I. Introduccion: 1. Programacion Lineal

UNIVERSIDAD MAYOR APUNTES DE CLASES INVESTIGACION DE OPERACIONES
Facultad de Ingeniera
I. INTRODUCCION
A. PROGRAMA DE MATERIAS
1. PROGRAMACION LINEAL
a) Modelacin matemtica de PPL (Problemas de Programacin Lineal).
b) Solucin grfica de PPL (2 variables).
c) Anlisis de sensibilidad grfico.
d) El mtodo "SIMPLEX" de solucin de PPL (n variables).
e) Dualidad y holguras complementarias.
f) Software computacionales para solucin de PPL.
2. APLICACIONES ESPECIALES DE PROGRAMACION LINEAL
a) El modelo de Transporte.
b) El modelo de Asignacin.
3. MODELOS EN REDES
a) Malla PERT ("Program Evaluation Review Technique") y mtodo CPM
("Critical Path Method").
b) Problemas de Ruta mas corta.
c) Arbol mnimo de comunicaciones.
d) Flujo mximo.
e) Transbordo capacitado.
B. MARCO DE APLICACION
INVESTIGACION DE OPERACIONES Prof. Juan A. Carvajal G. 1
Marco de Aplicacin
Marco de Aplicacin
UTI LI DADES
PERSONAL
I NFRAESTRUCTURA
Y MAQUI NARI A
STOCK DE
I NSUMOS
STOCK DE
PROD. TERMI NADOS
CAPI TAL GASTOS
OPTI MI ZAR
PROGRAMA DE PRODUCCI ON
COSTOS $
Energia
M.Primas
Repuestos
INGRESOS
$
PRODUCTOS
Mermas
MINIMAS
1. TIPICAS DECISIONES GERENCIALES
a) En el mbito productivo
(1) Qu producir.
(2) Cunto producir.
(3) Cundo producir.
(4) Cmo producir.
(5) A quin asignar las diferentes tareas. (Programacin del trabajo).
(6) etc.
b) En el mbito administrativo.
(1) En que invertir el capital.
(2) Dimensionar los stocks de materias primas, repuestos, productos
terminados, etc.
(3) Definir el sistema de mantenimiento de equipos y maquinarias.
(4) Definir el sistema de abastecimiento hacia sucursales.
(5) Definir el sistema de adquisicin de materias primas.
(6) Dimensionar la fuerza de trabajo.
(7) etc.
2. METODOS DE TOMA DE DECISIONES
a) Decisiones basadas en la INTUICION.
b) Decisiones basadas en la EXPERIENCIA.
c) Decisiones basadas en un METODO CIENTIFICO de anlisis del sistema.
3. FASES DEL METODO CIENTIFICO DE ANALISIS DE FENOMENOS
a) Observar.
b) Plantear una hiptesis o modelo del comportamiento del sistema y su reaccin
ante diferentes estmulos.
c) Implementar experiencias que comprueben la validez de la hiptesis.
d) Observar los resultados y mejorar la hiptesis si esta no se cumple.
4. FASES DE UN ESTUDIO DE INVESTIGACION DE OPERACIONES
a) Observar el sistema considerando el objetivo que se persigue con el estudio.
b) Identificar las variables y restricciones que influyen positiva y negativamente en
el comportamiento del sistema y en el objetivo propuesto y determinar o calcular
los parmetros de interrelacin entre ellas.
c) Plantear el modelo matemtico que representa el comportamiento del sistema a
la luz del objetivo de optimizacin perseguido.
d) Encontrar una solucin terica ptima a travs de algoritmos matemticos
apropiados.
e) Implementar la solucin terica ptima.
f) Observar los resultados reales y retroalimentar hacia a) si la solucin terica
difiere de la real.
5. DEFINICIONES BASICAS
a) OPTIMO
Lo mejor posible dadas las restricciones del sistema.
b) EFICAZ
Quin logra cumplir el objetivo.
c) EFICIENTE
Quin logra cumplir el objetivo al menor costo posible, en tiempo, en dinero, etc.
d) MODELO:
Representacin de la Realidad
ABSTRACCION SELECTIVA DE LA REALIDAD
Ejemplos :
Modelos fsicos (Maquetas)
Modelos pictricos (Mapas)
Modelos icnicos (De imagen Ej. TV)
Modelos matemticos Ej. D
g t

2
2
(GALILEO)
II. PROGRAMACION LINEAL
A. MODELACION MATEMATICA DE PPL
1. FORMA GENERAL DE UN MODELO MATEMATICO DE UN PPL
F.O. MAX
Funcin Objetivo o Z = c1 X1 + c2 X2 + c3 X3 + ............+ cn Xn
MIN
Sujeto a : a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn = b1
a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn = b2
a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn = b3
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
-- -- -- -- --
am1 X1 + am2 X2 + am3 X3 + ..........+ amn Xn = bm
DONDE :
Z = Representa un parmetro o cantidad que se desea optimizar (Maximizar o
Minimizar). Ej.: Ingresos, Utilidades, Costos, Tiempo de ejecucin de un
trabajo, etc.
cj = Coeficiente de proporcionalidad. Para efectos didcticos es una constante,
pero en la realidad normalmente su valor ser probabilstico.
Xj = VARIABLES DE DECISION
aij = Coeficiente de proporcionalidad. Para efectos didcticos es una constante,
pero en la realidad normalmente su valor ser probabilstico.
bi = Valor que representa la disponibilidad de un recurso (Limitacin), lmites de
produccin, disponibilidad de materia prima, disponibilidad de horas
hombre, etc., o un requerimiento como demanda, compromisos de entrega,
etc. Todas ellas forman parte de las restricciones del entorno. Para efectos
didcticos es una constante, pero en la realidad normalmente su valor ser
probabilstico.
n = Cantidad de Variables de Decisin.
m = Cantidad de Restricciones.
n no necesariamente debe ser igual a m
B. SOLUCION GRAFICA DE PPL
1. Repaso de Geometra Analtica Plana
a) La ecuacin aX + bY = c representa en el plano una recta de pendiente
m
a
b

