32 = 1200New Orleans
x11 +x21 +x31 = 2300 Denver
x12 +x22 + x32 = 1400 Miami
xij≥ 0, i = 1, 2, 3; j = 1, 2
Todas estas restricciones son ecuaciones, porque el abasto total desde las tres fuentes (
=1000 +1500 +1200 = 3700 autos) es igual a la demanda total en los dos destinos ( =2300
+1400 = 3700 autos).
El modelo de programación lineal se puede resolver con el método Símplex. Sin embargo,
la estructura especial de las restricciones permite resolverlo con más comodidad usando la
tabla de transporte siguiente.
12
La solución óptima (algoritmo Simplex) se resume en la figura. Indica que se manden 100
autos de Los Ángeles a Denver, 1300 de Detroit a Denver, 200 de Detroit a Miami y 1200 de
New Orleans a Miami. El costo mínimo de transporte asociado es 1000 ($80) +1300 ($100)
+ 200 ($108) +1200 ($68) = $313,200.
El algoritmo de transporte se basa en la hipótesis que el modelo está balanceado, y eso
quiere decir que la demanda total es igual a la oferta total. Si el modelo está desbalanceado
siempre se podrá aumentar con una fuente ficticia o un destino ficticio para restaurar el
equilibrio o balance.
PRINCIPALES CARACTERÍSTICAS
13
¡Se requiere solo llenar una tabla de parámetros para formular el problema de transporte!
Bajo el supuesto de que la oferta total es igual a la demanda total, el transporte. El problema
siempre tiene una solución factible. Por ejemplo, es fácil demostrar que:
𝒔𝒊 𝒅𝒋
𝒙𝒊𝒋 = ; 𝒊 = 𝟏, … , 𝒎; 𝒋 = 𝟏, … , 𝒏
𝒅
donde 𝒅 = ∑𝒊 𝒔𝒊 = ∑𝒋 𝒅𝒋 , es una solución factible. Tenga en cuenta que para cada vector
factible 𝒙, cada componente 𝒙𝒊𝒋 está acotado de la siguiente manera:
𝟎 ≤ 𝒙𝒊𝒋 ≤ 𝒎𝒊𝒏{𝒔𝒊 , 𝒅𝒋 }.
Sabemos que un programa lineal acotado que tiene una solución factible tiene una solución
óptima. Por lo tanto, ahora necesitamos describir cómo encontrar una óptima solución.
Los pasos generales en la aplicación del método simplex a un programa lineal. Son como
sigue:
Paso 1: Encuentre una solución factible básica inicial.
Paso 2: Calcule 𝒛𝒋 − 𝒄𝒋 para cada variable no básica. Deténgase o seleccione una columna
de entrada.
Paso 3: Determine una columna de salida.
Paso 4: Obtenga la nueva solución básica factible y repita el paso 2.
Mostraremos cómo cada uno de estos pasos se puede realizar directamente en el cuadro
de transporte:
x1 x2 x3 h1 h2 h3
h1 3 4 2 1 0 0 0 300
h2 2 1 2 0 1 0 0 200
h3 1 3 3 0 0 1 0 150
14
Z -2 -4 -5 0 0 1 1 0
1) Variables y coeficientes:
Para determinar las variables de un problema mediante el método del Simplex, es preciso
hallar primero la base de resolución. En esta base:
Se incluye una variable de decisión, la que posee el coeficiente negativo mayor. La
columna a la que corresponde se llama columna pivote.
Se excluye una variable de holgura. Se divide cada término por el correspondiente
de la columna pivote y se calcula el menor cociente positivo.
Se aplica entonces el método de eliminación gaussiana para anular los términos de la
columna pivote, tantas veces como se precisa hasta que en la última fila sólo haya
coeficientes positivos. (Tal será la solución).
2) Problema del transporte:
El problema del transporte es un planteamiento clásico de las técnicas de programación
lineal. En este problema se pretende elegir el camino óptimo de envío de una mercancía
desde varios orígenes (por ejemplo, plantas de producción) a diferentes destinos (centros
de almacenamiento o consumo), de forma que el coste sea mínimo.
