Está en la página 1de 82

Mtodos Cuantitativos

U UN NI I V VE ER RS SI I D DA AD D N NA AC CI I O ON NA AL L D DE E
S SA AN N A AN NT TO ON NI I O O A AB BA AD D D DE EL L
C CU US SC CO O
ESCUELA DE POST- GRADO.
MAESTRA EN ADMINISTRACIN.

QUE ES INVESTIGACION
OPERATIVA?

Cada vez es ms difcil asignar los
recursos o actividades de la forma ms eficaz
Los recursos
son escasos
Los sistemas son cada
vez ms complejos
Investigacin operativa (I.O.)
Es la aplicacin del mtodo cientfico para
asignar los recursos o actividades de forma
eficaz, en la gestin y organizacin de sistemas
complejos
Su objetivo es ayudar a la toma de decisiones
Requiere un enfoque interdisciplinario
Investigacin operativa (I.O.)
La enciclopedia Britnica Tomo 8, pp.
964]
define la investigacin operativa como "la
aplicacin de mtodos cientficos
a la administracin y gestin de
organizaciones militares,
gubernamentales, comerciales e
industriales".
Investigacin operativa (I.O.)
la Sociedad de investigacin operacional de
Inglaterra ha adoptado la siguiente definicin:
Es la aplicacin de los mtodos cientficos a
problemas complejos que surgen en la
direccin y administracin de grandes
sistemas de hombres, mquinas, materiales
y dinero, en la industria, los negocios, el
gobierno y el ejrcito. EI enfoque distintivo
consiste en desarrollar modelos cientficos,
incorporando factores como el riesgo y la
incertidumbre para predecir y controlar los
resultados de cursos de accin alternativos.

Historia de la I.O.
Se aplica por primera vez en 1780
Antecedentes:
Matemticas: modelos lineales (Farkas, Minkowski)
(s.XIX)
Estadstica: fenmenos de espera (Erlang, Markov)
(aos 20)
Economa: Quesnay (x.XVIII), Walras (s.XIX), Von
Neumann (aos 20)
El origen de la I.O. moderna se sita en la 2
Guerra Mundial
Historia de la I.O.
Al terminar la guerra, sigue el desarrollo en la
industria, debido a:
competitividad industrial
progreso terico
RAND (Dantzig)
Princeton (Gomory, Kuhn, Tucker)
Carnegie Institute of Technology (Charnes, Cooper)
gran desarrollo de los ordenadores
Actualidad de la I.O.
Sigue habiendo un gran desarrollo, en muchos
sectores, con grandes avances sobre todo en el
campo de la Inteligencia Artificial
Ms informacin:
Sociedad Espaola de Estadstica e Inv. Op. (SEIO)
www.cica.es/aliens/seio
Association of European O.R. Societies (EURO)
www.ulb.ac.be/euro/euro_welcome.html
Institute for O.R. and the Management Sci. (INFORMS)
www.informs.org
International Federation of O.R. Societies (IFORS)
www.ifors.org
El mtodo de la I.O.
Definicin del problema
Formulacin del problema y construccin del
modelo
Resolucin
Verificacin, validacin, refinamiento
Interpretacin y anlisis de resultados
Implantacin y uso extensivo
A lo largo de todo el proceso debe haber una interaccin
constante entre el analista y el cliente
El modelado
Es una ciencia
anlisis de relaciones
aplicacin de algoritmos de solucin
Y a la vez un arte
visin de la realidad
estilo, elegancia, simplicidad
uso creativo de las herramientas
experiencia
Definicin del problema
Consiste en identificar los elementos de
decisin
objetivos (uno o varios, optimizar o satisfacer)
alternativas
limitaciones del sistema
Hay que recoger informacin relevante (los
datos pueden ser un grave problema)
Es la etapa fundamental para que las
decisiones sean tiles
Formulacin del problema
Modelo: representacin simplificada de la
realidad, que facilita su comprensin y el
estudio de su comportamiento
Debe mantener un equilibrio entre sencillez y
capacidad de representacin
Modelo matemtico: modelo expresado en
trminos matemticos
hace ms claras la estructura y relaciones
facilita el uso de tcnicas matemticas y
ordenadores
a veces no es aplicable
Construccin del modelo
Traduccin del problema a trminos
matemticos
objetivos: funcin objetivo
alternativas: variables de decisin
limitaciones del sistema: restricciones
Pero a veces las relaciones matemticas son
demasiado complejas
heursticos
simulacin
Tipos de modelos
Determinsticos
Programacin
matemtica
Programacin lineal
Programacin entera
Programacin dinmica
Programacin no lineal
Programacin multiobjetivo
Modelos de transporte
Modelos de redes
Probabilsticos
Programacin
estocstica
Gestin de inventarios
Fenmenos de espera
(colas)
Teora de juegos
Simulacin

