UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE INGENIERÍA QUÍMICA

ESCUELA PROFESIONAL DE INGENIERÍA QUÍMICA INDUSTRIAL

OPTIMIZACIÓN DE RUTAS Y PROGRAMACIÓN LINEAL EN LA

GESTIÓN DE LA CADENA DE SUMINISTRO
CATEDRA:

064D- INVESTIGACIONES OPERATIVAS

CATEDRATICO:

Ing. INDIGOYEN RAMIREZ DAVID

ESTUDIANTES:

▪ GARCÍA HINOSTROZA Guadalupe Jeraldi

▪ HUAROC POCOMUCHA, Raúl Enrique
▪ INGA MEZA, Hardy Jhohannes
▪ MANTURANO QUINTANILLA Maffer Sheryll

Huancayo - 2024
 INDICE

I. INTRODUCCIÓN ..................................................................................................................... 4
II. OBJETIVOS .............................................................................................................................. 5
2.1. Objetivo general ................................................................................................................. 5
2.2. Objetivos específicos: ......................................................................................................... 5
III. MARCO TEÓRICO ............................................................................................................... 6
3.1. ALGORITMO DE DIJKSTRA .............................................................................................. 6
3.1.1. Definición ........................................................................................................................... 6
3.1.2. Procedimiento .................................................................................................................... 6
3.1.3. Aplicaciones ....................................................................................................................... 7
3.2. ALGORITMO DE PRIM ...................................................................................................... 7
3.2.1. Historia ............................................................................................................................... 7
3.2.2. Definición........................................................................................................................... 8
3.2.3. Funcionamiento .................................................................................................................. 8
3.2.4. Requisitos para su funcionamiento ..................................................................................... 9
3.2.5. Pasos para aplicarlo ............................................................................................................ 9
3.2.6. Ejemplo .............................................................................................................................. 9
3.2.6.1. Aplicando el algoritmo de Prim: .................................................................................. 10
3.2.7. Aplicaciones en la industria .............................................................................................. 12
3.3. ALGORÍTMO DE KRUSKAL ............................................................................................ 13
3.3.1. Definición ......................................................................................................................... 13
3.3.2. Objetivo ............................................................................................................................ 13
3.3.3. Pasos ................................................................................................................................ 14
3.3.4. Ejemplos........................................................................................................................... 15
3.3.5. Aplicaciones en la industria .............................................................................................. 18
3.4. METODO DE RUSSELL .................................................................................................... 19
3.4.1. Ventajas: ........................................................................................................................... 20
3.4.2. Desventajas: ..................................................................................................................... 21
3.4.3. Procedimiento: ................................................................................................................. 23
3.4.4. Ejemplo: ........................................................................................................................... 25
3.5. PROBLEMAS DE TRANSPORTE...................................................................................... 34
3.5.1. Ejemplo ............................................................................................................................ 35
3.5.2. Adecuando a la tabla Simplex .......................................................................................... 39
3.5.2.1. Caso 1: La oferta total es menor que la demanda total ................................................ 39
3.5.2.2. Caso 2: La demanda total es menor que la oferta total ................................................ 41
3.5.3. Soluciones Factibles ......................................................................................................... 42
3.5.3.1. El método de la esquina noroeste ................................................................................. 42
3.5.4. Método viugel .................................................................................................................. 46
3.5.4.1. Procedimiento............................................................................................................... 46
3.5.5. Tabla de Transporte .......................................................................................................... 49
3.5.6. Algoritmo de Transporte................................................................................................... 50
3.5.7. Aplicaciones ..................................................................................................................... 58
3.6. PROBLEMAS DE TRANSBORDO .................................................................................... 60
3.6.1. Definición ......................................................................................................................... 60
3.6.2. Características .................................................................................................................. 60
3.6.3. Tabla de transporte ........................................................................................................... 62
3.6.4. Aplicaciones ..................................................................................................................... 70
IV. CONCLUSIONES ................................................................................................................... 72
6.1. Conclusión general ........................................................................................................... 72
6.2. Conclusiones específicas .................................................................................................. 72
V. BIBLIOGRAFÍA...................................................................................................................... 73
 I. INTRODUCCIÓN

Este trabajo tiene la tarea de abordar desafíos mediante la aplicación de

técnicas de optimización de rutas respaldadas por la herramienta de la programación

lineal. El objetivo primordial de este estudio es asegurar la consecución óptima de

las demandas de los destinos, lo cual implica la tarea intricada de determinar la

cantidad precisa de bienes a enviar desde cada origen hacia cada destino. La

complejidad de esta asignación se abordará con enfoques basados en algoritmos

eficientes y métodos de programación lineal que buscan no solo satisfacer las

necesidades de los destinos, sino también minimizar los costos asociados con el

transporte. Este enfoque se basa en el uso de algoritmos que, mediante la aplicación

de principios matemáticos, ofrecen soluciones eficientes a problemas de asignación

de recursos limitados, como los encontrados en la gestión de la cadena de

suministro. Además, se ahondará en la comprensión de tres algoritmos clave: Prim,

Kruskal y Dijkstra. Estos algoritmos, enmarcados en la teoría de grafos,

desempeñan un papel crítico en la optimización de rutas al buscar la construcción de

caminos eficientes y la minimización de la distancia o tiempo de transporte. En

conjunto, este trabajo se sumerge en el universo de la optimización de rutas y la

programación lineal, donde la integración de algoritmos específicos y conceptos

clave se convierte en la brújula que guiará hacia soluciones que no solo cumplen

con las demandas de los destinos, sino que también contribuyen a la eficiencia y

rentabilidad de toda la cadena de suministro.

 II. OBJETIVOS

2.1. Objetivo general

o Asegurar que se cumplan todas las demandas de los destinos. Esto implica

determinar la cantidad optima de vienes a enviar desde cada origen hacia

cada destino, de manera que se satisfagan todas las necesidades

2.2. Objetivos específicos:

o Utilizar la programación lineal que se basa en el uso de algoritmos para

encontrar una solución óptima que cumpla con los requisitos de los

destinos y minimice los costos de transporte

o Explicar en que se basan los algoritmos de Prim, Kruskal y Dijkstra, cuales

son sus aplicaciones y demás conceptos

 III. MARCO TEÓRICO

3.1. ALGORITMO DE DIJKSTRA

3.1.1. Definición

Es también conocido como el algoritmo de caminos mínimos, es un

algoritmo utilizado para determinar un camino mas corto desde un vértice

origen hacia el resto de vértices dentro de un grafo ponderado como en la

siguiente imagen:

3.1.2. Procedimiento

✓ Encontrar la ruta más corta desde un nodo origen hacia los demás

nodos en una red, utilizando una metodología basada en iteraciones, lo

que significa que a mayor sea el tamaño de la red mayor será la

complejidad del problema

✓ Mantener un conjunto de nodos cuyos pesos finales de camino mínimo

desde el nodo de origen sean determinados utilizando etiquetas para

cada uno de los nodos subsiguientes a partir del nodo de origen, estas

etiquetas se actualizan a medida que se encuentran nuevas rutas más

cortas
 ✓ Es importante tener en cuenta que, si las aristas del grafo tienen pesos

negativos, el algoritmo de Dijkstra no es adecuado por lo que se debe

usar el algoritmo de bellman Ford.