b) La ecuacin aX + bY = 0 representa en el plano una recta que pasa por
el origen de coordenadas.
c) En la ecuacin normalizada de la recta
X
c
a
Y
c
b
+ 1
los trminos
c
a
y
c
b
representan los puntos de corte de los ejes X e Y, respectivamente.
d) La funcin Z = aX + bY,, con Z una constante indeterminada, representa en
el plano a una familia de rectas paralelas.
e) La inecuacin aX + bY c representa un rea que se inicia en la recta
aX + bY = c y se extiende acercndose hacia el origen de coordenadas.
f) La inecuacin aX + bY c representa un rea que se inicia en la recta
aX + bY = c y se extiende alejndose del origen de coordenadas.
g) La solucin (X
0
,Y
0
) del sistema de ecuaciones
aX bY c
dX eY f
+
+
indica las
coordenadas del punto de corte de ambas rectas.
2. Metodologa de solucin:
a) Encuentre el modelo matemtico del PPL en dos variables.
b) Encuentre las ecuaciones normalizadas de las rectas lmite de las restricciones.
c) Tomando en consideracin los puntos de corte definidos en las ecuaciones
normalizadas, dibuje los ejes coordenados con una escala apropiada.
d) Dibuje en los ejes coordenados las rectas lmite de las restricciones e identifique
el lugar geomtrico que cada restriccin representa en el plano.
e) Identifique y destaque la ZONA DE SOLUCIONES FACTIBLES, definida
como el conjunto interseccin de todos los lugares geomtricos que las
restricciones representan en el plano.
f) Dibuje una de las rectas de la familia de rectas que la F.O. representa en el
plano, dando un valor arbitrario a Z, pero adecuado a la escala de los ejes
coordenados y denomnela Recta Objetivo de Referencia (r.o.r.).
g) Dependiendo si la F.O. es de maximizacin o de minimizacin, traslade la recta
paralelamente, en el sentido de aumento o disminucin de Z, hasta que esta
toque un punto extremo de la zona de soluciones factibles. Identifique dicho
punto como ptimo mximo u ptimo mnimo.
h) Para encontrar las coordenadas del punto ptimo resuelva el sistema de
ecuaciones de las rectas lmite cuya interseccin define dicho punto.
i) Para encontrar el valor ptimo de Z reemplace las coordenadas del punto
ptimo en la funcin objetivo.
C. ALGORITMO SIMPLEX
El mtodo mas conocido para obtener la solucin terica de un PPL en n variables se
denomina Mtodo Simplex.
En general el mtodo consta de dos fases. La primera fase permite encontrar una primera
solucin factible para el PPL o concluir que el problema no tiene solucin. A partir de la
solucin factible encontrada en la primera fase, la segunda fase permite encontrar una
solucin ptima nica, varias soluciones ptimas alternativas o concluir que el PPL es no
acotado.
1. Estandarizacin del modelo matemtico
Para resolver un PPL a travs del algoritmo Simplex, es necesario primero estandarizar el
modelo matemtico, es decir, ordenarlo de una forma tal que sea compatible con las
premisas en que se basa el algoritmo. Los requerimientos que debe cumplir un modelo
matemtico de un PPL para ser resuelto por el mtodo Simplex, son los siguientes:
(Nota: diferentes autores tienen diferentes aproximaciones para tratar este punto. Todas
son igualmente vlidas y correctas.)
a) La funcin objetivo debe ser siempre de Minimizacin.
Si la funcin objetivo es de maximizacin se debe usar una funcin auxiliar denominada
Z` que es igual al negativo de Z y minimizar dicha funcin auxiliar.
Ejemplo:
Funcin objetivo original:
MAX Z X X X + 3 5 7
1 2 3
Funcin objetivo estndar
MIN Z X X X ` + 3 5 7
1 2 3
b) Las variables de decisin deben ser todas no negativas.
Si en el sistema que el modelo representa existen variables de decisin que s pueden
tomar valores negativos, (Temperatura, profundidad, etc.), dichas variables deben
ser reemplazadas en el modelo estndar por una diferencia entre dos variables
auxiliares, que se definen como no negativas y excluyentes, es decir si una es
mayor que cero la otra debe ser igual a cero.
Ejemplo:
Modelo original :
MAX
Sujeto a :
3X
y ; Irrestricta en signo
1
Z X X X
X X
X X X
X X X
X X X
+
+
+
+ +

3 5 7
7 3 120
4 5 2 80
2 3 5 20
0
1 2 3
2 3
1 2 3
1 2 3
1 3 2
Modelo estndar
Sea X U V
2

, entonces:
MIN
Sujeto a :
3X
y
U y V 0 , U V = 0
1
Z X U V X
U V X
X U V X
X U V X
X X
` + +
+
+ +
+ +

3 5 5 7
7 7 3 120
4 5 5 2 80
2 3 3 5 20
0
1 3
3
1 3
1 3
1 3
c) Las restricciones deben ser todas igualdades
Si existen restricciones que son desigualdades, deben transformarse en igualdades
agregando variables no negativas denominadas holguras, denotadas por H
i
,
donde i es el nmero de la restriccin correspondiente a la holgura que se agrega.
Cuando la restriccin es del tipo menor o igual que ( ) la variable de holgura tiene
coeficiente (+1). Por el contrario, si la restriccin es del tipo mayor o igual que ( )
la variable de holgura tiene coeficiente -1.
Ejemplo:
Modelo original:
MAX
Sujeto a :
3X
y ; Irrestricta en signo
1
Z X X X
X X
X X X
X X X
X X X
+
+
+
+ +

3 5 7
7 3 120
4 5 2 80
2 3 5 20
0
1 2 3
2 3
1 2 3
1 2 3
1 3 2
Modelo estndar
Sea X U V
2
, entonces :
MIN
Sujeto a :
3X
; ; H y H
U y V 0 , U V = 0
1
1 3
Z X U V X
U V X H
X U V X
X U V X H
X X
` + +
+
+ +
+ + +

3 5 5 7
7 7 3 120
4 5 5 2 80
2 3 3 5 20
0
1 3
3 1
1 3
1 3 3
1 3
D. SIMPLEX FASE II
PROBLEMA EJEMPLO
Para ilustrar el desarrollo de la Fase II del Algoritmo Simplex utilizaremos el siguiente
problema ejemplo:
1
Planeacin Financiera. Willie Markit es el presidente de una firma de inversiones
personales, que maneja una cartera de valores de un cierto nmero de clientes. Un cliente
nuevo ha solicitado recientemente que la firma le maneje una cartera de $100.000. Al
cliente le gustara limitar su cartera a una combinacin de las tres acciones que se
muestran en la figura 2-32. Formulen un P.P.L. que permita tomar la mejor decisin para
maximizar las utilidades totales que se obtengan de la inversin.
Accin Precio por
accin
Utilidad anual
estimada por accin
Cantidad de Acciones
disponibles
A. Gofer Crude $60 $7 1000
B. Can Oil $25 $3 1000
C. Sloth Petroleum $20 $3 1500
Figura 2-32 Composicin de la cartera
1. MODELO MATEMATICO
Sea X
j
la cantidad de acciones tipo j a adquirir (j=A,B,C).
j 0 X
100.000 20X 25X 60X
1.500 X
1.000 X
1.000 X
: a Sujeto
3 3 7 MAX . .
j
C B A
C
B
A

+ +
+ +
c B A
X X X Z O F
1
Problema 2-5 Investigacin de Operaciones en la Ciencia Administrativa,
Gould, Eppen y Schmidt, 3. Edicin, 1992
2. MODELO MATEMATICO ESTANDARIZADO
Sea X
j
la cantidad de acciones tipo j a adquirir (j=A,B,C).
i , j 0 H 0 X
100.000 H 20X 25X 60X
1.500 H X
1.000 H X
1.000 H X
: a Sujeto
3 3 7 ' MIN . .
i j
4 C B A
3 C
2 B
1 A