Resolucin
Determinar los valores de las variables de
decisin de modo que la solucin sea ptima (o
satisfactoria) sujeta a las restricciones
Puede haber distintos algoritmos y formas de
aplicarlos
Verificacin y validacin
Eliminacin de errores
Comprobacin de que el modelo se adapta a la
realidad

Interpretacin y anlisis
Robustez de la solucin ptima obtenida:
Anlisis de sensibilidad
Deteccin de soluciones cuasi-ptimas
atractivas
Implantacin
Sistema de ayuda y mantenimiento
Documentacin
Formacin de usuarios
El impacto de la investigacin
operativa en la gestin moderna

La I.O. ha tenido un enorme impacto en la gestin de las
organizaciones, En efecto, muchos de los grandes modelos
desarrollados en los aos 60 y 70 no pudieron ser resueltos
satisfactoriamente a causa de que los recursos
computacionales existentes entonces resultaron
insuficientes. la alta competitividad que actualmente
enfrentan las empresas en algunos sectores ha provocado
que los mrgenes de utilidad se reduzcan
considerablemente, dejando menor grado de libertad para los
problemas de gestin. En este ambiente, los modelos de I.O.
han mostrado ser excelentes herramientas de apoyo a la
toma de decisiones en diferentes niveles.
El impacto de la investigacin operativa
en la gestin moderna
Los problemas de gestin que enfrentan grandes
organizaciones de transporte, como las lineas areas ,
constituyen una de las reas destacables de los ltimos
aos. En este sector se han desarrollado nuevos mtodos
para la gestin de los sistemas de reservaciones y de
asignacin de flotas y tripulaciones. Otra rea de gran
impacto ha sido la logstica, particularmente los problemas
de despacho y ruteo de vehculos. En este mbito, muchas
empresas estn alcanzando ventajas competitivas
importantes, gracias a las tcnicas de I.O. que permiten un
manejo ms eficiente de sus sistemas. Un ejemplo de esto
en Chile son los sistemas de despacho de camiones
desarrollados por A. Weintraub y R. Epstein (Weintraub y
Bare [ 1996],
PROGRAMACIN LINEAL

La PL es una de las tcnicas cuantitativas
utilizadas por la IO, la cual se emplea
normalmente para resolver los problemas
llamados de asignacin de recursos.
Por otra parte, la programacin lineal puede
definirse desde los puntos de vista primal y
dual. EI primero de ellos la define como una
herramienta cuantitativa para resolver
problemas de programacin de actividades y el
segundo, como una tcnica cuantitativa para
solucionar problemas de asignacin de
recursos
PROGRAMACIN LINEAL
La disciplina originalmente bautizada por
George B. Dantzig como programacin en una
estructura lineal, y un ao ms tarde por
sugerencia de T.C. Koopmans

el nombre se
redujo a programacin lineal. Se refera al
proceso sistemtico mediante el cual se
diseaba un determinado curso de accin. El
trmino lineal refleja el requisito de que todas
las relaciones involucradas en el sistema
deben ser representadas por funciones
lineales.

Limitaciones
Es un modelo determinstico
EI modelo de PL involucra nicamente tres
tipos de parmetros: c
j
, a
ij
y b
i
; de ah su
sencillez y gran aplicacin. Sin embargo, el
valor de dichos parmetros debe ser conocido
y constante.
Cuando el valor de los parmetros tiene un
cierto riesgo o incertidumbre, puede utilizarse
la progrcnnacin paramtrica, la programacin
estocstica o bien, realizarse un anlisis de
sensibilidad.

