METODOS DETERMINISTICOS

ACTIVIDAD COLABORATIVA

JENNY CAMILA RODRIGUEZ DIAZ

CODIGO: 1.072.665.507

102016_11

Tutor
GOMEZ SILVA JOSE

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA U.N.A.D.

CEAD ZIPAQUIRA
ADMINISTRACION DE EMPRESAS
OCTUBRE 2016

ALGORITMOS PARA PROGRAMACION LINEAL ENTERA Y MODELOS DE

TRANSPORTE

El trmino algoritmo Smplex habitualmente se refiere a un conjunto de mtodos muy

usados para resolver problemas de programacin lineal, en los cuales se busca el mximo
de una funcin lineal sobre un conjunto de variables que satisfaga un conjunto
de inecuaciones lineales. El algoritmo Smplex primal fue desarrollado por el matemtico
norteamericano George en 1947, y procede examinando vrtices adyacentes del poliedro de
soluciones. Un algoritmo Smplex es un algoritmo de pivote.
Un mtodo llamado de manera similar, pero no relacionado al anterior, es el mtodo
Nelder-Mead (1965) o mtodo de descenso (o ascenso) smplex; un mtodo numrico que
busca un mnimo (o mximo) local de una funcin cualquiera examinando en cada paso los
vrtices de un simplex.
El algoritmo del mtodo Smplex fue elegido como uno de los 10 algoritmos ms
importantes del s.XX (SIAM News, Volume 33, Number 4).
Considerar un problema de programacin lineal,
Maximizar
Sujeto a
El algoritmo Smplex requiere que el problema de programacin lineal est en la
forma aumentada de la programacin lineal. El problema puede ser escrito como
sigue, en forma de matriz:
Maximizar en:
Donde x son las variables desde la forma estndar, xs son las variables de holgura
introducidas en el proceso de aumentacin, c contiene los coeficientes de optimizacin,
describe el sistema de ecuaciones contradas, y Z es la variable a ser maximizada.
El sistema es tpicamente no determinado, desde que el nmero de variables excede el
nmero de ecuaciones. La diferencia entre el nmero de variables y el nmero de
ecuaciones nos da los grados de libertad asociados con el problema. Cualquier solucin,
ptima o no, incluir un nmero de variables de valor arbitrario. El algoritmo Smplex usa
cero como valor arbitrario, y el nmero de variables con valor cero es igual a los grados de
libertad.
Valores diferentes de cero son llamados variables bsicas, y valores de cero son
llamadas variables no bsicas en el algoritmo smplex.
Esta forma simplifica encontrar la solucin factible bsica inicial, dado que todas las
variables de la forma estndar pueden ser elegidas para ser no bsicas (cero), mientras que
todas las nuevas variables introducidas en la forma aumentada, son bsicas (diferentes de

cero), dado que su valor puede ser calculado trivialmente (para ellas, dado que la matriz
problema aumentada en diagonal es su lado derecho)
En cada una de las desigualdades que se plantean en el modelo matemtico de
programacin lineal, se plantean desigualdades de <, >, , o =; estas desigualdades se
convierten en igualdades completando con variables de holgura si se trata de menor o igual
que, o menor que; en el caso de que sea mayor o igual que o mayor que, se completa con
variables de excedente, estas con signo negativo ya que como su nombre lo indica, es una
cantidad que esta de excedente y hay que quitar para convertirla en igualdad; en caso se
maneje el =, se manejan las variables artificiales.

El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a

Joseph Fourier, despus de quien nace el mtodo de eliminacin de Fourier-Motzkin. La
programacin lineal se plantea como un modelo matemtico desarrollado durante la
Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir
los costos al ejrcito y aumentar las prdidas del enemigo. Se mantuvo en secreto hasta
1947. En la posguerra, muchas industrias lo usaron en su planificacin diaria.
Los fundadores de la tcnica son George Dantzig, quien public el algoritmo simplex, en
1947, John von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid
Kantorvich, un matemtico ruso, que utiliza tcnicas similares en la economa antes de
Dantzig y gan el premio Nobel en economa en 1975. En 1979, otro matemtico ruso,
Leonid Khachiyan, dise el llamado Algoritmo del elipsoide, a travs del cual demostr
que el problema de la programacin lineal es resoluble de manera eficiente, es decir,
en tiempo polinomial.2 Ms tarde, en 1984, Narendra Karmarkar introduce un nuevo
mtodo del punto interior para resolver problemas de programacin lineal, lo que
constituira un enorme avance en los principios tericos y prcticos en el rea.
El ejemplo original de Dantzig de la bsqueda de la mejor asignacin de 70 personas a 70
puestos de trabajo es un ejemplo de la utilidad de la programacin lineal.
La potencia de computacin necesaria para examinar todas las permutaciones a fin de
seleccionar la mejor asignacin es inmensa (factorial de 70, 70!) ; el nmero de posibles
configuraciones excede al nmero de partculas en el universo. Sin embargo, toma slo un
momento encontrar la solucin ptima mediante el planteamiento del problema como una
programacin lineal y la aplicacin del algoritmo simplex. La teora de la programacin
lineal reduce drsticamente el nmero de posibles soluciones ptimas que deben ser
revisadas.