+ + +
+
+
+

c B A
X X X Z O F
3. TABLA SIMPLEX ORIGINAL
La tabla simplex original es la representacin tabular de las ecuaciones de un modelo de
programacin lineal estandarizado. En nuestro ejemplo la tabla simplex original sera:
1000
1000
1500
100000
0
4. TABLA SIMPLEX CANONICA
Una tabla simplex se encuentra en forma cannica cuando en su matriz de coeficientes
existe una matriz identidad de orden (m+1), siendo m el nmero de restricciones.
En una tabla simplex cannica se distinguen VARIABLES BASICAS y VARIABLES NO
BASICAS. Son variables bsicas aquellas asociadas a las columnas de la matriz identidad
(Se destacan con *) y son no bsicas las restantes. Las variables no bsicas tienen valor
cero por definicin.
Una tabla simplex cannica SIEMPRE representa una SOLUCION FACTIBLE para el
problema de programacin lineal. Cuando todas las restricciones de un P.P.L. son del tipo
limitaciones ( ), la tabla simplex original siempre estar en forma cannica y siempre
representar la solucin nula, es decir, todas las variables de decisin iguales a cero, las
variables de holgura iguales al trmino libre de la restriccin y la funcin objetivo igual a
cero. (Es el resultado de hacer nada).
Tabla simplex cannica del problema ejemplo:
Variables bsicas H
1
, H
2
, H
3
y H
4
Variables no bsicas X
A
, X
B
y X
C
Solucin Factible:
X
A
, X
B
y X
C
= 0; H
1
=1000, H
2
=1000, H
3
=1500, H
4
= 100.000, Z = 0; Z=0
1000
1000
1500
100000
0
5. CONDICION DE OPTIMALIDAD
Una tabla simplex cannica representa una solucin ptima para el P.P.L. si y slo si todos
los coeficientes c
j
son no negativos.
j 0
j
c
6. MEJORAMIENTO DE UNA SOLUCION
Si en una tabla simplex cannica existen c
j
negativos, significa que la solucin no es
ptima pero que s puede mejorarse, es decir, obtener un mejor valor para la F.O.
El mejoramiento de una solucin se realiza efectuando combinaciones lineales entre las
filas de la tabla, es decir, entre las ecuaciones del modelo estandarizado. Estas
combinaciones lineales permiten reemplazar una variable actualmente bsica por otra que
en la actualidad no lo es y dan origen a una nueva solucin con un mejor valor para la F.O.
que se intenta optimizar.
a) Criterio de Entrada a la Base de Solucin
Debe entrar a la base de solucin una variable no bsica asociada a un c
j
negativo.
Normalmente conviene hacer entrar a la base aquella variable no bsica asociada al
c
j
mas negativo.
b) Criterio de Salida de la Base de Solucin
Debe salir de la base de solucin aquella variable bsica que tiene su elemento
unidad (1) en aquella fila para la cual se verifica el mnimo cuociente entre el
trmino libre (b
i
) y el coeficiente de la variable que entrar a la base (a
ie
) en cada
restriccin. Este cuociente est definido slo para los valores (a
ie
) estrictamente
mayores que cero.
0 a con ;
ie
>
1
]
1
MIN
ie
i
a
b
X
A
H
1
1000
1000
1500
100000 F4-60F1
0 F5+7F1
1000
1000
1500
40000
7000
Esta nueva tabla representa otra solucin factible para el P.P.L., a saber:
X
A
=1.000, X
B
, X
C
y H
1
=0 , H
2
=1.000 , H
3
=1.500 , H
4
=40.000 , Z= -7.000 ,
Z = 7.000
La solucin tiene un mejor valor para Z pero no es an la ptima pues existen cj < 0, por
lo que se debe mejorar.
X
B
H
2
1000
1000
1500
40000 F4-25F2
7000 F5+3F2
1000
1000
1500
15000
10000
X
A
=1.000, X
B
=1.000, X
C ,
H
1
y H
2
=0, H
3
=1.500 , H
4
=15.000 , Z= -10.000 ,
Z = 10.000
X
B
X
C
H
4
1000
1000
1500
15000
10000
X
B
1000
1000
750
750
12250
X
A
=1.000, X
B
=1.000, X
C
=750
,
H
1 ,
H
2
y H
4
=0, H
3
=750 , Z= -12.250 ,
Z = 12.250
X
B
H
1
H
3
H
4
1000
1000
750
750
12250
750
1000
250
1500
12750
Esta nueva y ltima tabla representa la solucin ptima para el P.P.L. pues cumple con la
condicin de optimalidad.
La solucin ptima nica del PPL es:
X
*
A
=750, X
*
B
=1.000, X
*
C
=1.500
,
H
*
1
=250, H
*
2
, H
*
3 ,
y H
*
4
=0, Z
*
= -12.750 ,
Z
*
= 12.750
E. SIMPLEX FASE I
PROBLEMA EJEMPLO N2
Resuelva el siguiente PPL a travs del mtodo simplex:
MIN Z = 600 X 800 X X
Sujeto a : 4 X X 3 X 6
4 X X X 12
6 X 3 X + 2 X 9
X 0 J
1 2 3
1 2 3
1 2 3
1 2 3
J
+ +
+ +
+ +
+

1000
4
1. PPL ESTANDAR
MIN Z = 600 X 800 X X
4 X X X 12
6 X 3 X +2 X 9
X , H 0 , i
1 2 3
1 2 3
1 2 3
1 2 3
J i
+ +
+ +
+ +
+

1000
4
1
2
3
H
H
H
j
NO ESTA EN FORMA CANONICA POR LO TANTO SE DEBE DESARROLLAR EL
SIMPLEX FASE I
3. PPL ESTANDAR AUMENTADO PARA FASE I DEL SIMPLEX
F. O. Original =
F. O. Fase I =
4 X X X 12
6 X 3 X + 2 X 9
X , H , A 0 , i
1 2 3
1 2 3
1 2 3
J i i
MIN Z X X X
MIN W A A A
H A
H A
H A
j
600 800 1000
4
1 2 3
1 2 3
1 1
2 2
3 3
+ +
+ +
+ + +
+ + +
+ +

4. TABLA SIMPLEX FASE I ORIGINAL
6
12
9
0
0 F5-F1-F2-F3
No est en forma cannica. Debemos eliminar los unos bajo las variables artificiales, restando a
la fila de la F.O. de Fase I, sucesivamente, cada una de las restricciones donde se agregaron
variables artificiales.
5. PRIMERA TABLA SIMPLEX FASE I CANONICA
X
1 A
3
6
12
9
0
-27
X
1 A
3
6F1-4F3
12F2-4F3
3/2
0 F4-600F3
-27 F5+14F3
X
3 A
1
0
6
3/2
-900
-6
X
3 A
1
0
6
F2-8/3F1
3/2
F3-1/3F1
-900
F4-800F1
-6
F5+13/3F1
H
1 A
2
0
6
3/2
-900
-6
H
1 A
2
0
F1+3/5F2
15/4
3/2
F3-1/5F2
-900
F4-480F2
-6
F5+8/5F2
9/4
15/4
3/4
-2700
0
SE HA ENCONTRADO UNA PRIMERA SOLUCION FACTIBLE
LA SOLUCION ENCONTRADA NO ES OPTIMA
X
3
H
3
9/4
15/4
3/4
-2700
X
3
H
3
9
15/4
F2+1/4F1
3/4
F3+1/4F1
-2700 F4+100F1
9
6
3
-1800
SE HA ENCONTRADO LA SOLUCIN OPTIMA
X
1
3 0 0 6 0 9 1800
*
; X ; X ; H ; H ; H ; Z
2
*
3
*
1
*
2
*
3
*
MIN
*
EJEMPLO N 3
Resuelva el siguiente PPL a travs del mtodo simplex:
MIN Z = 5 X 3 X X
Sujeto a : X X 3 X 6
5 X 3 X X 15
10 X 6 X 30
X 0 J
1 2 3
1 2 3
1 2 3
1 2
J
+ +
+ +
+ +
+

6
1. PPL ESTANDAR
MIN Z = 5 X 3 X X
5 X 3 X X 15
10 X 6 X 30
X ; H 0 j ; i
1 2 3
1 2 3
1 2 3
1 2
J i
+ +
+ + +
+ + +
+

H
H
1
2
6
6
15
30
0
NO ESTA EN FORMA CANONICA POR LO TANTO SE DEBE DESARROLLAR EL
SIMPLEX FASE I
3. PPL ESTANDAR AUMENTADO PARA FASE I DEL SIMPLEX
F. O. Original =
F. O. Fase I =
5 X 3 X X 15
10 X 6 X 30
X , H , A 0 , i
1 2 3
1 2 3
1 2
J i i
MIN Z X X X
MIN W A
H
H
A
j
5 3
6
1 2 3
3
1
2
3
+ +
+ + +
+ + +
+ +