Limitaciones
Es un modelo esttico
En algunos modelos matemticos se han
empleado con xito las ecuaciones
diferenciales, para inducir la variable tiempo en
ellos. En este sentido, puede decirse que la PL
utiliza un modelo esttico, ya que la variable
tiempo no se involucra formalmente.
Luego de adquirir un poco de experiencia en la
formulacin de modelo de PL, puede inducirse.

Limitaciones
Es un modelo que no suboptimiza
Debido a la forma en que se plantea el modelo
de PL, o encuentra la solucin ptima o declara
sta no existe. Cuando no es posible obtener
una solucin ptima y se debe obtener alguna,
se recurre a otra tcnica ms avanzada que la
PL, la cual se denomina programacin lineal
por metas.

CONSTRUCCIN DEL MODELO DE P.L.

Para pasar de un sistema asumido a un modelo
de programacin lineal, se propone el siguiente
orden: se define las variables de decisin, luego
la funcin objetivo, en seguida las restricciones
estructurales y finalmente establecer las
condiciones tcnicas de no negatividad.
En esta fase se responde literalmente las
siguientes preguntas tomando en cuenta el
problema dado.
Quin toma las decisiones?
Cul es el objetivo?
Qu decide el tomador de decisiones?
Cules son las restricciones?

CONSTRUCCIN DEL MODELO DE P.L.
Variable de decisin.- Estos elementos,
que constituyen las incgnitas del
problema, cosiste bsicamente en los
niveles de todas las actividades que
pueden llevarse a cabo en el problema a
formular. Estas pueden ser de tantos tipos
diferentes como sea necesario, e incluir
tantos subndices como se requiera. En la
mayora de los problemas a formular, la
definicin de las variables es el punto
clave
CONSTRUCCIN DEL MODELO DE P.L.
Objetivo.- Consiste en optimizar el valor
de la funcin objetiva, la cual es una
funcin lineal de las diferentes
actividades del problema. Con el objetivo
se pretende medir el grado de excelencia
de las diferentes soluciones factibles que
pueden obtenerse y determinar la ptima.
Usualmente, la funcin objetiva se
maximiza o minimiza.

CONSTRUCCIN DEL MODELO DE P.L.
Restricciones estructurales.- Representan
los diferentes requisitos que debe cumplir
cualquier solucin para que pueda llevarse a
cabo. En cierta manera, son las limitantes en
los valores de los niveles de las diferentes
actividades (variables). Las restricciones ms
comunes son de 6 tipos, los cuales se
presentan a continuacin:

CONSTRUCCIN DEL MODELO DE P.L.
Restricciones estructurales
Restricciones de capacidad. Limitan el valor de las
variables debido a la disponibilidad de hora-hombre,
hora-maquina, espacio, etctera.
Restricciones de mercado. Surgen de los valores
mximos y mnimos de las ventas o el uso del producto o
actividad a realizar.
Restricciones de entradas.- Constituyen limitaciones
debido a la escasez de materias primas, mano de obra,
dinero, etctera.
Restricciones de calidad. Son las restricciones que limitan
las mezclas de ingredientes, definiendo usualmente la
calidad de los artculos a manufacturar.

CONSTRUCCIN DEL MODELO DE P.L.
Restricciones estructurales
Restricciones de balance de materiales. Estas son
las restricciones que definen las salidas de un
proceso en funcin de las entradas, tomando en
cuenta generalmente cierto porcentaje de merma o
desperdicio.
Restricciones internas. Son los que definen a una
variable dada, en la formulacin interna del
problema. Un ejemplo tpico, es el de inventario. Sin
embargo, puede suceder que un problema dado no
tenga todos los listados necesarios o tenga unos
que no corresponden.
CONSTRUCCIN DEL MODELO DE P.L.
Condiciones tcnicas.- Este apartado
establece que todas las variables deben tomar
valores no negativos. Lo anterior obedece a
diversas razones tcnicas que se discutirn en
los captulos siguientes. Adems, en la mayora
de las formulaciones reales de PL, las variables
resultan ser no negativas. Por ltimo, recuerde
que si en alguna formulacin se presenta una
variable irrestricta, esta debe replantearse
como la diferencia de dos variables no
negativas.