Como en todo problema de programación lineal, han de cumplirse las siguientes etapas:
Definir las variables del problema (por ejemplo, las cantidades de partida solicitadas
en cada destino, el coste de envío de una unidad de mercancía a cada destino).
Escribir conceptualmente el sistema de inecuaciones asociado a las restricciones del
problema (por ejemplo, el número de unidades máximas producidas en cada origen
y las requeridas en cada destino).
Definir conceptualmente la función objetivo, que determina el coste.
3) Resolución del problema de transporte:
15
consideraremos otro procedimiento para obtener una solución básica factible. Este método
se llama “noroeste regla de la esquina”. Durante su proceso, como a una variable 𝒙𝒊𝒋 se le
asigna un valor, reducimos las correspondiente, 𝒔𝒊 y 𝒅𝒋 por ese valor. Sean los valores
reducidos de 𝒔𝒊 y 𝒅𝒋 denotado por 𝒔̂𝒊 y 𝒅̂ 𝒋 , respectivamente. En particular, para empezar
̂ 𝒋 = 𝒅𝒋 . Suponiendo que la oferta total es igual a la demanda total,
con 𝒔̂𝒊 = 𝒔𝒊 y 𝒅
comenzando en la celda.
(1,1) Sea:
̂ 𝟏}
𝒙𝟏𝟏 = 𝒎𝒊𝒏{𝒔̂𝟏 , 𝒅
̂ 𝟏 por 𝒅
y reemplace 𝒔̂𝟏 por 𝒔̂𝟏 − 𝒙𝟏𝟏 y 𝒅 ̂ 𝟏 − 𝒙𝟏𝟏 . Entonces, si 𝒔̂𝟏 > 𝟎, nos movemos a la
celda.
(1,2) Sea:
̂ 𝟐}
𝒙𝟏𝟐 = 𝒎𝒊𝒏{𝒔̂𝟏 , 𝒅
̂ 𝟐 por 𝒅
y reemplace 𝒔̂𝟏 por 𝒔̂𝟏 − 𝒙𝟏𝟐 y 𝒅 ̂ 𝟐 − 𝒙𝟏𝟐 . Sin embargo, si 𝒔̂𝟏 = 𝟎, entonces mover a
la celda.
(2,1) Sea:
̂ 𝟏}
𝒙𝟐𝟏 = 𝒎𝒊𝒏{𝒔̂𝟐 , 𝒅
Por otro lado, si 𝒔̂𝒌 = 𝟎, muévase a la celda (𝒌 + 𝟏, 𝒍), que debe existir, y encuentre:
̂𝒍}
𝒙(𝒌+𝟏),𝒍 = 𝒎𝒊𝒏{𝒔̂𝒌+𝟏 , 𝒅
Tenga en cuenta que si 𝒔̂𝒌 = 𝒅̂ 𝒍 en el cálculo de 𝒙𝒌𝒍 , entonces en el último caso tendremos
̂ 𝒍 = 𝟎 revisada y obtendríamos 𝒙(𝒌+𝟏),𝒍 como variable básica degenerada. El proceso de
la 𝒅
asignar a una variable el mínimo de la oferta o demanda restante, ajustando ambas y
moviéndose hacia la derecha, o abajo, una celda a la vez continúa hasta que se asignan
16
todos los suministros y demandas. La regla de la esquina noroeste produce exactamente
𝒎 + 𝒏 − 𝟏 básico, variables 𝒙𝒊𝒋 no negativo. Cada vez que un 𝒙𝟏𝟏 , se convierte en básico y
se le asigna un valor, se satisface una restricción de oferta o de demanda. Cuando 𝒎 + 𝒏 −
𝟏. A las variables se les han asignado valores, entonces 𝒎 + 𝒏 − 𝟏 de las restricciones son
satisfecho. Observando que una de las limitaciones del problema del transporte es
redundante, entonces se cumplen todas las restricciones.
17
OTROS METODOS QUE RESUELVEN EL PROBLEMA DE TRANPORTE
El Método Húngaro está diseñado para tener en cuenta el alto grado de degeneración. Un
caso especial importante del problema del transporte es el caso donde 𝑚 = 𝑛, cada 𝑠𝑖 =
1,y cada 𝑑𝑗 = 1. Este caso especial se llama problema de asignación. El objetivo del modelo
es determinar la asignación de costo mínimo de trabajadores a puestos.
