Trabajo Io Finish

Ing.
Informatica VI CICLO | [Escribir la direccin de la compaa]

INVESTIGACION OPERATIVA I
2012
1

AO DE LA CONSOLIDACIN NACIONAL Y
EL RECONOCIMIENTO DE NUESTRA
DIVERSIDAD

Ing. Informatica VI CICLO | [Escribir la direccin de la compaa]

2012
2
AO DE LA CONSOLIDACION NACIONAL Y EL RECONOCIMIENTO DE
NUESTRA BIODIVERSIDAD

FACULTAD DE INGENIERA
Escuela Acadmico Profesional Ingeniera Informtica

HUACHO PERU
2012

TEMA:
MANUAL DE INVESTIGACION OPERATIVA
CURSO:
PROFESOR:
MG. PEREZ RAMIREZ, Jos Luis
INTEGRANTES:
BLANCO DEL CASTILLO, Ral Marlon
VEGA ESPICHAN, Paula Alicia


2012
3

ndice
- Dedicatoria......2

- Introduccin...3

- CAPITULO 1: Definicin Y Aplicacin De Investigacin de Operaciones
Investigacin de operaciones..9
Toma de decisiones..9

- CAPITULO 2: Introduccin y Formulacin de Modelos
Introduccin de Modelos.11
Modelo de mltiples periodos14
Modelo Financieros de Mltiples Periodos...16
Problema de Alimentacin....18
Problema de establecimiento horario..22
Modelo de proceso de produccin...25
Problema de Mezclas..30

- CAPITULO 3: Mtodo Grafico
Mtodo Grafico...38

- CAPITULO 4: Mtodo Simplex
Mtodo Simplex45
Maximizacin..45
Minimizacin...64


2012
4
- CAPITULO 5: Mtodo Dos Fases
Mtodo dos Fases...71

- CAPITULO 6: Mtodo Dual Simplex
Mtodo dual simplex87

- CAPITULO 7: Anlisis de Sensibilidad
Anlisis de Sensibilidad96
Inclusin de una nueva variable..96
Cambio De Un Coeficiente CJ, Cuando Una Variable Cj no Es Bsica97
Cambio De Un Coeficiente Cj Cuando Una Variable Xj Es Bsica.98
Cambios Que Afectan La Factibilidad...99

- CAPITULO 8: Transporte y Transbordo
Problema de Transporte102
Caractersticas de modelo de transporte .102
aplicacin de modelo de transporte.103
Algoritmo de modelo de transporte.....106
Ejercicio de Aplicacin...107
Mtodo de esquina noreste....110
Mtodo de costo mnimo....112
Mtodo Vogel.......114
Mtodo Russel..116
Mtodo de pasos secuenciales.....119
Mtodo de Distribucin modificado...124
Problema de Transbordo...133
Definicin.133


2012
5
Caractersticas...134
Variantes de Problema de Transbordo..134
Consideraciones..135
Esquema de Transbordo..135
Ejercicio Aplicativo.....136

- CAPITULO 9: Asignacin
Asignacin..146
Situacin..146
Descripcin146
Expresin matemtica del modelo.147
Ejemplo de aplicacin ....148
Mtodo de solucin...149
Mtodo Hngaro...150
Modelo de asignacin: otras consideraciones...154
ofertas y demandas desiguales.154
modelo de maximizacin....158

- CAPITULO 10: Programacin Lineal Entera Y Binaria
Programacin entera163
Algoritmo de ramificacin y acotacin..163
Algoritmo de Gomory...167
Programacin binaria....171
Algoritmo de enumeracin implcita cero-uno...171
Problema binario (0_1) resuelto a travs del algoritmo aditivo..173


2012
6

- BIBLIOGRAFIA.174


2012
7

DEDICATORIA:

Este trabajo se ha realizado con mucho
esfuerzo al vez del agradecimiento por el
apoyo que nos dan nuestros seres
queridos que buscan que seamos grandes
profesionales.


2012
8

Introduccin
Cuando una persona se enfrenta por vez primera con el trmino Investigacin
de Operaciones, no suele ser conocedora de las caractersticas especficas de esta
ciencia ni de su objeto de estudio. Adems, la Investigacin Operativa puede tener
componentes muy diversos dependiendo de su rea de aplicacin concreta:
Administracin de Empresas, Ingeniera u otras. El objeto de estudio de la Investigacin
Operativa es la toma cientfica de decisiones mediante el empleo de tcnicas
cuantitativas. Es importante tener esta definicin clara y, de esta forma, nos daremos
cuenta de la amplitud de campo de la Investigacin Operativa (IO).
Con demasiada frecuencia se ha hecho demasiado hincapi en los modelos de
Programacin Lineal dentro de la Investigacin Operativa, lo cual ha dificultado la
distincin entre ambos trminos. Lo cierto es que la Programacin Lineal es slo una
parte de la Investigacin Operativa aunque, sin duda, una de las ms importantes.
Otras reas o secciones habituales en el estudio de la IO son las siguientes (esta
relacin no es exhaustiva, sino que slo pretende dar una idea de la extensin de la IO):
Programacin entera
Problemas de transporte
Anlisis de grafos y de redes. PERT y CPM.
Programacin dinmica
Teora de juegos.
Programacin no lineal.
Teora de colas.
Teora de inventarios
Procesos markovianos de decisin. Anlisis de decisin.
Simulacin
Fiabilidad


2012
9
Existen, de este modo, otras reas adems de la PL- en las que la Investigacin
Operativa ejerce tambin su estudio. Es claro pues que la Investigacin Operativa es
una ciencia multidisciplinar que aparece en muchos campos del mbito industrial,
empresarial y de la administracin pblica. De hecho, con la aparicin de la
Programacin Lineal en los aos 40, aparece el sentimiento de dar una cohesin o
visin de conjunto a todas las tcnicas anteriormente enunciadas. Esa visin
cohesionada, junto con el concepto de sistema, permite la aparicin de la Investigacin
de Operaciones como ciencia.

Las subdivisiones en las que se establece la IO tienen los siguientes elementos en
comn:
- Son necesarios amplios conocimientos de matemticas, es decir, del manejo de
muchas tcnicas matemticas, aunque con inmediata aplicacin a la realidad.
- Es necesario que, al final de cada problema definido, haya una decisin que
tomar.
- Es preciso definir un modelo que d cauce a la toma de decisiones.

En el estudio de la Investigacin Operativa se puede hacer ms nfasis en los
aspectos tericos de los modelos matemticos o bien en los aspectos prcticos.
Estudiar de forma exclusiva modelos matemticos, aun siendo importante para la IO,
no constituye el principal ejercicio de la IO: es necesario verificar la aplicabilidad de los
resultados que se deriven de los modelos matemticos.


2012
10

La Investigacin de Operaciones

Nos brinda herramientas cuantitativas para la toma de decisiones que resuelven los
problemas diarios de un negocio sirven para tomar decisiones en la planeacin a corto o
largo plazo, sea el negocio de carcter gubernamental, de produccin, de servicios, gremial
cooperativo. En la aplicacin de la investigacin de operaciones se aplican los siguientes seis
pasos metodolgicos cientficos a saber:
Anlisis y definicin del problema.
Desarrollo del modelo.
Seleccin de datos de entrada.
Obtencin de una solucin.
Limitaciones del modelo y la solucin.
Utilizacin del modelo.
La investigacin de operaciones se da con la finalidad de realizar de forma exhaustiva y
detallada un modelo para la toma de decisiones q debe tomar la empresa para ver si es
viable el proyecto de estudio.

La toma de decisiones
La toma de decisiones estratgicas para la vida de una empresa, es la principal
responsabilidad indelegable de un gerente. El inicio de la toma de una decisin,
generalmente empieza cuando se detecta un problema. Conocido el problema, el gerente
debe proceder a definirlo de manera clara y formular el objetivo, seguidamente identifica las
restricciones, evala las alternativas y seguramente el mejor curso de accin que lo llevar la
solucin ptima. Este proceso lo realiza de manera cualitativa o cuantitativa. Si lo hace bajo
el enfoque cualitativo, el gerente est confiando en su juicio personal o en su experiencia
pasada en situaciones similares. Si lo hace bajo el enfoque cuantitativo, no necesariamente
debe tener experiencia en casos similares, pero si debe hacer un anlisis exhaustivo,
especialmente si la decisin involucra una gran cantidad de dinero, un conjunto de variables
muy grande se trata de un problema altamente repetitivo, en cuyo caso, el desarrollo de un
procedimiento cuantitativo ahorrar tiempo valioso al gerente.


2012
11


2012
12
MODELOS
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos
generales despus de leer con atencin el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de variables de decisin, los
parmetros, la funcin objetivo y un conjunto de restricciones. Al formular un
determinado problema de decisin en forma matemtica, debe practicar la comprensin
del problema (es decir, formular un Modelo Mental) leyendo detenidamente una y otra vez
el enunciado del problema. Mientras trata de comprender el problema, formlese las
siguientes preguntas generales:
1. Cules son las variables de decisin? Es decir, cules con las entradas
controlables? Defina las variables de decisin con precisin utilizando nombres
descriptivos. Recuerde que las entradas controlables tambin se conocen como
actividades controlables, variables de decisin y actividades de decisin.
2. Cules son los parmetros? Vale decir cules son las entradas no controlables?
Por lo general, son los valores numricos constantes dados. Defina los parmetros
con precisin utilizando nombres descriptivos.
3. Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere el dueo del
problema? De qu manera se relaciona el objetivo con las variables de decisin
del dueo del problema? Es un problema de maximizacin o minimizacin? El
objetivo debe representar la meta del decisor.
4. Cules son las restricciones? Es decir, qu requerimientos se deben cumplir?
Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las
conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma
matemtica.
Recuerde que la regin factible tiene poco o nada que ver con la funcin objetivo
(minimizar o maximizar). Estas dos partes en cualquier formulacin de PL generalmente
provienen de dos fuentes distintas. La funcin objetivo se establece para cumplir con el
deseo (objetivo) del decisor mientras que las restricciones que forman la regin factible
generalmente provienen del entorno del decisor que fija algunas limitaciones /
condiciones para lograr su objetivo.
A continuacin, se incluye un problema ilustrativo muy sencillo. Sin embargo, el abordaje
del problema es igual para una gran variedad de problemas de toma de decisin, mientras
que el tamao o la complejidad pueden variar. El primer ejemplo es un problema de mix
de productos y el segundo es un problema de mezcla.
El Problema del Carpintero
Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro cliente), ste
nos comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas que
fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta
situacin.


2012
13
El objetivo es determinar cuntas mesas y sillas debera fabricar para maximizar sus
ingresos netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir,
un plazo de planificacin, , para revisar nuestra solucin semanalmente, si fuera necesario.
Para saber ms acerca de este problema, debemos ir al negocio del carpintero y observar
lo que sucede y medir lo que necesitamos para para formular (para crear un modelo de) su
problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuntas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una funcin objetivo La funcin objetivo es: 5X1
+ 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los
ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la venta de una mesa y
una silla, respectivamente. Los factores limitantes, que normalmente provienen del
exterior, son las limitaciones de la mano de obra (esta limitacin proviene de la familia del
carpintero) y los recursos de materia prima (esta limitacin proviene de la entrega
programada). Se miden los tiempos de produccin requeridos para una mesa y una silla en
distintos momentos del da y se calculan en 2 horas y 1 hora, respectivamente. Las horas
laborales totales por semana son slo 40. La materia prima requerida para una mesa y una
silla es de 1 y 2 unidades, respectivamente. El abastecimiento total de materia prima es de
50 unidades por semana. En consecuencia, la formulacin de PL es la siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:

2 X1 + X2 40
restriccin de mano de obra

X1 + 2 X2 50
restriccin de materiales

tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las variables de decisin,
es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son
los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo
son lineales (las variables de decisin estn elevadas a la primera potencia). El coeficiente
de estas restricciones se denomina denomina Factores Tecnolgicos (matriz). El perodo
de revisin es de una semana, un perodo conveniente dentro del cual es menos probable
que cambien (flucten) las entradas controlables (todos los parmetros tales como 5, 50,
2,..). Incluso en un plazo de planificacin tan corto, debemos realizar el anlisis what-if o
de hiptesis para responder a cualquier cambio en estas entradas a los efectos
de controlar el problema, es decir, actualizar la solucin prescripta.


2012
14
Ntese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificacin,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las
condiciones de no negatividad tambin se denominan "restricciones implcitas".
Nuevamente, un Programa Lineal funcionara bien para este problema si el Carpintero
contina fabricando estos productos. Los artculos parciales simplemente se contaran
como trabajos en proceso y finalmente se transformaran en productos terminados, en la
siguiente semana.
Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y
seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos netos). Sin embargo,
lleva mucho tiempo enumerar todas las alternativas posibles y si no se enumeran todas las
alternativas, no podemos estar seguros de que el par seleccionado (como una solucin) es
la mejor de todas las alternativas. Otras metodologas preferidas (ms eficientes y
efectivas), conocidas como las Tcnicas de Soluciones de Programacin Lineal estn
disponibles en el mercado en ms de 4000 paquetes de software de todo el mundo.
La solucin ptima, es decir, la estrategia ptima, es establecer X1 = 10 mesas y X2 = 20
sillas. Programamos las actividades semanales del carpintero para que fabrique 10 mesas
y 20 sillas. Con esta estrategia (ptima), los ingresos netos son de US$110 Esta.
Esta solucin prescripta sorprendi al carpintero dado que debido a los mayores ingresos
netos provenientes de la venta de una mesa (US$5), el sola fabricar ms mesas que sillas.
Contratar o no contratar a un ayudante? Supngase que el carpintero pudiera contratar a
un ayudante a un costo de US$2 por hora (adicionales $2) Le conviene al carpintero
contratar a un ayudante? En caso afirmativo, por cuntas horas?
X3 es la cantidad de horas extra, entonces el problema modificado es:
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:

2 X1 + X2 40 + X3 restriccin de la mano de obra con horas adicionales desconocidas
X1 + 2 X2 50 restriccin de materiales
En esta nueva condicin, veremos que la solucin ptima es:
X1 = 50, X2 = 0, X3 = 60, con ingresos netos ptimos de US$130. Por lo tanto, el carpintero
debera contratar a un ayudante por 60 horas. Qu pasara si slo lo contrata por 40
horas? La respuesta a esta pregunta y a otros tipos de preguntas del estilo "qu pasara si"
(what-if) se estudia en la seccin sobre anlisis de sensibilidad en este sitio Web.

Un Problema de Mezcla
El taller LUBEOIL se especializa en cambios de aceite del motor y regulacin del sistema
elctrico. El beneficio por cambio del aceite es $7 y de $15 por regulacin Joe tiene un
cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de


2012
15
aceite requiere de 20 minutos de trabajo y $8 de insumos. Una regulacin toma una hora
de trabajo y gasta $15 en insumos. LUBEOIL paga a los mecnicos $10 por hora de trabajo
y emplea actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana.
Las compras de insumos alcanzan un valor de $1.750 semanales. LUBEOIL desea
maximizar el beneficio total. Formule el problema.
Esto es una pregunta de programacin linear. Una porcin de un cambio del aceite o del
ajuste no es factible.

X1 = Cambios del aceite, ajuste

X2 = Ajuste
Maximizar 7X1 + 15X2
Sujeta a:

X1 30 Cuenta De la Flota

20X1 + 60X2 4800 De trabajo tiempo

8X1 + 15X2 1750 Primas Materias

X1 0, X2 0.
El coste de trabajo de $10 por hora no se requiere para formular el problema desde el
beneficio por cambio del aceite y el ajuste toma en la consideracin el coste de trabajo.

Mtodo de Solucin Grfica
Dado que somos una especie visual, debido a un nuevo sistema educativo, muchas de las
herramientas de enseanza escolar utilizadas en la actualidad son de naturaleza grfica.
Les ensean a leer mostrndoles figuras de las cosas. A contar mostrndoles el orden de
los nmeros. En consecuencia, nuestros receptores visuales se agudizan a expensas de
otras funciones cognitivas. Tambin he descubierto que las personas de negocios
responden mejor a los grficos y a los cuadros que a los nmeros.
Procedimiento para el Mtodo Grfico de Solucin de Problemas de PL:
1. El problema es un problema de PL? La respuesta es afirmativa si y slo si:
Todas las variables estn elevadas a la primera potencia y son sumadas o restadas (no
dividas ni multiplicadas). La restriccin debe adoptar alguna de las siguientes formas


2012
16

ser de maximizacin o minimizacin.
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a
problema tan sencillo no tiene solucin.
2. Puedo utilizar el mtodo grfico? La respuesta es afirmativa si la cantidad de
variables de decisin es 1 o 2.
3. Utilice papel milimetrado. Grafique cada restriccin, una por una, como si fueran
igualdades (como si todo y trace la lnea.
4. A medida que se crea cada lnea, divida la regin en 3 partes con respecto a cada
lnea. Para identificar la regin factible para esta restriccin en particular, elija un
punto en cualquier lado de la lnea y coloque sus coordenadas en la restriccin, si
satisface la condicin, este lado es factible, de lo contrario el otro lado es factible.
En el caso de restricciones de igualdad, slo los puntos sobre la lnea son factibles.
5. Elimine los lados que no son factibles.
Una vez graficadas todas las restricciones, debe generarse una regin factible no vaca
(convexa), salvo que el problema sea no factible.
6. Cree (como mnimo) dos lneas de igual valor desde la funcin objetivo, fijando la
funcin objetivo en dos nmeros distintos cualquiera. Grafique las lneas
resultantes. Al mover estas lneas paralelas, encontrar el vrtice ptimo (punto
extremo), si es que existe.
En general, si la regin factible se encuentra dentro del primer cuadrante del sistema de
coordenadas (es decir si X1 y X2 0), entonces, para los problemas de maximizacin,
usted debe mover la funcin objetivo de igual valor (funcin) paralela a s misma lejos del
punto de origen (0, 0), como mnimo, teniendo a la vez un punto en comn con la regin
factible. Sin embargo, para los problemas de minimizacin, debe realizar lo opuesto, es
decir, mover la funcin objetivo de igual valor (funcin) paralela a s misma acercndola al
punto de origen, a su vez teniendo como mnimo un punto en comn con la regin factible.
El punto comn proporciona la solucin ptima.
Recuerde que las restricciones de PL proporcionan los vrtices y las esquinas. Un
vrtice es la interseccin de 2 lneas o en general, n hiperplanos en problemas de PL con n
variables de decisin. Una esquina es un vrtice que adems es factible.
Un Ejemplo Numrico: El Problema del Carpintero
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
and both X1, X2 are non-negative.


2012
17

Nota: Existe una alternativa del abordaje de la funcin objetivo de igual valor (funcin)
con problemas que tienen pocas restricciones y una regin factible acotada. Primero
busque todas las esquinas, tambin llamadas puntos extremos. Luego, evale la funcin
objetivo en los puntos extremos para llegar al valor ptimo y a la solucin ptima.
Por ejemplo, en el problema del carpintero, la regin factible convexa proporciona los
puntos extremos con las coordenadas que figuran en la siguiente Tabla:
Valor de la Funcin Objetivo en cada Esquina o Punto Extremo
Elecciones del Decisor
Coordenadas de los Puntos
Extremos
Funcin de los Ingresos
Netos
Cantidad de Mesas o Sillas X1, X2 5 X1 + 3 X2
No fabricar ninguna mesa ni
silla
0, 0 0
Fabricar todas la mesas
posibles
20, 0 100
Fabricar todas las sillas
posibles
0, 25 75
Fabricar una combinacin de
productos
10, 20 110


2012
18
Dado que el objetivo es maximizar, de la tabla anterior surge que el valor ptimo es 110, el
cual se obtiene si el carpintero sigue la estrategia ptima de X1 = 10 y X2 = 20.
La principal deficiencia del mtodo grfico es que se limita a resolver problemas lineales
que tengan slo 1 o 2 variables de decisin. Sin embargo, la conclusin principal y til a la
que podemos arribar a partir del anlisis de los mtodos grficos es la siguiente:
Si un programa lineal tiene una regin factible acotada no vaca, la solucin ptima
es siempre uno de los puntos extremos. .
La prueba de esta afirmacin surge de los resultados de los siguientes dos hechos:
Hecho N 1: La regin factible de cualquier programa lineal es siempre un conjunto
convexo.
Debido a que todas las restricciones son lineales, la regin factible (R.F.) es un polgono.
Adems, este polgono es un conjunto convexo. En cualquier problema de PL que tenga
ms de dos dimensiones, los lmites de la regin factible son partes de los hiperplanos, y la
regin factible en este caso se denomina poliedro y tambin es convexa. Un conjunto
convexo es aquel en el cual si se eligen dos puntos factibles, todos los puntos en el
segmento de la lnea recta que une estos dos puntos tambin son factibles. La prueba de
que la regin factible de los programas lineales son siempre conjuntos convexos surge por
contradiccin. Las siguientes figuras ilustran ejemplos de los dos tipos de conjuntos: un
conjunto no convexo y un conjunto convexo.

El conjunto de la regin factible en cualquier programa lineal se denomina poliedro y si
est acotado se denomina politopo.
Hecho N 2: El valor iso de una funcin objetivo de un programa lineal es siempre una
funcin lineal.
Este hecho surge de la naturaleza de la funcin objetivo de cualquier problema de PL. Las
siguientes figuras ilustran las dos clases tpicas de funciones objetivo de igual valor
(funcin iso).


2012
19

De la combinacin de los dos hechos expresados arriba surge que si un programa lineal
tiene una regin factible acotada no vaca, la solucin ptima es siempre uno de los puntos
extremos.
Para superar la deficiencia del mtodo grfico, utilizaremos esta conclusin til y prctica
en el desarrollo de un mtodo algebraico aplicable a problemas de PL multidimensionales.
La convexidad de la regin factible de los programas lineales facilita la resolucin de
problemas de PL. Debido a esta propiedad y a la linealidad de la funcin objetivo, la
solucin es siempre uno de los vrtices. Asimismo, dado que la cantidad de vrtices es
limitada, todo lo que debemos hacer es buscar todos los vrtices factibles y luego evaluar
la funcin objetivo en dichos vrtices para encontrar el punto ptimo.
En el caso de programas no lineales, el problema es mucho ms difcil de resolver porque
la solucin podra estar en cualquier parte dentro de la regin factible, en el lmite de la
regin factible o en un vrtice.
Por suerte, la mayora de los problemas de optimizacin empresarial son lineales y es por
eso que la PL es tan popular. Hoy en da, existen ms de 400 paquetes de software en el
mercado para resolver problemas de PL. La mayora se basa en la bsqueda de vrtices.
Esto equivale a pasar de un vrtice a otro cercano en busca de un punto ptimo.


2012
20


2012
21
Introduccin De Modelos
Ejemplo 1:
Maximizar variables = 12x1 +5x2 +15x3 + 10x4 Funcin Objetivo
S.a.
5x1 + x2 +9x3 + 12x4 1500 Madera(A)
2x1 + 3x2 +4x3 + x4 1000 Madera (B)
3x1 + 2x2 +5x3 + 10x4 800 Hora- Hombre
X140
X2130 RESTRICCIONES
X330
X410
No Negatividad x0 (i=1, 2, 3, 4)

Ejemplo 2:

Maximizar variables = 300x1 +250x2 Funcin Objetivo
S.a.
1
Donde:X1: Automviles
X2: Camiones
1
X1225000
X315000
X1,x20


2012
22
Ejemplo 3:
X1 X2 X3 X4 X5
30 3 0 0 0 2 800
45 0 2 0 1 1 500
50 0 0 2 1 0 1000
Residuo 18 18 8 13 3

Ejemplo 4:
1 2 3
1 X11 X12 X13 100
2 X21 X22 X23 200
Potencia de Ventas 150 200 350
Precio de Ventas 12 14 15

Maximizar variables = 4x11 +4x12 +3x13 + 5x21 +5x22 +4x23 Funcin Objetivo
S.a.