FORMATO DE UN
PROGRAMA LINEAL
Un problema de programacin lineal
con n variables estructurales que
son x
i
, con i= 1,2,3,,n , m
restricciones cuyo objetivo es
maximizar los recursos disponibles,
en su forma cannica esta dado por:
FORMATO DE UN
PROGRAMA LINEAL
Funcin objetivo : Max z = c
1
x
1
+c
2
x
2
+ c
3
x
3
+ . . . + c
n
x
n
Restricciones estructurales:
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ . . . + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ . . . + a
1n
x
n
b
2

a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ . . . + a
1n
x
n
b
3


...

a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ . . . + a
1n
x
n
b
m




condiciones tcnicas: x
ij
0 , i = 1,2,3,. . . , n , j = 1,2,3, . . . , m
FORMATO DE UN
PROGRAMA LINEAL
En su forma matricial esta dado por:

Maxz = C
t
X
s.a.
Ax b
x
ij
0

Donde:


X =
|
|
|
|
|
|
|
|
|
|
.
|

\
|
n
x
x
x
x
.
.
.
3
2
1
, C =
|
|
|
|
|
|
|
|
|
|
.
|

\
|
n
c
c
c
c
.
.
.
3
2
1
, A =
|
|
|
|
|
|
|
|
|
|
.
|

\
|
mn m m m
n
n
n
a a a a
a a a a
a a a a
a a a a
. . .
. . . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . .
. . .
. . .
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
b =
|
|
|
|
|
|
|
|
|
|
.
|

\
|
m
b
b
b
b
.
.
.
3
2
1

Ejemplo
La cervecera Bremen produce cerveza
comn y la de tipo ale. La cerveza se vende a
5 dlares el barril, y el de ale a 2 dlares el
barril. La produccin de un barril de cerveza
requiere 5 Ib de cebada y 2 Ib de lpulo. La
produccin de un barril de ale requiere 2 Ib
de cebada y 1 Ib de lpulo. Se dispone de 60
Ib de cebada y de 25 Ib de lpulo. Formule
un PL que se pueda utilizar para maximizar
los ingresos

Formulacin
1 2
M z 5 2 ax x x = +
1 2
1 2
1 2
. .
2 60
2 1 25
, 0
s a
x x
x x
x x
+ s
+ s
>
Propiedades del modelo lineal
Proporcionalidad
La contribucin individual que una variable x,
aporta a la funcin objetivo es x
j
c
j
y al consumo
recurso en la i-sima restriccin es a
ij
x
ij
La
proporcionalidad implica que, si por ejemplo, x
j

es duplicada en su valor, tambin se duplicaran
en la misma proporcin sus contribuciones
tanto al objetivo como a las restricciones. Por
tanto, se supone que no existen ahorros o
costos extra por el uso adicional de la actividad
x
j
.
Propiedades del modelo lineal
Aditividad
Esta suposicin establece que tanto la entrada
como la salida de un recurso en particular al
conjunto de actividades, deben ser de la misma
magnitud, lo que implica que las actividades
transformen los recursos, es decir, no los crea
o destruye.

Propiedades del modelo lineal
Divisibilidad
Significa que las variables de decisin pueden
ser divididos entre cualquier nivel fraccionario,
de tal manera que pueden tomar valores no
enteros.
Si en un problema dado las variables slo
pueden tomar valores enteros, es necesario
aplicar una herramienta ms sofisticada que la
PL, llamada programacin lineal entera.

SOLUCIN GRFICA DE PROBLEMAS
DE PROGRAMACIN LINEAL
Resolver grficamente un PL (problema
maximizacin o minimizacin.) con dos
variables de decisin, de la manera siguiente:
Paso 1 Grafique la regin factible.
Paso 2 Dibuje una lnea de isoutilidad.
Paso 3 Desplace la lnea de isoutilidad
paralelamente a s misma en la direccin del
aumento de z. El ltimo punto de la regin
factible que todava se encuentra en una lnea
de isoutilidad, es una solucin ptima para el
PL.