Variables
Las variables son nmeros reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un nmero entero, el
procedimiento de resolucin se denomina Programacin entera.
Restricciones
Las restricciones pueden ser de la forma:

Donde:

A = valor conocido a ser respetado estrictamente;

B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado;

j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones);

a; b; y, c = coeficientes tcnicos conocidos;

X = Incgnitas, de 1 a N;

i = nmero de la incgnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N >
M; , N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimizacin.

Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.

Funcin Objetivo
La funcin objetivo puede ser:

Programacin entera
En algunos casos se requiere que la solucin ptima se componga de valores enteros para
algunas de las variables. La resolucin de este problema se obtiene analizando las posibles
alternativas de valores enteros de esas variables en un entorno alrededor de la solucin
obtenida considerando las variables reales. Muchas veces la solucin del programa lineal
truncado est lejos de ser el ptimo entero, por lo que se hace necesario usar algn
algoritmo para hallar esta solucin de forma exacta. El ms famoso es el mtodo de
'Ramificar y Acotar' o Branch and Bound por su nombre en ingls. El mtodo de Ramificar
y Acotar parte de la adicin de nuevas restricciones para cada variable de decisin (acotar)
que al ser evaluado independientemente (ramificar) lleva al ptimo entero.
Aplicaciones
La programacin lineal constituye un importante campo de la optimizacin por varias
razones, muchos problemas prcticos de la investigacin de operaciones pueden plantearse
como problemas de programacin lineal. Algunos casos especiales de programacin lineal,
tales como los problemas de flujo de redes y problemas de flujo de mercancas se
consideraron en el desarrollo de las matemticas lo suficientemente importantes como para
generar por si mismos mucha investigacin sobre algoritmos especializados en su solucin.
Una serie de algoritmos diseados para resolver otros tipos de problemas de optimizacin
constituyen casos particulares de la ms amplia tcnica de la programacin lineal.
Histricamente, las ideas de programacin lineal han inspirado muchos de los conceptos
centrales de la teora de optimizacin tales como la dualidad, la descomposicin y la
importancia de la convexidad y sus generalizaciones. Del mismo modo, la programacin

lineal es muy usada en la microeconoma y la administracin de empresas, ya sea para

aumentar al mximo los ingresos o reducir al mnimo los costos de un sistema
de produccin. Algunos ejemplos son la mezcla de alimentos, la gestin de inventarios, la
cartera y la gestin de las finanzas, la asignacin derecursos
humanos y recursos de mquinas, la planificacin de campaas de publicidad, etc.

El modelo de transporte es un caso particular de los problemas referidos a la programacin

lineal. Trata situaciones de envo de productos de lugares llamados puntos origen (fuentes
de abastecimiento) a los puntos destino (fuentes de consumo), siendo su objetivo,
determinar las cantidades ptimas de envo de las fuentes de abastecimiento a las fuentes de
consumo que minimicen el costo total del transporte, al mismo tiempo que satisfagan tanto
los lmites de la oferta como los requerimientos de la demanda.
El algoritmo de transporte organiza los clculos en una forma ms cmoda aprovechando la
ventaja de la estructura especial del modelo de transporte. Pare esto sigue 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 de soluciones con mtodo
abreviado.
Otro detalle importante es que el algoritmo de transporte se basa en la hiptesis de que el
modelo est balanceado, eso quiere decir que la demanda total es igual a la oferta total. Si
el modelo est desbalanceado siempre se podr aumentar con una fuente ficticia o destino
ficticio para restaurar el equilibrio o balance.
Los pasos del algoritmo de transporte son exactamente iguales a los del algoritmo simplex.
En el primer paso se determina una solucin bsica factible de inicio que nos ayude a
proseguir en el paso dos.
En el segundo paso se usa la condicin de optimalidad del mtodo simplex para determinar
la variable de entrada entre todas las variables bsicas. Detenerse si se satisface.
En el tercer paso se usa la condicin de factibilidad del mtodo simplex para determinar la
variable de salida para determinar la nueva solucin y posteriormente se regresa al paso
dos.

Adems, anteriormente vimos que los problemas de transporte consisten en decidir cuntas
unidades trasladar desde ciertos puntos de origen (plantas, ciudades, etc) a ciertos puntos de
destino (centros de distribucin, ciudades, etc) de modo de minimizar los costos de
transporte, dada la oferta y demanda en dichos puntos. Se suponen conocidos los costos
unitarios de transporte, los requerimientos de demanda y la oferta disponible.
Los principales objetivos de un modelo de transporte son la satisfaccin de todos los
requerimientos establecidos por los destinos y claro est la minimizacin de los costos
relacionados con el plan determinado por las rutas escogidas. El contexto en el que se
aplica el modelo de transporte es amplio y puede generar soluciones atinentes al rea de
operaciones, inventario y asignacin de elementos.
Cualquier modelo de transporte se compone de unidades de un bien a distribuir, m orgenes,
n destinos, recursos en el origen, demandas en los destinos y costos de distribucin por
unidad. Adicionalmente, se tienen varios supuestos:
Supuesto de requerimientos: cada origen tiene un suministro fijo de unidades que se deben
distribuir por completo entre los destinos.