Ejemplo 5:
Bodega/Articulo Pro Centro Popa Peso(TBN) Pies
3
(TBN) Precio(TBN)
A 3 0 0 6000 60 6
B 0 2 0 4000 500 8
C 150 200 350 2000 25 9
Peso(TBN) 12 14 15
Vol(Pres) 10000 135000 30000

8
11
12
9
7
x
11
+ x
12
+x
13
100
x
21
+ x
22
+x
23
200
x
11
+ x
21
150
x
12
+ x
22
200

10


2012
23
Maximizar variables = 6(x1 +x2 +x3) + 8(x4+x5 +x6) + 9(x7 +x8 +x9) Funcin Objetivo
S.a.
a) Restriccin de acuerdo al trabajo de la bodega
x1 + x4 +x7 20000
x2 + x5 +x8 3000
x3 + x6 +x9 1500
b) Restriccin respecto al volumen de la bodega
60x1 +50x4+25x7 100000
60X2 + 50x5 +25x8 135000
60X3 +50x6+25x9 30000

c) Restriccin respecto a la oferta
x1 +x2+x3 6000
X4 + x5 +x6 4000
X7 +x8+x9 2000
d) Restriccin para mantenerse en equilibrio

MODELOS DE MULTIPLES PERIODOS
CSL, es una cadena de tiendas de servicio para computadoras, el nmero de horas de
reparacin especializada que requiere CSL durante los prximos cinco meses se da a
continuacin:
T=1, 2, 3, 4,5
Mes enero= 6000 horas
Mes de febrero= 7000 horas
Mes de marzo= 8000 horas
Mes de abril = 9500 horas x
Mes de mayo = 11000 horas


2012
24
Al principio de enero se tiene 50 tcnicos, cada tcnico especializado puede trabajar hasta
160 horas al mes, y este tcnico experimentado supervisa al aprendiz durante 50 horas al
mes.
A cada tcnico aprendiz le pagan mensualmente $ 1000, y al tcnico experimentado le pagan
mensualmente $ 2000. Y al final de cada mes el 5% de tcnicos especializados cambian de
trabajo para irse con PLUM COMPUTER.

Formule una programacin lineal, cuya solucin permita a CSL, minimizar los costos
de trabajo que se presentan al cumplir con los requerimientos de servicios durante los
prximos 5 meses.
La funcin objeto de CSL es:
Min z= 2000 y1+ 2000y2 + 2000y3+ 2000y4 + 2000y5 + 1000x1 + 1000x2+ 1000x3+
1000x4 + 1000x5

Restricciones:
1. Restriccin: Saber el nmero de horas tcnico disponible durante el mes.
160y1 50x1 6000 (Mes de enero)
Tcnico
Meses
Tcnicos
Experimentados
Tcnicos Aprendiz Horas total de
trabajo mensual
Enero y1 x1 6000 h
Febrero y2 x2 7000 h
Marzo y3 x3 8000 h
Abril y4 x4 9500 h
Mayo y5 x5 11000 h
Pago mensual de los tcnicos 2000 1000
Nmero de horas trabajadas en
el mes
160 50


2012
25
160y2 50x2 7000 (Mes de febrero)
160y3 50x3 8000 (Mes de marzo)
160y4 50x4 9500 (Mes de abril)
160y5 50x5 11000 (Mes de mayo)

MODELOS FINANCIEROS DE MULTIPLES PERIODOS
Flujo de Efectivo en el tiempo (Dlares)
0 1 2 3
De la inversin A -1 +0.50 +1 0
De la inversin B 0 -1 +0.50 +1
De la inversin C -1 +1.2 0 0
De la inversin D -1 0 0 +1.9
De la inversin E 0 0 -1 +1.5
Nota: tiempo 0=tiempo actual: tiempo 1=despus de un ao: tiempo2=despus de 2
aos: tiempo3=despus de 3 aos (todos a punto de abrir).
FORMULE UN POGRAMACION LINEAL QUE MAXIMIZE EL EFECTIVO EN CAJA
EN EL TIEMPO 3.
Solucin:
1. Definiendo variables de decisin
A=dlares invertidos en A
B=dlares invertidos en B
C=dlares invertidos en C
D=dlares invertidos en D
A=dlares invertidos en E
S
1
=dlares invertidos en fondos de mercado de valores en el tiempo t (t=0,
1,2)
Efectivo en caja en el tiempo 3
B+1.9D+1.5E+1.08S2
2. Funcin Objetivo
Max. Z= B+1.9D+1.5E+1.08S2. (1)
3. Definiendo restricciones
Dinero disponible en el tiempo t= dinero invertido en el tiempo t+ dinero no
invertido en el tiempo t, que se transfiere al tiempo t+1


2012
26

100000=A+C+D+S0 ..(3)
0.5+1.2C+1.08S0=B+S1 .(4)
A+0.5B+1.08S1=E+S2 (5)
Otras restrictions:
A75000,B75000,C75000,D75000,E75000
A, B, C, D, E, S0, S1, S20
Haciendo las combinaciones de (1) y (2) (6), obtenemos el modelo de PL
siguiente:
Max Z=B+1.9D+1.5E+1.08S2
S.A.
A+C+D+S0=100000
0.5+1.2C+1.08S0=B+S1
A+0.5B+1.08S1=E+S1
A75000
B75000
C75000
D75000
E75000
A, B, C, D, E, S0, S1, S20

Finalmente:
Encontramos como0 solucin optima Z=218500, A=60000, B=30000, D=40000,
E=75000, C=S0=S1=S2=0.Asi Finco no tiene que invertir en fondos del mercado de
valores. En el tiempo 0, Finco tiene que invertir 60000 dlares en A y 40000
dlares en D. Despus en el tiempo 1, hay que invertir los 30000 dlares de
intereses de la inversin A en B.
Finalmente en el tiempo 2, hay que invertir los 60000 dlares de rditos de A y los
15000 dlares de rditos de B en E. En el tiempo 3, los 100000 dlares de Finco se
habrn convertido en 218500

Problema De Alimentacin
Mi alimentacin requiere que todo de lo que coma pertenezca a uno de los cuatro grupos
bsicos de alimentos (pastel de chocolate, helado, refrescos y pastel de queso). Actualmente,
se dispone de los siguientes alimentos para el consumo: biscochos de chocolate y nueces,
helado de chocolate, cola, y pastel de queso con pia. Cada bizcocho cuesta 50centavos; cada
bola de helado de chocolate, 20centavos; cada botella de refresco cola, 30centavos; y cada
pieza de pastel de queso con pia, 80 centavos. Cada da tengo que ingerir por lo menos 500
caloras, 6 onzas de chocolate, 10 onzas de azcar y 8 onzas de grasas. El contenido nutritivo
por unidad de cada elemento se muestra en la Tabla 1. Formule un modelo lineal que se
puede utilizar para satisfacer mis requerimientos alimenticios diarios a un costo mnimo
Tabla1:
Dinero disponible en el tiempo t= dinero invertido en el tiempo t


2012
27
Valores nutritivos para el ejemplo de la dieta
CALORIAS CHOCOLATE
(onzas)
AZUCAR
(onzas)
GRASA
(onzas)
Bizcochos 400 3 2 2
Helado de Chocolate (1bola) 200 2 2 4
Refresco de Cola (1 botella) 150 0 4 1
Pastel de queso con pia 500 0 4 5

SOLUCION:
Como siempre se empieza por determinar las decisiones que se tienen que tomar Cunto hay
que comer diariamente de cada alimento? Por lo tanto, definimos las variables de decisin.

El objetivo es minimizar el costo de mi alimentacin. Se puede determinar el costo total de
cualquier dieta a partir de la siguiente relacin: (costo total de la dieta)= (costo de los
bizcochos)+ (costo del helado)+ (costo de la cola)+ (costo del pastel de queso). Para evaluar
el costo total de una dieta, obsrvese que, por ejemplo.
(

) ( )

Aplicar esto a los otros tres alimentos, obtenemos (en centavos)

As la funcin objetivo es:

Las variables de decisin tienen que satisfacer las siguientes cuatro restricciones:
Restriccion1: El consumo diario de caloras tiene que ser por lo menos 500 caloras
Restriccion2: El consumo diario de chocolate tiene que ser de por lo menos 6 onzas
Restriccion3: El consumo diario de azcar tiene que ser de por lo menos 10 onzas
Restriccion4: El consumo diario de grasa tiene que ser de por lo menos 8 onzas


2012
28
Para expresar la Restriccin 1 en trminos de las variables de decisin, obsrvese que (el
consumo diario de chocolates)= (las caloras de los bizcochos)+ (las caloras en el helado de
chocolate)+ (las caloras en la cola)+ (las caloras en el pastel de pia con queso).
Se pueden determinar las caloras en los bizcochos consumidos a partir de:
(
) ( )

Aplicando un razonamiento similar para los otros alimentos, se llega a:

Se puede usar la restriccin 1 por:

() (Restriccin del calorias) (21)

(Restriccin del chocolate)(22)

(Restriccin del azucar)

(23)
(Restriccin de la grasa)
(24)
Finalmente hay que cumplir con las restricciones de signo
( ). Si se
convinaran la funcion objetivo, las restricciones (21)-(24), y las restricciones de signo,
tenemos lo siguiente.

s.a
(rest. del calorias)
(rest. del chocolate)
(rest. Del azucar)
(rest. De la grasa)
( )
La solucin ptima para este programa lineal es
. Por lo
tanto, la dietade minimo costo diario es de 90 centavos, consiste en comer 3 bolas de helado
de chocolate y tomar una botella de refresco de cola. Se puede obtener el valor optimo de Z al


2012
29
sutituir los valores optimos de las variables de decision en la funcin objetivo. Esto produce
un costo total de () ()
La dieta ptima proporciona:
() ()
()
() ()
() ()
As las restricciones del chocolate y del azcar son obligatorias, pero las restricciones de las
caloras y de la grasa no son obligatorias.
Star Oil Company considera cinco diferentes oportunidades de inversin en la tabla 5 se le
dan los desembolsos de caja y los valores actuales netos.
Star Oil dispone de 40 millones de dlares para invertir en el momento actual (tiempo 0);
estima que en un ao (tiempo 1) dispondr de 20 millones de dlares para invertir. Star Oil
puede comprar cualquier fraccin de cualquier inversin. En este caso, las salidas de caja y
los VAN se ajustan en forma correspondiente. Star Oil quiere maximizar el VAN que se puede
obtener mediante las inversiones 1 a 5. Formule un PL que ayude a alcanzar esta meta.
Supngase que los fondos usados en el tiempo cero no se pueden usar en el tiempo 1.
TABLA 5
Inv. 1 Inv. 2 Inv. 3 Inv. 4 Inv. 5
Salida de caja al tiempo 0 11 53 5 5 29
Salida de caja al tiempo 1 3 6 5 1 34
VAN 13 16 16 14 39

SOLUCION:
La meta de Star Oil es maximizar el VAN ganado por las inversiones.

VAN de la inv. 1 = (VAN de la inv. 1) (fraccin inv. 1)
VAN de la inv. 1 =13 X1
Al aplicar un razonamiento similar a las inv. 2 al 5, vemos que Star Oil quiere maximizar.
Z=13X1 +16X2 + 16X3 +14X4 + 39X5
La restricciones de Star Oil son:


2012
30
Restriccin 1: Star no puede invertir ms de 40 millones de dlares en el tiempo 0.
11X1 + 53X2 + 5X3 +5X4 + 29X5 <= 40
Restriccin 2: Star no puede invertir ms de 20 millones de dlares en el tiempo 1.
3X1 + 6X2 + 5X3 +X4 + 34X5 <= 20
Restriccin 3: Star no puede comprar ms del 100% de la inversin i (i=1, 2, 3, 4,5).
Xi <= 1 (i=1, 2, 3, 4,5).
Por lo tanto el P.L seria:
Z=13X1 +16X2 + 16X3 +14X4 + 39X5
s.a
11X1 + 53X2 + 5X3 +5X4 + 29X5 <= 40
3X1 + 6X2 + 5X3 +X4 + 34X5 <= 20
X1 <= 1
X2 <= 1
X3 <= 1
X4 <= 1
X5 <= 1

Xi <= 0
Problema de establecimiento de horario de trabajo
Para muchas aplicaciones de la Programacin lineal es necesario determinar el mtodo de
mnimo costo para satisfacer requerimientos de la fuerza de trabajo. El ejemplo siguiente
ilustra las caractersticas bsicas, comunes para muchas de estas aplicaciones.
EJEMPLO: Una oficina de correos necesita un nmero diferente de empleados de tiempo
completo, para diferentes das de la semana. El nmero de empleados de tiempo completo
requeridos para cada da, se da en la Tabla 3.Las reglas sindicales sealan que cada
empleado, de tiempo completo, tiene que trabajar durante 5 das consecutivos y, despus
descansar 2 das. Por ejemplo, un empleado que trabaja de lunes a viernes, tiene que
descansar el sbado y el domingo. La oficina de correos quiere cumplir con sus
requerimientos diarios y utilizar solamente empleados de tiempo completo. Formule un PL
que pueda utilizar la oficina de correos para minimizar el nmero de empleados de tiempo
completo que hay que contratar.


2012
31
DIAS NUMERO DE EMPLEADOS DE TIEMPO
COMPLETO REQUERIDOS
Da 1 = lunes 17
Da 2 = martes 13
Da 3 = mircoles 15
Da 4 = jueves 19
Da 5 = viernes 14
Da 6 = sbado 16
Da 7 = domingo 11

SOLUCIN:
La clave para formular correctamente este problema es darse cuenta de que la decisin
principal de la oficina de correos no es cuantas personas trabajan cada da, sino cuantas
personas empiezan a trabajar cada da de la semana. Tomando esto en cuenta, definimos:
Xi= nmero de empleados que empiezan a trabajar el da i.
Por ejemplo xi es el nmero de personas empiezan a trabajar el lunes (estas personas
trabajan del lunes a viernes).
Con la definicin adecuada de las variables es fcil determinar correctamente la funcin
objetivo, obsrvese que:
Nmero de empleados de tiempo completo= nmero de empleados que empiezan a trabajar
el da lunes + nmero de empleados que empiezan a trabajar el da el martes + nmero de
empleados que empiezan a trabajar el da mircoles.....+ nmero de empleados que
empiezan a trabajar el da domingo. Ya que cada empleado comienza a trabajar
exactamente un da de la semana, esta expresin no cuenta 2 veces a los empleados. Por lo
tanto con la definicin correcta de las variables, la funcin objetivo es:
Min z= X1 + X2 + X3 + X4 + X5 + X6 + X7
La oficina de correos tiene que asegurar que hay suficientes empleados trabajando cada da
de la semana. Por ejemplo: Por lo menos 17 empleados tienen que trabajar el lunes. y Quin
est empezando a trabajar el lunes? Todos, menos los empleados que empiezan a trabajar el
martes o el mircoles (ellos descansan el domingo y el lunes Y el lunes y el martes
respectivamente).Esto significa que el nmero de empleados que trabajan el da lunes est
dada por: X1 + X4 + X5 + X6 + X7 >=17
Al aadir las restricciones similares para los otros 6 das de la semana y las restricciones de
signo Xi >=0(i=1, 2,3...7), se obtiene la siguiente formulacin del problema de la oficina de
correos:


2012
32
Min z= X1 + X2 + X3 + X4 + X5 + X6 + X7
S.a:
X1 +X4 + X5 + X6 + X7 >=17 (Restriccin del lunes)
X1 + X2 + X5 + X6 + X7 >=13 (Restriccin del martes)
X1 + X2 + X3 + X6 + X7 >=15 (Restriccin del mircoles)
X1 + X2 + X3 + X4 + X7 >=19 (Restriccin del jueves)
X1 + X2 + X3 + X4 + X5 >=15 (Restriccin del viernes)
X2 + X3 + X4 + X5+ X6 >=16 (Restriccin del sbado)
X3 + X4 + X5+ X6 + X7 >=11 (Restriccin del domingo)
Xi >=0 (i=1, 2,3...7) (Restriccin del signo)
La solucin ptima para este PL es
Z=

X1=

X2=

X3=2
X4=

X5=0
X6=

X7=5
Sin embargo ya que solamente se admite empleados de tiempo completo, las variables tienes
que ser nmeros enteros, con lo que la suposicin de la divisibilidad no se satisface. Al
intentar obtener una respuesta razonable, solamente con variables enteras, podramos
tratar de redondear las variables, lo que producira la solucin factible:
Z=25
X1=2, X2=4, X3 =2, X4=8, X5 =0 + X6 = 4, X7=5.
Resulta sin embargo, que la solucin optima para el problema de la oficina de correos,
mediant5e la programacin entera es:
Z=23
X1=4, X2=4, X3 =2, X4=6, X5 =0 + X6 = 4, X7=3.


2012
33
Obsrvese que no hubiera sido posible obtener la solucin ptima con puros enteros
mediante el redondeo de la solucin ptima de la programacin lineal.
Modelo de proceso de produccin
Ahora se explica cmo formular un modelo de programacin lineal para un proceso de
produccin sencillo. El paso clave es determinar como la produccin en una etapa posterior
del proceso se relaciona con la produccin en una etapa anterior.
Ejemplo
Rylon corporation fabrica los perfumes Brutte y Chanelle. Se puede comprar materia prima
que se necesita para producir cada tipo de perfume a 3 dlares/lb. Para procesar 1 lb de
materia prima, se necesita 1 hora de trabajo en el laboratorio. Cada libra de materia prima
procesada produce 3 oz de Perfume Brute Regular, y 4 oz de perfume Chanelle Regular. Se
pude vender Brute Regular a 7 dlares/oz, y Chanelle Regular a 6 dlares/oz. Rylon tiene
tambin la opcin de seguir procesando Brute Regular y Chanelle Regular para producir
Brute Luxury, vendido a 18 dlares/oz, y Chanelle Luxury, vendido a 14 dlares/oz. Cada
onza de Brute Regular necesita 3 horas adicionales de laboratorio y causa 4 dlares extra de
costo de produccin, para producir 1 oz de Brute Luxury. Cada onza de Chanelle Regular
necesita 2 horas adicionales de laboratorio y 4 dlares extra de costos de produccin para
producir 1 oz de Chanelle Luxury. Cada ao, Rylon dispone de 6000 horas de laboratorio y
pude comprar hasta 4000 lb de materia prima. Formule un PL que se puede utilizar para
determinar cmo puede maximizar Rylon sus ganancias. Supngase que los costos de
laboratorio son fijos.

Solucin Rylon tiene que determinar cuanta materia prima hay que comprar y cuanto se
tiene que producir de cada tipo de perfume. Por lo tanto, definimos nuestras
variables de decisin como
X1 = onzas de Brute Regular vendidas anualmente
X2 = onzas de Brute Luxury vendidas anualmente
X3 = onzas de Chanelle Regular vendidas anualmente
X4 = onzas de Chanelle Luxury vendidas anualmente
X5 = libras de materia prima compradas anualmente
Rylon quiere maximizar
Contribucin a la ganancia = ingresos por la venta de los perfumes
costos de fabricacin
costos de la compra de materia prima
= 7X1 + 18X2 + 6X3 + 14X4 (4X2 + 4X4) 3X5


2012
34
= 7X1 + 14X2 + 6X3 + 10X4 3X5
As, se puede escribir la funcin objetivo de Rylon como
Max z = 7X1 + 14X2 + 6X3 + 10X4 3X5
Rylon se encuentra con las siguientes restricciones:
Restriccin 1 No se puede comprar ms de 4000 lb de materia prima anualmente
Restriccin 2 No se dispone de ms de 6000 horas de laboratorio anualmente
La restriccin 1 se expresa mediante
X5 4000
Para expresar la restriccin 2, observe que
Tiempo total anual del uso del laboratorio = tiempo usado anualmente para procesar la
materia prima
+ Tiempo empleado anualmente para producir
Brute Luxury
+ Tiempo usado al ao para producir chanelle
Luxury

= X5 + 3X2 + 2X4
Entonces la Restriccin 2 se escribe como
3X2 + 2X4 + X5 6000
Entonces las restricciones de signo Xi 0 (i = 1, 2, 3, 4,5), muchos estudiantes indican que
Rylon tendra que resolver un PL siguiente:

Max z = 7X1 + 14X2 + 6X3 + 10X4 3X5
s.a
X5 4000
3X2 + 2X4 + X5 6000
Xi 0 (i = 1, 2, 3, 4,5)
Esta formulacin es incorrecta. Obsrvese que las variables X1 y X3 no aparecen en las dos
primeras restricciones. Esto significa que cualquier punto, con X2 = X4 = X5 = 0 y X1 y X3 muy
grandes, se encuentra en la regin factible. Los puntos X1 y X3 arbitrariamente grandes,
pueden producir ganancias arbitrariamente grande. De esta manera, el PL es no acotado.


2012
35
Nuestro error es que la formulacin actual no indica que cantidad de materia prima
comprada, determina la cantidad de Brute y de chanelle disponible para la venta o para un
proceso adicional. Mas especifico, de la Fig.8 (y del hecho que 1 oz de Brute procesado
produce exactamente 1 oz de Brute Luxury), se concluye que
Onzas de Brute Regular vendidas + onzas de Brute Luxury vendidas
(

) ( )

= 3X5

X1 oz Reg. Brute vendidas
X2 oz de Brute Reg.
Transformadas en Brute Lux

X3 oz de Chanelle Reg. Vendidas
X4 oz de Chanelle Reg.
Transformadas en Chanelle Lux

Proceso de produccin para el ejemplo Brute-Chanelle
Esta relacin se ve reflejada en la restriccin
X1 + X2 = 3X5 o bien, X1 + X2 3X5 = 0
Similarmente, de la Fig. 8, es obvio que
Onzas de Chanelle Regular vendidas + onzas de Chanelle Luxury vendidas = 4X5
Esta relacin proporciona la restriccin
X3 + X4 = 4X5 o bien, X3 + X4 4X5 = 0
Las restricciones (57) y (58) relacionan varias variables de decisin. Los estudiantes olvidan
muchas veces las restricciones de este tipo. Como se muestra este problema, la omisin de
incluir una restriccin puede llevar a una respuesta inaceptable (como un PL no acotado). Si
X
5
lb de
material prima
3X
5
oz de
Brute
4X
5
oz
Chanelle


2012
36
combinamos (53) (58) con las restricciones usuales de signo, obtenemos la formulacin
correcta del PL:
Max z = 7X1 + 14X2 + 6X3 + 10X4 3X5
S.a
X5 4000
3X2 + 2X4 + X5 6000
X1 + X2 3X5 = 0
X3 + X4 4X5 = 0
Xi 0 (i = 1, 2, 3, 4, 5)
La solucin optima es z = 172666.667, X1 = 11333.333 oz, X2 = 666.667 oz, X3 = 16000 oz, X4 =
0, y X5 = 4000 lb. Por lo tanto, Rylon tiene que comprar las 4000 lb disponibles de materia
prima y producir 11333.333 oz de Brute Regular, 666.667 oz de Brute Luxury, y 16000 oz de
Chanelle Regular. Este plan de produccin contribuir en 172666.667 dlares a la utilidad de
Rylon. En este problema, parece razonable permitir valores fraccionarios de las onzas, y
entonces se cumple con la suposicin de divisibilidad.
Terminamos el anlisis del problema de Rylon, exponiendo un error que muchos estudiantes
cometen. Razonan de la manera siguiente:
1 lb de materia prima = 3 oz de Brute + 4 oz de Chanelle
Como X1 + X2 = cantidad total de onzas de Brute producidas, y X3 + X4 = la cantidad total de
onzas de chanelle producidas, los estudiantes concluyen que
X5 = 3(X1 + X2) + 4(X3 + X4)
Esta ecuacin podra tener sentido como un planteamiento para un programa de la
computadora; en cierto sentido, la variable X5 se sustituye por el segundo miembro y de la Ec.
(59). Como una restriccin de PL, sin embargo, (59) carece de sentido. Para ver esto,
obsrvese que el primer miembro de (59) tiene como unidades libras de materia, y el
trmino 3X1 en el lado derecho de (59) tiene como unidades
(

) ( )
Como algunos trminos de (59) no tienen las mismas unidades, la Ec. (59) no puede ser
correcta. Si hay dudas acerca de una restriccin, asegurase de que todos los trminos en las
restricciones estn en las mismas unidades. Esto evitara muchos errores de formulacin.
(Naturalmente, una restriccin puede estar equivocada, aunque las unidades en ambos lados
de la restriccin sean iguales)
Problema De Mezcla
Sunco Oil produce tres tipos de gasolina (1,2y3). Cada tipo de gasolina se produce mezclando
tres tipos de petrleo crudo (1,2 y 3). La tabla 9 da los precios de venta por barril de las


2012
37
gasolinas y los precios de compra, por barril, del petrleo crudo. Sunco puede comprar hasta
5000 barriles de cada tipo de petrleo crudo diariamente.
Tabla 9: Precios de la gasolina y del petrleo crudo para ejemplo de mezclas.
PRECIOS DE VENTA POR
BARRIL (dlares)
PRECIOS DE COMPRA
POR BARRIL (dlares)
Gasolina 1 70
Gasolina 2 60
Gasolina 3 50
Crudo 1 45
Crudo 2 35 Crudo
3 25

Los tres tipos de gasolina difieren en su ndice de octano y en su contenido de azufre. La
mezcla de petrleo crudo que se utiliza para obtener la gasolina 1 tiene que tener un ndice
de octano promedio de por lo menos 10 y a lo ms 1% de azufre. La mezcla de petrleo crudo
que se utiliza para obtener la gasolina 2 tiene que tener un ndice de octano promedio de por
lo menos 8 y a lo ms 2% de azufre. La mezcla de petrleo crudo que se utiliza para obtener
la gasolina 3 tiene que tener un ndice de octano promedio de por lo menos 6 y a lo ms 1%
de azufre. El ndice de octano y el contenido de azufre de los tres tipos de petrleo se dan en
la tabla 10. La transformacin de un barril de petrleo en un barril de gasolina cuesta 4
dlares, ya la refinera de Sunco puede producir diariamente hasta 14 000 barriles de
gasolina.
Tabla 10: ndice de octano y requerimientos de azufre para el ejemplo de mezclas.
ndice de octano Contenido de azufre
Crudo 1 12 0.5%
Crudo 2 6 2.0%
Crudo 3 8 3.0%

Los clientes de Sunco necesitan diariamente las siguientes cantidades de cada tipo de
gasolina: gasolina 1, 3000 barriles, gasolina 2, 2000 barriles, gasolina 3, 1000 barriles. La
compaa se siente comprometida a cumplir con estas demandas. Sunco tiene la posibilidad
de estimular la demanda de sus productos mediante la publicidad. Cada dlar invertido
diariamente en la publicidad para cierto tipo de gasolina, aumenta la demanda diaria de
este tipo de gasolina en 10 barriles. Por ejemplo, si Sunco decide gastar diariamente 20
dlares para promover la gasolina 2, la demanda diaria de la gasolina 2 se incrementara en
20(10)=200 barriles.