Regin factible
La regin factible de cualquier PL es
un conjunto convexo que satisface
las restricciones y las condiciones de
no negatividad, una regin factible
puede ser acotada o no acotada.

600
800
1200
400 600 800
X2
X1
comenzar con una ganancia dada de = $2,000...
Utilid. = $ 000 2,
Entonces aumente la ganancia...
3, 4,
...y contine hasta que salga de la regin factible
Ganancia =$5040
Conjunto convexo

Un conjunto C es un conjunto convexo si el segmento rectilneo que une cualquier par
de puntos de C se encuentra completamente en C.

SOLUCIONES DE PL: CUATRO CASOS
Al resolver un PL, se presentar uno de los
cuatro casos siguientes:
Caso 1: El PL tiene una solucin nica.
Caso 2: El PL tiene ms de una solucin
ptima (realmente un nmero infinito de ellas).
Esto es el caso de soluciones ptimas
alternativas. Se identifica grficamente este
caso, cuando la lnea de isoutilidad coincide
con un segmento rectilneo antes de salir de la
regin factible.
SOLUCIONES DE PL: CASOS
ESPECIALES
Caso 3: El PL es no factible (no tiene solucin
factible). Esto significa que no tiene puntos la
regin factible.
Caso 4: El PL es no acotado. Esto significa
(en el caso de un problema max.) que existen
puntos en la regin factible con valores de z
arbitrariamente grandes. Grficamente, se
identifica este caso por el hecho de que, al
desplazar la lnea de isoutilidad paralelamente
a s misma en la direccin del aumento del
valor de z, esto crece infinitamente.


solucin nica

SOLUCIN MULTIPLE
Max 6X1+ 2X2 (Beneficio)
Sujeto a:
3 X1 + X2 s 4 8 horas de trabajo
3 X1 + 4 X2 s 120 unidades de materia Prima
3 X1 + X2 > 36 horas de supervisin.
X1, X2 > 0
Solucin No Acotada
Infactibilidad

Ningn punto se encuentra,
simultneamente, sobre la lnea
la lnea y
1
2
3
1
2
3
MODELOS SIN SOLUCIN
POSIBLE.
Max 40 X1 + 30 X2
Sujeto a:
2/5 X1 + X2 s 20
1/5 X2 s 5
3/5 X1 + 3/10 X2 s 21
X1 > 30
X2 > 15
X1, X2 > 0
MODELOS QUE PRESENTAN SOLUCIN CON
VALOR INFINITO.
Max X1+ 2X2
Sujeto a:
-4 X1 + 3 X2 s 3
X1 - X2 s 3
X1, X2 > 0
MODELOS CON ESPACIO DE SOLUCION NO
ACOTADO Y SOLUCION DE VALOR
FINITO
Min 0.06 X1+ 0.05 X2 ( costos)
Sujeto a:
0.30 X1 + 0.20 X2 > 500 Protena
0.15 X1 + 0.30 X2 > 300 Grasa
X1, X2 > 0
Solucin optima
Para un problema de maximizacin, una
solucin ptima es un punto de la regin
factible que hace que la funcin objetiva tenga
el mayor valor. En forma anloga, para un
problema de minimizacin, una solucin ptima
es un punto de la regin factible que hace que
la funcin objetiva tenga el menor valor.
Se denomina valor ptimo de un problema de
P.L. al valor mximo o mnimo de la funcin
objetivo de una solucin ptima
Restriccin Activa
Una restriccin es activa, cuando
de consume el 100% de los
recurso disponibles, es decir la
solucin optima pasa por la
frontera de esta restriccin.

Restriccin Pasiva
Es cuando en una restriccin no se consume el
100% de los recursos disponibles o cuando la
solucin optima no pasa por la frontera de esta
restriccin. Una restriccin pasiva puede ser:
Redundante.- Cuando no forma parte la
frontera de la regin factible.
Necesaria.- Cuando forma parte la frontera de
la regin factible es decir es parte del espacio
de solucin del problema.
ANLISIS DE SENSIBILIDAD
MTODO GRAFICO
El Anlisis de Sensibilidad estudia bajo que
condiciones de los parmetros la solucin
optima mantiene sus caractersticas. Lo usual
es analizar cul es el rango de variacin de los
valores de un solo parmetro a la vez,
asumiendo que el resto no varia, esto es que
las restricciones que son activas siguen siendo
activas y las que no son activas sigan
manteniendo sus caractersticas que tienen , es
decir que los productos que convienen ser
producidos son los mismos y solo varia
proporcionalmente en el plan optimo.