3.1.3. Aplicaciones

➢ Enrutamiento de redes: se trabaja en el enrutamiento de redes de

comunicación, como en la determinación de la ruta mas corta para

enviar datos de un punto a otro en una red de computadoras

➢ Navegación GPS: los sistemas (GPS) utilizan este algoritmo de

Dijkstra para calcular la ruta más corta entre un punto de origen y

destino, teniendo en cuenta las condiciones de trafico

➢ Transporte público: se utiliza para planificación de rutas

➢ Logística de distribución: en este caso se usa para encontrar la ruta más

corta entre los puntos de ubicación, minimizando costos y tiempos de

entrega

3.2. ALGORITMO DE PRIM

3.2.1. Historia
- Robert C. Prim

En 1941 se licenció en ingeniería eléctrica en la Universidad de

Princeton. Más tarde, en1949 recibe su doctorado en matemáticas en

la misma universidad. Trabajó en dicha universidad desde 1948 hasta

 1949 como investigador asociado. En plena Segunda Guerra

Mundial, Prim trabajó como ingeniero para General Electric. Desde

1944 hasta 1949 fue contratado por la United States Naval Ordnance

Lab como ingeniero y más tarde como matemático. En los

laboratorios Bell, trabajó como director de investigación matemática

desde 1958 hasta 1961. Allí Prim desarrolló el conocido Algoritmo de

Prim.

3.2.2. Definición

El algoritmo de Prim es un algoritmo perteneciente a la teoría de los

grafos para encontrar un árbol de recorrido mínimo en un grafo conexo, no

dirigido y cuyas aristas están etiquetadas. En otras palabras, el algoritmo

encuentra un subconjunto de aristas que forman un árbol con todos los

vértices, donde el peso total de todas las aristas en el árbol es el mínimo

posible. Si el grafo no es conexo, entonces el algoritmo encontrará el árbol

recubridor mínimo para uno de los componentes conexos que forman dicho

grafo no conexo.

3.2.3. Funcionamiento

El algoritmo incrementa continuamente el tamaño de un árbol,

comenzando por un vértice inicial al que se le van agregando sucesivamente

vértices cuya distancia a los anteriores es mínima. Esto significa que, en

cada paso, las aristas a considerar son aquellas que inciden en vértices que
 ya pertenecen al árbol. El árbol recubridor mínimo está completamente

construido cuando no quedan más vértices por agregar.

3.2.4. Requisitos para su funcionamiento

➢ Ser un grafo conexo

➢ Ser un grafo sin ciclos

➢ Tener todos los arcos etiquetados

3.2.5. Pasos para aplicarlo

✓ La idea básica consiste en añadir en cada paso, una arista de peso

mínimo a un árbol previamente construido.

A. Se establece la fórmula de (n-1) en el que “n” es el

número de vértices y (n-1) es el número de arcos o

aristas.

B. Escoge la arista que pese menos, es decir la que tiene

menor valor.

3.2.6. Ejemplo

Sea G = (V, A) un grafo conexo no dirigido con un costo no negativo

asociado a cada arista.

Se dice que T ⊆ A es un árbol generador (intuitivamente, un tendido) si el

grafo (V, T) es conexo y no contiene ciclos.

Su costo es la suma de los costos de sus aristas.

 Se busca T tal que su costo sea mínimo.

El problema de encontrar un árbol generador de costo mínimo tiene

numerosas aplicaciones en la vida real. Cada vez que se quiera realizar un

tendido (eléctrico, telefónico, etc.) se quieren unir distintas localidades de

modo que requiera el menor costo en instalaciones (por ejemplo, cables)

posible. Se trata de realizar el tendido siguiendo la traza de un árbol

generador de costo mínimo.

3.2.6.1.Aplicando el algoritmo de Prim:

 Se parte desde un vértice origen y se va extendiendo el tendido a

partir de ahí: en cada paso se une el tendido ya existente con alguno de los

vértices aún no alcanzados, seleccionando la arista de menor costo capaz

de incorporar un nuevo vértice

Podemos representar los grafos como una tupla con dos conjuntos: uno

para los vértices y otro para las aristas.

Type Vertex = Nat

type Edge = tuple
v1 : Vertex
v2 : Vertex
cost : Nat
end tuple
 type Graph = tuple
vertices : Set of Vertex
edges : Set of Edge
end tuple
fun Prim(G : Graph, k: Vertex) ret T: Set of Edge
var c: Edge
var C: Set of Vertex
C:= copy_set(G.vertices)
elim(C,k)
T:= empty_set()
do (not is_empty_set(C)) →
c := “selecciono arista de costo mínimo tal que
c.v1 ∈ C y c.v2 6∈ C, ó c.v2 ∈ C y c.v1 6∈ C”
if member(c.v1,C)
then elim(C,c.v1)
else elim(C,c.v2)
add(T,c)
fi
od
end fun

3.2.7. Aplicaciones en la industria

El algoritmo de Prim tiene diversas aplicaciones prácticas,

especialmente en redes de comunicación, diseño de circuitos eléctricos,

planificación de rutas, y en general en cualquier situación donde se

busque establecer conexiones eficientes y minimizar costos.

 Por ejemplo, en redes de comunicación, el algoritmo de Prim podría

utilizarse para diseñar una red de cableado que conecte una serie de

ubicaciones de manera eficiente, minimizando la longitud total del cable

y, por lo tanto, reduciendo costos. También se utiliza en problemas de

enrutamiento en redes de computadoras y en problemas de diseño de

circuitos impresos.

3.3. ALGORÍTMO DE KRUSKAL

3.3.1. Definición

El algoritmo de Kruskal es un algoritmo de la teoría de grafos para

encontrar un árbol de expansión mínimo en un grafo conexo y ponderado. Es

decir, busca un subconjunto de aristas que, formando un árbol incluyen todos

los vértices y no hay ciclos y donde el valor total de todas las aristas del

árbol es el mínimo, a esto se le llama árbol de expansión mínimo. El

algoritmo de Kruskal es un ejemplo de algoritmo voraz. Esta definición en

términos simples es como encontrar el árbol de expansión pero que el peso

total de las aristas sea el menor posible.

3.3.2. Objetivo

El objetivo del algoritmo de Kruskal es construir un árbol (subgrafo

sin ciclos) formado por arcos sucesivamente seleccionados de mínimo peso a

partir de un grafo con pesos en los arcos.

3.3.3. Pasos

El algoritmo de Kruskal resuelve la misma clase de problema que el de

Prim, salvo que en esta ocasión no se parte desde ningún nodo elegido al

azar para resolver el mismo problema; lo que se hace es pasarle a la función,

una lista con las aristas ordenadas de menor a mayor y se va tomando una

para formar el árbol recubridor mínimo. Hay que seguir los siguientes pasos

• Se marca la arista con menor valor. Si hay más de una, se elige

cualquiera de ellas.

• De las aristas restantes, se marca la que tenga menor valor, si hay

más de una, se elige cualquiera de ellas.

• Repetir el paso 2 siempre que la arista elegida no forme un ciclo

con las ya marcadas.

• El proceso termina cuando se tienen todos los nodos del grafo en

alguna de las aristas marcadas, es decir, cuando se tienen

marcados n – 1 arcos, siendo n el número de nodos del grafo.

3.3.4. Ejemplos

A. Tengo que construir caminos entre ciertos pares de ciudades, de modo

que todo el país me quede conectado. ¿Como puedo hacerlo

minimizando la longitud total del camino construido?

B. Partir de un subgrafo generador cuyo conjunto de aristas es vacío, y en

cada paso agregar una arista de peso mínimo que no forme ciclos con las

demás aristas del conjunto, hasta haber agregado n − 1 aristas.

C. Sumando los pesos tenemos= 5+5+6+7+7+9=39

Para ver que el algoritmo construye un árbol generador, como en cada paso

el subgrafo B elegido hasta el momento es generador y acíclico, basta ver

que el algoritmo termina con mB = nG − 1. Si mB < nG − 1, B es no conexo.