4. TABLA SIMPLEX FASE I ORIGINAL
6
15
30
0
0
F5-F3
No est en forma cannica. Debemos eliminar el uno bajo la variable artificial.
5. PRIMERA TABLA SIMPLEX FASE I CANONICA
X
1
H
1 A
3
6
15
30
0
-30
X
1
H
1 A
3
6
F1-F3
15
F2-5F3
3
0
F4-5F3
-30
F5+10F3
H
1
3
0
3
-15
0
SE HA ENCONTRADO UNA PRIMERA SOLUCION FACTIBLE
LA SOLUCION ENCONTRADA ES ADEMAS OPTIMA
X
1
3 0 0 3 0 15
*
; X ; X ; H ; H ; Z
2
*
3
*
1
*
2
*
MIN
*
Sin embargo, debido a que existe un cj = 0 para una variable no bsica, (X
2
), se concluye que
existe una solucin ptima alternativa, es decir, una solucin con el mismo valor de Z ptimo
pero distintos valores para las variables de decisin. Para encontrar esa solucin ptima
alternativa se hace entrar a la base la variable no bsica asociada al cj = 0 y se hace salir la
variable bsica que corresponda.
X
1
X
2
3
0
3
-15
X
1
X
2
3
F1-2/5F3
0
5
-15
1
0
5
-15
LA NUEVA SOLUCION OPTIMA ENCONTRADA ES:
X
1
0 5 0 1 0 15
*
; X ; X ; H ; H ; Z
2
*
3
*
1
*
2
*
MIN
*
EJEMPLO N 4
La siguiente tabla muestra un ejemplo de tabla simplex Fase I cuyo PPL original no tiene
solucin.
X
1
H
1 A
3
6
10
15
-80
-15
EJEMPLO N 5
La siguiente tabla muestra un ejemplo de tabla simplex Fase II, que representa una solucin
factible para el PPL original, pero que, dado que el criterio de salida no est definido para
ninguna de las filas de restriccin, representa a un P.P.L. NO ACOTADO.
X
2
3
10
3
-56
ENCONTRAR
EL MODELO
MATEMATICO
Es MIN Z
Hay Xj sin
restriccin
de signo
Restric-
ciones son
desigualdades
Est
Cannico
Haga Z' = - Z
y minimice Z'
Reemplace X por
(U - V)
U,V>0
Agregue Variables
de Holgura
SIMPLEX
FASE I
SIMPLEX
FASE II
Hay
Cj < 0
Cj Neg. entra a la
Base; b/a Min.
sale de la Base
Aplicar Pivote
SOLUCION
OPTIMA
FIN
Agregue Variables
Artificiales y F.O.
Fase I
Haga dj = 0 para
Variables
Artificiales
Desarrollar
Simplex
Hay dj <0
dj Neg. entra a la
Base; b/a Min.
sale de la Base
Aplicar Pivote
Es W = 0
SOLUCION
FACTIBLE
Eliminar Fila F.O.
Fase I y columnas
W y Var. Artif.
PROBLEMA
SIN
SOLUCION
NO
SI
SI
NO
SI
NO
NO
SI
NO
SI
SI
NO
NO
SI
DIAGRAMA DE FLUJO ALGORITMO SIMPLEX
FASE I Y FASE II
F. DUALIDAD Y HOLGURAS COMPLEMENTARIAS
Considrense los siguientes dos problemas de programacin lineal :
PROBLEMA N 1
MAX =
Sujeto a :

-

X , X 0 ; X irrestricta en signo
1 2 3
Z X X X
X X X
X X X
X X X
X X X
40 53 65
25 12 13 120
7 5 20 250
3 4 5 56
25 12 15 42
1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
+
+
+
+ +
+ +

PROBLEMA N 2
MIN =
Sujeto a :

-
0 ; , 0
irrestricta en signo
1 3 4
2
Y 120 250 56 42
25 7 3 25 40
12 5 4 12 53
13 20 5 15 65
1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4

+ + +
+ +
+ +
+ + +

Llamaremos al problema N 1 el problema PRIMAL y al problema N 2 el DUAL del anterior.

Es fcil percatarse que las relaciones entre el primal y su dual son las siguientes:
1. El nmero de variables del dual es igual al nmero de restricciones del primal y el nmero de
restricciones del dual es igual al nmero de variables del primal.
2. El sentido de optimizacin del dual es el contrario al del primal.
3. Los coeficientes de las variables en la funcin objetivo del dual son los elementos del vector
disponibilidad de recursos del primal ( b
i
).
4. Los coeficientes de las variables en la k-sima restriccin del dual son los coeficientes de la
k-sima variable en cada una de las restricciones del primal.
5. El trmino libre de la k-sima restriccin del dual es el coeficiente de la k-sima variable en
la funcin objetivo del primal.
6. El comparador lgico en la k-sima restriccin del dual es de igualdad
si y slo si la k-sima variable del primal es irrestricta en signo.
7. Si el problema primal es de maximizacin, las restantes restricciones del dual tendrn el
mismo comparador lgico que las correspondientes variables del primal.
Por el contrario, si el problema primal es de minimizacin, las restantes restricciones del dual
tendrn el comparador lgico opuesto al que tienen las correspondientes variables del primal.
8. La k-sima variable del dual ser irrestricta en signo si y slo si la k-sima restriccin del
primal es una igualdad.
9. Si el problema primal es de maximizacin, las restantes variables del dual tendrn el
comparador lgico opuesto al que tienen las correspondientes restricciones del primal.
Por el contrario, si el problema primal es de minimizacin, las restantes variables del dual
tendrn el mismo comparador lgico que las correspondientes restricciones del primal.
TEOREMA DUAL
Sea
X
j
*
(j = 1, 2, 3, , n) el valor ptimo de las variables de decisin de un problema
PRIMAL
y sea
i
*
(i = 1, 2, 3, , m) el valor ptimo de las variables de decisin de su problema
DUAL; entonces siempre se cumplir que :
c X b
j
j
n
j i
i
m
i

1 1
* *
En otras palabras, tanto el problema primal como su dual tienen el mismo valor ptimo de su
funcin objetivo.
TEOREMA DE LAS HOLGURAS COMPLEMENTARIAS
Sea
X
j
*
(j = 1, 2, 3, , n) el valor de las variables de decisin que da origen a una
solucin factible de un problema PRIMAL y sea
i
*
(i = 1, 2, 3, , m) el valor de las
variables de decisin que da origen a una solucin factible de su problema DUAL; entonces ,
ambas soluciones sern ptimas si se cumple que :
a)
i ij j i
j
n
a X b
* *
*
_
,
1
0 (i = 1, 2, 3, ..., m)
b)
X a c
j ji i j
i
m
* *
*
_
,

1
0 (j = 1, 2, 3, .. . , n)
En otras palabras, cuando al reemplazar las variables de una restriccin primal por su valor
ptimo, la restriccin se cumple en su sentido estricto (> o <), entonces se puede concluir que la
correspondiente variable del dual es NULA.
En forma similar, cuando al reemplazar las variables de una restriccin dual por su valor ptimo,
la restriccin se cumple en su sentido estricto (> o <), entonces se puede concluir que la
correspondiente variable del primal es NULA.
G. EL SOFTWARE LINDO (Versin 6.1)
L = Linear IN = Interactive D = Discrete O = Optimizer
Optimizador Lineal, Discreto, Interactivo.
1. PRESENTACION GENERAL
2. MENUS Y COMANDOS
a) Menu File
b) Menu Edit
c) Menu Solve
d) Menu Reports
e) Menu Window
f) Comando Find-Replace
g) Comando Go-to-line
h) Comando Options
i) Comando Paste Symbol
j) Respuesta al Comando Tableau
k) Respuesta al Comando Solution
l) Respuesta al Comando Solve
m) About Lindo
III. MODELO DE TRANSPORTE
A. INTRODUCCION
a1 b1
a2 b2
a3
b3
am bn
Cij = Costo unitario de transporte entre el origen i y el destino j
B. MODELO GENERAL DE PROGRAMACION LINEAL
El modelo matemtico general de un problema de transporte a ser solucionado por el
mtodo simplex es el siguiente:
Sea X
ij
= Cantidad de producto a transportar entre el origen i y el destino j
F.O. MIN Z = c
11
X
11
+c
12
X
12
+c
13
X
13
+.....+c
1n
X
1n
+c
21
X
21
+c
22
X
22
+c
23
X
23
+......
+c
2n
X
2n
+......+c
m1
X
m1
+c
m2
X
m2
+c
m3
X
m3
+........+c
mn
X
mn
Sujeto a: X
11
+ X
12
+ X
13
+.....+ X
1n
a
1
Capacidad de Suministros
X
21
+ X
22
+ X
23
+.....+ X
2n
a
2
X
31
+ X
32
+ X
33
+.....+ X
3n
a
3
.....................................................................................
.....................................................................................
X
m1
+ X
m2
+ X
m3
+.....+ X
mn
a
m
X
11
+ X
21
+ X
31
+.....+ X
m1
= b
1
Satisfaccin de la Demanda
X
12
+ X
22
+ X
32
+.....+ X
m2
= b
2
X
13
+ X
23
+ X
33
+.....+ X
m3
= b
3
.....................................................................................
......................................................................................
X
1n
+ X
2n
+ X
3n
+.....+ X
mn
= b
n
O1
O3
Om
OFERTA
Capacidad de
Suministro
O2
D1
D2
D3
Dn
DEMANDA
Requerimiento
de Suministro
C11
C13 C1n
C2n
C3n
Cmn
C12
C. EL ALGORITMO DE TRANSPORTE
El algoritmo de transporte permite solucionar problemas de transporte mediante un
procedimiento de clculo tabular que comprende bsicamente las siguientes acciones:
1. Premisa bsica
El algoritmo asume que todo problema de transporte a ser solucionado por este mtodo
est debidamente balanceado; es decir la OFERTA total es igual a la DEMANDA total:

n
j
j
m
i
i
b a
1 1
Si la oferta total es mayor que la demanda total, para balancear el problema se debe crear
un destino artificial D
(n+1)
con demanda tambin artificial e igual a la diferencia entre la
oferta total y la demanda total y con costos de transporte nulos para el abastecimiento
desde cualquiera de los orgenes hacia este destino artificial.