Formule un PL que permita a Sunco a maximizar sus ganancias diarias
(ganancias= ingresos-costos).


2012
38
SOLUCION:
Sunco tiene que tomar dos decisiones: primero, cuanto habra que invertir en la publicidad
para cada tipo de gasolina, y segundo, como mezclar los tres tipos de petrleo crudo
disponible para obtener cada tipo de gasolina. Por ejemplo, Sunco tiene que decidir cuntos
barriles del crudo 1 habra que utilizar para producir la gasolina 1. Definimos las variables
de decisin
a = dlares gastados en la publicidad para la gasolina (=1,2,3)
X = barriles del petrleo crudo que se utiliza diariamente para producir la gasolina
J(i = 1,2,3; j = 1,2,3)
Por ejemplo, X21 es el nmero de barriles de crudo 2 que se utiliza diariamente para producir
la gasolina 1.
El conocimiento de estas variables es suficiente para determinar la funcin objetivo de Sunco
y las restricciones, pero, antes de hacerlo, observamos que la definicin de estas variables de
decisin significa que
X11 + X12 + X13 = Barriles de crudo 1 usados diariamente X21 +
X22 + X23 = Barriles de crudo 2 usados diariamente X31 + X32 +
X33 = Barriles de crudo 3 usados diariamente X11 + X21 + X31 =
Barriles de gasolina 1 usados diariamente X12 + X22 + X32 =
Barriles de gasolina 2 usados diariamente X13 + X23 + X33
= Barriles de gasolina 3 usados diariamente
Para simplificar las cosas, supongamos que no se puede almacenar la gasolina, lo que
significa que hay que venderla el mismo da de su produccin. Esto quiere decir que para =
1,2,3, la cantidad de gasolina producida diariamente tiene que ser igual a la demanda
diaria de la gasolina . Supngase que la cantidad de la gasolina producida diariamente, es
mayor que la demanda diaria. Entonces incurrimos en costos innecesarios de compra y de
produccin. Por lo contrario, si la cantidad de gasolina producida diariamente es menor que
la demanda diaria, no cumplimos con las demandas obligatorias, o incurrimos en costos de
publicidad innecesarios.
Estamos listos ahora, para determinar la funcin objetivo y las restricciones de Sunco.
Empezamos con la funcin objetivo de Sunco.
Ingresos diarios por la venta de gasolina =
70(X11 + X21 + X31) + 60(X12 + X22 + X32) + 50(X13 + X23 + X33)
Costos diarios de la compra de petrleo crudo =
45(X11 + X12 + X13) + 35(X21 + X22 + X23) + 25(X31 + X32 + X33)
Costos diarios de publicidad =
A1 + A2 + A3
Costos diarios de la produccin =


2012
39
4(X11 + X12 + X13 + X21 + X22 + X23 + X31 + X32 + X33)
Entonces,
Ganancia diaria =
ingresos diarios por la venta de gasolina
-- costo diario de la compra de petrleo crudo
-- costos diarios de la publicidad
-- costos diarios de la produccin
= (70 45 4) X11 + (60 45 4) X12 + (50 45 4) X13 + (70 35 4) X21 + (60 35 4) X22
+ (50 35 4) X23 + (70 25 4) X31 + (60 25 4) X32 + (50 25 4) X33 -- A1 -- A2 -- A3
De esta manera, la meta de Sunco es maximizar
Z = 21 X11 + 11 X12 + X13 + 31 X21 + 21 X22 + 11 X23 + 41 X31
+ 31 X32 + 21 X33 -- A1 -- A2 -- A3
Con respeta a las restricciones de Sunco, vemos que se tiene que satisfacer las siguientes trece
13 restricciones:
Restriccin 1. La produccin diaria de gasolina 1 tiene que ser igual a la demanda diaria de
gasolina 1.
gasolina 2.
gasolina 3.
Restriccin 4. Se puede comprar a lo ms 5 000 barriles de crudo 1 diariamente.
Restriccin 7. Se puede producir a lo ms 14 000 barriles de gasolina diariamente, debido a
la capacidad limitada de la refinera.
Restriccin 8. El petrleo crudo que se usa para obtener la gasolina 1, tiene que tener un
ndice de octano medio de por lo menos 10.
Restriccin 11. El petrleo que se usa para obtener la gasolina 1, tiene que tener a lo ms
1% de azufre.


2012
40
2% de azufre.
1% de azufre.
Para expresar la restriccin 1 en trminos de las variables de decisin con esto vamos que
Demanda diaria de gasolina 1 = 3 000 + demanda de gasolina 1 generada por publicidad
Demanda de gasolina 1 generada por publicidad =
(demanda de gasolina / dlar gastado) (dlares gastados) = 10 A1
De esta manera, la demanda diaria de gasolina es 1 = 3 000 + 10 A1. Se puede escribir ahora
la restriccin 1 como
X11 + X21 + X31 = 3 000 + 10 A1
Que se puede volver a escribir como
X11 + X21 + X31 - 10 A1 = 3 000
La restriccin 2 se puede expresar como
X12 + X22 + X32 - 10 A2 = 2 000
La restriccin 3 se puede expresar como
X13 + X23 + X33 - 10 A3 = 1 000
La restriccin 4 se reduce a
X11 + X12 + X13 5000
X21 + X22 + X23 5000
X31 + X32 + X33 5000
Obsrvese que
Produccin total de la gasolina = gasolina 1 producida + gasolina 2 producida
+ gasolina 3 producida
= (X11 + X21 + X31) + (X12 + X22 + X32) + (X13 + X23 + X33)
La restriccin 7 esta dado por
X11 + X21 + X31 + X12 + X22 + X32 + X13 + X23 + X33 14 000
Para expresar las restricciones 8 a 10, tenemos que determinar el ndice de octano
promedio de una mezcla de diferentes tipos de petrleo crudo.


2012
41

Suponemos que los ndices de octano de diferentes crudos se mezclan linealmente. Por
ejemplo, si mezclamos dos barriles de crudo 1, 3 barriles de ser

Generalizando, podemos expresar la restriccin 8 mediante

Desafortunadamente, no es una desigualdad lineal. Para transformar en una desigualdad
lineal, solamente tenemos que multiplicar ambos miembros y simplificarlo lo que resulta
2 X11 - 4 X21 - 2 X31 0
La restriccin 9 da

Al multiplicar y simplificar
4 X12 - 2X22 0
Ya que cada tipo de petrleo crudo tiene un ndice de octano de 6 o ms, cualquier mezcla
que hagamos para obtener la gasolina 3, tendr un ndice de por lo menos 6. Esto significa
que cualquier valor de las variables satisfar la restriccin 10. Para verificarlo, podemos
expresar la restriccin 10 mediante
La restriccin 10 da

6X13 + 2X33 0

ndice octnico total en la mezcla =

Barriles en la mezcla

12(2) + 6(3) + 8(1) =

2 + 3 + 1
8 1
3
ndice octnico total en la gasolina =
Gasolina 1 en la mezcla
12 X
11
+ 6 X
21
+ 8 X
31
10
X
11
+ X
21
+ X
31

12 X
12
+ 6 X
22
+ 8 X
32
8
X
12
+ X
22
+ X
32

12 X
13
+ 6 X
23
+ 8 X
33
8
X
13
+ X
23
+ X
33


2012
42
Ya que satisface siempre X13 0 y X33 0, automticamente se satisface por lo tanto, no es
necesita incluir en el modelo. Una restriccin como esta que est implcita en otras
restricciones del modelo se llama restriccin redundante no se necesita incluirla en la
formulacin. Escogimos omitirla de nuestra formulacin final.
La restriccin 11 puede escribirse como

Entonces, utilizando los porcentajes de azufre en cada tipo de petrleo, vamos que
Total de azufre en la mezcla de gasolina = azufre en el crudo 1, usado para la gasolina 1
+ azufre en el crudo 2, usado para la gasolina + azufre en el crudo 3, usado para la gasolina
1
= 0.005 X11 + 0.02 X21 + 0.03 X31
la restriccin 11 puede escribirse ahora como

una vez ms, no se trata de una desigualdad lineal, pero podemos multiplicar ambos
miembros y simplificar lo que nos da
-0.005 X11 + 0.01 X21 + 0.02 X31 0
De igual manera la restriccin 12 es equivalente a
Al multiplicar ambos lados de la desigualdad y simplificar obtenemos
-0.015 X12 + 0.01 X32 0
Por ltimo la restriccin 13 es equivalente a

Al multiplicar ambos miembros y simplificar obtenemos
-0.005 X13 + 0.01 X23 + 0.02 X33 0
Z = 21 X11 + 11 X12 + X13 + 31 X21 + 21 X22 + 11 X23 + 41 X31
+ 31 X32 + 21 X33 -- A1 -- A2 -- A3
s.a : X11 + X21 + X31 - 10 A1 = 3 000
X12 + X22 + X32 - 10 A2 = 2 000
X13 + X23 + X33 - 10 A3 = 1 000
Total de azufre en la mezcla de la gasolina 0.01
Barriles en la mezcla de la gasolina
0.005 X
11
+ 0.02 X
21
+ 0.03 X
31
0.01
X
11
+ X
21
+ X
31

0.005 X
12
+ 0.02 X
22
+ 0.03 X
32
0.02
X
12
+ X
22
+ X
32

0.005 X
13
+ 0.02 X
23
+ 0.03 X
33
0.01
X
13
+ X
23
+ X
33


2012
43
X11 + X12 + X13 5000
X21 + X22 + X23 5000
X31 + X32 + X33 5000
X11 + X21 + X31 + X12 + X22 + X32 + X13 + X23 + X33 14 000
2 X11 - 4 X21 - 2 X31 0
4 X12 - 2X22 0
-0.005 X11 + 0.01 X21 + 0.02 X31 0
-0.015 X12 + 0.01 X32 0
-0.005 X13 + 0.01 X23 + 0.02 X33 0
X 0 y A 0 as obtenemos el programa lineal.


2012
44


2012
45

Max Z=5x1 + 4x2
S:a:

6x1 + 4x2 24
x1 + 2x2 6
-x1 + x2 1
x2 2

x1,x2 0

SOLUCION

.- Primero igualamos las restricciones y obtenemos las ecuaciones respecticas.

1. 6x1 +4x2 24 2. x1+2 x2 =6

X1 0 4
X2 6 0

3 . x1+x2=1 4. X2=2

X1 0 -1
X2 1 0

X1 0 6
X2 3 0


2012
46
GRAFICA DE LAS RESTRICIONES

b
c
e
d
f a
E. 1
E.2
E. 3
E. 4


2012
47
Esta grafica nos muestra los puntos en los vertices, de las rectricciones, la cual nos
orientaran a la solucion por este metodo, y para encontrarla se tiene que ubicar los puntos
en la grafica y asi obtener los puntos que mostraran la solucion optima.
A continuacion el siguiente grafico mostrara los puntos de la funcion objeto

Una ves realizado la grafica, trazamos la ecuacion de la funcion objeto:
Ecuacion es:
5x1+4x2=k
5x1+4x2=20

X1 0 4
X2 5 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4
E.F.O


2012
48
Dentro de la solucion me interesa maximizar, la funcion objeto por lo tanto el punto mas
lejano es el vertice del punto E, resolvemos la ecuacion y obtendremos los puntos.

6x1+4x2=24 x1+2x2=6
6(6-2x2)+4x2=24 x1=6-2x2
12=8x2 x1=6-2(1,5)

X2=1,5 x1=3

Los puntos son: E(3,1,5), y si cumple con las rectricciones, por lo tanto es una solucion
optima.

Max Z= 3x1 + x2
S:a:

6x1 + 4x2 24
x1 + 2x2 6
-x1 + x2 1
x2 2

x1,x2 0

SOLUCION

.- Primero igualamos las restricciones y obtenemos las ecuaciones respectivas.


2012
49
1. 6x1 +4x2 24 2. x1+2 x2 =6

X1 0 4
X2 6 0

3 . x1+x2=1 4. X2=2

X1 0 -1
X2 1 0

GRAFICA DE LAS RECTRICCIONES

X1 0 6
X2 3 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4


2012
50
A continuacion el siguiente grafico mostrara los puntos de la funcion objeto.

GRAFICA DE LAS RECTRICCIONES CON LA FUNCION OBJETO

3x1 +x2=k
3x1+x2=3

X1 0 1
X2 3 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4
E.F.
O


2012
51
lejano es el vertice del punto F, resolvemos la ecuacion y obtendremos los puntos.

6x1+4x2=24 x1=4
6(4)+4x2=24
4x2=0

X2=0 x1=4
Los puntos son: F(4,0), y si cumple con las rectricciones, por lo tanto es una solucion
optima.
Max Z=3x1+x2
Max Z=12

Max Z= x1 +3 x2
S:a:

6x1 + 4x2 24
x1 + 2x2 6
-x1 + x2 1
x2 2

x1,x2 0

SOLUCION



2012
52
1. 6x1 +4x2 24 2. x1+2 x2 =6

X1 0 4
X2 6 0

3 . x1+x2=1 4. X2=2

X1 0 -1
X2 1 0


X1 0 6
X2 3 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4


2012
53


x1 +3x2=k
x1+3x2=3

X1 0 3
X2 1 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4
E.F.O


2012
54
lejano es el vertice del punto D, resolvemos la ecuacion y obtendremos los puntos.

x1+2x2=6 x2=2
x1+4=6
x1=6-2
X1=2 x2=2
Los puntos son: D(2,2), y si cumple con las rectricciones, por lo tanto es una solucion
optima.
Max Z= x1+3x2
Max Z=8

Max Z= 6x1 +4x2
S:a:

6x1 + 4x2 24
x1 + 2x2 6
-x1 + x2 1
x2 2

x1,x2 0

SOLUCION



2012
55
1. 6x1 +4x2 24 2. x1+2 x2 =6

X1 0 4
X2 6 0

3 . x1+x2=1 4. X2=2

X1 0 -1
X2 1 0


X1 0 6
X2 3 0
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4


2012
56


6x1 +4x2=k
6x1+4x2=24

X1 4 0
X2 0 6
b
c
e
d
f a
E. 1
E.2
E. 3
E. 4


2012
57
lejano es el vertice del punto D, resolvemos la ecuacion y obtendremos los puntos.

x1+2x2=6 x2=2
x1+4=6
x1=6-2

X1=2 x2=2
Los puntos son: D(2,2), y si cumple con las rectricciones, por lo tanto es una solucion
optima.

Min Z= 0,31x1 +0,9x2
S:a:

x1 + x2 800
0,21x1 0,30x2 0
0,03x1 0,01x2 0

x1,x2 0

SOLUCION


1. x1 +x2 800 2. 0,21 x1- 0,30 x2 =0
X1 5 10


2012
58

X1 0 800
X2 800 0

3 . 0,03x1-0,01x2=0

X1 1 2
X2 3 6


X2 3,5 7
E.1
E.3
E.2


2012
59
Para saber la posicion de los signos:
1. x1+x2800
0+1000800 si cumple

2. 0,2x1- 0,30x20
0-0.60
-0,6 si cumple

3. 0,03x1-0,01x2
0,06 si cumple

0,3x1 +0,9x2=k
0,3x1+0,9x2=9

X1 0 3
X2 1 0
E.
E
E
E
A
B


2012
60
Dentro de la solucion me interesa minimizar, la funcion objeto por lo tanto el punto mas
lejano es el vertice del punto A, resolvemos la ecuacion y obtendremos los puntos.

X1 +x2=800 (100)*0,21x1-0,30=0
x1=800-x2 21(800-x2)+30x2=0
x1=800-329,41 16800-21x2-30x2=0
16800=51x2
X1=470,59 x2=329,41
Los puntos son: A(470,59; 329,41), y si cumple con las rectricciones, por lo tanto es una
solucion optima.

Min Z= 0,30(470,59) + 0,90(329,41)

Minz=937,646


2012
61


2012
62
PROBLEMAS
EJERCICIO N 1:
Max z =200x1 + 150x2
X1 +2 x2 80
3 x1 + 2 x2 120
X1 , x2 0

A) METODO SIMPLEX
Max = 200x1 + 150x2 +0S1 +0S2
s.a
X1 +2 x2 +S1 = 80
3 x1 + 2 x2 +S2= 120

V.Basicas Z X1 X2 S1 S2 SOLUCIN
Z 1 -
200
-150 0 0 0
S1 0 1 2 1 0 80
S2 0 3 2 0 1 120

Z 1 0 -50/3 0 200/3 8000
S1 0 1 4/3 1 -1/3 40
X1 0 1 2/3 0 1/3 40

V.E.
Ecuacin
pivote
Elemento
pivote
V.S.
801=80
1203 =40
V.E.
Ecuacin
pivote
Elemento
pivote
n.e.p.
V.S. 404/3=30
402/3=60


2012
63
Nueva Ecuacin Z:
Ecuacin Z Anterior 1 -200 -150 0 0 0
-(-200)(N.Ec.Pivote) 0 200 400/3 0 200/3 8000
1 0 -50/3 0 200/3 8000

Nueva Ecuacin S1:
Ecuacin X1 Anterior 0 1 2 0 0 80
-(1)(N.Ec.Pivote) 0 -1 -2/3 0 -1/3 -40
0 0 4/3 0 -1/3 40

Z 1 0 25/3 25/2 425/6 8500
S1 0 0 3/2 3/4 -1/4 30
X2 0 1 -1/3 -1/2 1/3 20

Nueva Ecuacin Z:
Ecuacin Z Anterior 1 0 -50/3 25/2 200/3 8000
-(-50/3)(N.Ec.Pivote) 0 0 25 0 -25/6 500
1 0 25/3 25/2 425/6 8500

Nueva Ecuacin S2:
Ecuacin X1 Anterior 0 2 1/3 0 -1/3 40
-(2/3)(N.Ec.Pivote) 0 -1 -2/3 0 -1/3 -40
0 1 1/3 0 -1/3 40

n.e.p.


2012
64
B) METODO GRAFICO
Max Z=200x1 + 150x2
(1).. X1 +2 x2 80

(2).. 3 x1 + 2 x2 120

x1, x2 0

100
90
80
70
60
50
40 B
30 C
20
10
A D
10 20 30 40 50 60 70 80 90 100

Evaluacin:
Vrtice Z= 200x1 + 150x2
A(0,0) Z=0
B(0,40) Z=8000
C(20,30) Z=8500
D(40,0) Z=8000

x1 0 80 (0,40)
x2 40 0 (80,0)
x1 0 40 (0,60)
x2 60 0 (40,0)
Funcin Objetiva:
Z= 200x1 + 150x2
200x1 + 150x2=K
4x1 + 3x2=K
x1 0 3
x2 4 0


2012
65
EJERCICIO N 2:
MAX. Z = 3X1 + 4 X2
X1 + 2 X2 1000
3 X1 + 2 X2 1800
X2 400
X1 , X2 0

A) MTODO SIMPLEX
MAX. Z = 3X1 + 4 X2 + 0S1 + 0S2 + 0S3
S. a:
X1 + 2 X2 + S1 + 0 + 0 = 1000
3 X1 + 2 X2 + 0 + S2 + 0 = 1800
X2 + 0 + 0 + S3 = 400

V.Basicas Z X1 X2 S1 S2 S3 SOLUCIN
Z 1 -3 -4 0 0 0 0
S1 0 1 2 1 0 0 1000
S2 0 3 2 0 1 0 1800
S3 0 0 1 1 0 1 400

Z 1 0 -2 0 1 0 1800
S1 0 0 4/3 1 -
1/3
0 400
X1 0 1 2/3 0 1/3 0 600
S3 0 0 1 1 0 1 400

Nueva Ecuacin Z:
V.S. 4004/3=300
6002/3=900
4001=400
V.E.
Ecuacin
pivote
Elemento
pivote n.e.p.
V.E.
V.S.
Ecuacin
pivote
Elemento
pivote
10001=1000
10003=600
4000=


2012
66
Ecuacin Z Anterior 1 -3 -4 0 0 0 0
-(-3)(N.Ec.Pivote) 0 0 2 0 1 0 1800
1 0 -2 0 1 0 1800

Nueva Ecuacin S1:
Ecuacin S1 Anterior 0 1 2 1 0 0 1000
-(1)(N.Ec.Pivote) 0 -1 -2/3 0 -1/3 0 -600
1 0 4/3 1 -1/3 0 400

Nueva Ecuacin S3:
-(0)(N.Ec.Pivote) 0 0 0 0 0 0 0
0 0 1 0 0 1 400

Z 1 0 0 3/2 -
1/2
0 2400
X2 0 0 1 3/4 -
1/4
0 300
X1 0 1 0 -1/2 1/2 0 400
S3 0 0 0 -3/4 1/4 1 100

Nueva Ecuacin Z:
Ecuacin S1 Anterior 1 1 -2 0 1 0 1800
-(-2)(N.Ec.Pivote) 0 -1 2 3/2 -1/2 0 600
1 0 0 3/2 1/2 0 2400

Nueva Ecuacin x1:
Ecuacin x1 Anterior 0 1 2/3 0 1/3 0 600
-(2/3)(N.Ec.Pivote) 0 0 -2/3 -1/2 1/6 0 -200
0 1 0 -1/2 1/2 0 400

Nueva Ecuacin S3:
-(1)(N.Ec.Pivote) 0 0 -1 -3/4 1/4 0 -300
0 0 0 -3/4 1/4 1 100

n.e.p.


2012
67
B) METODO GRAFICO

MAX. Z = 3X1 + 4 X2

(1)X1 + 2 X2 1000

(2). 3 X1 + 2 X2 1800

(3) X2 400
X1 , X2 0

Evaluando:
X1 0 1000
X2 500 0
X1 0 600
X2 900 0
300
100
200
400
500
600
700
800
900
1000
0
100 200 300 400 500 600 700 800 900 1000
B
A
C
D
X
2
X
1


2012
68

Funcin Objetiva:
Z = 3X1 + 4 X2
3X1 + 4 X2 =k
3X1 + 4 X2 =12

Vrtice Z = 3X1 + 4 X2
A(0,0) Z=0
B(0,500) Z=2000
C(400,300) Z=2400
D(400,0) Z=1200
X1 0 4
X2 3 0


2012
69


2012
70

Los pasos bsicos del mtodo M son los siguientes:
1. Exprese el problema en forma estndar transformando las inecuaciones en ecuaciones
introduciendo variables de holgura.
2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones
correspondientes a las restricciones de tipo (>=) o (=). Estas variables se denominan
variables artificiales y su adicin hace que las restricciones correspondientes.
Esta dificultad se elimina asegurando que las variables sean 0 en la solucin final. Esto se
logra asignando una penalizacin muy grande por unidad a estas variables en la funcin
objetivo. Tal penalizacin se designar como M para problemas de maximizacin y +M
para problemas de minimizacin.
3. Utiliza las variables artificiales en la solucin bsica inicial; sin embargo la funcin
objetivo de la tabla inicial se prepara adecuadamente para expresarse en trminos de las
variables no bsicas nicamente. Esto significa que los coeficientes de las variables
artificiales en la funcin objetivo deben ser 0 un resultado que puede lograrse sumando
mltiplos adecuados de las ecuaciones de restriccin al rengln objetivo.
4. Proceda con los pasos regulares del mtodo simplex.