Sea B1 una componente conexa de B. Como G es conexo, va a existir alguna

arista con un extremo en B1 y el otro en V(G) − B1, que por lo tanto no

forma ciclo con las demás aristas de B. Entonces, si mB < nG − 1, el

algoritmo puede realizar un paso más. La demostración siguiente está basada

en le existencia de ´arboles generadores mínimales para grafos con peso, no

dirigidos, conexos y sin lazos.

Sea G un grafo, TK el árbol generado por el algoritmo de Kruskal y {e1, e2,

. . . , en−1} la secuencia de aristas de TK en el orden en que fueron elegidas

por el algoritmo de Kruskal. Para cada ´árbol generador minimal T de G

definimos `(T) como el máximo k ≤ n tal que ∀j < k, ej ∈ T.

Por ejemplo, para el árbol generador, determinado por la secuencia de aristas

AD DB BC CE EF FG `(T) = 3
Ahora, sea T0 un AGM para el que `(T0) = r es máxima. Si r = n, entonces

T0 coincide con TK, con lo cual TK resulta ser solución óptima (mínima).

De otra forma r ≤ n − 1, y er ∈/ T0, como T0 es conexo hay un camino C en

T0, que une los extremos de er.

En el caso de la figura es el camino DB, BC, CE, EF

Como TK es acíclico, hay alguna arista e en C ⊂ T0 tal que e 6∈ TK. Como

e1, . . . , er−1 ∈ T0 y T0 es acíclico, e no forma ciclos con e1, . . . , er−1.

Además, por la forma en que fue elegida er por el algoritmo de Kruskal,

peso(er) ≤ peso(e)
 Pero entonces T1 = T0 − e ∪ {er} es un árbol generador de G de peso menor

o igual a T0 y

`(T1) > `(T0), absurdo. Luego TK es un árbol generador mínimo.

3.3.5. Aplicaciones en la industria

Al igual que el algoritmo de Prim, el algoritmo de Kruskal tiene

aplicaciones prácticas en situaciones donde se busca encontrar una red de

conexiones eficiente y minimizar costos. Se utiliza en problemas como la

planificación de rutas, diseño de redes de comunicación, y en general en

cualquier situación donde se requiera establecer conexiones eficientes entre

puntos con costos asociados.

Una de las ventajas del algoritmo de Kruskal es su simplicidad y eficiencia,

especialmente en grafos densos. Además, el enfoque basado en conjuntos

disjuntos permite manejar fácilmente la detección de ciclos durante la

construcción del árbol de expansión mínima.

3.4. METODO DE RUSSELL

El enfoque conocido como el método de Russell, también denominado

método del múltiple punto de vista, surgió bajo la tutela del filósofo y lógico

británico Bertrand Russell en los albores del siglo XX. Russell, un destacado

pionero en la filosofía analítica, dejó una huella significativa en los campos de la

lógica, las matemáticas y la filosofía. La esencia del método de Russell radica en

la premisa de que la comprensión plena de un problema o asunto requiere la

consideración de diversas perspectivas y enfoques.

Para Russell, tanto el análisis lógico como el análisis histórico constituían

elementos cruciales de su método. El análisis lógico implicaba descomponer un

problema en sus componentes fundamentales, explorar las relaciones entre ellos y

discernir las implicaciones lógicas resultantes. Por otro lado, el análisis histórico

implicaba examinar el desarrollo histórico de un problema, investigando cómo se

abordó a lo largo del tiempo y observando su evolución.

El programa del método Russell se revela en la comprensión de que la cantidad de

cálculos necesarios acerca la solución final a la esperada. Sin embargo, este

método no goza de una popularidad destacada en la resolución de problemas de

transporte, a pesar de sus virtudes en diversos casos. Optar por cambiar la

simplicidad por la distancia se presenta como la solución más idónea en este

contexto.
3.4.1. Ventajas:

• Optimización eficiente:

El método de Russell destaca por proporcionar soluciones óptimas en

problemas de programación lineal. Su capacidad para maximizar o

minimizar de manera eficiente los objetivos deseados lo posiciona

como una herramienta valiosa en la toma de decisiones, garantizando

resultados óptimos.

• Eficiencia computacional:

En comparación con otras metodologías, el método Russell se

distingue por su rapidez y eficiencia desde el punto de vista

computacional. Esta característica lo hace especialmente adecuado

para abordar problemas de mayor tamaño y complejidad, donde la

capacidad de procesamiento se vuelve crucial para obtener resultados

en tiempos razonables.

• Facilidad de implementación:
 Una de las ventajas clave del método de Russell radica en su relativa

simplicidad y facilidad de comprensión e implementación. No requiere

conocimientos especializados avanzados, lo que lo convierte en una

herramienta accesible para investigadores y profesionales con

fundamentos en programación lineal. Su enfoque intuitivo permite su

aplicación práctica sin la necesidad de una expertise extrema.

• Adaptabilidad y versatilidad:

El método de Russell muestra una notable adaptabilidad a una variedad

de contextos y situaciones. Su aplicabilidad no se limita a un tipo

específico de problema, lo que lo convierte en una opción versátil para

abordar diferentes desafíos en diversos campos de estudio y práctica

profesional.

3.4.2. Desventajas:

• Limitación a problemas lineales:

La principal desventaja del método de Russell radica en su diseño

específico para problemas de programación lineal. Su aplicabilidad se

ve restringida a contextos lineales, lo que limita su utilidad en la

resolución de problemas no lineales. Esto puede representar una

barrera en situaciones donde la complejidad del problema requiere un

enfoque más flexible.

• Sensibilidad a cambios en los datos:

La solución óptima proporcionada por el método de Russell puede

volverse inválida si los datos utilizados en el modelo de programación

lineal experimentan cambios. La necesidad de actualizaciones y

revisiones periódicas se convierte en una desventaja, ya que implica

un esfuerzo continuo para mantener la relevancia de la solución en un

entorno dinámico.

• Restricciones y suposiciones:

El método de Russell opera bajo ciertas restricciones y suposiciones al

formular el problema de programación lineal. Estas limitaciones

pueden afectar su capacidad para abordar situaciones complejas o

escenarios del mundo real que no se ajusten a esas suposiciones. La

rigidez inherente en estas restricciones puede resultar problemática al

tratar con casos que demandan flexibilidad y adaptabilidad.

• Complejidad limitada:

Algunas críticas apuntan a que el método de Russell puede enfrentar

dificultades al abordar problemas particularmente complejos. La

simplicidad que lo hace accesible puede traducirse en una falta de

robustez en situaciones donde la complejidad del problema excede sus

capacidades de análisis.
3.4.3. Procedimiento:

Para cada renglón de origen que queda bajo consideración, debe

determinarse el mayor costo unitario de los que quedan en ese renglón.

Para cada columna de destino que todavía está bajo consideración, se

determina , el mayor costo unitario de los que hay en esa columna. Para cada

variable que no haya sido seleccionada en estos renglones o columnas, se

calcula se elige la variable con el mayor negativo de .

A continuación, se presentará el procedimiento detallado para obtener una

solución inicial básica factible en un problema de transporte mediante el

método de Russell. Este método, desarrollado por el filósofo y lógico británico

Bertrand Russell, ha demostrado ser eficaz en la resolución de problemas

logísticos y de asignación en diversas aplicaciones. A continuación se

describen los pasos para aplicar este método:

• PASO 1:

Determinar para cada una de las filas de la tabla, el valor , para

, en donde representa el valor máximo que toma el

coeficiente en la fila .

• PASO 2:
Determinar para cada una de las filas de la tabla, el valor para

en donde representa el valor máximo que toma el

coeficiente en la columna

• PASO 3:

Determinar para cada una de las celdas de la tabla, el siguiente índice:

Representa un indicador que nos dice que tan buena es la celda

si se hiciera una asignación sobre ella.