+

n
j
j
m
i
i n
b a b
1 1
) 1 (
;
i 0
) 1 (

+ n i
C
Si por el contrario, la oferta total es menor que la demanda total, para balancear el
problema se debe crear un origen artificial O
(m+1)
con oferta o capacidad de suministro
tambin artificial e igual a la diferencia entre la demanda total y la oferta total y con
costos de transporte nulos para el abastecimiento hacia cualquiera de los destinos.

+

m
i
i
n
j
j m
a b a
1 1
) 1 (
;
j 0
) 1 (

+ j m
C
2. Tabla de asignacin para el transporte
Una vez balanceado el problema se debe construir una tabla de asignacin para el
transporte que tiene la siguiente forma general (Ej. 3 orgenes y 4 destinos):
X11 X12 X13 X14 a1
C11 C12 C13 C14 u1
X21 X22 X23 X24 a2
C21 C22 C23 C24 u2
X31 X32 X33 X34 a3
C31 C32 C33 C34 u3
b1 b2 b3 b4
v1 v2 v3 v4
En esta tabla : Xij = Cantidad de producto a transportar desde el origen i al destino j.
Cij = Costo unitario de transporte desde el origen i al destino j.
bj = Cantidad de producto demandada por el destino j.
ai = Capacidad de suministro (disponibilidad) del origen i.
ui = Multiplicador dual asociado al origen i.
vj = Multiplicador dual asociado al destino j.
3. Generacin de una primera solucin factible
Para encontrar una primera solucin factible para el problema de transporte se puede usar
cualquiera de los siguientes tres mtodos:
a) Mtodo de la Esquina Nor-Oeste
Asigne la mayor cantidad posible de producto, que sea consistente con la cantidad ofrecida y
la demandada, en el casillero superior izquierdo libre de la tabla (Casillero N-
O).
Actualice los valores de oferta y demanda en la fila y columna del casillero de la ltima
asignacin, restando en ambos la cantidad recin asignada.
Elimine de futuras asignaciones los casilleros de la fila o columna para la cual el valor de
oferta o demanda se anul (Se hizo igual a cero).
Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda se hayan
anulado.
Para encontrar el valor de la funcin objetivo que la solucin implica, debe efectuarse la
sumatoria de los productos Cij*Xij de aquellos Xij mayores que cero
(Variables Bsicas).
b) Mtodo del Costo Mnimo
Asigne la mayor cantidad posible de producto, que sea consistente con la cantidad ofrecida y
la demandada, en el casillero libre donde se encuentra el menor costo de toda
la tabla.
Repita los tres pasos anteriores hasta que todos los valores de oferta y demanda se hayan
anulado.
(Variables Bsicas).
c) Mtodo de VOGEL
Calcule a un costado y bajo la tabla, la diferencia entre los dos menores costos de cada fila y
cada columna.
En aquella fila o columna donde se produzca la mayor diferencia entre costos mnimos, elija
el casillero libre de menor costo y asigne en l la mayor cantidad posible de
producto, que sea consistente con la cantidad ofrecida y la demandada.
Repita los cuatro pasos anteriores hasta que todos los valores de oferta y demanda se hayan
anulado.
(Variables Bsicas).
4. Determinacin de la optimalidad
Encontrada una solucin factible se debe determinar si ella es o no ptima segn el
siguiente procedimiento:
a) Clculo de los Multiplicadores Dual
Los multiplicadores Dual relacionan las variables bsicas con las no bsicas y
permiten el clculo de los coeficientes de costo alternativo.
Como en todo problema de transporte a resolver por el algoritmo de transporte, la
premisa de igualdad entre oferta y demanda hace que exista un grado de libertad,
por la dependencia lineal de una de las restricciones con respecto a las (m+n-1)
restantes; se hace uso de ese grado de libertad para asignar un valor arbitrario a
cualquiera de los multiplicadores dual. (Se recomienda, por simplicidad, asignar
valor cero a aquel multiplicador dual asociado a la fila o columna con la mayor
cantidad de variables bsicas).
A partir de este multiplicador dual, los restantes multiplicadores duales se calculan
mediante la expresin que se indica, la que debe cumplirse para todo casillero de
VARIABLE BASICA:
C
ij
- u
i
- v
j
= 0
b) Clculo de los Coeficientes de Costo Alternativo
Los coeficientes de costo alternativo indican la tasa de variacin que
experimentar la funcin objetivo, por cada unidad de producto que sea asignado a
una variable actualmente NO BASICA.
Si el coeficiente de costo alternativo es mayor que cero, la funcin objetivo
aumentar de valor; si es negativo disminuir y si es igual a cero no variar.
Los coeficientes de costo alternativo
ij
C

se calculan para los casilleros de
VARIABLES NO BASICAS, a partir de los multiplicadores dual, con la siguiente
expresin:
ij
C
= C
ij
- u
i
- v
j
c) Condicin de Optimalidad
Considerando la definicin de los coeficientes de costo alternativo se puede
concluir que para que una solucin sea ptima ninguno de ellos puede ser negativo.
Es decir, la condicin de optimalidad es que:
j) (i, 0 C
ij

Si todos los coeficientes son estrictamente mayores que cero la solucin ptima
ser nica; sin embargo, si existe alguno de ellos igual a cero significar que existe
una solucin ptima alternativa.
5. Mejoramiento de una solucin
Cuando existe algn coeficiente de costo alternativo negativo la solucin no es ptima y
debe ser mejorada con el siguiente procedimiento:
Asigne el valor a la variable no bsica asociada al coeficiente de costo alternativo mas
negativo.
A partir del casillero donde se asign el valor encuentre un recorrido cerrado, de lneas
rectas horizontales y verticales (no diagonales), cuyas esquinas sean casilleros de
variables bsicas.
Siguiendo el recorrido, primero reste y luego sume, alternadamente, en cada esquina del
mismo el valor
Encuentre el valor de analizando todos los casilleros donde se rest igualando a cero las
expresiones numricas de dichos casilleros. El valor de queda definido como el
mnimo valor de todos los posibles.
Genere una nueva tabla de asignacin para el transporte, modificando los valores de las
variables bsicas luego de reemplazar la letra por el valor para ella encontrado.
Esta nueva tabla representa una nueva solucin cuya optimalidad debe ser igualmente
determinada por el procedimiento antes indicado.
6. Problemas de Maximizacin
Para resolver problemas de transporte en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a) Transformacin de la matriz de utilidades o ingresos en matriz de Costos
Equivalentes
Una vez balanceado el problema (Oferta = Demanda) y definida la matriz de utilidades o
ingresos, se debe identificar en ella el elemento de mayor valor,
denominndolo U
max
.
La matriz de costos equivalentes se genera a partir de la de utilidades, de tal forma que cada
elemento C
ij
sea igual a la diferencia entre U
max
y cada U
ij
.
{ }
ij max ij
eq U U C C
b) Desarrollo del Algoritmo de Transporte