EJEMPLO:

Minimizar
Sujeto a:

Minimizar
Sujeto a:


2012
71
Minimizar
Sujeto a:

Minimizar
Sujeto a:

V.B. Z X1 X2 X3 S1 S2 R1 Solucin
Z 1 -3 -2 -4 0 0 -M 0
R1 0 2 2 3 -1 0 1 15
S2 0 2 3 1 0 1 0 12

Z 1 -3+2M -2+2M -4+3M -M 0 0 15M
R1 0 2 2 3 -1 0 1 15
S2 0 2 3 1 0 1 0 12

Criterio para seleccionar la variable entrante:

Maximizacin : El valor mayor negativo del rengln Z.
Minimizacin : El valor mayor positivo del rengln Z.


2012
72
Z 1 -1/3 2/3 0 -4/3 0 4/3-M 20
X3 0 2/3 2/3 1 -1/3 0 1/3 5
S2 0 4/3 7/3 0 1/3 1 -1/3 7

Z 1 -5/7 0 0 -10/7 -2/7 10/7-M 18
X3 0 2/7 0 1 -3/7 -2/7 3/7 3
X2 0 4/7 1 0 1/7 3/7 -1/7 3

EJEMPLO:

Maximizar
Sujeto a:

Maximizar
Sujeto a:

Maximizar
Sujeto a:


2012
73

Maximizar
Sujeto a:

V.B. Z X1 X2 S1 S2 R1 R2 Solucin
Z 1 -4 -1 0 0 M M 0
R1 0 3 1 0 0 0 0 3
R2 0 4 3 -1 0 1 1 6
S2 0 1 2 0 1 0 0 3

Z 1 -4-7M -1-4M M 0 0 0 -9M
R1 0 3 1 0 0 0 0 3
R2 0 4 3 -1 0 1 1 6
S2 0 1 2 0 1 0 0 3

Z 1 0 1/3-
5/3M
M 0 4/3+7/3M 0 4-2M
X1 0 1 1/3 0 0 1/3 0 1
R2 0 0 5/3 -1 0 -4/3 0 2
S2 0 0 5/3 0 1 -1/3 1 2

Z 1 0 0 1/5 0 8/5+M -1/5+M 18/5
X1 0 1 0 1/5 0 3/5 3/5
R2 0 0 1 -3/5 0 -4/5 3/5 6/5
S2 0 0 0 1 1 1 -1 1


2012
74


2012
75

ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que
trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer
problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el
mtodo Simplex normal.

FASE I:
Se realiza la minimizacin de una funcin que est compuesta por la suma de los
valores de las variables artificiales; para el sistema aumentado del problema
original. (Independientemente de qu funcin objetivo tenga el problema original).
Si en la solucin ptima de la FASE I, el valor de las variables artificiales es de cero,
se procede con la FASE II tomando la solucin bsica factible resultante.
Si alguna de las variables artificiales tiene un valor distinto a cero, el problema
original es infactible.

FASE II:
Utilizando la solucin bsica factible final de la FASE I, se resuelve el problema
original, esto es, se resuelve para la funcin objetivo del problema original; si se
desea, se pueden eliminar las columnas artificiales.
Ntese que primeramente debe actualizarse correctamente el rengln cero para el
conjunto de variables bsicas que defini la FASE I.
Con la tabla en forma correcta se procede a optimizar de forma habitual siguiendo
el algoritmo Simplex.

Nota: Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no
tiene solucin y termina anotndose que no existen soluciones factibles.
A modo resumen podemos dejar esta tabla, segn la desigualdad que aparezca, y con el
valor que deben estar las nuevas variables.

Tipo de desigualdad Tipo de variable que aparece
- exceso + artificial
= + artificial
+ holgura
PROBLEMA 1:
Minimizar Z = 2000X1 + 500X2


2012
76
Sujeto a:

SOLUCIN:
Minimizar Z = 2000X1 + 500X2
Sujeto a:
2X1 + 3X2 - S1 + 0S2 + R1 + 0R2 = 36
3X
1
+ 6X
2
- 0S
1
+ S
2
+ 0R
1
+ R
2
= 60
X1, X2, S1, S2, R1, R2 0

FASE I:
Ahora para resolver como un problema de minimizacin:
Minimizar Z = 0X1 + 0X2 - 0S1 - 0S2 - R1 - R2 = 0
Sujeto a:
2X1 + 3X2 - S1 + 0S2 + R1 + 0R2 = 36
3X1 + 6X2 - 0S1 + S2 + 0R1 + R2 = 60
X1, X2, S1, S2, R1, R2 0
TABLA 01:

Los coeficientes de las variables bsicas en el segundo regln no son correctos, de debe
reducir a cero.

Z 1 0 0 0 0 -1 -1 0
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60


2012
77
La nueva ecuacin Z:
Ec. Z anterior: 1 0 0 0 0 -1 -1 0
-(-1)*(n.e.p): 0 2 3 -1 0 1 0 36
1 2 3 -1 0 0 -1 36

TABLA 02:

La nueva ecuacin Z:
Ec. Z anterior: 1 2 3 -1 0 0 -1 36
-(-1)*(n.e.p): 0 3 6 0 -1 0 1 60
1 5 9 -1 -1 0 0 96

TABLA 03:

La tabla ya es correcta y con esta se resuelve por algoritmo simplex.

TABLA 04:

Z 1 2 3 -1 0 0 -1 36
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60
Z 1 5 9 -1 -1 0 0 96
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60
Z 1 5 9 -1 -1 0 0 96
R1 0 2 3 -1 0 1 0 36
R2 0 3 6 0 -1 0 1 60
Coeficiente de mayor valor
positivo de las variables no
bsicas
Menor valor positivo
60/6=10
Elemento pivote


2012
78
Nueva ecuacin pivote (n.e.p):

La nueva ecuacin Z:
Ec. Z anterior: 1 5 9 -1 -1 0 0 96
-(9)*(n.e.p): 0 -
9/2
-9 0 3/2 0 -3/2 -
90
1 1/2 0 -1 1/2 0 -3/2 6

La nueva ecuacin R1:
Ec. R1 anterior: 0 2 3 -1 0 1 0 36
-(3)*(n.e.p): 0 -
3/2
-3 0 1/2 0 -1/2 -
30
0 1/2 0 -1 1/2 1 -1/2 6

TABLA 05: Primera iteracin


La nueva ecuacin Z:
Ec. Z anterior: 1 1/2 0 -1 1/2 0 -3/2 6
-(1/2)*(n.e.p): 0 -
1/2
0 1 -1/2 -1 1/2 -6
1 0 0 0 0 -1 -1 0

La nueva ecuacin X2:
Ec. X2 anterior: 0 1/2 1 0 -1/6 0 1/6 10
-(1/2)*(n.e.p): 0 -
1/2
0 1 -1/2 -1 1/2 -6
0 0 1 1 -2/3 -1 2/3 4

0 1/2 1 0 -1/6 0 1/6 10
Z 1 1/2 0 -1 1/2 0 -3/2 6
R1 0 1/2 0 -1 1/2 1 -1/2 6
X2 0 1/2 1 0 -1/6 0 1/6 10
0 1 0 -2 1 2 -1 12


2012
79
TABLA 06: Segunda iteracin

Actualizando, la tabla es ptima, por lo tanto finaliza la FASE I y se tiene una solucin
bsica factible.

FASE II:
Minimizar Z = 2000X1 +500X2 + 0S1 + 0S2
Z - 2000X1 -500X2 - 0S1 - 0S2 = 0
Se toma la solucin bsica factible de la FASE I como la solucin inicial, se eliminan las
columnas artificiales.
TABLA 01:
V. B. Z X1 X2 S1 S2 Solucin
Z 1 -2000 -500 0 0 0
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4
Se reduce a cero el coeficiente de las variables bsicas para tener la tabla correcta.
TABLA 02:
Z 1 -2000 -500 0 0 0
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

La nueva ecuacin Z:
Ec. Z anterior: 1 -2000 -500 0 0 0
-(-2000)*(n.e.p): 0 2000 0 -4000 2000 24000
1 0 -500 -4000 2000 24000

Z 1 0 0 0 0 -1 -1 0
X1 0 1 0 -2 1 2 -1 12
X2 0 0 1 1 -2/3 -1 2/3 4
Columnas artificiales


2012
80
TABLA 03:
Z 1 0 -500 -4000 2000 24000
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

La nueva ecuacin Z:
Ec. Z anterior: 1 0 -500 -4000 2000 24000
-(-500)*(n.e.p): 0 0 500 500 -
1000/3
2000
1 0 0 -3500 5000/3 26000

TABLA 04:
Z 1 0 0 -3500 5000/3 26000
X1 0 1 0 -2 1 12
X2 0 0 1 1 -2/3 4

Actualizamos la tabla para verificar si es ptima.

La nueva ecuacin Z:
Ec. Z anterior: 1 0 0 -3500 5000/3 26000
-(5000/3)*(n.e.p): 0 -
5000/3
0 -10000/3 -
5000/3
-60000/3
1 -
5000/3
0 -500/3 0 6000

La nueva ecuacin X2:
Ec. X2 anterior: 0 0 1 1 -2/3 4
-(-2/3)*(n.e.p): 0 2/3 0 -4/3 2/3 8
0 2/3 1 -1/3 0 12
0 1 0 -2 1 12
Variables no bsicas
Coeficiente de mayor valor
positivo de las variables no
bsicas
Menor valor
positivo
60/6=10
Elemento
pivote


2012
81
TABLA 05: Primera iteracin
Z 1 -5000/3 0 -500/3 0 6000
S2 0 1 0 -2 1 12
X2 0 2/3 1 -1/3 0 12

Solucin ptima:
X1 = 0
X2 = 12
Z = 6000
PROBLEMA 2:
Maximizar
Sujeto a:

FASE I.
En la FASE I siempre es un problema de minimizacin.
Minimizar
Sujeto a:

TABLA 1:
V. Bsica Z X1 X2 X3 S1 R1 Solucin
Z 1 0 0 0 0 -1 0
S1 0 3 6 1 1 0 20
R1 0 3 1 2 0 1 15


2012
82
TABLA 2:
Z 1 3 1 2 0 -1 15
S1 0 3 6 1 1 0 20
R1 0 3 1 2 0 1 15
TABLA 3:
Z 1 0 0 0 0 -1 0
S1 0 0 5 -1 1 -1 5
X1 0 1 1/3 2/3 0 1/3 5

FASE II.
Maximizar

TABLA 1:
V. Bsica Z X1 X2 X3 S1 Solucin
Z 1 -6 -4 -4 0 0
S1 0 0 5 -1 1 5
X1 0 1 1/3 2/3 0 5

TABLA 2:
Z 1 0 -2 0 0 30
S1 0 0 5 -1 1 5
X1 0 1 1/3 2/3 0 5
TABLA 3:
Z 1 0 0 -2/5 2/5 32
X2 0 0 1 -1/5 1/5 1
X1 0 1 0 11/15 -1/15 14/3


2012
83
TABLA 4:
Z 1 6/11 0 0 4/11 380/11
X2 0 3/11 1 0 2/11 25/11
X1 0 15/11 0 1 -5/11 70/11


2012
84


2012
85

ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que
trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer
problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el
mtodo Simplex normal.
Cada problema de programacin lineal tiene un segundo problema asociado con l. Uno se
denomina primal y el otro dual. Los 2 poseen propiedades muy relacionadas, de tal
manera que la solucin ptima a un problema proporciona informacin completa sobre la
solucin ptima para el otro.
Las relaciones entre el primal y el dual se utilizan para reducir el esfuerzo de cmputo en
ciertos problemas y para obtener informacin adicional sobre las variaciones en la
solucin ptima debidas a ciertos cambios en los coeficientes y en la formulacin del
problema. Esto se conoce como anlisis de sensibilidad o post-optimidad.
Definicin del problema dual.
Para poder elaborar el problema dual a partir del primal, este se debe presentar en su
forma cannica de la siguiente forma:
Maximizar
Sujeto a:

El problema dual se puede obtener a partir del problema primal y viceversa de la siguiente
manera:
Cada restriccin de un problema corresponde a una variable en el otro.
Los elementos del lado derecho de las restricciones en un problema son iguales a
los coeficientes respectivos de la funcin objetivo en el otro.
Un problema busca maximizar y el otro minimizar.
El problema de maximizacin tiene restricciones que y el problema de
minimizacin tiene restricciones que.


2012
86
Las variables en ambos casos son no negativas.
EJEMPLO:
Considere el problema primal siguiente:
Maximizar
Sujeto a:

Elaborar el dual a partir del primal.

Minimizar

Sujeto a:

Cuando el problema primal no est en forma cannica, es necesario hacer ajustes para
poder presentarlo as. Los cambios ms frecuentes son:
Si la funcin objetivo es minimizar, se puede transformar a una funcin objetivo de
maximizar de la siguiente forma:
Minimizar

Maximizar
Una restriccin mayor o igual que se transforma en una restriccin menor o igual
que de la siguiente manera:


2012
87

Una restriccin de igualdad se transforma en 2 inecuaciones.

Ejemplo: (Primal).
Maximizar
Sujeto a:

Maximizar
Sujeto a:


2012
88
Dual
Minimizar
Sujeto a:

DESARROLLO DEL MTODO DUAL SIMPLEX.
Este mtodo se aplica a problemas ptimos pero infactibles. En este caso, las restricciones
se expresan en forma cannica (restricciones ).
La funcin objetivo puede estar en la forma de maximizacin o de minimizacin. Despus
de agregar las variables de holgura y de poner el problema en la tabla, si algn elemento
de la parte derecha es negativo y si la condicin de optimidad est satisfecha, el problema
puede resolverse por el mtodo dual simplex. Note que un elemento negativo en el lado
derecho significa que el problema comienza ptimo pero infactible como se requiere en el
mtodo dual simplex. En la iteracin donde la solucin bsica llega a ser factible esta ser
la solucin ptima del problema.
Condicin de factibilidad.
La variable que sale es la variable bsica que tiene el valor ms negativo (los empates se
rompen arbitrariamente si todas las variables bsicas son negativas, el proceso termina y
esta ltima tabla es la solucin ptima factible).
Condicin de optimidad.
La variable que entra se elige entre las variables no bsicas como sigue. Tome los cocientes
de los coeficientes de la funcin objetivo entre los coeficientes correspondientes a la
ecuacin asociada a la variable que sale.
Ignore los cocientes asociados a denominadores positivos o cero.
La variable que entra es aquella con el cociente ms pequeo si el problema es de
minimizar o el valor absoluto ms pequeo si el problema es de maximizacin (rompa los
empates arbitrariamente). Si los denominadores son ceros o positivos el problema no
tiene ninguna solucin factible.
PROBLEMA:
Minimizar


2012
89
Sujeto a:

Minimizar

Sujeto a:

TABLA 01:
V. Bsica Z X1 X2 S1 S2 Solucin
Z 1 -2000 -1000 0 0 0
S1 0 -3 -1 1 1 -40
S2 0 -2 -2 0 0 -60
TABLA 02:
Z 1 -1000 0 0 -500 30000
S1 0 -2 0 1 -1/2 -10
X2 0 1 1 0 -1/2 30
TABLA 03:
Z 1 0 -1000 -500 -250 35000
S1 0 1 -1 -1/2 1/ 4 5
S2 0 0 -2 1/ 2 -5/4 25


2012
90


2012
91

PROBLEMA PRIMAL Y PROBLEMA DUAL

Cada problema de programacin lineal lleva asociado un problema dual con el que
prcticamente est muy relacionado.
Para calcular el problema dual, partimos del problema de programacin lineal expresado de
la forma siguiente (habitual en todos nuestros problemas):

- Maximizar la funcin objetivo: Z = c1x1 + c2x2 + + cnxn
- Poner las restricciones en la forma siguiente:

a11x1 + a12x2 + + a1nxn <= b1
a21x1 + a22x2 + + a2nxn <= b2

am1x1 + am2x2 + + amnxn <= bm

El problema dual va a definirse de la siguiente forma:

- Minimizar una funcin Z con unas variables distintas a Z y con los coeficientes
derechos de las restricciones como coeficientes. Quedara como sigue:
Z = b1y1 + b2y2 + + bnyn
o El problema dual tiene tantas variables como inecuaciones el sistema de
restricciones del problema primal.
o Los coeficientes de la funcin objetivo del dual son los trminos independientes
de las restricciones del primal.

- Las restricciones quedaran de la forma siguiente:

a11y1 + a21y2 + + am1yn >= c1
a22y1 + a22y2 + + am2yn >= c2

a1my1 + a2my2 + + amnyn >= cn

o El sistema de restricciones del dual tiene tantas inecuaciones ligadas por el
signo >= como variables tiene el primal.
o Los coeficientes de las inecuaciones del sistema de restricciones del problema
dual son los mismos que los del sistema de restricciones del problema primal
cambiando filas por columnas.
o Los trminos independientes de las inecuaciones del sistema de restricciones
del dual son los trminos de la funcin objetivo del primal.


2012
92

Un ejemplo de transformacin primal/dual sera el que sigue:

Para hallar la correspondencia entre ambos problemas se suele utilizar la tabla primal dual
o de Tucker. En ella se puede observar el problema primal por filas, es decir verticalmente.
Por columnas, es decir horizontalmente, se observa el problema dual.


2012
93
Para el ejemplo anterior tendramos lo siguiente:

Como conclusin la transformacin del problema primal en el dual (y viceversa) sera como
sigue:
Mecnicamente el dual es formulado partiendo del problema primal en la siguiente
forma:

Si el primal es un problema de Maximizacin, el dual es un problema de Minimizacin y
viceversa.

1. Los coeficientes de la funcin objetivo del primal se convierten en las restricciones
constantes de las ecuaciones del dual.

2. Las restricciones de las ecuaciones del primo se convierten en los coeficientes de la
funcin objetivo del dual.

3. Los coeficientes de las variables del dual en las ecuaciones restrictivas son obtenidas
sacando la transpuesta de la matriz de coeficientes del primo (los arreglos de los
coeficientes en las columnas del primo se convierten en los coeficientes de las filas en
el dual y viceversa).

4. Los signos de la desigualdad son invertidos.

5. Las Xn variables del primo son remplazadas por Wm variables en el dual.

Notacin matemtica

Primal Contiene m ecuaciones y n variables.
Dual Contiene n ecuaciones y m variables.


2012
94
La notacin matricial del Primal es:
Max Z = CX
Sujeto a :
AX b
X 0

La notacin matricial del Dual es:
Min G=bt W
Sujeto a :
At W Ct
W 0

RELACION DE LOS PROBLEMAS PRIMO Y DUAL


2012
95
METODOS PARA DETERMINAR LOS VALORES DUALES OPTIMOS

METODO I:
Valores ptimos de las
variables duales
=
Coeficiente
objetivos originales
X
Inversa primal
optima
METODO II:
Coeficientes primal
optimo
=
Lado izquierdo de las
restricciones
-
Lado derecho de
las restricciones

EJERCICIO N 1:
Maximizar:

S.a:

Estandarizando, Ordenando y formado la diagonal:

Maximizar:
S.a:


2012
96

Despejando R1:

Reemplazando R1 en Z:

Maximizar:

( )

( ) ( ) ( )

Por lo tanto tenemos:
( ) ( ) ( )
S.a:

Construimos nuestra tabla:

V. BASICA Z X1 X2 X3 X4 R1 SOLUCION
Z 1 -5-2M -12+M -4-3M 0 0 -8M
X4 0 1 2 1 1 0 10
R1 0 2 -1 3 0 1 8

Elemento Pivote 3
Ecuacin Pivote 0 2 -1 3 0 1 8
N.E.P 0 2/3 -1/3 1 0 1/3 8/3
V.E.
Ecuacin
pivote
V.S.
Elemento
pivote


2012
97

Hallando valores de z:
Ec. Z Ant. 1 -5-2M -12+2M -4-3M 0 0 -8M
-(-5-
2M)(NEP)
0 2/3(4+3M) -1/3(4+3M) 4+3M 0 1/3(4+3M) 8/3(4+3M)
Nueva Ec. Z 1 -7/3 -40/3 0 0 4/3+M 32/3

Hallando valores de X4:
Ec. X4 Ant 0 1 2 1 1 0 10
-(1)(NEP) 0 -2/3 1/3 -1 0 -1/3 -8/3
Nueva Ec. X4 0 1/3 7/3 0 1 -1/3 22/3

Z 1 -7/3 -40/3 0 0 4/3+M 32/3
X4 0 1/3 7/3 0 1 -1/3 22/3
X3 0 2/3 -1/3 1 0 1/3 8/3

Z 1 -7/3 -40/3 0 0 4/3+M 32/3
X4 0 1/3 7/3 0 1 -1/3 22/3
X3 0 2/3 -1/3 1 0 1/3 8/3
Elemento Pivote 7/3
Ecuacin Pivote 0 1/3 7/3 0 1 -1/3 22/3
N.E.P 0 1/7 1 0 3/7 -1/7 22/7


2012
98
Z 1 -3/7 0 0 40/7 -4/7+M 368/7
X2 0 1/7 1 0 3/7 -1/7 22/7
X3 0 5/7 0 1 1/7 2/7 26/7
Ec. Ant de Z 1 -7/3 -40/3 0 0 4/3+M 32/3
-(-
40/3)(NEP)
0 40/21 40/3 0 40/7 -40/21 880/21
Nueva Ec. Z 1 -3/7 0 0 40/7 -4/7+M 368/7

Ec. Ant de X3 0 2/3 -1/3 1 0 1/3 8/3
-(-1/3)(NEP)
0 1/21 1/6 0 1/7 -1/21 22/21
Nueva Ec. X3 0 5/7 0 1 1/7 2/7 26/7

Z 1 0 0 3/5 29/5 -2/5+M 274/5
X2 0 0 1 -1/5 2/5 -1/5 12/5
X1 0 1 0 7/5 1/5 2/5 26/5

Ec. Ant de Z 1 -3/7 0 0 40/7 -4/7+M 368/7
-(1/7)(NEP)
0 3/7 0 3/5 3/35 6/35 78/35
Nueva Ec. Z 1 0 0 3/5 29/5 -2/5+M 274/5
Elemento Pivote 5/3
Ecuacin Pivote 0 5/7 0 1 1/7 2/7 26/7
N.E.P 0 1 0 7/5 1/5 2/5 26/5


2012
99
Ec. Ant de X2 0 1/7 1 0 3/7 -1/7 22/7
-(1/7)(NEP)
0 -1/7 0 -1/5 -1/35 -2/35 -26/35
Nueva Ec. X2 0 0 1 -1/5 2/5 -1/5 12/5

Maximizar:

S.a:

Minimizar:
S.a:


2012
100
TABLA PRIMAL PTIMA

Z 1 0 0 3/5 29/5 -2/5+M 274/5
X2 0 0 1 -1/5 2/5 -1/5 12/5
X1 0 1 0 7/5 1/5 2/5 26/5

RESULTADO DUAL SIN DESARROLLAR EL DUAL

Valores ptimos de las
variables duales
=
Coeficiente
objetivos originales
X
Inversa primal
optima

Matriz Inversa ptima
12,5

X =

=
=


2012
101

Resultado Desarrollando DUAL

Coeficientes
primal optimo
=
Lado izquierdo de
las restricciones
-
Lado derecho de
las restricciones

Teniendo en cuenta las variables X4 y R1 de la Ec. DUAL

Restricciones X4:
Restricciones R1:

Y de acuerdo a la tabla de X4 y R1 (Matriz Inversa ptima) Valores de Z:

Coeficiente Z de X4 =

Coeficiente Z de R1 =

Usamos La Formula:

PARA X4:

PARA R1:
()


2012
102

ANEXO
WinQSB


2012
103


2012
104


2012
105

En aplicaciones prcticas a menudo ocurre que no solamente interesa la solucin del
problema propuesto sino tambin se desea saber cmo cambia esta solucin si las
condiciones inciales del problema se modifican (por ejemplo si cambian los coeficientes de la
funcin objetivo (cj), los recursos disponibles(bj) y la cantidad de recursos (aij) utilizada
para producir una unidad de un producto.las investigaciones que tratan los cambios en la
solucin optima debido a cambios en los datos son llamadas anlisis de sensibilidad . en
cierto sentido el anlisis de sensibilidad convierte la solucin esttica de programacin
lineal en un instrumento dinmico que evala las condiciones cambiantes. Por tanto
adquiere mayor utilidad como instrumento administrativo ya que los negocios y las
industrias estn sometidos a cambios continuos y a una subsiguiente revaluacin.
Finalmente diremos que en el presente capitulo trataremos del anlisis de sensibilidad que
determina los rangos de variacin de los (cj, bj, aij) para el cual la solucin tal como se
enuncio originalmente, permanece optima.