• PASO 4:

Seleccionar la celda con el mayor Identificar la fila a la que pertenece

esa celda con el subíndice y la columna con el subíndice . Sobre esta

celda se hará la asignación.

Sea , la cantidad de producto a asignar en la celda (

Por tanto:

¿Es el valor ?

Si la respuesta es si: recalcular el requerimiento que queda por satisfacer

en el destino , de la siguiente forma:

y elimine la fila

Si la respuesta es no: recalcular la oferta disponible del origen , de la

siguiente forma:

y elimine la columna
 • PASO 5:

¿Se tiene ya ( celdas asignadas (variables básicas)?

Si la respuesta es sí : pare el procedimiento. Ya se encontró una solución

inicial básica factible

Si la respuesta es no: nos ubicamos en el paso 1, y repetimos el

procedimiento. En el paso 1 no se toman en cuenta las filas o columnas

que han sido eliminadas.

3.4.4. Ejemplo:

PROTAC tiene cuatro plantas ensambladoras en Europa. Están ubicadas en

Leipzig, Alemania oriental (1); Nancy, Francia (2); Lieja, Bélgica (3);

Tilburgo, Holanda (4). Las maquinas ensambladoras usadas en esas plantas

se producen en estados unidos y se embarcan a Europa. Llegaron a los

puertos de Ámsterdam (A), Amberes (B), Havre (C).

Los planes de producción del tercer trimestre (julio a septiembre) ya han

sido formulados.

Los requerimientos (la demanda en destinos) de motores diésel E-4 son los

siguientes:

PLANTA CANTIDAD DE
 MOTORES

LEIPZING 400

NANCY 900

LIEJA 200

TIBURGO 500

La cantidad disponible de máquinas E-4 en los puertos a tiempo para usarse

en el tercer trimestre se muestra enseguida:

AMSTERDAM 500

AMBERES 700

EL HAVRE 800

La meta de PROTAC es de minimizar los costos de transporte de los motores

E-4, de los puertos a las plantas.

Costo de transporte de un motor de un origen a un destino:

 AL DESTINO

DESDE EL 1 2 3 4

ORIGEN

A 12 13 4 6

B 6 4 10 11

C 10 9 12 4

Asignación inicial.

DESDE AL O

ORIGEN DESTIN

1 2 3 4 Suministros

A 12 13 4 6 500 13

B 6 4 10 11 700 11

C 10 9 12 4 800 12

Requerimiento 400 900 200 500 2000

 12 13 12 11

13 0 21 18

17 20 13 11

14 16 12 19

13 0 18

17 20 11

14 16 19
13 0 18

14 16 19

13 0

14 16

29
13

14

30
13

31
3.4.5. Aplicaciones

• Optimizar el transporte de mercancías entre fábricas y almacenes,

minimizando los costos de envío y almacenamiento.

• Planificar el transporte de pasajeros entre ciudades, maximizando la

satisfacción de los clientes y el uso de los vehículos.

• Distribuir recursos entre centros de salud, equilibrando la demanda y la

oferta de servicios médicos.

• Asignar tareas entre trabajadores, reduciendo el tiempo total de ejecución y

el costo de mano de obra.

• Investigación cualitativa: El análisis de datos textuales desempeña un papel

crucial en la investigación cualitativa, siendo una herramienta fundamental

para explorar y comprender fenómenos complejos, perspectivas subjetivas,

experiencias individuales y contextos sociales. Su aplicación abarca

diversos campos, como sociología, psicología, antropología, educación y

salud. Este método proporciona una visión profunda y rica de las narrativas

y significados presentes en el lenguaje, permitiendo a los investigadores

interpretar y contextualizar la información recopilada.

• Estudios de opinión pública: El método de Russell se puede emplear para

analizar y comprender la opinión pública mediante la extracción y análisis

de datos textuales provenientes de encuestas, comentarios en redes sociales,

foros en línea y otros tipos de contenido generado por los usuarios. Este

enfoque ayuda a identificar tendencias, temas emergentes y patrones de

32
 pensamiento en la sociedad, proporcionando información valiosa para

entender la dinámica de la opinión pública.

• Investigación de mercado y de consumo: En el ámbito de la investigación

de mercado, el análisis de datos textuales se utiliza para examinar

comentarios de consumidores, reseñas de productos, opiniones en redes

sociales y otros datos relacionados con el comportamiento y las preferencias

del consumidor. Este método permite identificar patrones, opiniones,

necesidades y tendencias del mercado, ofreciendo información valiosa para

la toma de decisiones estratégicas en el ámbito comercial.

• El método de Russell, aplicado al análisis de datos textuales, se convierte

así en una herramienta versátil y poderosa en diversos contextos de

investigación, proporcionando una comprensión profunda de la complejidad

inherente a las experiencias humanas y a los fenómenos sociales.

33
3.5. PROBLEMAS DE TRANSPORTE

El problema de transporte es una de las primeras aplicaciones importantes de

la programación lineal. Se puede representar con un modelo lineal y utilizar el método

simplex para resolverlo.

El problema de transporte trata de enviar unidades de un producto desde 𝒎 orígenes;

𝑂1 , … . . 𝑂𝑚 , 𝑎 𝑛 destinos 𝐷1 , … … , 𝐷𝑛 en las siguientes condiciones.

• Cada origen 𝑂𝑖 ,i=1; ……;m; dispone de una oferta 𝑎𝑖 .

• Cada destino 𝐷𝑗 , 𝑗 = 1; … . . ; 𝑛 realiza la demanda 𝑏𝑗̇

• 𝐶𝑖𝑗 𝑖 = 1; … ; 𝑚; 𝑗 = 1; … . . , 𝑛es el coste de enviar una unidad desde

el origen 𝑂𝑖 al destino 𝐷𝑗 .

El problema es determinar el número de unidades 𝑥𝑖𝑗 que se deben enviar desde cada

origen 𝑂𝑗 hasta cada destino Dj para realizar el transporte a coste mínimo, teniendo en

cuenta que hay que satisfacer las restricciones de oferta y demanda. Cumpliendo la

siguiente programación lineal.

34
 Las primeras m restricciones están asociadas a las ofertas de los orígenes, que no se

deben sobrepasar. Las n siguientes restricciones aseguran que se deben satisfacer las

demandas de los destinos. Las variables no pueden tomar valores negativos, ya que

representan cantidades de producto que se transportan.

La forma estándar del problema de transporte es la siguiente:

3.5.1. Ejemplo

Una empresa productora de barras de pan tiene dos almacenes A1 y A2 desde los

cuales debe enviar pan a tres panaderías P1, P2 y P3. Las ofertas, las demandas y

los costes de envío se dan en el siguiente grafo.

35
Entonces para plantear el problema un modelo lineal que represente el problema

definimos.

✓ 𝑥𝑖𝑗 : cantidad de barras de pan que se envían desde cada origen 𝐴𝑖𝑗 , 𝑖 =

1,2, a cada destino 𝑃𝑖𝑗 , 𝑗 = 1,2,3.