Utilizando la matriz de costos equivalentes se desarrolla el algoritmo de transporte
para minimizacin hasta obtener la o las soluciones ptimas correspondientes.
c) Valorizacin de la funcin objetivo
Para valorizar la funcin objetivo (Mximo) se debe utilizar la matriz de utilidades
o ingresos original para la solucin ptima encontrada.
7. Problema ejemplo
2
La Johnson Electric produce motores elctricos pequeos para cuatro fabricantes de
instrumentos, en cada una de sus tres plantas. Los costos de produccin por unidad varan
segn las ubicaciones debido a diferencias en el equipo de produccin y en el rendimiento
de los obreros. Los costos de produccin por unidad y la capacidad mensual de produccin
(oferta) se indican en la Tabla 1.
Los pedidos de clientes que deben producirse el siguiente mes se muestran en la Tabla 2.
El costo de abastecimiento de estos clientes vara de una planta a otra. El costo de
transporte por unidad aparece en la Tabla 3.
La Johnson debe decidir cuantas unidades se debe producir en cada planta y qu porcin
de la demanda de cada cliente se surtir desde cada una de ellas. Se desea minimizar el
costo total de producir y transportar los motores para los clientes.
Resuelva este problema mediante el algoritmo de transporte considerando los siguientes
dos casos:
a. Se utiliza la capacidad total de produccin de las tres plantas.
b. Se produce slo la cantidad de motores necesaria para
satisfacer la demanda.
2
Problema 7-11, Pag. 323, Investigacin de Operaciones en la Ciencia Administrativa; Gould,
Eppen y Schmidt
Tabla 1
Planta Costo Prod.
por unidad
Capacidad mensual
de Produccin
A $ 17 800
B $ 20 600
C $ 24 700
Tabla 2
Cliente Demanda
1 300
2 500
3 400
4 600
Tabla 3
Hacia
Desde 1 2 3 4
A $3 $2 $5 $7
B $6 $4 $8 $3
C $9 $1 $5 $4
Solucin Caso a.
BUSQUEDA DE UNA PRIMERA SOLUCION FACTIBLE
Mtodo de la Esquina N-O
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
Z
N-O
=...................................................................
Mtodo del Costo Mnimo
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
Z
CM
=...................................................................
Mtodo de VOGEL
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
Z
VOGEL
=...................................................................
DETERMINACION DE LA OPTIMALIDAD DE LA SOLUCION Y
MEJORAMIENTO DE LA SOLUCION
300 100 400 800
20 19 22 24 17
600 600
26 24 28 23 20
400 300 700
33 25 29 28 24
300 500 400 600 300
800
20 19 22 24 17
600
26 24 28 23 20
700
33 25 29 28 24
300 500 400 600 300
Caso b. Cuando se desea producir slo lo demandado
Mtodo de VOGEL
800
20 19 22 24 0
600
26 24 28 23 0
700
33 25 29 28 0
300 500 400 600 300
Z
VOGEL
=...................................................................
Cij=0
FIN
200
50 30 40 20 10
300
40 30 40 50 30
500
55 10 0 30 40
150 200 250 100 300
Cij=0
FIN
DIAGRAMA DE FLUJO ALGORITMO DE TRANSPORTE
ai>b
j
ai<b
j
Destino Artificial
Origen Artificial
Encontrar 1.
Solucin factible:
Mtodo N-O
Costo Mnimo
Vogel
Calcular
Multiplicadores Dual
Calcular
Coeficientes de
Costo Alternativo
Cij 0
j
Mejorar la Solucin
Solucin Optima
Cij=0
Solucin Optima nica
Encontrar Solucin
ptima Alternativa
FIN
Si
No
Si
No
Si
Si
No
No
Es Max.
Si
No
Encontrar matriz
Costos Equivalentes
IV. MODELO DE ASIGNACION
El modelo de asignacin es un caso especial de programacin lineal que trata la siguiente
problemtica:
Se tienen n trabajos que realizar y n operarios disponibles para ejecutarlos.
Debido a diferencias en las habilidades de los operarios y por lo tanto en su rendimiento,
as como a diferencias de sueldos, preparacin, experiencia, etc., el costo de asignar un
trabajo a un operario es distinto al que se incurre si es asignado a otro. (Costo en tiempo,
en dinero, etc.).
El modelo de asignacin obtiene la solucin ptima (mnimo) de distribucin de los
trabajos entre los operarios.
A. MODELO MATEMATICO GENERAL
Antes de plantear el modelo matemtico general es menester considerar que este modelo
tiene solucin slo si el nmero de trabajos es igual al nmero de operarios. De no ser as
se deben crear, ya sea trabajos u operarios artificiales segn sea el caso, con costos de
asignacin nulos.
El modelo matemtico general de programacin lineal es el siguiente:
Sea Xij = Variable entera binaria, 1 Si el trabajo i es asignado al operario j
0 Si el trabajo i NO es asignado al operario j
F.O. MIN Z = c
11
X
11
+c
12
X
12
+c
13
X
13
+.....+c
1n
X
1n
+c
21
X
21
+c
22
X
22
+c
23
X
23
+...... +c
2n
X
2n
+
+......+c
n1
X
n1
+c
n2
X
n2
+c
n3
X
n3
+........+c
nn
X
nn
Sujeto a: X
11
+ X
12
+ X
13
+.....+ X
1n
= 1 Cada trabajo puede ser desarro-
X
21
+ X
22
+ X
23
+.....+ X
2n
= 1 llado por slo un operario.
X
31
+ X
32
+ X
33
+.....+ X
3n
= 1
.....................................................................................
.....................................................................................
X
n1
+ X
n2
+ X
n3
+.....+ X
nn
= 1
X
11
+ X
21
+ X
31
+.....+ X
n1
= 1 Cada operario puede ser asigna-
X
12
+ X
22
+ X
32
+.....+ X
n2
= 1 do a slo un trabajo.
X
13
+ X
23
+ X
33
+.....+ X
n3
= 1
.....................................................................................
......................................................................................
X
1n
+ X
2n
+ X
3n
+.....+ X
nn
= 1
B. EL METODO HUNGARO
Para resolver problemas de asignacin se ha diseado una metodologa especial
denominada Mtodo Hngaro como sigue:
1. Acondicionamiento de la matriz de costos
Designe a la matriz de costos original como C
0
.
En la matriz de costos C
0
identifique el menos elemento de cada fila.
Genere una nueva matriz de costos C
1
a partir de la matriz de costos C
0
, restando a todos los
elementos de una fila el menor elemento de ella.
En la matriz de costos C
1
identifique el menos elemento de cada columna.
2
a partir de la matriz de costos C
1|
, restando a todos los
elementos de una columna el menor elemento de ella.
Los pasos anteriores permiten que en la matriz de costos C
2
hayan a lo menos un cero por
cada fila y por cada columna y pueden realizarse en orden inverso, es decir, restar primero
el menor elemento de cada columna y luego el menor elemento de cada fila.
2. Proceso de asignacin
Calcule a un costado y bajo la matriz de costos C
2
.la cantidad de ceros que existe por fila y
por columna.
En aquella fila o columna con la menor cantidad de ceros elija uno de esos ceros como
posicin de asignacin destacndolo en un marco.
Elimine los restantes ceros de la misma fila o columna del cero recin enmarcado tarjndolos
con una cruz.
Repita los tres pasos anteriores hasta que todos los ceros estn ya sea enmarcados o tarjados.
Si al trmino del proceso de asignacin existen n ceros enmarcados se habr encontrado la
solucin ptima del problema.
La solucin ptima queda definida por una matriz de asignacin X cuyos elementos Xij son
iguales a uno en las posiciones donde existen ceros enmarcados y son iguales a cero en
todo el resto de las posiciones.
Para valorar la funcin objetivo ptima se deben sumar los elementos de la matriz de costos
original C
0
que estn en la misma posicin relativa que los ceros enmarcados, es decir,
en la misma posicin relativa que los elementos unidad de la matriz de asignacin.
n
c
e
r
o
s
en
m
a
r
c
o
FIN
3. Mejoramiento de una solucin
Cuando al trmino del proceso de asignacin no existen n ceros enmarcados quiere
decir que la solucin no es siquiera factible y debe por tanto mejorarse. Para ello se sigue
el siguiente procedimiento:
Destaque con un asterisco aquellas FILAS sin ceros enmarcados.
En las filas previamente destacadas identifique las columnas que tienen ceros tarjados y
destquelas con un asterisco.
En las columnas previamente destacadas identifique las filas que tienen ceros enmarcados y
destquelas con un asterisco.
Repita los dos pasos anteriores hasta que ya no sea posible destacar nuevas filas ni nuevas
columnas.
Trace una lnea por sobre cada FILA NO DESTACADA y por sobre cada COLUMNA
DESTACADA.
De entre los elementos no cubiertos por lnea identifique el menor de ellos y denomnelo C
min
.
k
tal que el elemento C
min
ha sido restado en todos los
elementos no cubiertos por lnea, ha sido sumado en aquellas posiciones donde existen
cruces de lnea y el resto de los elementos ha permanecido sin variacin.
Con esta nueva matriz de costos repita el proceso de asignacin a partir de la contabilizacin
de ceros por fila y por columna.
4. Problemas de Maximizacin
Para resolver problemas de asignacin en los que la funcin objetivo es de maximizacin
de un beneficio (ingresos o utilidades totales), se debe proceder de la siguiente manera:
a) Transformacin de la matriz de utilidades o ingresos en matriz de Costos
Equivalentes
Una vez definida la matriz de utilidades o ingresos, se debe identificar en ella el elemento de
mayor valor, denominndolo U
max
.
La matriz de costos equivalentes se genera a partir de la de utilidades, de tal forma que cada
elemento C
ij
sea igual a la diferencia entre U
max
y cada U
ij
.
{ }
ij max ij
eq U U C C
b) Desarrollo del Mtodo Hngaro