ANLISIS DE SENSIBILIDAD
MTODO GRAFICO
Los parmetros que se pueden cambiar son:
Cambio en los elementos del vector C de
costos.
Cambio en los elementos del vector b del lado
derecho.
Cambio el los elementos de la matriz de
coeficientes tecnolgicos A.
Adicin de una nueva restriccin.
Adicin de una nueva actividad.

Anlisis de Sensibilidad de los elementos del
vector C de costos o de los coeficientes de la
funcin objetivo.
La pregunta que se debe responder en este
caso es Cul es el rango de variacin del
vector del valor de un coeficientes de la funcin
objetivo, de modo que el punto ptimo contine
siendo ptimo?.
Modificar el valor de un coeficiente de funcin
objetivo significa, desde el punto de vista
geomtrico, modificar la pendiente de la recta
que se representa la funcin objetivo, en torno
al punto optimo

3
4
6 4
y 20 x 15 Max +
8 y 2 x 2 : sa s +
8 y 2 x s +
0 y , x >
Anlisis de Sensibilidad de los elementos del
vector C de costos o de los coeficientes de la
funcin objetivo.
Los efectos del cambios en un coeficiente de la
funcin objetivo, sobre la solucin ptima
600
800
1200
X2
X1
400 600 800
Los efectos del cambio de un coeficiente de la
funcin objetivo, sobre la solucin ptima
600
800
1200
400 600 800
X2
X1
Rango de optimalidad
Anlisis de Sensibilidad de los
elementos del vector del lado derecho.

En este caso el objetivo del anlisis es estudiar
Cmo puede variar el valor de un coeficiente
del lado derecho de manera que las
caractersticas del punto optimo se mantenga
Esto es, que las restricciones que son activas
en el optimo sigan siendo activas y que las que
no son activas sigan siendo no activas , Esto
es equivalente a estudiar para qu valores de
la disponibilidad de algn recurso, el plan de
produccin mantiene sus caractersticas, es
decir, los productos que convienen fabricar son
los mismos y solo varia eventualmente, la
proporcin de ellos en el plan optimo.

2.10 Dieta Marina
Un problema de minimizacin del costo de la
dieta:
Mezcle dos porciones de lo productos:
Texfoods, Calration.
Minimice el costo total de la mezcla.
Mantenga los requerimientos mnimos
de Vitamina A, Vitamina D, y hierro.

Variables de decisin:
x1 (X2) - - El cantidad de Texfoods (Calration) se us en
cada porcin (cada 2 onzas).



El modelominimizar 0.60X1 + 0.50X2
sujeto a
20X1 + 50X2 100
25X1 + 25X2 100 Vitamina D
50X1 + 10X2 100 hierro
X1, X2 0

>
Costo por 2 oz.
>
>
>
% Vitamina A
por 2 oz.
% requerido
La solucin grfica
5
4
2
2 4 5
Regin factible
Restriccin de vitamina D
Restriccin de vitamina A
Restriccin de hierro
Modelos de prog. entera
El modelo matemtico es el modelo de P.L.,
pero con algunas variables enteras
Programacin entera mixta (MIP)
x e R
+
, y e Z
+

Programacin entera pura (IP)
x e Z
+

Programacin binaria 0-1 (0-1 MIP, 0-1 IP, BIP)
x e {0,1}: variables de asignacin, lgicas
Son problemas ms complicados de resolver
que los de P.L.
El primer algoritmo de resolucin se plante en
el ao 1958 (Gomory)
Problemas tpicos
Problema del transporte
Problema de flujo con coste mnimo en red
Problema de asignacin
Problema de la mochila (knapsack)
Problema del emparejamiento (matching)
Problema del recubrimiento (set-covering)
Problema del empaquetado (set-packing)
Problema de particin (set-partitioning)
Problema del coste fijo (fixed-charge)
Problema del viajante (TSP)
Problema de rutas ptimas
Problema del transporte
Minimizar el coste total de transporte entre los centros de
origen y los de destino, satisfaciendo la demanda, y sin
superar la oferta
Z x , x
m .. i , a x
n .. j , b x
. a . s
x c Min
ij ij
i
n
1 j
ij
j
m
1 i
ij
m
1 i
n
1 j
ij ij
e >
= =
= =