El modelo lineal es el siguiente:

o min 𝑧 = 8𝑥11 + 6𝑥12 + 10𝑥13 + 10𝑥21 + 4𝑥22 + 9𝑥23

En este caso las restricciones se pueden escribir con igualdad porque la suma de

ofertas es igual a la suma de demandas. Para observar la estructura de la matriz A

escribimos el modelo de la siguiente forma:

36
Hay 2 orígenes, m = 2, y 3 destinos, n = 3. La matriz A tiene 2 + 3 filas y 2 × 3

columnas. Se puede comprobar que el rango de la matriz es 4. Por otra parte,

todos los vectores columna tienen solamente 2 componentes iguales a 1 y las

demás son 0. Si denotamos los vectores columna de la matriz A con dos

subíndices, es decir, a11, a12, a13, a21, a22, a23, podemos observar en qué

posiciones aparece un 1 y en que posiciones aparece un 0. Por ejemplo, el vector

a11 tiene un 1 en la primera posición y otro 1 en la posición m + 1; el vector a21

tiene un 1 en las posiciones 2 y en la m + 1; el vector a23 tiene un 1 en las

posiciones 2 y m + 3. En general, podemos decir que un vector aij de la matriz A

tiene un 1 en las posiciones i y m + j.

37
 o En general, la matriz A y su estructura dependen del número de orígenes y

destinos. Cualquier problema de transporte de m orígenes y n destinos tiene

la misma matriz A. Esta matriz tiene m + n filas y m × n columnas

Tabla de Costes

▪ Ejemplo práctico: Una empresa debe planificar la producción de un artículo

para los 4 trimestres del próximo año. Puede estimar la demanda en las

siguientes unidades: 200, 150, 200 y 100 en cada uno de los trimestres. La

capacidad de producción está limitada a 150 unidades en cada trimestre. Las

demandas de un trimestre no se pueden satisfacer en trimestres posteriores. El

coste unitario de producción es de 2 unidades, pero en el caso de que haya

almacenamiento se incrementa en 0.5 unidades en cada periodo por cada

unidad almacenada.

✓ Oferta de los orígenes: 150, 150, 150, 150.

✓ Demanda de los destinos: 200, 150, 200, 100.

✓ El coste de producción cij = 2 si i = j, i, j = 1, . . ., 4.

38
 ✓ El coste cij = coste de producción + coste de almacenamiento si i <

j.

3.5.2. Adecuando a la tabla Simplex

Se dice que un problema de transporte es equilibrado si:

Se pueden dar en dos casos:

3.5.2.1.Caso 1: La oferta total es menor que la demanda total

En ese caso se crea un origen ficticio, Om+1, con una oferta ficticia, am+1, tal

que a

Y costes de transporte

39
Dado que la oferta am+1 del origen ficticio Om+1 no es real, aquellos destinos

que en una solución reciben unidades de producto desde el origen ficticio no son

satisfechos en la realidad. En algunos casos prácticos pueden asignarse valores

distintos de cero a los costes cm+1, j, j = 1, . . ., n, para expresar, por ejemplo,

penalización por no satisfacer la demanda

Ejemplo: Considerar el siguiente problema de transporte.

La oferta total es menor que la demanda total. Para equilibrar el problema se

crea un origen ficticio 3 cuya oferta es a3 = 60 − 30 = 30 y los costes c31 =

c32 = c33 = 0.

40
3.5.2.2.Caso 2: La demanda total es menor que la oferta total

En este caso se crea un destino ficticio Dn+1 con una demanda ficticia bn+1

tal que

Y costes de transporte.

La demanda del destino ficticio es la diferencia entre la oferta total y la

demanda total. El transporte de unidades desde cualquier origen al destino

ficticio tiene coste cero porque es un transporte que en la práctica no se

realiza. En algunos casos se pueden tener costes distintos de cero que pueden

indicar, por ejemplo, el coste de almacenamiento de aquellas unidades que no

son transportadas.

41
 Ejemplo: Considerar el siguiente problema de transporte.

La oferta total es mayor que la demanda total. Para equilibrar el problema se

crea un destino ficticio 4 cuya demanda es b4 = 100 − 60 = 40 y los costes

c14 = c24 = 0. El problema de transporte equilibrado es el siguiente:

3.5.3. Soluciones Factibles

Para calcular una solución para el problema del transporte, utilizaremos

diferentes métodos.

3.5.3.1.El método de la esquina noroeste

✓ Paso 1: Elegir la esquina noroeste (i, j) de la tabla de flujos (inicialmente i

= 1, j = 1).

42
✓ Paso 2: Asignar el mayor flujo posible de transporte, xij , en esa posición.

Es decir, xij = min{ai , bj}. Actualizar la oferta ai y la demanda bj .

o Si el mínimo es ai , la oferta del origen Oi se actualiza a cero y se

prescinde de la fila i para asignaciones posteriores. Se actualiza la

demanda a bj − ai .

o Si el mínimo es bj , la demanda del destino Dj se actualiza a cero y se

prescinde de la columna j en las asignaciones siguientes. Se actualiza

la oferta a ai − bj .

o Si ai y bj tienen el mismo valor, se actualizan la oferta y la demanda a

cero al mismo tiempo. Se prescinde de la fila i y de la columna j en

asignaciones posteriores.

✓ Paso 3: Se pueden dar dos casos: • Si queda sólo una fila o sólo una

columna, se asignan todas las unidades que están sin asignar. Parar. • En otro

caso, ir al Paso 1.

Ejemplo:

1ra interacción

43
 • Paso 1: Elegimos la esquina noroeste: fila 1 y columna 1.

• Paso 2: En esa posición asignar el máximo flujo de transporte x11 =

min {2000, 1500} = 1500.

Nueva oferta del origen

A1 : 2000 − x11 = 500.

Nueva demanda del destino

P1 : 1500 − x11 = 0.

La demanda del destino P1 ha quedado satisfecha.

Sombreamos la columna 1 y no la tenemos en cuenta en

cálculos posteriores. La tabla de flujos de transporte es

• Paso 3: Queda más de una fila y de una columna sin sombrear en la

tabla. Ir al Paso 1.

2da interacción

44
Procedemos como en la iteración anterior eligiendo la esquina noroeste de la tabla, fila

1 y columna 2. Asignamos x12 = min {500, 2000} = 500. Se actualizan la oferta y la

demanda:

a1 = 500 − x12 = 0 y b2 = 2000 − 500 = 1500.

Obtenemos la nueva tabla de flujos. La oferta del origen A1 se ha agotado,

sombreamos la fila 1 y no se toma en cuenta en cálculos posteriores.

Ahora sólo queda un origen; asignamos todas las unidades que están sin asignar: x22 =

1500 y x23 = 1000

45
 Esta solución inicial es factible y básica.

✓ La solución tiene m + n − 1 = 2 + 3 − 1 = 4 variables mayores que cero.

✓ Solución: x11 = 1500, x12 = 500, x13 = 0, x21 = 0, x22 = 1500, x23 = 1000.

✓ Coste de transporte: z = (8 × 1500) + (6 × 500) + (4 × 1500) + (9 × 1000) =

30000.

3.5.4. Método viugel

El método de la esquina noroeste y el método de Vogel se diferencian

´únicamente en el paso de selección de la variable a asignar. Para la selección de

dicha variable se calculan en la tabla de costes las diferencias por filas y por

columnas que se definen de la siguiente manera.

3.5.4.1.Procedimiento

✓ Paso 1: Calcular las diferencias por fila y por columna en la tabla de

costes. Seleccionar la fila o columna de mayor diferencia y en ella la

casilla (i, j) de mínimo coste cij .

✓ Paso 2: En la tabla de flujos, asignar a la variable xij el flujo máximo

posible en la posición seleccionada

xij = min{ai , bj}

o Actualizar la oferta ai y la demanda bj

o Si el mínimo es ai , actualizar la oferta del origen Oi a cero y

prescindir de la fila i para asignaciones posteriores. Se actualiza

la demanda a bj − ai .

46
 o Si el mínimo es bj , actualizar la demanda del destino Dj a cero

y prescindir de la columna j en asignaciones posteriores. Se

actualiza la oferta a ai − bj .

o Si ai y bj tienen el mismo valor, la oferta y la demanda se

actualizan a cero al mismo tiempo. Se prescinde de la fila i y de

la columna j en asignaciones posteriores.