Utilizando la matriz de costos equivalentes como la matriz C
0
inicial, se desarrolla
el mtodo Hngaro para minimizacin hasta obtener la o las soluciones ptimas
correspondientes.
c) Valorizacin de la funcin objetivo
Para valorizar la funcin objetivo (Mximo) se debe utilizar la matriz de utilidades
o ingresos original para la solucin ptima encontrada.
n
c
e
r
o
s
en
m
a
r
c
o
FIN
DIAGRAMA DE FLUJO ALGORITMO DE ASIGNACION
5. Problemas Ejemplo
Problema 1
El departamento de mantencin debe realizar 3 trabajos de reparacin de maquinarias y equipos.
#T>#O
p
#T<#O
p
Encontrar C1 restando
menor elemento en cada fila
Encontrar C2 restando en C1
menor elemento cada columna
n
c
e
r
o
s
en
m
a
r
c
o
Mejorar matriz de
costos
mnima
#
ceros >
1
Solucin Optima nica
Encontrar Solucin
ptima Alternativa
FIN
Es Max.
Encontrar matriz
Costos Equivalentes
Proceso de Asignacin
Se cuenta con cuatro grupos de tcnicos, cada uno con diferente instrumental y diferentes
habilidades para realizar los tres trabajos. Debido a estas diferencias el tiempo estimado de
desarrollo de cada mantencin ser diferente dependiendo del grupo al cual sea asignado cada
trabajo. En la tabla se muestra la cantidad de horas que se estima tomar la realizacin de cada
trabajo segn el grupo al que se le asigne.
Use el mtodo hngaro para determinar la asignacin ptima de los tres trabajos, es decir, aquella
que minimice el tiempo total de ejecucin de todas las mantenciones.
Trabajo
Grupo de mantencin 1 2 3
A 24 45 25
B 33 48 23
C 24 52 20
D 30 56 21
Problema 2
3
Se Planea la venta de cinco lotes de terreno y se han recibido ofertas individuales de cuatro
clientes. Debido a la cantidad de capital que se requiere, estas ofertas se han hecho en el
entendimiento de que ninguno de los cuatro clientes comprar mas de un lote. Las ofertas se
muestran en la Tabla 1. Se desea decidir a que comprador asignar cada lote de tal forma que se
maximice el ingreso total a partir de estas ofertas. Use el mtodo hngaro para encontrar la
solucin ptima de este problema
Tabla 1
Lote
Comprador 1 2 3 4 5
A 16 15 25 19 20
B 19 17 24 15 25
C 15 15 18 0 16
D 19 0 15 17 18
3
Problema 7-16 Pag. 325, Investigacin de Operaciones en la Ciencia Administrativa, Gould,
Eppen y Schmidt, 3 Ed.,1992
V. MODELOS EN REDES
A. MALLA PERT Y METODO CPM
Una malla PERT (Program Evaluation Review Technique) permite planificar y controlar
el desarrollo de un proyecto.
Normalmente para desarrollar un proyecto especfico lo primero que se hace es
determinar, en una reunin multidisciplinaria, cuales son las actividades que se deber
ejecutar para llevar a feliz trmino el proyecto, cul es la precedencia entre ellas y cul
ser la duracin esperada de cada una.
Para definir la precedencia entre actividades se requiere de una cierta cuota de experiencia
profesional en el rea, en proyectos afines.
1. Duracin de una Actividad
Para estimar la duracin esperada de cada actividad es tambin deseable tener experiencia
previa en la realizacin de tareas similares. En planificacin y programacin de proyectos
se estima que la duracin esperada de una actividad es una variable aleatoria de
distribucin de probabilidad Beta Unimodal de parmetros (a,m,b) donde :
a = Duracin optimista
m = Duracin ms probable
b = Duracin pesimista.
hEl valor esperado en esta distribucin est se expresa en la siguiente fmula:
6
4 b m a
t
+ +
, cuya variabilidad est dada por: una varianza
2
2
6
1
]
1
a b
y una
desviacin estndar
6
a b

En un dibujo de una malla PERT podemos distinguir nodos y arcos. Los nodos representan
instantes en el tiempo. Especficamente, representan el instante de inicio de una o varias
actividades y simultneamente el instante de trmino de otras varias actividades. Los arcos
por su parte representan las actividades, tienen un nodo inicial y otro de trmino donde
llega en punta de flecha. Asociada a cada arco est la duracin esperada de la actividad.
2. Dibujo de una malla PERT
Para dibujar una malla PERT se debe tener en consideracin fundamentalmente lo
siguiente:
En una malla PERT dos o ms actividades cualesquiera pueden tener en comn el
nodo de trmino o el nodo de inicio, pero en ningn caso ambos nodos en comn.
Cuando por razones de precedencia se est en dicho caso, se debe separar el nodo de
trmino en dos nodos, y esos dos nodos se unen con una actividad ficticia que por
definicin tiene duracin esperada nula (cero) y que se dibuja con lnea segmentada.
Por convencin los arcos se dibujan siempre con orientacin hacia la derecha,
hacia el nodo de trmino del proyecto, nunca retrocediendo.
El dibujo de una malla PERT se comienza en el nodo de inicio del proyecto. A partir de l
se dibujan saliendo hacia sus correspondientes nodos de trmino, las actividades que no
tienen actividades precedentes, o sea, aquellas que no tienen que esperar que otras
actividades terminen para poder ellas iniciarse.
A continuacin se dibujan las restantes actividades cuidando de respetar la precedencia
entre ellas.
Al terminar el dibujo de la malla preliminar, existirn varios nodos ciegos, nodos
terminales a los que llegan aquellas actividades que no son predecesoras de ninguna otra,
es decir aquellas que no influyen en la fecha de inicio de ninguna otra. Para dibujar la
malla PERT definitiva bastar con redibujar la preliminar, cuidando de juntar todos estos
nodos ciegos en uno solo, el nodo de trmino del proyecto.
3. Clculo de los tiempos de inicio y trmino ms tempranos
El tiempo de inicio ms temprano ES (Earliest Start) y de trmino mas temprano EF
(Earliest finish) para cada actividad del proyecto, se calculan desde el nodo de inicio hacia
el nodo de trmino del proyecto segn la siguiente relacin:
EF = ES + t
Donde (t) es el tiempo esperado de duracin de la actividad y donde ES queda definida
segn la siguiente regla:
Regla del tiempo de inicio ms temprano:
El tiempo de inicio ms temprano, ES, de cualquier actividad que comience en un nodo
especfico, es igual al mayor de los tiempos EF de todas las actividades que terminan en
el mismo nodo.
El tiempo de inicio ms temprano de las actividades que comienzan en el nodo de inicio
del proyecto es cero (0).
4. Duracin esperada del proyecto
La duracin esperada del proyecto (T) es igual al mayor de los tiempos EF de todas las
actividades que desembocan en el nodo de trmino del proyecto.
5. Clculo de los tiempos de inicio y trmino ms tardos
El tiempo de inicio ms tardo LS (Latest Start) y de trmino mas tardo LF (Latest
finish) para cada actividad del proyecto, se calculan desde el nodo de trmino
retrocediendo hacia el nodo de inicio del proyecto segn la siguiente relacin:
LS = LF - t
Donde (t) es el tiempo esperado de duracin de la actividad y donde LF queda definida
segn la siguiente regla:
Regla del tiempo de trmino ms tardo:
El tiempo de trmino ms tardo, LF, de cualquier actividad que termine en un nodo
especfico, es igual al menor de los tiempos LS de todas las actividades que comienzan en
el mismo nodo.
El tiempo de trmino ms tardo de las actividades que terminan en el nodo de trmino del
proyecto es igual a la duracin esperada del proyecto (T).
6. Holguras, actividades crticas y rutas crticas
Holgura
Se denomina holgura de una actividad, al tiempo que tiene esta disponible para, ya sea,
atrasarse en su fecha de inicio, o bien alargarse en su tiempo esperado de ejecucin, sin
que ello provoque retraso alguno en la fecha de trmino del proyecto.
La holgura de una actividad se calcula de la siguiente forma:
H = LF EF o bien
H = LS ES .
Actividades crticas
Se denomina actividades crticas a aquellas actividades cuya holgura es nula y que por lo
tanto, si se retrasan en su fecha de inicio o se alargan en su ejecucin mas all de su
duracin esperada, provocarn un retraso exactamente igual en tiempo en la fecha de
trmino del proyecto.
Rutas crticas
Se denomina rutas crticas a los caminos continuos entre el nodo de inicio y el nodo de
trmino del proyecto, cuyos arcos componentes son todos actividades crticas.
Las rutas crticas se nombran por la secuencia de actividades crticas que la componen o
bien por la secuencia de nodos por los que atraviesa.
Ntese que un proyecto puede tener ms de una ruta crtica pero a lo menos tendr
siempre una.
7. Variabilidad de la duracin de un proyecto
La duracin esperada del proyecto (T) es una variable aleatoria proveniente de la suma de
otras variables aleatorias, las duraciones esperadas de las actividades de la o las rutas
crticas del proyecto y por lo tanto su variabilidad depender de la variabilidad de todas
las actividades crticas del proyecto.
Se tiene entonces que la varianza y la desviacin estndar de la duracin esperada del
proyecto est dada por:
proyecto del crticas es Actividad las todas de Varianzas
2
T