Un modelo de programacin lineal es una foto instantnea de una situacin real en la que los
parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) asumen
valores estticos. Para aumentar la aplicacin de la programacin lineal en la prctica, se
necesita agregar una dimensin dinmica que investigue el impacto que tiene hacer cambios
en los parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) sobre
la solucin ptima. A este proceso se le llama anlisis de sensibilidad, porque estudia la
sensibilidad de la solucin ptima respecto a los cambios que se hagan en el modelo.
Trataremos sobre la investigacin de dos casos de anlisis de sensibilidad basados en la
solucin grafica de la programacin lineal:

Los anlisis ms importantes son:
1. Los coeficientes de la funcin objetivo; y
2. Los trminos independientes de las restricciones
y se pueden abordar por medio del Mtodo Grfico o del Mtodo Simplex.


2012
106

La funcin objetivo en general en un problema de programacin lineal con dos variables se
puede escribir como sigue:

Los cambios de
harn cambiar la pendiente de z y en consecuencia, posiblemente el

punto de esquina optima. Sin embargo hay un intervalo de variacin tanto para
como
para
, dentro del cual el ptimo del momento permanece sin cambio. En forma especfica
nos interesa determinar el intervalo de optimalidad de la relacin
(o de
) donde se
mantenga sin cambio la solucin ptima del momento.
Grficamente se mostrara en el siguiente ejemplo los efectos de cambiar los coeficientes de la
funcin objetivo.
EJEMPLO 1.
Una fbrica de artculos para el hogar manufactura dos artefactos A y B.
Ambos sufren 3 procesos en el mismo orden que son:
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso son 480, 600 y 450 respectivamente.
El artefacto A deja un beneficio de S/. 100/unidad en tanto que el B proporciona S/.
120/unidad
El cuadro de coeficientes de transformacin es el que se indica a continuacin:

Cuantos artefactos
de A y B deben
producir para obtener el mximo de beneficio?

A B DISPONIBILIDAD
Maquinado 4 8 480
Armado 5 6 600
Montaje 12 8 540
Beneficio 100 120


2012
107

SOLUCION:
Max Z=100 x1 +120x2
Sujeta a:
4 x1 +8 x2 480
5 x1 +6 x2 00
12 x1 +8 x2 540
x1 , x2 0

Grficamente se tiene:

100
100 x1 +120x2 =7500

56.25
40

20

20 40 60 120
7.5

Recordemos que las variables estructurales son aquellas con las que se planteo originalmente
el problema de programacin lineal, en nuestro caso: x1, x2 y x3; pero, dentro de las
variables estructurales podemos distinguir variables bsicas (x2 y x3) (aparecen en la
primera columna de la tabla simplex final y definen la solucin ptima)y variables no bsicas
(x1); entonces, el anlisis de sensibilidad para los coeficientes de la funcin objetivo de estas
variables depende de si la variable es bsica o no.}
2
1
3


2012
108

Este es el anlisis ms sencillo ya que si la variable es no bsica, entonces tiene un coeficiente
distinto de cero en la ltima fila de la tabla simplex final, este coeficiente es el mximo valor
que el coeficiente de la funcin objetivo de dicha variable puede aumentar manteniendo la
solucin ptima.
Procedimiento:
a) Se lee de la tabla simplex final, el trmino que pertenece a la columna de la variable no
bsica en la ltima fila y se le resta una variable cualquiera.
b) Se plantea la condicin de optimalidad; es decir, que este nuevo trmino debe ser positivo
(mayor que cero) para que la solucin siga siendo ptima.
c) Se resuelve la desigualdad.
d) Se suma a ambos lados de la desigualdad el coeficiente de la funcin objetivo que
acompaa a la variable y este resultado es el intervalo de sensibilidad del coeficiente.
Anlisis para la variable no bsica x1:


2012
109

Cuando las variables son bsicas, el procedimiento para el anlisis de sensibilidad vara un
poco, pero conserva su lgica.
Procedimiento:
a) Se reemplaza el cero en la ltima fila de la columna de la variable por el negativo de la
variable (-) .
b) Ahora la tabla ya no es ptima, pues existe un elemento negativo en la ltima fila, por
tanto normaliza la columna de la variable, es decir se debe generar un cero en la posicin
donde esta -.
c) Se plantea la condicin de Optimalidad; es decir, que todos los trminos de la ltima fila de
la tabal simplex deben ser positivos (mayor que cero) para que la solucin siga siendo
ptima .
d) Se resuelven las desigualdades individualmente y se interceptan los conjuntos soluciones.
e) Se suma a todos los lados de la desigualdad el coeficiente de la funcin objetivo que
acompaa a la variable y este resultado es el intervalo de sensibilidad del coeficiente.


2012
110


2012
111

El problema relativo a encontrar el rango de sensibilidad de los trminos independientes de
las restricciones (recursos) se reduce al problema anterior sin mayor esfuerzo adicional
recordando que en el dual los trminos independientes del primal son precisamente los
coeficientes de la funcin objetivo. Por lo tanto para analizar los efectos que originan
variaciones en los valores de los recursos o restricciones procederemos del siguiente modo.
Al llegar a la solucin optima del problema primal construimos la ltima tabla (optima) del
problema dual planteado haciendo uso de la correspondencia entre dichas tablas.
En esta tabla optima del dual ensayaremos las variaciones de los coeficientes de la funcin
objetivo de este problema con la tcnica usada en el punto anterior (Sensibilidad de los
Coeficientes de la funcin objetivo (cj)).

Para ilustrar estos conceptos utilizaremos el ejemplo anterior el dual de este ejemplo es:
Max Z=100 x1 +120x2
Sujeta a:
4 x1 +8 x2 480 PRIMAL
5 x1 +6 x2 00
12 x1 +8 x2 540
x1 , x2 0

Min w=480y1 +600 y2 +540 y3
Sujeto a: DUAL
4 y1 +5 y2 + 12 y3 100
8 y1+ 6 y2 + 8 y3 120

A partir de la solucin ptima del problema primal se construye la ltima tabla (optima) del
dual como se muestra a continuacin:


2012
112

SENSIBILIDAD DE b1
Para el rango superior de b1, en la tabla anterior se busca en la fila2 los aij >0ya que se
trata de un problema de minimizacin y as ubicamos y 1/8 tambin Z2-C2=225 y Z4-
C4=15/2 .
Luego aplicamos:
|

|
]

Debido a que existen dos aij >0; tenemos que encontrar 2 cocientes y de ellos escoger el
mnimo esto es:
[
|

|
]
|

|
]

Luego el rango superior es:
b1 =480+60=540
para el rango inferior de b1
Se busca la fila 2 de la tabla anterior los

<0 y asi hallamos -3/16
Luego:
b1 =480 -

el rango de sensibilidad de b1 resulta:
180 < b1 <540

V. BASICA Y1 Y2 Y3 Y4 SOLUCION
Z 1 -225 0 -15/2 -225/4 7500
Y3 0 1 -1/8 1/16 5
Y1 0 0 1/8 -3/16 10


2012
113

SENSIBILIDAD DE b2
Debido a que y2 es una variable no bsica utilizamos el concepto visto en la Sensibilidad de
los Coeficientes de la Funcin Objetivo y de la tabla anterior se tiene:
Para el rango inferior:
b2 =b1-b2 =600-255=375
Lmite superior no tiene, luego:
El rango de sensibilidad de b2 resulta:
375 b2
SENSIBILIDAD DE b3
El rango de sensibilidad de b3 resulta:
480 b3 1440


2012
114


2012
115

El Problema de Trasporte se presenta frecuentemente a planear la distribucin de bienes y
servicios desde varias localizaciones de suministro hacia varias localizaciones de demanda.

- La cantidad de bienes disponibles en cada localizacin de suministro (origen) es
limitada.
- La cantidad de bienes necesarios en cada una de las localizaciones de demanda
(destino) es conocida.
- E objetivo generalmente de minimizar costos de traslado de los bienes desde los
orgenes hasta los destinos.

El modelo de transporte busca determinar un plan de transporte de una mercanca de varias
fuentes a varios destinos. Los datos del modelo son:
1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.


2012
116
2. El costo de transporte unitario de la mercanca a cada destino.
Como solo hay una mercanca un destino puede recibir su demanda de una o ms fuentes. El
objetivo del modelo es el de determinar la cantidad que se enviar de cada fuente a cada
destino, tal que se minimice el costo del transporte total.
La suposicin bsica del modelo es que el costo del transporte en una ruta es directamente
proporcional al nmero de unidades transportadas. La definicin de unidad de transporte
variar dependiendo de la mercanca que se transporte.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n
destinos. Una fuente o un destino est representado por un nodo, el arco que une fuente y un
destino representan la ruta por la cual se transporta la mercanca. La cantidad de la oferta
en la fuente i es ai, y la demanda en el destino j es bj. El costo de transporte unitario entre la
fuente i y el destino j es Cij.

Si Xij representa la cantidad transportada desde la fuente i al destino j, entonces, el modelo
general de PL que representa el modelo de transporte es:
Minimiza Z= E i=1 m E j=1 n C i j X i j
Sujeta a:
E j=1 n X i j <= ai , i=1,2,, m
E i=1 m X I j >= bj , j=1,2,, n
X i j >=0 para todas las i y j
FUENTES DESTINO
1
2
N
1
2
N
Unidades
de
Demanda
Unidades
de
Oferta
.
.
.
.
a1
a2
a
n

b1
b2
b
n

Xij


2012
117
El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no
puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere que la suma
de los envos a un destino satisfaga su demanda.
El modelo que se acaba de escribir implica que la oferta total Ei=1 m ai debe ser cuando
menos igual a la demanda total Ej=1 n bj. Cuando la oferta total es igual a la demanda total,
la formulacin resultante recibe el nombre de modelo de transporte equilibrado. Este difiere
del modelo solo en el hecho de que todas las restricciones son ecuaciones, es decir:
EX i j = ai, i=1,2,..., m
EX i j = bj, j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor que ella.
Sin embargo, un modelo de transporte siempre puede equilibrarse. El equilibrio, adems de
su utilidad en la representacin a travs de modelos de ciertas situaciones prcticas, es
importante para el desarrollo del mtodo de solucin que explote completamente la
estructura especial del modelo de transporte. Los dos ejemplos que siguen presentan la idea
del equilibrio y tambin sus implicaciones prcticas.
Aunque la solucin ptima de estos problemas y de cualquier problema de PL puede ser
encontrada por el Mtodo Simplex, el modelo de transporte tiene una estructura especial que
permite resolverlos mucho ms eficientemente.
El modelo de transporte en forma estndar se trabaja en una tabla similar a la que se
presenta para un problema con tres bodegas y cuatro mercados


2012
118

El algoritmo de transporte sigue exactamente los mismos pasos que el mtodo simplex.
Sin embargo, en lugar de usar la tabla simplex normal, se aprovecha la ventaja de la
estructura especial del modelo de transporte para organizar los clculos en una forma ms
cmoda.
Se debe agregar que el algoritmo especial de transporte fue desarrollado por primera
vez cuando la norma eran los clculos a mano, y se necesitaba solucionescon mtodo
abreviado. Hoy contamos con poderosos programas de cmputo que pueden resolver un
modelo de transporte de cualquier tamao en forma de programacin lineal.
Los pasos del algoritmo de transporte son exactamente iguales a los del algoritmo simplex:
Paso 1: determinar una solucin bsica factible de inicio y seguir con el paso 2.
Paso 2: usar la condicin de optimalidad del mtodo simplex para determinar la variable de
entrada entre todas las variables no bsicas. Si se satisface la condicin de optimalidad,
detenerse. En caso contrario seguir en el paso 3.
Paso 3: usar la condicin de factibilidad del mtodo simplex para determinar la variable de
salida entre todas las variables bsicas en ese momento, y determinar la nueva solucin
bsica. Regresar al paso 2.
La estructura especial del modelo de transporte permite asegurar que haya una
solucin bsica no artificial de inicio, obtenida con uno de los cuatro mtodos siguientes:
1.- Mtodo de la Esquina Noreste (superior, izquierda).
2.- Mtodo del Costo Mnimo.
3.- Mtodo de Aproximacin de Vogel.
4.- Mtodo de Russell


2012
119


2012
120

La Compaa Minera Fernndez S. A. debe abastecer mineral a 4 plantas procesadoras
ubicadas en Piura (1), Trujillo (2), Lima (3), y Arequipa (4); las minas donde se extrae
material estn ubicadas en Cajamarca (A), Huaraz (B), Cerro de Pasco (C). Para el prximo
ao las plantas procesadoras requieren las cantidades del mineral que se presenta en el
cuadro 1 ; as mismo los datos e capacidad de abastecimiento que las minas ofrecen a las
procesadoras se muestran en el cuadro (2) y en el cuadro (3) se presenta el costo de
transporte por cada tonelada.
La compaa tiene como objetivo incurrir en el menor nivel de costo en el transporte de todo
el mineral.

Todo problema de transporte se pueden resolver a travs de un programa Lineal o mediante
los algoritmos de transporte.

# Rutas = m + n 1

m # de orgenes
n # de destino
PLANTA
MINERAL
TN
PIURA(1) 700
TRUJILLO(2) 300
LIMA(3) 800
AREQUIPA(4) 1200
MINA
TN
MINERAL
TN
CAJAMARCA(A) 1500
HUARAZ(B) 900
CERRO DE PASCO(C) 600
MINA
DESTINO
1 2 3 4
A 11 18 15 14
B 17 8 20 12
C 15 16 13 22


2012
121

Adems se debe de cumplir la de la Oferta = de la Demanda
3000 = 3000

1 Solucin mediante un programa lineal.

ORIGEN DESTINO

700

1500

300
900

800
600

1200

Minimizacin z = XA1 + CA1 + XA2 + CA2 + XA3 + CA3 + XA4 + CA4

XB1 + CB1 + XB2 + CB2 + XB3 + CB3+ XB4 + CB4

XC1 + CC1 + XC2 + CC2 + XC3 + CC3 + XC4 +CC4

1) Demanda: Debe satisfacerse la demanda de cada planta

Restricciones en el Destino
A
B
C
1
2
3
4


2012
122
XA1 + XB1 + XC1 700
XA2 + XB2 + XC2 300
XA3 + XB3 + XC3 800
XA4 + XB4 + XC4 1200

2) Oferta: La cantidad de elementos enviados no puede exceder la cantidad disponible

Restricciones en el Origen
XA1 + XA2 + XA3 + XA4
XB1 + XB2 + XB3 + XB4
XC2 + XC1 + XC3 + XC4

Sencillo y fcil de hacer.
No tiene en cuenta los costos para hacer las asignaciones.
Generalmente nos deja lejos del ptimo.

1. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos).
2. Empiece por la esquina noroeste.
3. Asigne lo mximo posible (Lo menor entre la oferta y la demanda, respectivamente)
4. Actualice la oferta y la demanda y rellene con ceros el resto de casillas (Filas
Columnas) en donde la oferta la demanda haya quedado satisfecha.
5. Muvase a la derecha o hacia abajo, segn haya quedado disponibilidad para
asignar.


2012
123
6. Repita los pasos del 3 al 5 sucesivamente hasta llegar a la esquina inferior derecha
en la que se elimina fila y columna al mismo tiempo.

Se empieza en A1 y se trata de agotar el origen A, para luego continuar el origen B.
EVALUACION ECONOMICA
RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL
A1 700 11 7700
A2 300 18 5400
A3 500 15 7500
B3 300 20 6000
B4 600 12 7200
C4 600 22 13200
47000

DESTINOS
ORIGEN 1 2 3 4 OFERTA
A 11 18 15 14
700 300 500 1500
B 17 8 20 12
300 600 900
C 15 16 13 22
600 600
DEMANDA 700 300 800 1200


2012
124

Consiste en asignar tanto como sea posible a la celda que posea el costo mnimo o ms
pequeo. Una vez saturada la fila o columna correspondiente se saca del anlisis y se
contina de la misma manera hasta completar la totalidad de la tabla. En caso de que haya
uno o ms costos iguales se escoge arbitrariamente cualquiera.

Es ms elaborado que el mtodo de la esquina noroeste
Tiene en cuenta los costos para hacer las asignaciones
Generalmente nos deja alejados del ptimo

1. Construya una tabla de disponibilidades, requerimientos y costos
2. Empiece en la casilla que tenga el menor costo de toda la tabla, si hay empate,
escoja arbitrariamente (Cualquiera de los empatados).
3. Asigne lo mximo posible entre la disponibilidad y el requerimiento (El menor
de los dos).
4. Rellene con ceros (0) la fila o columna satisfecha y actualice la disponibilidad y
el requerimiento, restndoles lo asignado.
5. Recuerde que no debe eliminar satisfacer fila y columna al mismo tiempo,
caso en que la oferta sea igual a la demanda, en tal caso recuerde usar la
(psilon).
VARIABLES
BASICAS
XA1 700
XA2 300
XA3 500
XB3 300
XB4 600
XC4 600
VARIABLES NO
BASICAS
XA4 0
XB1 0
XB2 0
XC1 0
XC2 0
XC3 0


2012
125
6. Muvase a la casilla con el costo mnimo de la tabla resultante (Sin tener en
cuenta la fila o columna satisfecha).
7. Regrese a los puntos 3,4,5 sucesivamente, hasta que todas las casillas queden
asignadas.

RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL
A1 700 11 7700
A3 200 15 3000
A4 600 14 8400
B2 300 8 2400
B4 600 12 7200
C3 600 13 7800
36500

DESTINOS
ORIGEN 1 2 3 4 OFERTA
A 11 18 15 14
700 200 600 1500
B 17 8 20 12
300 600 900
C 15 16 13 22
600 600
DEMANDA 700 300 800 1200


2012
126

Este mtodo es heurstico y suele producir una mejor solucin inicial que los mtodos
anteriores. De hecho, suele producir una solucin inicial ptima, o prxima al nivel ptimo.

Es ms elaborado que los anteriores, ms tcnico y dispendioso.
Tiene en cuenta los costos, las ofertas y las demandas para hacer las
asignaciones.
Generalmente nos deja cerca al ptimo.

1. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y
costos.
2. Calcular la diferencia entre el costo ms pequeo y el segundo costo ms
pequeo, para cada fila y para cada columna.
3. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de
empate, decida arbitrariamente).
4. Asigne lo mximo posible en la casilla con menor costo en la fila o columna
escogida en el punto 3.
5. Asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad
el requerimiento quede satisfecho.
VARIABLES
BASICAS
XA1 700
XA3 200
XA4 600
XB2 300
XB4 600
XC3 600
VARIABLES NO
BASICAS
XA2 0
XB1 0
XB3 0
XC1 0
XC2 0
XC4 0


2012
127
6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s)
satisfechas, hasta que todas las casillas queden asignadas.


RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL
A1 700 11 7700
A3 200 15 3000
A4 600 14 8400
B2 300 18 5400
B4 600 12 7200
C3 600 13 7800
39500

DESTINOS
ORIGEN 1 2 3 4 OFERTA P1 P2 P3 P4
A 11 18 15 14
700 200 600 1500 3 3 3 4
B 17 8 20 12
300 600 900 4 5
C 15 16 13 22
600 600 2 2 2 2
DEMANDA 700 300 800 1200
P1 4 8 2 2
P2 4 2 2
P3 4 2 8
P4 4 2


2012
128

1. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos).
2. Por cada fila elegible determinar el mayor costo unitario de la fila.

3. Por cada columna elegible determinar el mayor costo unitario de la columna.

4. Calcular el evaluador:

Calcular (Mayor Costo Fila +Mayor Costo Columna - CIJ)

5.- Luego ver el mayor costo.

6.- Introducir las bases.

VARIABLES
BASICAS
XA1 700
XA3 200
XA4 600
XB2 300
XB4 600
XC3 600
VARIABLES NO
BASICAS
XA2 0
XB1 0
XB3 0
XC1 0
XC2 0
XC4 0


2012
129

Se busca el mayor costo de fila y columna.
Calcular (Mayor Costo Fila +Mayor Costo Columna - CIJ); para los nuevos costos de las
plantas y destinos, se tiene:

- 18 + 17 11 = 24
- 18 + 18 18 = 18
- 18 + 20 15 = 23
- 18 + 22 14 = 26
- 20+ 17 17 = 20
- 20 + 18 8 = 30
- 20 + 20 20 = 20
- 20 + 22 12 = 30
- 22 + 17 15 = 24
- 22 + 18 16 = 24
- 22 + 10 13 = 29
- 22 + 22 22 = 22
- 22 + 18 16 = 24

DESTINOS
ORIGEN 1 2 3 4 OFERTA MAY. CST. FILA
A 11 18 15 14
1500 18
B 17 8 20 12
900 20
C 15 16 13 22
600 22
DEMANDA 700 300 800 1200
MAY.CST 17 18 20 22
COLUMNA


2012
130

Introducimos la base X2,4(900,1200) = 900
Introducimos la base X1,3(500, 200) = 200
La solucin por lo tanto es:

DESTINOS
A
24 18 23 26 1500 18
B
20 30 20 30 900 20
C
24 24 29 22 600 22
DEMANDA 700 300 800 1200
MAY.CST 17 18 20 22
COLUMNA
DESTINOS
A
24 18 23 26 1500 18
B
20 30 20 30 900 20
C
24 24 29 22 600 22
DEMANDA 700 300 800 1200
MAY.CST 17 18 20 22
COLUMNA


2012
131

RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL
A1 700 11 7700
A2 300 18 5400
A3 200 15 3000
A4 300 14 4200
B4 900 12 10800
C3 600 13 7800
38900

VARIABLES
BASICAS
XA1 700
XA2 300
XA3 200
X A4 300
XB4 900
XC3 600
VARIABLES NO
BASICAS
X B1 0
XB2 0
XB3 0
XC1 0
XC2 0
XC4 0
DESTINOS
A 11 18 15 14
700 300 200 300 1500 18
B 17 8 20 12
900 900 20
C 15 16 13 22
600 600 22
DEMANDA 700 300 800 1200
MAY.CST 17 18 20 22
COLUMNA


2012
132


2012
133

Se inicia con la solucin obtenida en la primera fase, se evala las rutas no utilizadas para
determinar la conveniencia para incorporarla en el plan de transporte, sumando los costos
de ruta positiva y restando los costos de la ruta negativa.

En cada cambio de ruta debe cumplirse que:
1. La solucin siga siendo factible y
2. Que mejore el valor de la funcin objetivo

El procedimiento termina cuando no hay cambio de rutas que mejoren el valor de la funcin.
Pasos a seguir:

Usar la solucin actual (MEN, MAV o MCM) para crear una trayectoria nica del
paso secuencial. Usar estas trayectorias para calcular el costo marginal de introducir
a la solucin cada ruta no usada.
Si todos los costos marginales son iguales o mayores que cero, terminar; se tendr la
solucin ptima. Si no, elegir la celda que tenga el costo marginal ms negativo
(empates se resuelven arbitrariamente)
Usando la trayectoria del paso secuencial, determine el mximo nmero de artculos
que se pueden asignar a la ruta elegida en el punto 2 y ajustar la distribucin
adecuadamente.
Regrese al paso 1:
a) Ponga un signo + en la celda de inters no ocupada
b) Ponga un signo - en una celda usada de la misma fila
c) Ponga un + en una celda usada de la misma columna

El proceso contina alternando los signos + y - tanto en las filas como en las
columnas hasta que se obtenga una sucesin de celdas (trayectoria) que satisfagan
dos condiciones
1. Hay un signo + en la celda desocupada original de inters, y
2. Cualquier fila o columna que tenga un signo + debe tener
tambin un signo - y viceversa.