✓ Paso 3: Se pueden dar dos casos:

o Si queda sólo una fila o sólo una columna, se asignan todas las

unidades que están sin asignar. Parar.

o En otro caso, ir al Paso 1.

Ejemplo Practico:

Primera interacción.

✓ Paso 1: Calculamos las diferencias DFi y DCj en la tabla de costes.

Elegimos la línea con mayor diferencia, en este caso la fila 2. El mínimo

coste en dicha fila es c22 = 4.

✓ Paso 2. Asignar el máximo flujo

47
 x22 = min {2000, 2500} = 2000. Actualizar la oferta y la demanda.

Sombreamos la columna 2 porque ha quedado satisfecha y no hay que

tenerla en cuenta en posteriores asignaciones.

✓ •Paso 3: Quedan más de una fila y de una columna en la tabla. Ir al Paso 1.

Segunda interacción.

▪ Se procede como en la interacción anterior. Calculamos las diferencias por filas

y por columnas. Elegimos la mayor diferencia; en este caso hay empate en la

primera fila y en la primera columna. Elegimos cualquiera de ellas, por

ejemplo, la fila 1 y en ella el mínimo coste, c11 = 8. Asignamos el máximo

flujo x11 = min {1500, 2000} = 1500. Actualizamos las ofertas y las

demandas.

▪ Solución: x11 = 1500, x12 = 0, x13 = 500, x21 = 0, x22 = 2000, x23 = 500.

48
 ▪ Coste de transporte: z = (8 × 1500) + (10 × 500) + (4 × 2000) + (9 × 500) =

29500. Esta solución es mejor que la obtenida por el método de la esquina

noroeste porque tiene un coste menor.

3.5.5. Tabla de Transporte

Tabla de transporte que tiene la siguiente estructura:

Entonces

49
3.5.6. Algoritmo de Transporte

Los pasos a seguir para hallar la solución ´optima de un problema de transporte

cuando el objetivo es minimizar

✓ Paso 1: Equilibrar el problema.

✓ Paso 2: Calcular una solución factible básica inicial.

✓ Paso 3: Calcular los valores u1, . . ., um, v1, . . ., vn asociados a la base

actual.

✓ Paso 4: Calcular los valores zij − cij = ui + vj − cij para los vectores no

básicos.

o Si para toda variable no básica zij − cij < 0, la solución actual es

´optima ´unica. Parar.

o Si para toda variable no básica zij−cij ≤ 0 y existe un valor zij−cij

= 0, entonces hay soluciones ´optimas múltiples. Elegir dicha

variable para entrar e ir al Paso 5.

o Si existe zij − cij > 0 entonces la solución puede ser mejorada.

Elegir como variable de entrada la asociada al mayor indicador

entre los positivos. Ir al paso 5.

✓ Paso 5. Detectar el ciclo que forman la variable que entra en la base y las

variables de la base actual. Calcular la nueva solución. Ir al Paso 3.

Ejemplo práctico: Calcular la solución ´óptima para el problema de

transporte

50
 Primera interacción

✓ Paso 1: Equilibrar el problema.

o Oferta = 28 + 32 + 60 = 120.

o Demanda = 48 + 29 + 40 + 33 = 150. Se crea un origen ficticio con

una oferta de 30 unidades y costes de transporte cero. Creamos la

tabla de transporte para asignar flujos.

✓ Paso 2: Calcular una solución inicial utilizando el método de Vogel.

Realizamos la primera iteración calculando las diferencias por fila y por

columna. La mayor diferencia corresponde a las columnas primera y

51
 cuarta. Seleccionamos cualquiera de ellas, por ejemplo, la primera y, en

esa columna seleccionamos la casilla de mínimo coste, posición (4, 1).

Asignamos el mínimo entre oferta y demanda, 30 unidades. Actualizamos

ofertas y demandas y eliminamos las líneas satisfechas, en este caso la fila

4. Tenemos la siguiente tabla:

Segunda interacción

✓ Calculamos de nuevo las diferencias; la mayor corresponde a la segunda

columna, y el mínima coste a la posición (3, 2). Asignamos la mínima

entre oferta y demanda, 29 unidades. Actualizamos ofertas y demandas y

eliminamos la columna 2 por estar satisfecha. Tenemos la siguiente tabla:

52
✓ Repetimos el proceso. La mayor diferencia corresponde a la fila 2 en

empate con la columna 4, elegimos la fila 2. El mínimo coste corresponde

a la posición (2, 3); asignamos 32 unidades. Actualizar oferta y demanda y

eliminar la fila dos por haber sido satisfecha. Tenemos la siguiente tabla:

✓ Para la nueva tabla la máxima diferencia se encuentra en la columna 3. El

coste de transporte mínima en la columna 3 es c33=5. Asignamos a esa

casilla el máximo flujo de transporte posible, es decir 8. Actualizamos

oferta y demanda, y eliminamos la columna tres. Tenemos la siguiente

tabla:

53
✓ En la nueva tabla la mayor diferencia es 3. Hay empate, elegimos, por

ejemplo, la fila 3. El coste de transporte mínimo en dicha fila es c31 = 4.

El mayor flujo de transporte posible a asignar en esa posición es 18.

Actualizamos oferta y demanda, y eliminamos la columna 1. Tenemos la

siguiente tabla:

✓ Ya no queda más que una columna, asignamos todas las unidades que

quedan sin asignar y se obtiene la siguiente solución factible básica:

✓ Paso 3: Calcular las variables duales. Esto se puede hacer directamente en

la tabla. Damos a la variable u3 el valor cero y calculamos el resto.

54
✓ Paso 4: Calcular los indicadores zij − cij = ui + vj − cij para las variables

no básicas. Así, por ejemplo, z21 −c21 = u2 + v1 −c21 = −2+4 −6 = −4. El

resto de indicadores se calcula de la misma forma

55
✓ Se observa en la tabla anterior que hay dos valores zij − cij positivos en las

posiciones (4,3) y (4,4), y el mayor entre los positivos corresponde a la

posición (4,4). Por lo tanto, esa será la variable de entrada.

✓ Paso 5: El ciclo está formado por las variables x31, x34, x41 y x44. En las

casillas se señalan con flechas los flujos que aumentan y los que

disminuyen.

✓ Se repite el proceso, calculando las variables duales, los indicadores y el

ciclo. Todos estos cálculos se recogen en la tabla de la izquierda.

Actualizamos los flujos que forman el ciclo y tenemos la nueva solución

en la tabla de la derecha.

56
✓ Se vuelve a repetir el proceso y se llega a la solución óptima para el

problema. En esta tabla se observa que todos los valores zij − cij son

negativos, entonces la solución es optima única.

✓ Solución óptima: x ∗ 14 = 28, x ∗ 23 = 32, x ∗ 31 = 31, x ∗ 32 = 29, x ∗ 41

= 17, x ∗ 43 = 8, x ∗ 44 = 5. El destino 1 recibe 17 unidades ficticias, 8

unidades el destino 3, y 5 el destino 4. Por tanto, sus demandas no han

podido ser satisfechas, ya que la oferta existente no es suficiente.

57
Coste de transporte mínimo: z ∗ = (4×28)+(3×32)+(4×31)+(2×29)+(0×17)+(0×8)+(0×5) = 390.

3.5.7. Aplicaciones

✓ Logística y Gestión de Inventarios:

En la cadena de suministro, los problemas de transbordo ayudan a optimizar

la distribución de productos desde los fabricantes hasta los minoristas,

minimizando costos de transporte y garantizando un flujo eficiente.