El individuo 𝑖 es asignado al trabajo 𝑗, el costo incurrido estará 𝑐𝑖𝑗 . Deseamos encontrar la
asignación de costo mínimo o un emparejamiento uno a uno de individuos con trabajos. En
cada solución básica factible 𝑥𝑖𝑗 = 1 significa que el individuo 𝑖 está asignado al trabajo 𝑗, y
𝑥𝑖𝑗 = 0 indica que el individuo 𝑖 no está asignado al trabajo 𝑗.
m
sujeto a : x
j 1
ij 1, i 1,..., m
m
xij 1, j 1,..., m
i 1
xij 0 o 1, i, j 1,..., m
Donde
x ( x11 ,..., x1m ,..., xm1 ,..., xmm )t , A es una matriz de 2m m 2 cuyos (i, j ) la columna es
aij ei em j
para i 1,..., m y j 1,..., m y b (1, 1) donde 1 es una fila – vector de m
t
unos.
Por tanto, vemos que A es la misma matriz de restricciones que para el problema de
transporte. El gráfico subyacente es bipartito, por lo que el problema de asignación a veces
18
se denomina "problema de coincidencia ponderado mínimo en un gráfico bipartito", con
cij
ponderaciones . Aplicando el total
propiedad de unimodularidad de A , sabemos que una solución óptima básica factible para
xij 0 o 1 xij 0
el problema de asignación con la restricción reemplazando por será todo
xij
entero. Además, como resultado de las restricciones, el valor de no puede exceder a 1 .
xij
Por tanto, todos los valores de serán 0 o 1 en una solución óptima del programa lineal.
xij 0 o 1 xij 0
Esto nos permite reemplazar la restricción por la restricción . Así,
obtenemos lo siguiente:
minimizar cx
sujeto a : Ax b
x0
i j
d si d j
unitaria por tanto, el problema se convierte en un emparejamiento
unidades de suministro y demanda, donde el costo de hacer coincidir una unidad de oferta
O D c
de una copia de i con una unidad de demanda de una copia de j es ij .
El Problema Dual
19
m m
max imizar ui v j
i 1 j 1
Por lo tanto, si podemos encontrar un conjunto de valores factibles para las variables x, u, v
que satisfagan la holgura complementaria, la solución primal- dual resultante será óptima.
Una solución dual factible viene dada por:
La matriz reducida
c
Considere una matriz de coeficiente de costo reducido donde ij es reemplazado por
cij cij ui v j
. En otras palabras, la matriz reducida de costos es obtenido restando
primero de cada fila el mínimo en esa fila, y luego en la matriz resultante restando de cada
columna el mínimo en esa columna. La matriz reducida tendrá un cero en cada fila y
columna, y todas sus entradas serán no negativas. La matriz reducida es en realidad la
matriz de variables duales de holgura (¿por qué?).
x x
Suponga que podemos encontrar un conjunto de ij variables tales que cada ij con valor
1 está asociada con una celda cero de la matriz reducida. Entonces por holgura
complementaria, podemos concluir que tenemos una solución óptima.
xij
¿Qué entonces constituye un conjunto de valores factibles ?
Revisando las limitaciones del problema de asignación, está claro que debemos de tener un
xij x x
en cada fila igual a 1 y un ij en cada columna igual a 1. Por lo tanto, en un ij es una
x
solución factible, habrá exactamente m de las ij variables iguales a 1, siendo el resto cero.
UNA SOLUCION PARCIAL
20
xij
Se observa que, en la matriz reducida anterior, el número máximo de variables asociadas
x
con las celdas cero, que se puede establecer igual a 1 sin que ocurra dos valores ij positivos
en la misma fila o columna, es dos. Por ejemplo, podríamos dejar:
x11 x22 1, o x31 x22 1, o x31 x23 1
.En este caso, el número máximo de celdas que
cij
tienen valores cero tales que no hay dos celdas ocupando la misma fila o columna son
dos. Las celdas correspondientes se denominan independientes. Note también que, si
tuviéramos que dibujar un conjunto de líneas a través de las filas y columnas par cubrir los
ceros para que haya al menos una línea a través de cada cero, el número mínimo de tales
líneas para esta matriz es dos: línea A a través de la columna 1 y una línea a través de la fila
2.