2012
134

O D
1 2 3 4 OFERTA
A

- -
700

-
- 300

+ + + +
- 500 + +7
1500
B
+ +1 + -15

- - - - -
+ 300

+ + +
- 600
900
C
+ -11 + -17 + -17

- - -
600
600
DEMANDA

0 700

0 300

0 300 800

0 600 1200
3000

+14 - 15 + 20 12 = +7
+8 - 15 + 20 12 = -15
+17 11 + 15 20 = +1
+13 20 + 12 22 = -17
+16 18 + 12 - 20 + 15 22 = -17
+15 22 + 12 - 20 + 15 11 = -11

11 18
17 8
15 16
15 14
20 12
13 22


2012
135

O D
1 2 3 4 OFERTA
A

- - 700

- 300

- + + +
500 + -10
1500
B
+ +18 + +2

+ -17

- - - 900
900
C
+ +6 + +0
- + - - -
300

- + + 300
600
DEMANDA

0 700

0 300

0 300
800

0 600
1200
3000

+13 + 14 15 - 22=-10
+20 + 22 13 - 12=+17
+16 + 15 18 - 13=+0
+15 13 + 15 - 11=+16
+17 12 + 22 - 13 + 15 - 11=+18
+8 12 + 22 13 + 15 - 18=+2

11 18
17 8
15 16
15 14
20 12
13 22


2012
136

O D
1 2 3 4 OFERTA
A

700

300

- 500
200 + 300
1500
B
+18 +2

+17

900
900
C
+6 +0 + 300 600

- 300 0
600
DEMANDA

0 700

0 300

0 300
800

0 600 1200
3000

+ 20 + 14 - 15 - 12 = +7
+ 8 - 12 + 14 - 18 = -8
+17 12 + 14 11 = +8
+ 16 13 +15 18 = +0
+ 15 13 + 15 - 11 = +6
+ 22 13 + 15 14 = +10
+ 20 - 12 + 14 -15 = +7
+ 22 - 13 + 15 14 = +10
+ 16 8 + 12 14 = +6
+ 15 11 + 15 13 = +6
+ 17 12 + 14 11= +8

11 18
17 8
15 16
15 14
20 12
13 22


2012
137

O D
1 2 3 4 OFERTA
A

700

+8

200 600
1500
B
+8 300

+7

600
900
C
+6 +6 600

+10
600
DEMANDA

0 700

0 300

0 300
800

0 600 1200
3000
11 18
17 8
15 16
15 14
20 12
13 22


2012
138

O D
1 2 3 4 OFERTA
A

700

-
300 0

200 + 300 600
1500
B
+ -8 300

- 900
600
900
C
600

600
DEMANDA

0 700

0 300

0 300
800

0 600
1200
3000

+ 8 -18 + 14 -12 = 8

Prueba de Optimidad
No hay costos negativos por lo tanto es ptima

11 18
17 8
15 16
15 14
20 12
13 22


2012
139

RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL
A1 700 11 7700
A3 200 15 3000
A4 600 14 8400
B2 300 8 2400
B4 600 12 7200
C3 600 13 7800
36500

VARIABLES
BASICAS
XA1 700
XA3 200
XA4 600
X B2 300
XB4 600
XC3 600
VARIABLES NO
BASICAS
X A2 0
XB1 0
XB3 0
XC1 0
XC2 0
XC4 0


2012
140

1. Usar la solucin actual (NE, MAV o MCM) y las siguientes operaciones (a) y (b) para
determinar el costo marginal de enviar material para cada una de las rutas no
usadas.
2. Asociar a cada fila un ndice ui y a cada columna un ndice vj
3. a) Hacer u1 = 0. Encuntrese los ndices de las filas u2, ..., um y los ndices de las
columnas v1, ...., vn tales que cij = ui + vj para cada celda usada.
4. b) Sea eij = cij - (ui+vj) para cada celda no usada; eij ser el costo marginal de
introducir la celda (ruta) i, j a la solucin.
Los pasos 2 a 4 son los mismos que en el mtodo secuencial.

O D
1 2 3 4 OFERTA
A

700

300

500
1500
B

300

600
900
C

600
600
DEMANDA

0 700

0 300

0 300

0 600 1200
3000
11 18
17 8
15 16
15 14
20 12
13 22


2012
141
800
Paso 0: Asociar ndices

Rutas Costo Transporte Ecuacin
11 11 U1+V1=11
12 18 U1+V2=18
13 15 U1+V3=15
23 20 U2+V3=20
24 12 U2+V4=12
34 22 U3+V4=22

Paso 1.a) Solucionar la Ecuacin
Existen 6 ecuaciones y siete variables entonces se hace U1 = 0 (puede ser cualquiera)
y se determina el resto de los ndices
V1 = 11 V2 = 18 U2 = 5 U3 = 15 V3 = 15 V4 = 7

Paso 1.b) Calcular los costos marginales para cada celda no usada.
eij = cij - (ui + vj)

1) e14 = c14 - (u1 + v4)= 14 - (0 + 7) = 7
2) e21 = c21 - (u2 + v1)= 17 - (5 + 11) = 1
3) e22 = c22 - (u2 + v2)= 8 - (5 + 18) = -15
4) e
31
= c
31
- (u
3
+ v
1
)= 15 - (15+ 11) = -11
5) e32 = c32 - (u3 + v2)= 16 - (15+ 18) = -17
6) e33 = c33 - (u3 + v3)= 13 - (15 + 15) = -17

O D
1 2 3 4 OFERTA
A

700

300

500 +7
1500
800 500 0
B
+1 -15 - 300 + 600
900
600 0
C
-11 -17 -17 + - 600
600
0
11 18
17 8
15 16
15 14
20 12
13 22


2012
142
DEMANDA

0 700

0 300

0 300 800

0 600 1200
3000

Paso 2: Prueba de Optimidad. Hay costos negativos por lo tanto no es ptima
La ruta de reasignacin es: +C33 C23 +C24 C34 (ms negativo, -17)
Paso 3: Asignacin de unidades a la ruta elegida.
Disminuir 300 en la celda C34 y en la celda C33 aumentamos 300.

O D
1 2 3 4 OFERTA
A

700

300

500
1500
800 500 0
B
0 900
900
600 0
C
300 300
600
0
DEMANDA

0 700

0 300

0 300
800

0 600 1200
3000

Vuelva al Paso 1
Asociar ndices

11 11 U1+V1=11
12 18 U1+V2=18
13 15 U1+V3=15
24 12 U2+V4=12
33 13 U3+V3=13
34 22 U3+V4=22

11 18
17 8
15 16
15 14
20 12
13 22


2012
143
V1 = 11 V2 = 18 U2 = -12 U3 = -2 V3 = 15 V4 = 24


1) e14 = c14 - (u1 + v4)= 14 - (0 + 24) = -10
2) e21 = c21 - (u2 + v1)= 17 - (-12 + 11) = 18
3) e22 = c22 - (u2 + v2)= 8 - (-12 + 18) = 2
4) e23 = c23 - (u2 + v3)= 20 - (-12+ 15) = 17
5) e31 = c31 - (u3 + v1)= 15 - (-2 + 11) = 6
6) e32 = c32 - (u3 + v2)= 16 - (-2 + 18) = 0

O D
1 2 3 4 OFERTA
A

700

300

- 500 + -10
1500
800 500 0
B
+18 +2 + +17 - 900
900
600 0
C
+6 0 300 300
600
0
DEMANDA

0 700

0 300

0 300 800

0 600 1200
3000



11 18
17 8
15 16
15 14
20 12
13 22


2012
144

O D
1 2 3 4 OFERTA
A

700

300

200 300
1500
800 500 0
B
900
900
600 0
C
600 0
600
0
DEMANDA

0 700

0 300

0 300 800

0 600 1200
3000
Vuelva al Paso 1
Asociar ndices

11 11 U1+V1=11
12 18 U1+V2=18
13 15 U1+V3=15
14 14 U1+V4=14
24 12 U2+V3=12
33 13 U3+V3=13

V1 = 11 V2 = 18 U2 = -2 U3 = -2 V3 = 15 V4 = 14


1) e21 = c21 - (u1 + v4)= 17 - (-2 + 11) = -10
11 18
17 8
15 16
15 14
20 12
13 22


2012
145
2) e22 = c22 - (u2 + v2)= 8 - (-2 + 18) = 18
3) e23 = c23 - (u2 + v3)= 20 - (-2 + 15) = 7
4) e31 = c31 - (u3 + v1)= 15 - (-2 + 11) = 6
5) e32 = c32 - (u3 + v2)= 16 - (-2 + 18) = 0
6) e34 = c34 - (u3 + v4)= 13 - (-2 + 14) = 1

O D
1 2 3 4 OFERTA
A

700

- 300

200 + 300
1500
800 500 0
B
+8 + -8 7 - 900
900
600 0
C
+6 0 600 1
600
0
DEMANDA

0 700

0 300

0 300
800

0 600 1200
3000

O D
1 2 3 4 OFERTA
A

700

200 600
1500
800 500 0
B
300 600
900
600 0
11 18
17 8
15 16
15 14
20 12
13 22
11 18
17 8
15 16
15 14
20 12
13 22


2012
146
C
600
600
0
DEMANDA

0 700

0 300

0 300
800

0 600 1200
3000
Vuelva al Paso 1
Asociar ndices

11 11 U1+V1=11
13 15 U
1
+V
3
=15
14 14 U1+V4=14
22 8 U2+V2= 8
24 12 U2+V4=12
33 13 U3+V3=13

V1 = 11 V2 = 10 U2 = -2 U3 = -12 V3 = 15 V4 = 14


1) e12 = c12 - (u1 + v2)= 18 - (0 + 10) = 8
2) e21 = c22 - (u2 + v1)= 17 - (-2 + 11) = 8
3) e23 = c23 - (u2 + v3)= 20 - (-2 + 15) = 7
4) e31 = c31 - (u3 + v1)= 15 - (-12 + 11) = 16
5) e32 = c32 - (u3 + v2)= 16 - (-12 + 10) = 18
6) e34 = c34 - (u3 + v4)= 22 - (-12 + 14) = 20

Paso 2: Prueba de Optimidad
No hay costos negativos por lo tanto es ptima


RUTAS CARGA COSTO
TRANSPORTE
COSTO
TOTAL


2012
147
A1 700 11 7700
A3 200 15 3000
A4 600 14 8400
B2 300 8 2400
B4 600 12 7200
C3 600 13 7800
36500

Se resolvi el ejercicio planteado mediante WinQSB utilizando el Network Modeling.

VARIABLES
BASICAS
XA1 700
XA3 200
XA4 600
X B2 300
XB4 600
XC3 600
VARIABLES NO
BASICAS
X A2 0
XB1 0
XB3 0
XC1 0
XC2 0
XC4 0


2012
148


2012
149


2012
150
INTRODUCCION
Se ha analizado la solucin de los problemas de programacin lineal por medio de los
mtodos simplex y del transporte. Existen sin embargo algunos casos especiales de problemas
de programacin lineal que pueden resolverse aplicando ciertas tcnicas especiales que
reducen enormemente los pesados clculos que habr que hacer aplicando los dos mtodos
anteriores. En este captulo consideraremos uno de los tales casos el problema de la
asignacin que tiene muchas aplicaciones en los campos de la planificacin y asignacin de
recursos.

EL PROBLEMA DE ASIGNACION

Los problemas de asignacin presentan una estructura similar a los de transporte, pero con
dos diferencias: asocian igual nmero de orgenes con igual nmero de demandas y las
ofertas en cada origen es de valor uno, como lo es la demanda en cada destino.
El problema de asignacin debe su nombre a la aplicacin particular de asignar hombres a
trabajos ( o trabajos a mquinas), con la condicin de que cada hombre puede ser asignado a
un trabajo y que cada trabajo tendr asignada una persona.
La condicin necesaria y suficiente para que este tipo de problemas tenga solucin, es que se
encuentre balanceado, es decir, que los recursos totales sean iguales a las demandas totales.
El modelo de asignacin tiene sus principales aplicaciones en: Trabajadores, Oficinas al
personal, Vehculos a rutas, Mquinas, Vendedores a regiones, productos a fabricar, etc.

SITUACION
Asignar m trabajos (o trabajadores) a n mquinas.
Un trabajo i (=1, 2, 3 ,...,m) cuando se asigna a la mquina j (=1,2,....,n) incurre en un costo
cij.
El objetivo es asignar los trabajos a las mquinas uno a uno al menor costo.
La formulacin de este problema puede considerarse como un caso especial del modelo de
transporte.

DESCRIPCION
Los trabajos representan las fuentes y las mquinas los destinos.


2012
151
La oferta disponible en cada fuente es 1 como tambin lo es la demanda en cada destino.
cij es el costo de transportar (asignar) el trabajo i a la mquina j .
El costo puede representar tambin caractersticas de competencia de cada trabajador.
En el caso que un trabajo no deba ser asignado (porque no cumple con los requisitos) a una
mquina (actividad) en particular, este costo debe tener un valor alto (M)
En el caso de existir desequilibrio, esto es, ms trabajos que mquinas o ms mquinas que
trabajos, hay que equilibrar con mquinas o trabajos figurados (ficticios), logrando de esta
forma que m = n

EXPRESION MATEMATICA DEL MODELO

Xij = 0, si el i-simo trabajo no se asigna a la j-sima mquina
1, si el i-simo trabajo se asigna a la j-sima mquina

Mquina
1 2 . n

1
Trabajo
2

n

Por lo tanto el modelo est dado por:

Minimizar z =

C11 C12 .. C1n
C21 C22 .. C2n
.. .. .. ..
Cn1 Cn2 .. Cnn
= =
n
i
n
j
ij ij
x c
1 1


2012
152

Sujeto a i=1,2, ...,n

j=1,2,..n
xij = 0 bien 1

EJEMPLO DE APLICACIN
La gerencia general de RPG (ejemplo de transporte) con sede en Bruselas, este ao, como
parte de su auditora anual, decidi que cada uno de sus cuatro vicepresidentes visite e
inspeccione cada una de sus plantas de ensamblaje durante las primeras dos semanas de
junio. Las plantas estn ubicadas en Leipzig (Alemania), Nancy (Francia, Lieja (Blgica) y
Tilburgo (Holanda).
Para decidir a que vicepresidente enviar a una planta determinada, se asignaron puntos
(costos) a cada uno de ellos de acuerdo a su experiencia, habilidades lingsticas, tiempo que
durar la inspeccin y otros. Estos datos se muestran en la siguiente tabla:

Plantear el modelo de PL
Ejemplo: Modelo de PL
MIN Z = 24 X11 + 10 X12 +... + 14 X43 + 13 X44
Sujeto a:
a) Oferta X11 + X12 + X13 + X14 = 1
X21 + X22 + X23 + X24 = 1
1
1
=
=
n
j
ij
x
1
1
=
=
n
i
ij
x
Leipzig (1) Nancy(2) Lieja (3) Tilburgo(4)
Finanzas (F) (1) 24 10 21 11
Mercadotecnia(M) (2) 14 22 10 15
Operaciones (O) (3) 15 17 20 19
Personal(P) (4) 11 19 14 13
PLANTA


2012
153
X31 + X32 + X33 + X34 = 1
X41 + X42 + X43 + X44 = 1
b) Demanda
X11 + X21 + X31 + X41 = 1
X12 + X22 + X32 + X42 = 1
X13 + X23 + X33 + X43 = 1
X14 + X24 + X34 + X44 = 1

c) No negatividad Xij >= 0 i=1,...,4, j=1,....,4

MTODOS DE SOLUCIN

Existen varias formas de obtener la solucin:

a) Listar todas las alternativas posibles con sus costos y seleccionar la de menor costo
(algoritmo exhaustivo)
b) Mtodo Hngaro: mtodo iterativo

Listar todas las alternativas
Cuntas alternativas posibles existen?
- El primer trabajo se puede asignar de n formas posibles
- El segundo de n-1 formas
- El ltimo slo de 1 forma
En total existen n! formas de hacer la asignacin completa

MTODO HNGARO
Este algoritmo se usa para resolver problemas de minimizacin
Paso 0:
Construir la matriz de asignacin


2012
154
Para obtener la solucin ptima cada nueva matriz de asignacin debe satisfacer:
Propiedad 1: Todos los nmeros son no negativos
Propiedad 2: Cada fila y cada columna tiene al menos una celda con un valor cero

Paso 1:
a) Reduccin de filas: Restar el costo menor de cada fila a la fila correspondiente y/o
b) Reduccin de columnas: Restar el costo menor de cada columna a la columna
correspondiente
Con esto se crea una nueva matriz con las propiedades 1 y 2

Paso 2:
Determinar si la matriz es reducida (Prueba de Optimalidad).
Trazar el menor nmero de lneas rectas sobre las filas y columnas para cubrir todos los
ceros.
Si el nmero de rectas es igual al nmero de filas o columnas se dice que esta matriz es
reducida.
Si la matriz no es reducida pasar al paso 3, sino pasar al paso 4.

Paso 3: Movimiento
De todas las celdas no cruzadas identifique una con el menor valor y haga lo siguiente:
a) Restar el valor a cada celda no cruzada
b) Sumar el valor a cada celda de interseccin de rectas
Volver al paso 2.
Paso 4: Solucin ptima (Asignacin)
Primero se asigna a las que tengan slo una alternativa, se van marcando y as
sucesivamente
Determinar el costo: Se suman todos los costos correspondientes a las asignaciones (o sumar
todos los pi y qj).
Qu valor se obtiene al sumar todos los valores que se restaron en las reducciones de filas y
columnas?


2012
155
APLICANDO EL MTODO HNGARO AL EJEMPLO

Paso 0: Matriz de Asignacin

Nota: En rojita los menores de cada fila

Paso 1: Reduccin de filas y columnas

1 2 3 4
p
i
F 24 10 21 11
M 14 22 10 15
O 15 17 20 19
P 11 19 14 13
q
j
1 2 3 4
p
i
F 14 0 11 1 10
M 4 12 0 5 10
O 0 2 5 4 15
P 0 8 3 2 11
q
j
1
1 2 3 4
p
i
F 14 0 11 0 10
M 4 12 0 4 10
O 0 2 5 3 15
P 0 8 3 1 11
q
j
1


2012
156

Paso 2: Determinar si la matriz es reducida

No es reducida: slo tres rectas (para ser reducida deben ser 4)
Ir al paso 3
Paso 3: Movimiento (Seleccionar el menor: restar a las no tachadas, sumar a las
intersecciones)

1 2 3 4
p
i
F 14 0 11 0 10
M 4 12 0 4 10
O 0 2 5 3 15
P 0 8 3 1 11
q
j
1
1 2 3 4
p
i
F 14 0 11 1 10
M 4 12 0 5 10
O 0 2 5 4 15
P 0 8 3 2 11
q
j
1
1 2 3 4
p
i
F 14 0 11 0 10
M 4 12 0 4 10
O 0 2 5 3 15
P 0 8 3 1 11
q
j
1


2012
157

Volver al paso 2!!

Iteracin paso 2:

Se tachan todos los ceros con cuatro rectas, por tanto es ptima
Ir al paso 4!!

1 2 3 4
p
i
F 14 0 11 0 10
M 4 12 0 4 10
O 0 2 5 3 15
P 0 8 3 1 11
q
j
1
1 2 3 4
p
i
F 15 0 12 0 10
M 4 11 0 3 10
O 0 1 5 2 15
P 0 7 3 0 11
q
j
1 + 1
1 2 3 4
p
i
F 15 0 12 0 10
M 4 11 0 3 10
O 0 1 5 2 15
P 0 7 3 0 11
q
j
1 + 1


2012
158

Paso 4: Asignacin

Costo = c12 + c23 + c31 +c44
= 10+10+15+13 = 48
=10 + 10 + 15 + 11 + 1 + 1 = 48

MODELO DE ASIGNACIN: OTRAS CONSIDERACIONES

El modelo de asignacin de RPG es un modelo de minimizacin en el cual el nmero de
vicepresidentes es igual al nmero de plantas, y todas las asignaciones posibles son
aceptables.
Consideremos ahora modelos tipo asignacin donde no todas las condiciones anteriores se
cumplen. En particular se considerarn situaciones en las que:
1 Hay una desigualdad entre el nmero de personas por asignar y el nmero de
destinos que requieren personas asignadas.
2 Hay un modelo de maximizacin
3 Existen asignaciones inaceptables

OFERTAS Y DEMANDAS DESIGUALES
Cuando la oferta y la demanda son desiguales, se asigna una actividad ficticia con un costo
de cero para mantener la condicin de mtodo que deben ser igual nmero de ofertas y
demandas.
1 2 3 4
p
i
F 15 0 12 0 10
M 4 11 0 3 10
O 0 1 5 2 15
P 0 7 3 0 11
q
j
1 + 1

+ =
j i
q p Costo


2012
159
a) Oferta mayor que la demanda
b) Demanda mayor que la oferta

a.- Matriz de n x m (m<n). Algunas veces, el problema de la asignacin se presenta en una
forma en la que la matriz no es cuadrada. En tal caso es fcil convertir esta matriz en una
cuadrada, como se hace en el siguiente ejemplo:

EJEMPLO
Una compaa dedicada al transporte de mercaderas mantiene flotas separadas de
camiones para el transporte urbano y el interurbano. Los primeros realizan los servicios
locales hasta las estaciones terminales de la cuidad, donde las cargas se distribuyen y se
transfieren a los camiones interurbanos. La estacin terminal tiene capacidad para
acomodar a 6 camiones urbanos simultneamente.
El situar cada camin en uno de los seis lugares implica un costo (de distribucin y
transferencia de cargas).
En un determinado da hay que situar simultneamente cuatro camiones urbanos
(numerados del 1 al 4 en el terminal), el cuadro 1 muestra la matriz de costos c que puede
convertirse en una matriz cuadrada C, introduciendo dos camiones ficticios 5 y 6 como se ve
en el cuadrado (2).
Como el situar estos camiones en cualquiera de los puntos no cuesta nada, los costos
correspondientes son todos ceros.

CUADRO 1
Costo de la asignacin de cada camin. (En dlares).
1 2 3 4
7
8
9
10
11
12
3
7
3
6
5
5
6
1
8
4
2
7
2
4
5
3
4
6
6
4
8
7
3
2

Lugar
Camin


2012
160

CUADRO 2.
1 2 3 4 5 6
7
8
9
10
11
12
3
7
3
6
5
5
6
1
8
4
2
7
2
4
5
3
4
6
6
4
8
7
3
2
0
0
0
0
0
0
0
0
0
0
0
0

CUADRO 3
Se escoge el menor costo de cada columna (camin) y este pase a restar a cada lugar de esa
misma columna.
1 2 3 4 5 6
7
8
9
10
11
12
3-3=0
7-3=4
3-3=0
6-3=3
5-3=2
5-3=2
6-1=5
1-1=0
8-1=7
4-1=3
2-1=1
7-1=6
2-2=0
4-2=2
5-2=3
3-2=1
4-2=2
6-2=4
6-2=4
4-2=2
8-2=6
7-2=5
3-2=1
2-2=0
0
0
0
0
0
0
0
0
0
0
0
0
qi 3 1 2 2 0 0

CUADRO 4
Se obtiene los resultados calculados de la tabla anterior, y para llegar a la asignacin optima
se trazaran cuatro rectas pasadas por los ceros, siempre teniendo el menor costo de trazado
Lugar
Camin
Lugar
Camin


2012
161
1 2 3 4 5 6
7
8
9
10
11
12
0
4
0
3
2
2
5
0
7
3
1
6
0
2
3
1
2
4
4
2
6
5
1
0
0
0
0
0
0
0
0
0
0
0
0
0
qi 3 1 2 2 0 0

La solucin debe interpretarse de la siguiente forma:
El camin 1 es asignado al punto 9
Los puntos 10 y 11 se dejan vacantes.
El costo correspondiente a esta asignacin es:
Z = 3 + 1 + 2 + 2 = 8
Z = 8 dlares

1. HAY UN MODELO DE MAXIMIZACIN
Considere un problema de asignacin en el que la respuesta a cada asignacin es una
utilidad en vez de un costo. Considere la matriz de utilidades del problema como la
caracterstica nueva la cual consiste en que el nmero que aparece en cada celdilla
representa un beneficio en lugar de un costo.

Para resolver este problema por el MTODO HNGARO solo tenemos que convertir la matriz
C en la matriz Co de la siguiente manera:
Buscamos mx. Cij en la matriz C, construimos despus la matriz Co mediante la siguiente
transformacin:

Lugar
Cami
n


2012
162
() ()
La matriz Co tendr al menos, un elemento nulo. Seguimos despus el mismo procedimiento
que para los problemas de minimizacin.
EJEMPLO:
Supongamos que la sociedad MANPOWER, se encarga de proporcionar trabajo femenino en
una pequea ciudad comercial.
Mantiene un personal asalariado de 4 mujeres (enumeradas de 1 al 4) que a dems de saber
realizar muchos tipos de trabajos corrientes son expertas en sus propios campos de
actividad. La sociedad mantiene una serie de jvenes amas de casa que conocen diversos
trabajos y que estn dispuestas a trabajar sobre una base temporal de das en que hay que
hacer ms de 4 trabajos. A los clientes se les cobran los servicios segn la actividad producida
por las mujeres que las realizan (por ejemplo numero de cartas copiadas, numero de facturas
preparadas, numero de pedidos enviados, etc.). En un determinado da, la compaa recibe
encargo de sus clientes para la realizacin de 4 servicios (enumeradas de 5 a 8),
conocindose por la experiencia anterior, la productividad esperada de cada joven en los
trabajos. Puede construirse una matriz C de beneficios que nos d el beneficio esperado del
da al asignar a la muchacha i (i=1, 2, 3, 4) al trabajo j (J=5, 6, 7, 8).
Cuadro Matriz de beneficios C en $.