✓ Transporte Público y Planificación Urbana:

En la planificación de rutas de autobuses o trenes, los problemas de

transbordo son esenciales para diseñar sistemas de transporte público

eficientes y minimizar los tiempos de espera y trasbordo para los pasajeros.

✓ Redes de Comunicación y Telecomunicaciones:

En la planificación de redes de telecomunicaciones, los problemas de

transbordo pueden utilizarse para optimizar la transferencia de datos entre

diferentes puntos de la red, minimizando los costos de transmisión y

retrasos.

✓ Distribución de Energía:

En la distribución de energía eléctrica, estos problemas pueden ser aplicados

para optimizar la ruta de la energía desde las plantas generadoras hasta los

puntos de consumo, considerando capacidades de transbordo en

subestaciones.

58
✓ Gestión de Residuos:

En la recolección y disposición de residuos, los problemas de transbordo

pueden ayudar a planificar rutas eficientes para los camiones recolectores,

minimizando los costos de transporte y maximizando la capacidad de los

vertederos.

✓ Distribución de Alimentos:

En la distribución de alimentos desde centros de producción hasta puntos de

venta, los problemas de transbordo son vitales para garantizar una cadena de

suministro eficiente y minimizar el desperdicio de productos perecederos.

✓ Distribución de Agua:

En la distribución de agua potable, estos problemas pueden ser utilizados

para optimizar la ruta del suministro desde plantas de tratamiento hasta

áreas residenciales y comerciales.

✓ Planificación de Redes de Computadoras:

En la planificación de redes informáticas, los problemas de transbordo

pueden ayudar a minimizar el tiempo y el costo de transferencia de datos

entre diferentes nodos de la red.

59
3.6. PROBLEMAS DE TRANSBORDO

3.6.1. Definición

Los problemas de transbordo son un tipo específico de problema de

programación lineal que se encuentra en el ámbito de la investigación de

operaciones y la optimización. Estos problemas se centran en la optimización del

transporte de bienes o recursos desde múltiples puntos de origen hasta varios

destinos, a través de nodos intermedios llamados nodos de transbordo.

3.6.2. Características

✓ Un problema de transporte permite sólo envíos directamente desde los

puntos de origen a los puntos de demanda. En muchas situaciones, sin

embargo, existe la posibilidad de hacer envíos a través de puntos

intermedios (puntos de transbordo). En este caso se habla de un problema

de transbordo.

✓ Definiremos los puntos de oferta como aquellos puntos desde donde sólo

se puede despachar unidades. Similarmente, un punto de demanda es un

punto donde sólo se pueden recibir unidades.

✓ La presencia de nodos intermedios (o estaciones de transbordo) donde se

permite la transferencia de bienes entre vehículos.

✓ La existencia de oferta y demanda en cada nodo, lo que significa que

ciertos nodos proporcionan bienes y otros nodos consumen esos bienes.

✓ Una red definida por nodos de origen, nodos de destino y nodos de

transbordo, con arcos que representan las rutas posibles entre ellos.

60
✓ La formulación de una función objetivo que busca minimizar los costos

totales, a menudo expresada en términos de las variables de decisión.

✓ Restricciones que garantizan que la oferta y la demanda en cada nodo se

cumplan adecuadamente.

✓ La formulación matemática típica se realiza mediante un modelo de

programación lineal, que permite la resolución eficiente mediante

técnicas de optimización.

✓ El uso de algoritmos de optimización, como el método de transporte, para

encontrar la solución óptima al problema.

✓ La oferta o suministro en cada origen es limitada.

✓ En cada destino la demanda está definida o especificada.

✓ El objetivo en el problema de transbordo es determinar cuántas unidades

deberán embarcarse por cada uno de los arcos de la red, de manera que

todas las demandas destinos se satisfagan al costo de transporte mínimo

posible.

61
3.6.3. Tabla de transporte

Ejemplo 1: Una fábrica posee dos plantas de manufactura, una en Memphis y

otra en Denver. La planta de Memphis puede producir hasta 150 unidades al

día, la de Denver hasta 200 unidades al día. Los productos son enviados por

avión a Los Angeles y Boston. En ambas ciudades, se requieren 130 unidades

diarias. Existe una posibilidad de reducir costos enviando algunos productos en

primer lugar a New York o a Chicago y luego a sus destinos finales. Los costos

unitarios de cada tramo factible se ilustran en la siguiente tabla:

La fábrica desea satisfacer la demanda, minimizando el costo total de envío. En

este problemas, Memphis y Denver son puntos de oferta de 150 y 200 unidades

respectivamente. New York y Chicago son puntos de transbordo. Los Ángeles

y Boston son puntos de demanda de 130 unidades cada uno.

62
Solución

✓ Paso 1: Si es necesario, se debe agregar un punto de demanda ficticio

(con oferta 0 y demanda igual al excedente) para balancear el problema.

Los costos de envío al punto ficticio deben ser cero. Sea S la oferta total

disponible.

✓ Paso 2: Construir una tabla de transporte siguiendo las siguientes

reglas:

o Incluir una fila por cada punto de oferta y de transbordo.

o Incluir una columna por cada punto de demanda y de

transbordo.

o Cada punto i de oferta debe poseer una oferta igual a su oferta

original si. Cada punto de demanda j debe poseer una demanda

igual a su demanda original dj.

o Cada punto de transbordo debe tener una oferta igual a su oferta

original + S y una demanda igual a su demanda original + S.

Como de antemano no se conoce la cantidad que transitaría por

63
 cada punto de transbordo, la idea es asegurar que no se exceda

su capacidad. Se agrega S a la oferta y a la demanda del punto

de transbordo para no desbalancear la tabla.

o En el ejemplo, S = 150+200 = 350. La demanda total es

130+130 = 260. Luego, el punto ficticio debe tener una demanda

=90.

o Como en el ejemplo los puntos de transbordo no tienen ni

demanda ni oferta por sí mismos, la oferta y demanda en la tabla

deber ser igual a s.

o Una vez planteado la tabla, se pueden emplear los métodos

vistos anteriormente para obtener una solución inicial factible y

obtener la solución óptima.

Modelo de transbordo:

64
Para interpretar la solución, es preciso revisar cuidadosamente las

combinaciones asignadas. De la primera fila, vemos que de Memphis sólo se

despacharon 130 unidades a New York del total de 150 disponibles, el

excedente de 20 unidades está asignado al punto artificial. De la segunda fila se

desprende que de Denver se enviaron 130 unidades a Boston del total de 200

disponibles, quedando 70 asignadas al punto ficticio. En la tercera fila vemos

que se enviaron desde el punto de transbordo en New York 130 unidades a Los

Angeles. La asignación de 220 de N.Y. a N.Y. significa que del total de

unidades en tránsito, 220 no pasaron por dicho nodo de transbordo, o bien, que

no se emplearon 220 unidades de la capacidad del punto. Finalmente, en la

cuarta fila, la asignación de 350 del punto de transbordo de Chicago a Chicago

representa simplemente que no se empleó el punto de transbordo.