Vemos en este ejemplo que el número máximo de celdas cero independientes y el número
mínimo de líneas necesarias para cubrir los ceros es igual. Este resultado, que es cierto en
general, viene dado por el siguiente teorema.
Teorema 10.1
El número máximo de celdas cero independientes en una matriz de asignación reducida es
igual al número mínimo de líneas para cubrir todos los ceros de la matriz.
Modificar la matriz reducida
Supongamos que todavía no hemos obtenido una solución óptima, es decir, no podemos
x
encontrar un conjunto factible de valores ij positivos asociados con las celdas cero de la
matriz reducida. Considere la matriz cubierta obtenida cubriendo los ceros en la matriz
reducida utilizando el menor número de líneas. Sea k el número de líneas requeridas.
Sr i1 , i2 ,... Sc j1 , j2 ,...
Además, dejar ser el conjunto de filas descubiertas y ser el
Sr M Sr S c M SC
conjunto de columnas descubiertas. Definir y , donde
M 1, 2,..., m S
. Finalmente, sea p el número de filas en r y q ser el número de columnas
Sc k m p m q .
en . Entonces
21
c0
Sea ser el elemento mínimo descubierto, es decir,
c0 min mo cij 0.
iSr
jSc
Se puede demostrar fácilmente que una nueva solución factible dual viene dada por
cij ui v j , c0
En la matriz reducida que tiene elementos esto es equivalente a restar de
c0
cada fila descubierta y agregando a cada columna cubierta.
c
Otra forma de ver esto es que 0 se resta de cada elemento descubierto y agregado a cada
elemento cubierto dos veces. El nuevo coeficiente de coste reducido La matriz tiene
elementos no negativos y un cero en cada fila y columna.
xij xij
Observe que ahora existe un conjunto factible de valores que tienen valores
positivos
asociado con las celdas cero (cero variables de holgura dual).
Tenga en cuenta que se alcanza la viabilidad primala, se mantiene la viabilidad dual (dado
que las entradas en la matriz de costo reducido no son negativas), y finalmente, la holgura
x 1
complementaria es verdadera (ya que ij sólo si el correspondiente la holgura dual es
22
cero). Por lo tanto, se cumplen las condiciones de Karush-Kuhn-Tucker y se solución óptima
* * * *
dada por x12 x 23 x31 1 (con todos los demás valores ij iguales a 0) está a la mano.
x
23
Aquí, el número mínimo de líneas para cubrir todos los ceros es tres. El mínimo elemento
descubierto es 1. Restando esto de cada elemento descubierto, y al agregarlo a cada
elemento cubierto dos veces, se obtiene la siguiente matriz reducida:
* * * * *
En esta matriz, una solución óptima viene dada por x12 x 21 x35 x44 x53 1 y a todos
*
xij
los demás valores iguales a cero.
24
CONCLUSIONES
Se puede representar con un modelo lineal y utilizar el método simplex para resolverlo. Sin
embargo, dada la estructura especial de este modelo lineal, se puede construir varios métodos más
eficaces para su resolución.
25
REFERENCIAS
BibliografÍa:
[1] Linear Programming and Network Flows – Fourth Edition – Mokh S. Bazaraa; Jhon J.
Jarvis; Hanif D. Sherali.
[2] Investigación de operaciones – Séptima edición – Mokh S. Bazaraa; Hamdy A. Taha -
University of Arkansas, Fayetteville
Sitios web y artículos relacionados:
[3] Blogger – Investigación de Operaciones.
http://programacionlinealtransportedgm.blogspot.com/2011/05/caracteristicas-de-los-
problemas-de.html
[4] Universidad de Zaragoza (Facultad de Ciencias) – Manuel García Narváez – Trabajo de
fin del grado en Matemáticas – Problemas de Transporte y Problemas de Transporte con
Carga Fija.
https://zaguan.unizar.es/record/15108/files/TAZ-TFG-2014-932.pdf
[5] Hiru.eus. – Método del Simplex y Problema de Transporte.
[6] https://www.hiru.eus/es/matematicas/metodo-del-simplex-y-problema-del-
transporte
26