Tarea
5 6 7 8
Empleados
1 1 8 4 1
2 5 7 6 5
3 3 5 4 2
4 3 1 6 3

Aplicamos el procedimiento establecido:
Buscamos mx. Cij = 8
() ( )
Del Cual Tomaremos el menor costo de cada fila.


2012
163
Tarea

5 6 7 8
Empleados
1 7 0 4 7
2 3 1 2 3
3 5 3 4 6
4 5 7 2 5

Despus Seguimos con el Mtodo Hngaro o Minimizacin pero con la variante del problema
de la asignacin:
De la tabla anterior tomamos el menor costo de la columna:
Tarea
5 6 7 8
Empleados
1 7 0 4 7
2 3 1 2 3
3 5 3 4 6
4 5 7 2 5
Menor Costo 3 0 2 3
Del Cual obtendremos una Nueva tabla que sera este:
Tarea
5 6 7 8
Empleados
1 4 0 2 4
2 0 1 0 0
3 2 3 2 3
4 2 7 0 2


2012
164
De la tabla anterior tomamos el menor costo de la fila:
Tarea
5 6 7 8
Menor
Costo
Empleados
1 4 0 2 4 0
2 0 1 0 0 0
3 2 3 2 3 2
4 2 7 0 2 0

Del Cual obtendremos una Nueva tabla que sera este:
Tarea 5
6 7 8
Empleados
1 4 0 2 4
2 0 1 0 0
3 0 1 0 1
4 2 7 0 2

Y vemos que la tabla est completamente ptima para la solucin del problema.

Tarea
5 6 7 8
Empleados
1 4 0 2 4
2 0 1 0 0
3 0 1 0 1
4 2 7 0 2


2012
165
La asignacin ptima es:
La Empleada 1 es asignada a la tarea 6
El Beneficio esperado del da para esta asignacin es:

12 21 34 42
8 5 2 7

ANEXO

Utilizando el WinQSB


2012
166


2012
167

- La oferta o suministro disponible en cada origen es limitada.
- En cada destino la demanda esta definida o especificada.
- El objetivo en el problema de transbordo es de determinar cuantas unidades debern
embarcarse por cada uno de los barcos de la red, de manera que todas las demandas
destino se satisfagan al costo de transporte mnimo posible.

- Igual que en los problemas de transporte se pueden formular problemas de
transbordo con varias variantes.
- Suministro total no igual a la demanda total.
- Maximizacin de la funcin objetivo.
- Rutas con capacidad limitada.
- Rutas inaceptables.
- Las modificaciones a los modelos de programacin lineal requeridas para aceptar
esta variaciones son idnticas a las que se mencionaron para el problema de
transporte.

Se trata de enviar bienes (cantidades) desde un punto i, a nicamente destinos finales j. El
envo no se produce entre orgenes (oferta) o entre destinos (demanda), tampoco entre
destinos a orgenes. El modelo de transbordo nos demuestra que resulta mas econmico
(minimizar costos) enviar a travs de nodos intermedios o transitorios antes de llegare al
punto de destino final.
Restriccin en cada nodo transitorio:

Se construye una malla con orientacin desde las fuentes (nodos de inicio) hacia los destinos
(nodos de llegada), utilizando amortiguadores (nodos transitorios) que permiten recibir y
transferir recursos. Las flechas que unen los nodos de la malla representan los eventuales
flujos de recursos en la secuencia de distribucin.
Luego, la malla permite convertir un modelo de transbordo en un modelo de transporte
regular y resolverse como tal, utilizando los amortiguadores
suma flujos entrantes = suma flujos saliente


2012
168
As, la malla reconoce tres tipos de nodos:

Nodos puros de Oferta: Solo transfieren recursos.

Nodos de Transbordo: Entregan y reciben recursos.

Nodos puros de Demanda: Slo reciben recursos.

El amortiguador debe ser suficientemente grande para permitir que los recursos se
transfieran desde las fuentes hacia los destinos.

Inicializacin: Encuentre un plan de embarque factible que satisfaga todas las
restricciones de suministro y demanda, al mismo tiempo que mantiene un equilibrio
en todos los nodos de transbordo.
Prueba de Optimalidad: Pruebe el plan de embarque actual para ver si es ptimo,
es decir, si es el plan que incurre en los costos totales mnimos. Si es as, detngase
con la solucin ptima, sino vaya al paso 3.
Movimientos: Use el hecho de que el plan de embarque actual no es ptimo para
crear un nuevo plan de embarque factible con menos costo total que el actual. Vaya
al paso 2.

Los pasos del algoritmo son anlogos a los del algoritmo de pasos sucesivos (escaln).
Tanto los nodos origen como los destinos pueden ser a su vez nodos de transbordo.
Al igual que el modelo de transporte, puede haber desequilibrio, en ese caso se agregan
fuentes o destinos ficticios con costo cero.
El nmero total del sistema est dado por el total de la oferta o de la demanda.
A cada nodo de transbordo se asigna un suministro (demanda) igual a su suministro
(demanda) original (cero, si no coincide originalmente con un destino) ms el total de
unidades del sistema. Esto permite que todas las unidades puedan pasar por un empalme
dado.


2012
169

Un esquema simple del modelo de transbordo se expresa como una red de modelo de
asignacin:

1) Con Los datos que se muestra en el siguiente cuadro tendremos que desarrollar el
mtodo de transbordo.

D
1

D
2

Nodos puros
de Oferta

Nodos puros de Demanda
A
1

A
2


2012
170

Igualamos la oferta y la demanda mediante la creacin de una planta de produccin ficticia.

A continuacin aplicamos el mtodo de Vogel


2012
171

Z = 20(36) + 60(36) + 60(34) + 30(0) + 20(0) = 4.920

Solucin Optima:
X12 = 20
X13=60
X23= 60
X31=30
X33=20
X34=40
Z=4.290

De acuerdo a la matriz de costos y al grfico presentado en el problema 6 del captulo de
formulacin, las unidades debern ser despachadas as:

Desde la planta de produccin P1 , enviar 20 monitores de alta resolucin al centro de ventas
V2 , a travs del centro de control de calidad C1.
Desde la planta de produccin P1, enviar 60 unidades al centro de ventas V3, a travs del
centro de control de calidad C2..


2012
172
Desde la planta de produccin P2, enviar 60 unidades al centro de ventas V3, a travs del
centro de control de calidad C2 .

Costos totales : 20 * 12 +20 * 4 +20 * 20 = 720
60 * 11 + 60 * 6 + 60 * 19 = 2160
60 * 9 + 60 * 6 + 60 *19 = 2040
$4920

2) Una fbrica posee dos plantas de manufactura, una en Memphis y otra en Denver.La
planta de Memphis puede producir hasta 150unidades al da, la de Denver hasta 200
unidades al da. Los productos son enviados por avin a Los ngeles 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:


2012
173
DESTINO

ORIGEN

La fbrica desea satisfacer la demanda, minimizando el costo total de envo. 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 ngeles y Boston son puntos de demanda
de 130 unidades cada uno.

A continuacin construiremos un problema de transporte balanceado a partir del problema
de transbordo. Para ello podemos seguirlos siguientes pasos(suponiendo que la oferta excede
a la demanda):


2012
174

Paso1. 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 envo al
punto ficticio deben ser cero. Sea S la oferta total disponible.

Paso2.Construir una tabla de transporte siguiendo las siguientes reglas:

Incluir una fila por cada punto de oferta y de transbordo.
Incluir una columna por cada punto de demanda y de transbordo.
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.
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 transitara por 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 des balancear la tabla.
En el ejemplo, S= 150 +200 = 350.La demanda total es 130+130=260.Luego,el punto
ficticio debe tener una demanda=90.
Como en el ejemplo los puntos de transbordo no tienen ni demanda ni oferta por s
mismos, la oferta y demanda en la tabla deber ser iguales.
Una vez planteado la tabla, se pueden emplear los mtodos vistos anteriormente
para obtener una solucin inicial factible y obtener la solucin ptima.


2012
175

3) Teniendo el siguiente esquema de trasbordo, los nodos 1 y 3 envan (origen) y los
nodos 4 y 5 reciben (destino). Hallar la solucin ptima usando el modelo de
trasbordo.


2012
176

F.O. Min z= 8X15 +5X13 +3X12 +4X23 +3X24 +2X35+2X34 +4X45

Clases de nodos:
Origen puro : Nodo 1
Destino puro : Nodo 5
Intermedio : Nodos 2, 3 y 4
En el tablero se eliminan: la columna 1 por ser de origen puro; y la fila 5 por ser destino puro,
reducindose en una matriz de 4 x 4.
40+20 = 50 +10
B = 60 (Suma de orgenes o suma de destinos)
En el tablero colocamos los costos de cada origen a cada destino, segn se indica en la red
inicial.

OFERTA
3 5 8
0 4 3
0 2 2
4
DEMANDA 10 50
DESTINO
O
R
I
G
E
N
40
20
3
4
2 3 4 5
1
2


2012
177

Las x significan que no se asigna ningn costo; quedando el tablero para ser resuelto como
un modelo de transporte.
Luego agregamos B a los nodos intermedios, de la fila y columna, Siendo B =60.

Resolviendo el tablero (MTODO DE VOGEL) queda de la siguiente manera:

La red de distribucin del transbordo o esquema ptimo de transbordo, se muestra a
continuacin:
OFERTA P1 P2 P3 P4
3 5 x 8
0 4 3 x
x 0 2 2
x x 0 4
DEMANDA
P1
P2
P3
P4
60 10 0 60 30 0 70 10 0 50 0
3
3
4
1
1
3
3 4 2 2
6 1 4 3
2
3
2
2
3
4
2
3
2 2
3
2
DESTINO
O
R
I
G
E
N
40 30 0
60 50 0
80 30 0
60 0
3
4
2 3 4 5
30 50
60
1 10 30
50 10 2


2012
178

Z= 3 * 10 + 5 * 30 + 2 * 50 + 3 * 10 = 310
El costo total del modelo de trasborde es: Z = 310

Colocamos el nombre del ejercicio e insertamos cuantos nodos vamos a utilizar.


2012
179

Solucin de la tabla de los nodos o rutas utilizadas.


2012
180
Trabajando con la tabla del Mtodo de VOGEL
Solucin de la Grafica del ejercicio aplicado.


2012
181


2012
182

Muchos de los problemas de la vida real exigen soluciones con nmeros
entero, por lo tanto las variables de dicho problema deben ser definidas como variables
enteras. Los mtodos de solucin que contemplaremos en ste capitulo son: Mtodo de los
planos cortantes de Gomory, Mtodo de Bifurcacin y Acotacin (Branch AndBound), el
Mtodo de Egon Balas en donde las variables son de carcter binario (0,1). Por ltimo se
ilustra el uso del software WinQsb para atender ste tipo de problema.

Un enfoque primitivo de resolucin consiste en evaluar cada una de las combinaciones de
valores enteros para las variables del problema. Pero en este caso, analizar diez variables y
diez valores en un problema tendramos un nmero grande (diez mil millones) de posibles
soluciones, lo que hace necesario planteamientos de solucin inteligentes.

Estos se han dirigido por una parte hacia los "mtodos exactos", es decir, aquellos que
conducen a una solucin ptima exacta para el problema combinatorio empleando tcnicas
que reduzcan la bsqueda de soluciones.

Los modelos de programacin entera son una extensin de los modelos lineales en los que
algunas variables toman valores enteros. Con frecuencia las variables enteras solo toman
valores en 0-1 ya que este tipo de variables permiten representar condiciones lgicas.

Este tipo de modelos permite representar modelos mucho ms complejos, aunque la
resolucin de los mismos se complica excesivamente. No se puede utilizar la suavidad de las
funciones para inferir el comportamiento de las mismas cerca del ptimo. Siendo as que
problemas con una sola decenas de variables pueden ser casi imposibles de resolver.

Si se requiere que todas las variables sean enteras, se dice que se habla de Programacin
Lineal Entera Pura; si se necesita que algunas de las variables de decisin sean nmeros
enteros, se tiene un problema de Programacin Lineal Entera Mixta.
En algunas aplicaciones, slo se permite que todas las variables tomen valores de cero o uno,
hablamos en estos casos de Programacin Lineal Entera Binaria (Digital).


2012
183

Programacin entera es programacin lineal con la restriccin adicional de que los valores
de las variables de decisin sean enteros.
Un modelo de Programacin Entera (PE) permite abordar aplicaciones donde la solucin
tiene sentido si una parte o todas las decisiones toman valores restringidos a nmeros
enteros.
Un problema de PLE puede describirse de la siguiente forma:

Donde:
x - variable entera.
c - coeficientes de la funcin objetivo.
A - coeficiente de la restriccin.
b - trmino independiente.

Si se requiere de todas las variables sean enteras, se dice que se habla de Programacin
Lineal Entera Pura; si se necesita que algunas de las variables de decisin sean nmeros
enteros, se tiene un problema de Programacin Lineal Entera Mixta.

En algunas aplicaciones, solo se permite que todas las variables tomen valores de cero o uno,
hablamos en estos casos de Programacin Lineal Entera Binaria (Digital).
Si consideramos que estamos en un modelo de Programacin Entera (puro o mixto) y
resolvemos el modelo de Programacin Lineal asociado (esto es, admitiendo valores
continuos para las variables), estaremos obtenido la solucin de la Relajacin Continua del
modelo entero. Para un modelo de maximizacin, la relajacin continua nos proporciona una
cota superior del valor ptimo del modelo de Programacin Entera asociado.
En el caso particular que la Relajacin Continua nos proporcione una solucin entera,
entonces sta ser tambin la solucin del modelo de Programacin Entera asociado. En caso
contrario deberemos utilizar alguna estrategia o algoritmo para obtener la solucin del
modelo de PE.


2012
184

A pesar del impresionante avance en nuestra capacidad para resolver problemas de
programacin entera, la tecnologa aun dista mucho de la que hay disponible para manejar
problemas en los que no es necesario que las variables de decisin sean enteras. Muchos
problemas que se resuelven fcilmente como problemas de programacin lineal llegan a ser
irresolubles para propsitos prcticos cuando se exige que las variables de decisin sean
enteras (es decir, que el tiempo y el costo necesario para los clculos resultan demasiado
grandes).

Programacin Entera es un trmino general para los modelos de programacin matemtica
que presentan condiciones de integridad (condiciones que estipulan que algunas o todas las
variables de decisin deben tener valores enteros). Ya hemos apuntado que los modelos de
programacin lineal entera son modelos de programacin lineal que tienen la caracterstica
adicional de que algunas de las variables de decisin deben tener valores enteros. Existen
diversas clasificaciones de esta categora de modelos.
1. Programas Enteros Puros
Un modelo entero puro (PLE) es, como su nombre lo indica, un problema en el que se
exige que todas las variables de decisin tengan valores enteros. Por ejemplo
Min z = 6x1 + 5x2 + 4x3
s.a.
108x1 + 92x2 + 58x3 576
7x1 + 18x2 + 22x3 83
x1, x2, x3 ><0 y enteros
Es un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean
enteras (o sea las condiciones de integralidad) sera un problema de programacin
lineal.

2. Programas Enteros Mixtos


2012
185
Un problema en el que solo se requieren que algunas variables tengan valores enteros
mientras que otras pueden asumir cualquier numero no negativo (es decir, cualquier
valor continuo) se llama programacin lineal entera mixta (PLEM). Por ejemplo,
supngase que en el problema anterior solo x1 y x2 deben ser enteros y x3 no. El
problema resultante es:
Min z = 6x1 + 5x2 + 4x3
s.a.
108x1 + 92x2 + 58x3 576
7x1 - 18x2 + 22x3 83
x1, x2, x3 0; x1 y x2 enteros

3. Programas Enteros 0-1 O Binaria

En algunos problemas se restringe el valor de las variables a 0 o 1. Dichos problemas se
llaman binarios o programas lineales enteros
0-1. Son de particular inters debido a que se pueden usar las variables 0-1 para
representar decisiones dicotmicas (s o no). Diversos problemas de asignacin,
ubicacin de plantas, planes de produccin y elaboracin de cartera, son de
programacin lineal entera 0-1.

Min z = 6x1 + 5x2 + 4x3
s.a.
108x1 + 92x2 + 58x3 576
7x1 - 18x2 + 22x3 83
x1, x2, x3 = 0, 1; x1, x2 , x3 enteros

Los algoritmos de programacin lineal entera se basan en el aprovechamiento del gran xito
computacional de la programacin lineal. Es la estrategia de esos algoritmos intervienen
tres pasos.

- Paso 1.- Relajar el espacio de soluciones del programa lineal entero omitiendo la
restriccin entera en todas las variables enteras, y sustituyndola con cualquier
variable binaria y que tenga el intervalo continuo 0 y 1 . El resultado de
relajamiento es un programa lineal normal.

- Paso 2.- Resolver el programa lineal e identificar su optimo continuo.

- Paso 3.- Iniciar en el punto optimo continuo e ir agregando restricciones especiales
que modifiquen en forma iterativa el espacio de soluciones del programa lineal, en
una forma que al final produzca un punto extremo que satisfaga los requisitos
enteros.


2012
186
Se han desarrollado dos mtodos generales para obtener las restricciones especiales del Paso
3.

1. Mtodo de Ramificacin y Acotamiento ( B & B, de Branch and Bound).
2. Mtodo del plano cortante.

El primer algoritmo B & B fue desarrollado por A. Land y G. Doig en 1960, para el problema
general de programacin lineal entera mixta y pura. Despus, en 1965, E. Balas desarroll el
algoritmo aditivo para resolver problemas de programa lineal entero con variables
binarias (cero o uno) puras. Los clculos del algoritmo aditivo eran tan sencillos
(principalmente suma y resta) que se le aclam como un gran avance en la solucin del
programa lineal entero. Desafortunadamente, el algoritmo no pudo materializar las ventajas
computacionales. Adems se demostr que el algoritmo, que al principio pareci no estar
relacionado con la tcnica B & B , no es ms que un caso especial del algoritmo general de
Land y Doig.

Se presentar slo el algoritmo general B & B de Land y Doig; seguidamente se explicar
detalladamente el ejercicio.

EJERCICIO 1.-

Maximizar z= 5x1 + 4x2
x1 + x2 5
10 x1 + 6x2 45
x1 , x2 es entero no negativo

Los puntos de red de la Figura 1 definen el espacio de soluciones del programa lineal entero,
el problema lineal asociado, el 0 , se define eliminando las restricciones enteras. Su
solucin ptima es:

x1 = 3.75 x2 =1.25 z = 23.75
Como la solucin optima del programa lineal 0 no satisface los requisitos de valores enteros,
el algoritmo de ramificacin y acotamiento modifica el espacio de soluciones de tal manera
que al final se identifica el programa lineal entero ptimo.


2012
187

Figura 1.- Espacio de
soluciones de
programa lineal
entero del ejemplo.

Primero seleccionaremos una de las variables cuyo valor corriente en la solucin ptima no
cumple el requisito de valor entero. Si se selecciona x1 =3.75 en forma arbitraria, observamos
que la regin 3 < x1 < 4 del espacio de soluciones del programa 0 no contiene valores
enteros de x1 y podemos modificar el espacio de soluciones lineales eliminando esta regin no
prometedora. Esto equivale a reemplazar el programa lineal 0 original con dos nuevos
programas lineales o espacios, PL1 y PL2, definidos de la manera siguiente:

1. Espacio PL1 = espacio PLO + (x1 3)
2. Espacio PL2 = espacio PLO + (x1 4)


2012
188
Esta figura muestra los espacios PL1 y PL2 en forma grafica. Se ve que los dos espacios
contienen los mismos puntos enteros factibles del modelo PLE. Esto significa que, desde el
punto de vista del problema original de PLE, tratar con PL1 y PL2 es igual que tratar con el
original PLO. La diferencia principal es que la seleccin de las nuevas restricciones e
acotamiento ( x1 3 y x1 4 ) mejoraran la oportunidad de forzar a los puntos extremos
ptimos de PL1 y PL2 hacia la satisfaccin del requisito de valor entero. Adems el hecho que
las restricciones de acotamiento estn en la vecindad inmediata del optimo continuo del
PLO, incrementara las posibilidades de producir buenas soluciones enteras.

Las nuevas restricciones x1 3 y x1 4 son mutuamente excluyentes, PL1 y PL2 deben
tratarse como dos programas lineales separados. Esta dicotoma da lugar al concepto de
ramificacin en el algoritmo de Ramificacin y Acotamiento, como se ve en la figura 2. En
efecto, ramificar significa subdividir un espacio de soluciones corrientes en subespacios
mutuamente excluyentes.

Aqu vemos las ramas PL1 y PL2 y x1 llamada variable de ramificacin

Sabemos que la solucin ptima entera debe encontrarse en PL1 o PL2. Sin embargo, en
ausencia del espacio grafico de soluciones, no tenemos manera de determinar donde
puede encontrarse la solucin ptima, por lo que nuestra nica opcin es investigar
ambos problemas. Hacemos esto trabajando con un problema a la vez (PL1 o PL2).
Supongamos que escogemos a PL1 asociado con x1 3. En efecto, debemos resolver el
siguiente problema:
Max z = 5x1 + 4x2
Sujeto a :
x1 + x2 5
10x1 + 6x2 45
x1 3
x1 , x2 0

N
F
1

F
F
3


2012
189
Como se indico antes PL1 es el mismo que el PLO con la restriccin adicional de
acotamiento superior, x1 3. As podemos aplicar el algoritmo primal de acotamiento
superior para resolver el problema. Esto da la nueva solucin ptima.

x1 = 3, x2 = 2 y z = 23

Como esta solucin satisface el requisito de valor entero, se dice que el PL1 esta agotado,
vaci, lo que significa que el PL1 no puede producir ninguna solucin mejor y no
necesita investigarse ms a fondo.

Determinar una solucin factible entera en una etapa temprana de los clculos es
crucial para incrementar la eficiencia del algoritmo R y A. Tal solucin fija una cota
inferior al valor objetivo optimo, que a su vez se puede usar para descartar
automticamente cualquier subproblema no explorado (como el PL2) que no dan mejor
solucin entera. En este ejemplo el PL1 produce la cota inferior z = 23. Esto significa que
cualquier solucin entera mejorada debe tener el valor de z mayor 23. Sin embargo,
como la solucin ptima del problema PLO tiene z = 23,75 y como todos los coeficientes
de la funcin objetivo son enteros, se infiere que ningn subproblema que proceda del
PLO puede producir un valor de z mejor que 23. En consecuencia, podemos descartar al
PL2 porque no puede dar una mejor solucin entera.

Del anlisis anterior vemos que un subproblema esta agotado si no satisface una de las
siguientes condiciones:

1. El subproblema da una solucin factible entera.
2. El subproblema no puede dar una mejor solucin que la mejor cota inferior
disponible (valor z) del problema (Un caso especial de esta condicin es que el
subproblema no tendr ninguna solucin factible en absoluto)

Pero si en nuestro ejemplo decidimos investigar PL2 primero la solucin resultante
ser: x1 = 4, x2 = 0,8333, z = 23,3333. Como x2 no es entero el PL2 debe investigarse mas
a fondo crendose el PL3 y PL4 y usando las respectivas ramas x2 0 y x2 1. Esto
significa que

Espacio PL3 = espacio PLO + (x1 4) + (x2 0)
Espacio PL4 = espacio PLO + (x1 4) + (x2 1)

En este momento para escoger tres subproblemas, el PL1, PL3 y PL4. (Observe
nuevamente que estos tres subproblemas incluyen todas las soluciones enteras factibles
del problema original PLE.) Si seleccionamos arbitrariamente el PL4, descubrimos que
no tiene solucin factible y por ello esta agotado. A continuacin seleccionamos el PL3
para investigarlo. Su solucin la da x1 = 4,5,
x2 = 0 y z = 22,5. Como x1 = 4,5 no es entero, creamos dos subproblemas, el PL5 y PL6 del
PL4, usando las restricciones x1 4 y x1 5 respectivamente.