Supuesto de costo: el costo de distribuir unidades de un origen a un destino cualquiera es

directamente proporcional al nmero de unidades distribuidas.

Propiedad de soluciones factibles: un problema de transporte tiene soluciones factible

slo si la sumatoria de recursos en lo m orgenes es igual a la sumatoria de demandas en los
destinos.

Propiedad de soluciones enteras: En los casos en los que tanto los recursos como las
demandas toman un valor entero, todas las variables bsicas (asignaciones), de cualquiera
de las soluciones bsicas factibles (inclusive la solucin ptima), asumen tambin valores
enteros.
Lo primero que se debe hacer es formular el problema en trminos de programacin lineal
para esto se necesita identificar las actividades y los requerimientos del problema para de
esta manera formularlo como un problema de programacin lineal.

Ahora veremos ms a profundidad los modelos que ya mencionamos anteriormente, los

cuales son los siguientes:

El mtodo de la esquina Noroeste es un algoritmo heurstico capaz de

solucionar problemas de transporte o distribucin mediante la consecucin de una solucin
bsica inicial que satisfaga todas las restricciones existentes sin que esto implique que se
alcance el costo ptimo total.
Este mtodo tiene como ventaja frente a sus similares la rapidez de su ejecucin, y es
utilizado con mayor frecuencia en ejercicios donde el nmero de fuentes y destinos sea muy
elevado.

El mtodo comienza en la esquina noroeste o superior izquierda de la tabla (variable x1) o

sea donde comienzan los valores el primer elemento de la tabla arriba y a la izquierda, para
aplicarlo debemos seguir los siguientes pasos.
Asignar lo ms que se pueda a la celda seleccionada y ajustar las cantidades asociadas de
oferta y demanda restando la cantidad asignada.
Salir del rengln o la columna cuando se alcance oferta o demanda cero y tacharlo para
indicar que no se pueden hacer ms asignaciones a ese rengln o columna.
Detenerse si queda exactamente un rengln o columna sin tachar. O en caso contrario
avanzar a la celda de la derecha si se acaba de tachar una columna o a la de abajo si se
tach un rengln y devolvernos al paso uno.

El mtodo del costo mnimo o de los mnimos costos es un algoritmo desarrollado con el
objetivo de resolver problemas de transporte o distribucin, arrojando mejores resultados
que mtodos como el de la esquina noroeste, dado que se enfoca en las rutas que presentan
menores costos. El diagrama de flujo de este algoritmo es mucho ms sencillo que los
anteriores dado que se trata simplemente de la asignacin de la mayor cantidad de unidades
posibles (sujeta a las restricciones de oferta y/o demanda) a la celda menos costosa de toda
la matriz hasta finalizar el mtodo.

En este mtodo, se determina una mejor solucin de inicio, porque se concentra en las rutas
menos costosas, es decir, se inicia asignando todo lo posible a la celda que tenga el mnimo
costo unitario los empates se rompen en forma arbitraria.
A continuacin el rengln o columna ya satisfecho se tacha y las cantidades de oferta y
demanda se ajustan en consecuencia. Si se satisfacen en forma simultanea un rengln y una
columna al mismo tiempo solo se tacha uno de los dos.
Posteriormente se busca la celda no tachada con el costo unitario mnimo y se repite el
proceso hasta que queda sin tachar exactamente un rengln o columna.

El mtodo de aproximacin de Vogel es un mtodo heurstico de resolucin de problemas

de transporte capaz de alcanzar una solucin bsica no artificial de inicio, este modelo
requiere de la realizacin de un nmero generalmente mayor de iteraciones que los dems
mtodos heursticos existentes con este fin, sin embargo produce mejores resultados
iniciales que los mismos. En este mtodo no estaremos profundizando ya que ser
estudiado ms detenidamente ms adelante.
Adems de estos mtodos bsicos ya mencionados existen otros mtodos, los cuales
veremos a continuacin y profundizaremos ms adelante.

El mtodo de los flujos mutuamente preferibles est basado en la nocin de flujo

mutuamente preferible. Permite obtener normalmente una solucin bsica mucho ms
prxima a la ptima que el mtodo de la esquina noroeste ahorrando iteraciones y muchas
veces la solucin bsica ya es ptima. Sin embargo, este mtodo no ha sido justificado en
una forma analtica, sino simplemente mediante la nocin intuitiva de que los flujos
mutuamente preferibles tienen una probabilidad ms elevada de estar incluidos en la
solucin ptima.

El mtodo de cost preprocessing es un mtodo de eficacia anloga a los mtodos de

Russell y de Vogel y que proporciona otro criterio excelente y fcil de llevar a la prctica en
un ordenador pero no para la forma manual debido a que es necesario realizar numerosos
clculos.

Ms adelante estaremos hablando acerca de este tema pero no quiero despedirme sin
recordarte que el estudio sistemtico y consecutivo de esta asignatura as como el repaso
de los temas ser la clave de tu xito para temas posteriores.