65
Ejemplo 2: Dos fábricas de automóviles, P1 y P2 , están conectadas a tres

distribuidores, D1 , D2 y D3 , por medio de dos centros de tránsito, T1 y T2 ,

de acuerdo con la red que se muestra en la siguiente diapositiva

Las cantidades de la oferta en las fábricas P1 y P2 , son de 1000 y 1200

automóviles, y las cantidades de la demanda en las distribuidoras D1 , D2 y D3

, son de 800, 900 y 500 automóviles. El costo de envío por automóvil (en

decenas de dólares) entre los pares de nodos, se muestra en los eslabones

(arcos) de conexión de la red

66
Cada vez que se plantea un problema de programación lineal, se procede

cumpliendo las siguientes etapas:

• Comprensión del problema (lectura en detalle) 2.- Definición de las

variables de decisión 3.- Descripción de la función objetivo 4.-

Identificación de las restricciones del problema

• Se plantea identificando como variables de decisión a todas las

posibilidades de flujos de asignación, a transferir entre los nodos de la

red de transbordo Se define como función objetivo la minimización de

los costos de transporte asociados al transbordo Las restricciones

corresponden a un balance de transferencia de unidades para cada nodo

de la red de asignación, sin olvidar la condición de no negatividad

Programación Lineal

67
• El transbordo ocurre ya que la cantidad de la oferta de 2200 (1000 +

1200) automóviles en los nodos P1 y P2 , requiere pasar a través de los

nodos de transbordo de la red (T1 y T2 ) ,antes de llegar a sus puntos de

destino en los nodos D1 , D2 y D3

• Las cantidades de la oferta y la demanda en los nodos puros de oferta y

puros de demanda, queda:

• Un nodo puro de oferta no posee amortiguador

68
- Solución gráfica del modelo U$ 207,000.00

69
3.6.4. Aplicaciones

✓ Cadena de Suministro y Logística:

Optimización de la distribución de productos desde múltiples proveedores a

varios destinos, minimizando los costos de transporte y cumpliendo con

restricciones de oferta y demanda.

✓ Transporte Público:

Planificación de rutas eficientes para autobuses, trenes u otros medios de

transporte público, considerando nodos de transbordo para minimizar

tiempos de espera y maximizar la eficiencia del servicio.

✓ Distribución de Energía:

Gestión eficiente de la distribución de electricidad desde las plantas

generadoras hasta los puntos de consumo, teniendo en cuenta la capacidad

de transbordo en subestaciones.

✓ Redes de Comunicación y Telecomunicaciones:

Optimización de la transferencia de datos en redes de telecomunicaciones

para minimizar costos y maximizar la eficiencia de la transmisión.

✓ Distribución de Agua:

Planificación de la ruta óptima para la distribución de agua potable desde

fuentes de suministro hasta áreas residenciales y comerciales.

✓ Recogida y Reciclaje de Residuos:

70
 Optimización de rutas para la recolección de residuos, minimizando costos

de transporte y maximizando la capacidad de los vertederos.

✓ Distribución de Alimentos:

Gestión eficiente de la cadena de suministro alimentaria desde la producción

hasta los puntos de venta, minimizando costos y reduciendo el desperdicio

de alimentos perecederos.

✓ Planificación de Redes de Computadoras:

Diseño eficiente de rutas de datos en redes informáticas para minimizar el

tiempo y el costo de transferencia entre nodos.

✓ Planificación Urbana:

Optimización de la planificación urbana considerando el transporte de

bienes y servicios, con el objetivo de minimizar congestiones y costos

asociados.

✓ Distribución de Medicamentos y Suministros en Salud:

Optimización de la distribución de medicamentos y suministros médicos

desde almacenes hasta hospitales y centros de atención, minimizando costos

y asegurando una entrega oportuna.

71
 IV. CONCLUSIONES

6.1. Conclusión general

o Se determino que los diferentes métodos tienen un fin en común optimizar el

tiempo ya sea de entrega, suministro, enrutamiento, etc.

6.2. Conclusiones específicas

o Con respecto a los problemas de transbordo se utilizaron más nodos de origen

en la que se puede crear rutas dobles para lograr un abastecimiento ya sea
energético o de producto requerido por el cliente o mercado

o Los algoritmos pueden ser programables en un ordenador, según a las

iteraciones que tienen por lo cual podemos realizar esquemas de optimalidad
dependiendo de nuestras variables como podría ser tráfico, obstrucción, zonas
desconocidas, rutas obstruidas y encontrar la mejor ruta posible

o Para construir un sistema eficiente se tiene que aplicar un o más algoritmos que
nos indiquen hasta donde llegar sin ser perjudicial en gastos, por lo que somos
capaces de controlar las deficiencias de manera teórica antes de llegar a la
práctica.

o El tema nos enseña que siempre existe un camino mejor al que estamos
acostumbrados, la mejora constante depende de uno mismo

72
 V. BIBLIOGRAFÍA

Algoritmo de Kruskal. (n.d.). Scribd. Retrieved January 17, 2024, from

https://es.scribd.com/document/266084318/Algoritmo-de-Kruskal

de Grafos, C. de T. A. (n.d.). Algoritmo de Kruskal. Edu.Uy. Retrieved January 17, 2024, from

http://www.cmat.edu.uy/~marclan/TAG/Sellanes/algo3_arboles_2012(para%20imprimir).

pdf

Grafos, A. V. S. (n.d.). Algoritmos y Estructuras de Datos II. Edu.Ar. Retrieved January 17,

2024, from

https://wiki.cs.famaf.unc.edu.ar/lib/exe/fetch.php?media=algo2:main:09.voraces.grafos.p

df

Granera, J. A., Valdivia, V. M., & Dávila, M. E. B. (n.d.). Aplicación informática KPTS

(Kruskal, Prim, Tabu Search). Edu.Ni. Retrieved January 17, 2024, from

https://repositorio.unan.edu.ni/6474/1/243-905-1-PB.pdf

(N.d.-a). Studocu.com. Retrieved January 17, 2024, from https://www.studocu.com/es-

mx/document/itec-universidad/prueba-de-software/pdf-algoritmo-de-prim-

historia/20051438

(N.d.-b). Wordpress.com. Retrieved January 17, 2024, from

https://dataestructureii.files.wordpress.com/2015/11/algoritmo-de-prim.pdf

Lo mejor de Bertrand Russell. (s. f.). Google Books.

MOYA NAVARRO, Marcos Javier. Investigación de operaciones, transporte y asignación.

73
 Primera edición. San José, C.R. Editorial EUNED. 1998. 276 paginas. ISBN-9977-64-

5442

HILLER, Frederick S. LIEBERMAN, Gerald J. Introducción a la investigación de

operaciones. Séptima edición. México D F. Editorial McGraw – Hill. 1998. 998 paginas.

ISBN-0-07-841447-4

EPPEN, G.D. Investigación de operaciones en la ciencia administrativa. 5 a Edición.

México

D F. Editorial Prentice-Hall. 2000. 792 paginas. ISBN: 970-17-0270-0

de asignacion., E. E. T. se P. A. P. R. dos P. L. P.-C. el P. de T. y. el P. (s/f). El problema de

transporte y el problema de asignacion. Ehu.eus. Recuperado el 17 de enero de 2024, de

https://ocw.ehu.eus/pluginfile.php/41788/mod_resource/content/1/6._transporte_asignaci

on.pdf

López, B. S. (2019a, junio 11). Problema del transporte o distribución. Ingenieria Industrial

Online. https://www.ingenieriaindustrialonline.com/investigacion-de-

operaciones/problema-del-transporte-o-distribucion/

López, B. S. (2019b, junio 12). Algoritmo de Dijkstra. Ingenieria Industrial Online.

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/algoritmo-de-

dijkstra/

PROBLEMA DEL TRANSPORTE O DISTRIBUCIÓN. (s/f). Ingeniería Industrial. Recuperado

el 17 de enero de 2024, de https://ingenierosindustriales.jimdo.com/herramientas-para-el-

74
 ingeniero-industrial/investigaci%C3%B3n-de-operaciones/problema-del-transporte-o-

distribuci%C3%B3n/

Vargas, I. J., & Cuatrimestre, I. I. (s/f). Problemas de Transbordo. Wordpress.com. Recuperado

el 17 de enero de 2024, de https://jrvargas.files.wordpress.com/2008/08/problema-

transbordo_jrva.pdf

75