2012
190
Obtenemos entonces:

Espacio PL5 = espacio PLO + (x1 4) + (x2 0) + (x1 4)
Espacio PL6 = espacio PLO + (x1 4) + (x2 0) + (x1 5)

Escogemos ahora el PL6, para investigarlo. Como el PL6 no tiene solucin factible, esta
agotado. A continuacin escogemos el PL5 cuya solucin ptima (x1 = 4, x2 = 0, z = 20)
satisface el requisito de valor entero. Finalmente, hemos encontrado una solucin entera
que fija una cota inferior (z = 20) a la solucin entra ptima.
Desafortunadamente, esta cota inferior es muy dbil y muy tarda para ser til. El
nico nodo restante, PL1, queda agotado a continuacin con z = 23, lo que fija una
nueva cota inferior. Como no quedan ya subproblemas por investigar, la ltima cota
inferior asocia la solucin ptima del PLE con PL1.

La secuencia posible de solucin, mostrada en al figura siguiente, se ha escogido
intencionalmente para evidenciar una de las principales debilidades del algoritmo de R
y A. Esto es, un subproblema especifico, cmo seleccionamos a la variable de
ramificacin? Y, de entre todos los subproblemas no explorados, Cul debe investigarse
a continuacin? Observe que en la figura, encontramos una buena solucin en el primer
subproblema PL1, lo que nos permiti declarar agotado al PL2 sin ninguna
investigacin posterior. Bsicamente, el problema PLE se resolvi investigando solo un
subproblema. En el siguiente caso tuvimos que resolver seis subproblemas antes de
alcanzar la optimidad. Este caso no es raro y puede encontrarse situaciones reales.
Aunque existen muchos mtodos para aumentar la habilidad del algoritmo de R y A de
ver adelante y hacer una buena conjetura, respecto a s una rama dada conducir a
una solucin mejorada del PLE, no existe una teora consistente que produzca resultados
concretos uniformes para la solucin del problema general de PLE.


2012
191

Resumiremos ahora los pasos del algoritmo de R y A. Suponiendo un problema de
maximizacin, definiremos z como la cota inferior de la solucin entera ptima del problema.
Hacemos inicialmente

z = - e i = 0

Paso 1: Agotamiento y ramificacin. Seleccione PLi como el prximo subproblema
por investigarse. Resolvemos el PLi y trataremos de agotarlo usando las condiciones
apropiadas.

(a) Si el PLi se declara agotado (solucin inferior, infactible o entera), ponga al da la
cota inferior z si se encuentra una mejor solucin del PLE; si no es as, seleccione
un nuevo subproblema i y repita el paso 1. Si todos los subproblemas se han

X
X P
1
PL1
x
1
= 3 x
2
=2
2
P
3 Figura 2
r
bol
2
4
3
PL
3
PL
4
6
5
PL5
x
1
= 4 x
2
=0 z = 20
Cota inferior

P
x
2
0


2012
192
investigado, la solucin ptima del PLE est asociada con la ultima cota inferior
z en caso de que exista, si no es as
(b) Si el PLi no est agotado, siga con el paso 2 para efectuar la ramificacin del PLi.

Paso 2: Ramificacin. Seleccione una de las variables xj cuyo valor ptimo en la
solucin del PLi no satisfaga la restriccin del valor entero. Elimine la regin creando
dos subproblemas PL que correspondan a las dos siguientes restricciones
mutuamente excluyentes, vuelva al paso 1.

EJERCICIO 2.-

Max = 21x1 + 11 x2

s.a.
7x1 + 4 x2 13
x1 0
x2 0

x1, x2 enteros

Grficamente
corresponde a:

El dominio de puntos factibles para el modelo de Programacin Lineal asociado es el rea
demarcada con verde. Dicho modelo tiene valor ptimo igual a 39, con x1=1,9 y x2=0. Esto
corresponde a la relajacin continua del PLE y nos proporciona una cota superior del valor
ptimo de dicho problema.
Adems, claramente la solucin de la relacin continua no satisface la condicin de
integralidad del modelo de PLE. Finalmente, en el grfico anterior se han marcado con azul
todas aquellas combinaciones que satisfacen las restricciones del modelo de PLE. Claramente
esto corresponde a un subdominio del problema lineal asociado lo que justifica que la
relajacin continua nos entrega una cota superior del valor ptimo del PLE.


2012
193
Al aplicar el algoritmo de Branch & Bound, el nodo inicial corresponde a la relajacin
continua y se van agregando las ramas o nodos necesarios hasta alcanzar la(s) soluciones
que satisfacen las condiciones de integralidad.

P0: Corresponde a la relajacin continua del PLE.
P1: Po + x1<=1. (Solucin inicial x1=1,9 aproximada al entero inferior)
P2: Po + x1>=2 (solucin inicial x1=1,9 aproximada al entero superior). Infactible.
P11: P1 + x2<=1 (solucin ptima x1=1 y x2=1. Valor ptimo z=33. Debido a que la solucin
satisface las restricciones de integralidad, se termina este nodo).
P12: P1 + x2>=2 (solucin x1=5/7 y x2=2. No es solucin ptima de PLE debido a que x1 es an
fraccionario. Se continua el mtodo debido a que el Valor ptimo z=37 es mayor que
el Valor ptimo de P11, en caso contrario se detiene el mtodo y P11 sera la solucin
ptima de PLE).
P121: P12 + x1<=0 (x1=0 y x2=13/4. z=35,75. Se continua siguiendo el mismo razonamiento
anterior)
P122: P12 + x1>=1 Infactible.
P1211: P121 + x2<=3 (x1=0 y x2=3. z=33 el Valor ptimo ms alto obtenido para los nodos
con soluciones enteras). Se agota este nodo.
P1212: P121 + x2>=4 Infactible.
Luego la Solucin ptima del PLE) es x1=0 y x2=3 con Valor ptimo z=33.


2012
194

Como en el algoritmo de ramificacin y acotamiento, el del plano cortante tambin se inicia
en la solucin optima del programa lineal continuo. Al espacio de soluciones se agregan
restricciones especiales, llamadas cortes, en una forma que produzca un punto extremo
entero. En el siguiente ejemplo se demostrar como se usan los cortes en forma grafica para
producir una solucin entera.
Considere el problema de programacin lineal entera:

EJERCICIO 3

Maximizar z = 7x1 + 10x2
Sujeto a:
-x1 + 3x2 <=6
7x1 + x2 <=35
x1, x2 0 ,enteros no negativos

El algoritmo del plano de corte modifica el espacio de soluciones agregando cortes que
producen un punto extremo entero ptimo.
La figura muestra un ejemplo de dos cortes de esos. Se parte del optimo del programa lineal
continuo, z= 66 , x1 = 4 , x2=3

A continuacin se agrega el corte I, que produce la solucin lineal ptima continua z= 62, x1
=4
, x2 = 3.


2012
195

A continuacin se agrega el corte II, que junto con el corte I y las restricciones originales,
llega a la solucin ptima del programa lineal
z = 58, x1 =4, x2 = 3. La ltima solucin es entera, que era lo que se buscaba.

Los cortes agregados no eliminan alguno de los puntos enteros factibles, originales, pero
deben pasar por al menos un punto entero, factible o no factible. Estos son los requisitos
bsicos de cualquier corte.


2012
196
En un problema de Programacin Entera con frecuencia hay un nmero finito de
soluciones factibles posibles. Entonces, es posible (tericamente) enumerar y
evaluar cada una de las soluciones enteras factibles con el fin de encontrar el ptimo.
Lo ms frecuente es el uso del Mtodo De Ramificacin y Acote en el que solamente es
necesario una enumeracin parcial, si se aplica sistemticamente, en el hallazgo de
una solucin ptima entera. El mtodo de Ramificacin y Acote es una tcnica para el
logro de esto, ya que va eliminado conjuntos de soluciones bajo consideracin
EJEMPLO:
max Z = 5 X1 + 3 X2 + X3
s.a. : X1 + X2 + X3 6
3 X1 + X2 + 4 X3 9
X1 1
X2 1
X3 4
X1 + X2 + X3 0 y enteros

x
2
1

x
1
4

X
1
5

x
1
3

x
1
4

PL0 1
PL1
7
PL2


2012
197
MINIMIZACIN
Considere el siguiente problema de minimizacin de costos:
Minimizar Z=X1+ 3X2+5X3
Sujeto a: X1+X2+X3 6.5
3X1+X2+4X3 9.5
X1 1
X2 2
X3 4

X1, X2, X3 0
1.- Resolver el problema como uno de programacin lineal ignorando la restriccin entera. Si
la solucin satisface la restriccin entera, tenemos una solucin optima para el problema de
programacin entera. La solucin por programacin lineal es:
x1 = 1,
x2 = 2,
x3 = 3.5
Z = 24.5
Como no es un solucin entera necesitamos particionar el conjunto de soluciones.


2012
198

Maximizacin
Max: Z=X1+5X2+7X3+3X4


2012
199
Sujeto a
7x1+3x2+2x3+4x4 <=15
8x1+2x2+3x3+5x4 <=17
1x1 <=4
1x2 <=4
1x3 <=1
1x4 <=1
x1, x2, x3, x4 Todos Enteros.

X1 = 0 X1 = 1
X2 = 0 X2 = 1
X2 = 0


2012
200

Igual que en el algoritmo de Ramificacin y Acotamiento, el algoritmo de plano cortante
tambin empieza en la solucin ptima de la Programacin Lineal.
Sin embargo, en vez de utilizar la Ramificacin y Acotamiento,
modifica el espacio de la solucin aadiendo sucesivamente restricciones especialmente
construidas (llamadas cortes).
EJEMPLO:
Maximizar Z = 7x1 + 10x2
Sujeto a: -x1 + 3x2 6
7x1 + x2 35
x1, x2 0 y entero

DESARROLLO ALGEBRAICO
Paso 1
Resolver el problema primal, si la solucin es entera, corresponde a la ptima para el
problema de Programacin Lineal Entera.
Paso 2
Seleccionar decimales y escoger aquel que tenga la mayor parte fraccionaria tomando las
ecuaciones completas.
Paso 3
Se separan la parte entera, es decir, quedarse solamente con la parte
fraccionaria.
Nota:


2012
201
Luego de encontrar una solucin ptima para el primal, por Simplex y despus de agregarle
la primera nueva ecuacin al sistema se pasa a Dual Simplex, para quitarle la infactibilidad
al sistema.
EJEMPLO
Maximizar Z = 8 X1+ 5 X2
X1 + X2 6
9 X1 + 5X2 45
X1, X2 0
X1, X2 Z
Resolucin:
Estandarizacin:
MAXZ = 8 X1+ 5 X2 + 0S1 + 0S2
X1 + X2 +S1 = 6
9 X1 + 5X2 +S2= 45
TABLA 1: SIMPLEX
V.BASICAS Z X1 X2 S1 S2 SOLUCION
Z 1 -8 -5 0 0 0
S1 0 1 1 1 0 6
S2 0 9 5 0 1 45
Variable que entra a la base: X1, Variable que sale de la base: S2
TABLA2: SIMPLEX
Z 1 0 -5/9 0 8/9 40
S1 0 0 4/9 1 -1/9 1
X1 0 1 5/9 0 1/9 5
X2 = 1
X3 = 0 1
2 3 4
Seleccione una
variable para
El costo de
la solucin Determ
inar


2012
202
Variable que entra a la base: X2, Variable que sale de la base: S1

Nueva Ecuacin Z:
Ecuacin Z Anterior : 1 -8 -5 0 0 0
-(-8)(n.e.p) : 0 8 40/9 0 8/9 40
1 2 -5/9 0 8/9 40

Nueva Ecuacin S1:
Ecuacin S1 Anterior : 0 1 1 1 0 6
-(1)(n.e.p) : 0 -1 -5/9 0 -1/9 -5
0 0 4/9 1 -1/9 1

TABLA 3: SIMPLEX
Z 1 0 0 5/4 3/4 165/4
X2 0 0 1 9/4 -1/4 9/4
X1 0 1 0 -5/4 1/4 15/4

Nueva Ecuacin Z:
Ecuacin Z Anterior : 1 0 -5/9 0 8/9 40
-(-5/9)(n.e.p) : 0 0 5/9 5/4 -5/36 5/4
1 0 0 5/4 3/4 165/4

Nueva Ecuacin X1:


2012
203
Ecuacin X1 Anterior : 0 1 5/9 0 1/9 5
-(5/9)(n.e.p) : 0 0 -5/9 -5/4 5/36 -5/4
0 1 0 -5/4 1/4 15/4

Solucin ptima nica para el problema primal:
X1 = 15/4; X2 = 9/4; S1= 0; S2 =0; Z = 165/4, pero para el problema de Programacin Lineal
Entera no nos sirve la respuesta, ya que las variables de decisin tienen valores
fraccionarios. Para resolver este problema, aplicamos un refinamiento de la Programacin
Lineal, el cual corresponde al algoritmo de Gomory:
X1- 5/4 S1+ 1/4 S2= 15/4
(1 + 0) X1 + ( 2 + 3/4) S1 + (0 + 1/4) S2 = (3 + 3/4)
3/4 S1+ 1/4 S2 = 3/4Nueva ecuacin
3/4 S1+ 1/4S2 3/4Nueva restriccin
3/4 S1 1/4 S2 + S3 = 3/4Ecuacin a introducir al sistema
A continuacin se aplica el dual simplex, con el objetivo de quitarle la infactibilidad al
sistema.
TABLA4: DUAL SIMPLEX
V.BASICAS Z X1 X2 S1 S2 S3 SOLUCION
Z 1 0 0 5/4 3/4 0 165/4
X2 0 0 1 9/4 -1/4 0 9/4
X1 0 1 0 -5/4 1/4 0 15/4
S3 0 0 0 -3/4 -1/4 1 -3/4
RAZN:
FUNCIN Z: 0 0 5/4 3/4 0
ECUACIN S3: 0 0 -
3/4
-1/4 1
0 0 -
5/3
-3 0

A


2012
204

TABLA 5: DUAL SIMPLEX
V.BASICAS Z X1 X2 S1 S2 S3 SOLUCION
Z 1 0 0 0 1/3 5/3 40
X2 0 0 1 0 -1 3 0
X1 0 1 0 0 2/3 -5/3 5
S1 0 0 0 1 1/3 -4/3 1

Nueva Ecuacin Z:
Ecuacin Z Anterior : 1 0 0 5/4 3/4 0 165/4
-(5/4)(n.e.p) : 0 0 0 -5/4 -5/12 5/3 -5/4
1 0 0 0 1/3 5/3 40

Nueva Ecuacin X2:
Ecuacin X2 Anterior : 0 0 1 9/4 -1/4 0 9/4
-(9/4)(n.e.p) : 0 0 0 -9/4 -3/4 3 -9/4
0 0 1 0 -1 3 0

Nueva Ecuacin X1:
Ecuacin X1 Anterior : 0 1 0 -5/4 1/4 0 15/4
-(-5/4)(n.e.p) : 0 0 0 5/4 5/12 -5/3 5/4
0 1 0 0 2/3 -5/3 5


2012
205
Solucin ptima al problema de Programacin Lineal Entera:
X1= 5
X2=0
S1= 1
S2= 0
S3= 0
Z = 40

Las situaciones en las que las decisiones aparecen como alternativas son las ms frecuentes
con las que nos enfrentamos.
La nocin de tipo binario la utilizamos en nuestros razonamientos y en nuestras acciones:
todo o nada, blanco o negro, abierto o cerrado, existe o no existe, 0 o 1, verdadero o falso,
prendido o apagado, muerto o vivo, entre otros.
Los dos mtodos ms usuales para solucionar problemas de Programacin Lineal Entera
Binaria son
- Enumeracin Implcita Cero Uno
- Mtodo Aditivo de Egon Balas.

El primer algoritmo especial 0_1,llamado el algoritmo aditivo fue desarrollado en 1965,unos
aos despus del desarrollo del de R y A.
El diseo del mtodo heurstica de sondeo en el algoritmo aditivo requiere la presentacin
del problema [0_1] en una forma conveniente que satisfaga las siguientes requerimientos:
1. La funcin objetivo es de tipo de minimizacin, con todos los coeficientes no
negativos.
2. todas las restricciones deben ser del tipo (<=), con todas los lados derechos negativos
, de ser necesario. Despus, estas ecuaciones se convierten en inecuaciones, utilizando
variables de holgura .

EJEMPLO


2012
206
Convertir el problema 0_1 para satisfacer los requerimientos iniciales del algoritmo aditivo.
Maximice z = 3X1-5X2
Sujeto A: X1+ X2 = 5
4X1 + 6X2 >=4
X1,X2 >=0
Primero convertimos el problema a uno de minimizacin con todas las restricciones
(<=)como sigue.
(a) Multiplique Z por -1 para obtener la minimizacin de W = -3X1+ 5X2
(b) Convierte las ecuaciones de restricciones del tipo (<=)para obtener
X1+ X2<=5 y X1-X2<=-5.
(c) Multiplique la segunda restriccin por -1 para obtener -4X1-6X2<=-4

Utilizando las holguras S1,S2,S3para las tres restricciones, el el problema se escribe
como.

Minimice W = - 3X1 + 5X2
X1+ X2 +S1 = 5
- X1 - X2 + S2 = - 5
- 4X1 - 6X2 + S3 = - 4
X1,X2 =(0 ,1)
S1 ,S2 ,S3 >=0
Para asegurarse de que los coeficientes de la funcion objetivo son no negativo,
sustituya Xj = 1 Xj* para cualquier Xj con coeficiente negativo en la funcion
objetivo. Por consiguiente , sustituimos X1= 1-X1*y ajustamos el lado derecho de las
restriccionesconforme a ello . Ahora el algoritmo aditivo trata con X1* y X2.

PROBLEMA BINARIO(0_1) RESUELTO A TRAVS DEL DEL ALGORITMO ADITIVO

Maximice W =3Y1+ 2Y2-5Y3 -2Y4+3Y5
Sujeto a


2012
207
Y1 + Y2 + Y3 + Y4 + Y5 <=4
7Y1 + 3Y3 - 4Y4 + 3Y5 <=8
11Y1 - 6Y2 + 3Y4 - 3Y5 >=3
Y1,Y3,Y2,Y4,Y5 = (0,1)
1.- Multiplique la funcin objetivo por -1
2.- Multiplique la tercera restriccion por -1
3.- aade las variables de holgura S1,S2,S3 para convertir las tres en ecuaciones
4.- Sustituya Y1=1-X1, Y2= 1- X2 , Y5= 1- X5, Y3= X3, Y4= X4 para obtener todos los
coeficientes objetivos en positivos.
Ahora tenemos:
Minimice
Z*= 3X1+ 2X2+ 5X3+ 2X4+ 3X5- 8
Ignoremos la constante -8 y remplazemos Z*+8 con Z, de manera que :
Minimice Z= 3X1+ 2X2+ 5X3+ 2X4+ 3X5
Sujeto a
-X1-X2+X3+2X4-X5+S1=1
-7X1+3X3-4X4-3X5+S2=-2
11X1-6X2-3X4-3X5+S3=-1
X1, X2, X3, X4, X5=(0,1)
Solucin Bsica
factible X1 X2 X3 X4 X5 S1 S2 S3 Solucin

S1 -1 -1 1 2 -1 1 0 0 1
S2 -7 0 3 -4 -3 0 1 0 -2
S3 11 -6 0 -3 -3 0 0 1 -1
Coeficientes
Objetivos 3 2 5 2 3


2012
208

A lo largo de esta investigacin se lleg a la conclusin de que los manuales de operaciones
resultan indispensables para cualquier organizacin, gracias a ellos se logra la mayor
eficiencia de los recursos tanto, humanos como financieros, ya que facilitan la
estandarizacin de los procesos y preservacin del conocimiento adquirido por la misma
organizacin.
Por otra parte puede concluir que sin una estructura organizacional adecuada el personal
difcilmente podr contribuir al logro de los objetivos de la empresa. Una organizacin ser
eficiente si su estructura est diseada para cubrir sus necesidades.
Mientras ms clara sea la definicin de un puesto, las actividades a realizar y la comprensin
de las relaciones de autoridad y las relaciones informales con otros puestos se evitar conflicto
y la productividad de las personas aumentar.


2012
209

http://jrvargas.files.wordpress.com/2008/11/problema-transbordo_jrva.pdf
http://www.monografias.com/trabajos59/modelo-transbordo/modelo-
transbordo.shtml
http://www.monografias.com/trabajos59/modelo-transbordo/modelo-
transbordo2.shtml
http://148.204.211.134/polilibros/portal/Polilibros/P_Terminados/Investigacion
_de_Operaciones_Careaga/Common/IO-modulo4-transbordo.htm
INVESTIGACION DE OPERACIONES 7a. Edicin - TAHA HANDY
http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/asignacion.html
http://www.arquimedex.com/index.php?option=com_content&task=view&id=54
&Itemid=1
http://es.scribd.com/doc/57925720/EJEMPLOS-METODO-HUNGARO
http://webcache.googleusercontent.com/search?q=cache:HGEPDyePNDoJ:www.el
prisma.com/apuntes/matematicas/analisisdesensibilidad/default4.asp+sensibilid
ad+de+los+coeficientes+de+la+funcion+objetiva&cd=1&hl=es&ct=clnk&gl=pe&so
urce=www.google.com.pe

http://www.youtube.com/watch?v=v68wFcVl4Cs

http://www.youtube.com/watch?v=r1EaXmWXUDM
http://www.investigacion-operaciones.com/modelo_de_transporte.htm
http://www.investigacion-
operaciones.com/material%20didactico/TRANSPORTE.pdf
http://www.slideshare.net/josekh89/problema-del-transporte

o Libro:
Investigacin Operativa TAHA
http://www.investigacion-operaciones.com/Dualidad.htm
http://www.andrew.cmu.edu/user/mgoic/files/documents/optimization/dualida
d.pdf
Programacin Lineal: Anlisis de Dualidad y de Sensibilidad
Investigacin Operativa TAHA


2012
210

A Compare la
Cota
inferi
or del
Paso
2 con
la
actual
cota
superi
or del
costo
mni
mo
(el
ms
bajo
costo
obten
ido
por
una
soluci
n
entera
) para
las
ramas
hasta
aqu
invest
igada
s.
(a) Si la
cota
infe
rior
exce
de a
la
actu
al
sup
erio
r,
ento
nces
elim
ine
esta
ram
a
de
las
dem
s
cons
ider
acio
nes.
(b) Si la
cota
Todas
las ramas
han sido
investigada
s?
La solucin
entera de
costo
mnimo es
la solucin
entera
factible
asociada
con la cota
superior
ms actual.
Iteracin 0 Paso 1:
Ramificaci
n
Paso 2:
Acote
Paso 3:
Comparaci
n
Y

Eliminaci
n
No Si Paso 4:

Terminaci
n
4
X1 =
0.5, x2
= 2, X3
= 4
Costo
Z =
26.5
Soluci
n no
entera:
Rama
Cota
Superio
r = 27

Soluci
n no
factible
5
X1 = 0
6
X1 = 1
X1 = 1,
X2 = 2,
X3 = 4
Costo
Z = 27
Soluci
n
entera:
tambi
n
soluci
n
optima
ya que
no hay
mas
ramas
para
investig
ar
Cota
Superio
r = 27
Solucin
optima

Solucion
por PL
X1 = 0,
x2 = 4,
X3 = 1
x4 =
0.25
Utilidad
Z =
27.75
Solucin
no
entera:
Rama
Solucion
PL
X1 = 1,
X2 = 2,
X3 = 1
X4 = 0
Utilidad
Z = 18
Solucin
entera
Solucion
PL
X1 = 0,
x2 = 3,
X3 = 1
x4 = 1
Utilidad
Z =
25.00
Solucin
entera

Solucion
PL
X1 = 0,
X2 = 4,
X3 = 1
X4 =0
Utilidad
Z =
27.00
Solucin
entera

Solucion
PL
X1 =
0.14, x2
= 4, X3 =
1
x4 = 0
Utilidad
Z =
27.14
Solucin
entera

X1 =0 1<= x1
<=4
X4=0 X4=1
Soluci
n
Entera
Optima
6 1 = 6 45 9 = 5 1 4/9 =
2.25
n.e.p 5 5/9 = 9
Coeficiente
ms
pequeo

Trabajo Io Finish

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Trabajo Io Finish

Diunggah oleh

Hak Cipta:

Format Tersedia

Ing.

Informatica VI CICLO | [Escribir la direccin de la compaa]

() (Restriccin del calorias) (21)

(Restriccin del chocolate)(22)

(Restriccin del azucar)

(rest. del calorias)

(rest. del chocolate)

(rest. Del azucar)

harn cambiar la pendiente de z y en consecuencia, posiblemente el

Anda mungkin juga menyukai