=
=
= =
0
1
1
x
ij
: unidades a enviar de origen i a destino j
c
ij
: coste unitario de transporte de i a j

a
i
: unidades de oferta en el punto origen i
b
j
: unidades de demanda en el punto destino j

Se supone oferta total igual a demanda total
Flujo con coste mnimo en red
Embarcar los recursos disponibles a travs de la red
para satisfacer la demanda a coste mnimo
Z x , x
m .. j , b x x
. a . s
x c Min
ij ij
i
m
k
ki
m
1 j
ij
m
1 i
n
1 j
ij ij
e >
= =

= =
= =
0
1
1
x
ij
: unidades enviadas de i a j (flujo)
c
ij
: coste unitario de transporte de i a j

b
i
:recursos disponibles en un nodo i
oferta: b
i
>0
demanda: b
i
<0
transbordo: b
i
=0

Se supone oferta total igual a demanda total
Problema de asignacin
{ } 1 0
1 1
1 1
, x
m .. i , x
n .. j , x
. a . s
x c Min
ij
n
1 j
ij
m
1 i
ij
m
1 i
n
1 j
ij ij
e
= =
= =

=
=
= =
x
ij
: 1 si la tarea i se hace con la mquina j
c
ij
: coste de realizar la tarea i con mquina j

n tareas
m mquinas

Si hay ms mquinas que tareas se formula
con desigualdades, y se resuelve con tareas
ficticias
Minimizar el coste total de operacin de modo que:
- cada tarea se asigne a una y slo una mquina
- cada mquina realice una y slo una tarea
Problema de la mochila
{ } 1 0, x
b x a
. a . s
x c Max
j
n
1 j
j j
n
1 j
j j
e
s

=
=
n objetos

a
j
: espacio que ocupa el objeto j
c
j
: valor del objeto j

b: volumen de la mochila

x
j
: 1 si se escoge el objeto j
Escoger un grupo de productos que maximice el valor
total sin exceder el espacio disponible
Problema de emparejamiento
{ } 1 , 0
2 .. 1 , 1
. .
c
2
1
1 - i
1 k
1 - 2n
1 i
2n
1 1 j
ij
e
= = +

+ = =
= + =
ij
n
i j
ij ki
ij
x
n i x x
a s
x Max
x
ij
=1 si los elementos i y j son pareja
c
ij
: valor de la pareja i-j

i<j
Distribuir un conjunto por parejas de tal forma que el
valor sea mximo. Si hay elementos sin pareja:
emparejamiento imperfecto. Si estn en dos conjuntos,
emparejamiento bipartito.
Problema de recubrimiento
m caractersticas
n actividades

x
j
=1 si la actividad j se realiza

c
j
: coste unitario de la actividad j

a
ij
=1 si la caracterstica i est en la actividad j

A: matriz de incidencia
Minimizar el coste de las actividades que en su conjunto
cubren todas las caractersticas al menos una vez
{ } 1 , 0
.. 1 , 1
. .
c
n
1 j
n
1 j
j
e
= >

=
=
j
j ij
j
x
m i x a
a s
x Min
Problema de empaquetado
m actividades
n conjuntos de actividades

x
j
=1 si se elige el subconjunto j

c
j
: beneficio por realizar el conjunto j

a
ij
=1 si el conjunto j incluye la actividad i

A: matriz de incidencia
Maximizar el beneficio total de forma que hay que elegir
conjuntos completos de actividades, y que no se realice
una actividad dos veces
{ } 1 , 0
.. 1 , 1
. .
c
n
1 j
n
1 j
j
e
= s