2
T T

8. Clculo de probabilidades
Asumiendo que la duracin esperada de una actividad es una variable aleatoria
independiente, podemos tambin suponer que la duracin esperada del proyecto es una
variable aleatoria de distribucin aproximadamente normal y por lo tanto podemos
calcular algunas probabilidades haciendo uso de una tabla de distribucin normal,
tomando en consideracin las siguientes relaciones:
La probabilidad de que el proyecto se termine antes de una duracin dada t
0
est dada por:
{ } { }
0 0
z Z P t T P
donde z
0
es el valor de entrada a una tabla de distribucin normal y que se calcula segn:
T
T
t
z

0
0
B. ALGORITMO DE DETERMINACIN DE LA RUTA MAS CORTA
Un caso tpico de optimizacin lo constituye el determinar la ruta ms corta entre un nodo
origen y cada uno de los restantes nodos de una red, lo que permitir reducir costos, por
ejemplo, en una red de distribucin de productos o en la eleccin de una poltica de
reemplazo de equipos o maquinaria.
En esta aplicacin de modelos en redes, los nodos representan ya sea lugares fsicos
(Ubicacin de bodegas y clientes) o bien instantes en el tiempo (inicio o trmino de un
ao) y los arcos representan en general costos entre los nodos interconectados, como la
distancia entre ellos en longitud o tiempo o el costo en dinero entre el inicio de un ao y el
trmino del mismo.
La metodologa de solucin de estos problemas es la denominada de las etiquetas:
1. Cada nodo se etiquetar con una etiqueta (a,b), donde a = la distancia hasta el origen y b =
el nodo anterior en la ruta seguida desde el origen.
2. Etiquetar el nodo origen con la etiqueta (0,H) y transformar el nodo en nodo de etiqueta
permanente, achurndolo.
3. Considere todos los nodos que estn conectados directamente, por un solo arco, con nodos
de etiqueta permanente y otorgue a cada uno de ellos la correspondiente etiqueta que
con respecto a ese nodo le corresponde, etiquetas que son de carcter provisorio.
4. De entre todos los nodos con etiqueta provisoria, seleccione aquel con la menor
componente de distancia a para transformarlo en nodo de etiqueta permanente,
achurndolo.
5. Repita los pasos 3 y 4 hasta que todos los nodos tengan etiqueta permanente.
6. Para determinar la ruta ms corta a un nodo especfico instlese sobre ese nodo: La
componente a de la etiqueta le indicar cual es la distancia mas corta desde ese nodo
hasta el origen y la componente b el nodo hacia el cul tiene que regresar para
determinar, retrocediendo, la ruta que determina esa distancia mnima.
Ntese que un nodo puede tener asociada ms de una etiqueta pero que slo estar vigente
aquella con la menor componente de distancia a. Si tienen la misma componente de
distancia todos estarn vigentes y determinarn la existencia de rutas mas cortas
alternativas.
C. ALGORITMO DE DETERMINACIN DEL ARBOL MINIMO DE
COMUNICACIONES
Otro caso comn de optimizacin de los modelos en redes lo constituye el determinar el
rbol mnimo de comunicaciones entre los nodos de una red. Se trata de encontrar que
arcos, del total de arcos posibles de implementar, se implementarn para poder asegurar
que siempre sea posible trasladarse de un nodo a otro de la red, esto, al mnimo costo total
posible.
En esta aplicacin de modelos en redes, los nodos representan lugares fsicos y los arcos la
distancia entre ellos en longitud.
Existen dos metodologas de solucin de estos problemas el mtodo grfico y el mtodo
tabular.
Mtodo Grfico
1. Comience con cualquier nodo designndolo como nodo
conectado, achurndolo.
2. Considere todos los arcos que unen directamente nodos
conectados con nodos no conectados, elija aquel arco con la
menor componente de distancia como segmento de conexin y
el nodo terminal como nuevo nodo conectado, achurndolo.
3. Repita el paso dos hasta que todos los nodos estn conectados
(Achurados).
4. El rbol mnimo de comunicaciones queda determinado por los
segmentos de conexin identificados en el proceso.
Mtodo Tabular
1. Comience con cualquier nodo designndolo como nodo
conectado haciendo un ticket en la lnea correspondiente al
nodo y una cruz en la columna correspondiente al mismo nodo.
2. Elimine todas las componentes de distancia bajo la columna con
cruz.
3. Considere todas las componentes de distancia que estn en las
lneas con ticket y elija la menor componente destacndola en
un crculo.
4. Elimine las restantes componentes de distancia en la columna
del elemento recin circundado, haga una cruz en el encabezado
de esa columna y un ticket en la lnea del mismo nmero de esa
columna.
5. Repita los pasos tres y cuatro hasta que todas las lneas estn
con ticket y todas las columnas con cruz.
6. El rbol mnimo de comunicaciones se dibuja interconectando
los nodos de la red con los arcos que las coordenadas de cada
elemento en crculo determinan.

I. Introduccion: 1. Programacion Lineal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

I. Introduccion: 1. Programacion Lineal

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MAYOR APUNTES DE CLASES INVESTIGACION DE OPERACIONES

Sujeto a : a11 X1 + a12 X2 + a13 X3 + ..........+ a1n Xn = b1

a21 X1 + a22 X2 + a23 X3 + ..........+ a2n Xn = b2

a31 X1 + a32 X2 + a33 X3 + ..........+ a3n Xn = b3

am1 X1 + am2 X2 + am3 X3 + ..........+ amn Xn = bm

Llamaremos al problema N 1 el problema PRIMAL y al problema N 2 el DUAL del anterior.

b) Desarrollo del Algoritmo de Transporte

b) Desarrollo del Mtodo Hngaro

proyecto del crticas es Actividad las todas de Varianzas

También podría gustarte