=
=
j
j ij
j
x
m i x a
a s
x Min
Problema de particin
m actividades
n conjuntos de actividades

x
j
=1 si se elige el subconjunto j

c
j
: beneficio por realizar el conjunto j

a
ij
=1 si el conjunto j incluye la actividad i

A: matriz de incidencia
Si en el problema de recubrimiento o en el de
empaquetado las desigualdades se cambian por
igualdades
{ } 1 , 0
.. 1 , 1
. .
c
n
1 j
n
1 j
j
e
= =

=
=
j
j ij
j
x
m i x a
a s
x Min
Problema del coste fijo
{ } 1 , 0 , 0
.. 1 ,
. .

n
1 j
n
1 j
1
n
1 j
e >
= s
>
+


=
=
= =
k ij
k k j kj
j ij
m
k
k k j j
y x
m k y M x a
b x
a s
y f x c Min
x
ij
: unidades del producto j
c
j
: coste unitario de produccin de j

y
k
=1 si se usa la instalacin k
f
k
: coste de arranque de la instalacin k
a
kj
=1 si el producto j usa la instalacin k

b
j
: demanda del producto j
M: nmero lo suficientemente grande
Decidir la cantidad de cada producto de modo que se
minimicen los costes de produccin y se satisfaga la
demanda
Problema del viajante
{ } 1 0
1
1
, x
V i , x
V j , x
. a . s
x c Min
ij
A j) j/(i,
ij
A j) i/(i,
ij
A j) (i,
ij ij
e
e =
e =

e
e
e
x
ij
=1 si de i va directamente a j
c
ij
: distancia entre i y j

A: conjunto de arcos
V: conjunto de nodos
Encontrar un circuito que visite exactamente una vez
cada ciudad empezando en la primera y que tenga
longitud mnima

e e e
e e e
s s c s
s s c >
U j , U i / A ) j , i (
ij
U V j , U i / A ) j , i (
ij
V U / V U , U x
V U / V U , x
2 2 1
2 2 1
{ } 1 0
1
1
1
1
1
, x
k , V j , x x
x
V i , x
V j , x
. a . s
x c Min
ijk
A r) r/(j,
1 jrk
A j) i/(i,
ijk
A j) (i,
ijk
A j) j/(i,
n
k
ijk
A j) i/(i,
n
k
ijk
n
1 k A j) (i,
ijk ij
e
e =
=
e =
e =




e
+
e
e
e =
e =
= e
Problema de rutas
2 2 1
1 1
0
1 1
1
0 0
1 0 0 0
1 0
0 0
0
1 1 1
s s s
= s
s +
s
=
= =
+


e e =
=
= = = =
= =
= =
= =
= = = = =
N S , S x
m .. k , x
k , r d x s x t
k , Q x q
k , j , x x
n .. j , x
. a . s
x c x c Min
S i S j
m
k
ijk
n
1 j
ojk
k k
n
i
n
j
ijk i
n
i
n
j
ijk ij
n
i
n
j
k ijk i
n
i
n
i
jik ijk
n
i
m
1 k
ijk
n
0 i
n
0 j
m
k
m
k
n
j
ojk k ijk ij
N: clientes
M: vehculos

x
ijk
=1 si el vehculo k visita j despus de i
c
ij
: coste unitario de transporte de i a j
d
ij
: distancia de i a j
t
ij
: tiempo de i a j

q
i
: demanda
s
i
: tiempo de descarga
o
i
: prioridad
Q
k
: capacidad
r
o
k
, d
o
k
: perodo tiempo disponible
c
k
: coste fijo por uso
Minimizar el coste total,
visitando todos los clientes
Trabajo prctico
2. Max Z= 4x
1
+x
2


s. a. 8x
1
+ 2x
2
s16
5x
1
+ 2x
2
s12
x
1
> 0 , x
2
>0

Max Z= -x
1
+3x
2


s. a. x
1
- x
2
> 4
x
1
+ 2x
2
s4
x
1
> 0 , x
2
> 0
Trajo prctico
6. Mim Z= 3x
1
-2x
2


s. a. 2x
1
+ 2x
2
s 4
x
1
+ x
2
> 4
x
1
> 0 , x
2
> 0