Академический Документы
Профессиональный Документы
Культура Документы
INSUCO
Manual de INVESTIGACION DE
OPERACIONES 1
Definicin de Modelos.
Un modelo de decisin debe considerarse como un vehculo para
resumir un problema de decisin en forma tal que haga posible la
identificacin y evaluacin sistemtica de todas las alternativas de
decisin del problema. Despus se llega a una decisin seleccionando la
alternativa que se juzgue sea la mejor entre todas las opciones
disponibles.
Un modelo es una abstraccin selectiva de la realidad.
El modelo se define como una funcin objetivo y restricciones que se
expresan en trminos de las variables (alternativas) de decisin del
problema.
Clase
Incertidumbre
de Frecuencia de uso
en corporaciones
Programacin Lineal D
Redes
(Incluye D,P
PERT/CPM)
Inventarios,
produccin
programacin
D,P
Econometra,
pronstico
simulacin
D,P
Programacin
Entera
Programacin
Dinmica
D,P
Programacin
Estocstica
Programacin
Lineal
No D
Teora de Juegos
Control Optimo
D,P
Lneas de Espera
Ecuaciones
Diferenciales
A) PERODO DE ORIENTACIN.
Denominado tambin como el primer perodo de la investigacin.
El equipo de Investigacin de Operaciones ajeno a la empresa tiene la
oportunidad de valorar al problema y a la organizacin. Los promotores
que son los crticos cientficos y los que ayudan a la organizacin
econmicamente (fundaciones, gobierno,...) tienen tambin una
oportunidad similar de tener un acercamiento a la empresa.
As, al final del perodo de orientacin puede especificarse bajo que
condiciones se realiza la investigacin y puedan tomarse las medidas
necesarias que satisfagan tales condiciones.
B) LOS COMPONENTES DEL PROBLEMA.
Para llegar a la formulacin del problema debemos plantear, en que
consiste el problema?, o cules son sus componentes? Para lo cual
tomaremos en cuenta lo siguiente:
1. La evidencia de que alguien o algn grupo tiene un problema.
Este "alguien o grupo" es tambin llamado CENTRO DE DECISIN.
Cuando el centro de decisin no est satisfecho con algn aspecto de
las actividades tienen la autoridad para implementar, modificar y
concluir las polticas vigentes en la organizacin y del sistema en
estudio.
Las cuestiones siguientes pueden servir de gua en la adopcin de
decisiones.
i) Quin es el responsable de emitir las recomendaciones que estn en
relacin a las modificaciones de las polticas?
ii.)De quin depende la aprobacin y como es expresada la misma?
iii.)Cmo se realiza la aprobacin final? P. ej. Por voto mayoritario en
deliberacin conjunta, por una autoridad final.
iv.)Alguien tiene poder de veto absoluto?
v.)Quin es el responsable de aplicar las recomendaciones aprobadas?
Resultado
10
Del sistema dentro del marco de referencia que fijan los objetivos
establecidos por el grupo de toma de decisiones.
Los mtodos de solucin son:
1. Mtodo Analtico.
2. Mtodo Numrico.
3. Tcnicas de Simulacin.
1.- EL MTODO ANALTICO, hace el anlisis matemtico clsico, es
utilizado para obtener soluciones en forma deductiva, (llamadas
tambin soluciones analticas), o sea, que parte de lo general a lo
particular.
2.- EL MTODO NUMRICO, se aplica cuando la solucin no es posible
obtenerla de manera deductiva, se utilizar, el anlisis numrico,
(Iterativo) o solucin numrica en forma inductiva, que va de lo
particular a lo general. La solucin de tipo iterativo se aproxima a la
solucin ptima con un margen de error permitido, basado en una serie
de pruebas sobre la misma lgica de solucin, en relacin a resultados
de una prueba anterior.
3.- Existen los TCNICAS DE SIMULACIN, que son los que imitan al
sistema real, es muy til en la solucin de problemas complejos, de
riesgo y bajo incertidumbre.
La Tcnica de Montecarlo, es un mtodo de solucin que utiliza los
problemas probabilsticos de simulacin. Esta tcnica es utilizada
donde no se puede hacer uso de los mtodos de solucin numrica o de
solucin analtica, ya que se generan nmeros aleatorios para obtener
valores muestrales en base a una distribucin de probabilidad.
La Teora de Juegos, es un sistema donde existen varios grupos de
decisin que reaccionan entre s.
Existen Lenguajes de Programacin para
DYNAMO, FORTRAN, GPSS, SIMSCRIPT, etc.
la
Simulacin,
como:
11
12
de
antemano
durante
el
perodo
13
14
15
16
17
18
19
20
21
22
23
Recta X2 = 3 (3/5) X1
Valor
de X1
Recta X2 = 5 (5/2)X2
Arbitrario Valor
Computado
X2
Valor
de de X1
arbitrario Valor
Computado
X2
de
24
25
Los puntos (X1,X2) contenidos dentro del rea sombreada, son los
nicos que satisfacen las restricciones laborales, de capital y de no
negatividad, simultneamente. El industrial tiene que buscar dentro de
esa infinidad de puntos, cules son los que producen la mejor utilidad
Z. Por ejemplo un punto A, donde X 1=0 y X2=0, satisface todas las
restricciones y no negatividad como se muestra a continuacin:
3(0) + 5(0) = 0 <= 15
500(0)+200(0) = 0 <= 1000
Pero produce una utilidad de Z = 5000(0) +3000(0) = 0.
El punto B donde se produciran X 1 = 1000 litros de cerveza clara y X 2=
1000 litros de cerveza obscura, tambin satisface todas las restricciones
3(1) + 5(1) = 8 <= 15
500(1)+200(1) = 700 <= 1000
1 >= 0, 1>=0
Y produce una utilidad de Z = 5000(1) +3000(1) = 8000 pesos, que es
una utilidad mucho mejor que la obtenida en el punto A. El punto C
donde se produciran X1=3000 litros de cerveza clara y X 2=3000 litros
de cerveza obscura generaran una utilidad de Z = 5000(3) +3000(3) =
24000 pesos.
Que es una utilidad mucho mejor que la producida por los puntos A y
B. Sin embargo, la produccin del punto C viola las restricciones de
personal y de capital. La primera porque utiliza 24 personas, cuando el
mximo permisible son 15,
3(3) +5(3) = 24 no es menor o igual que 15,
Mientras que la segunda, porque se estn utilizando 2100 pesos,
cuando el mximo permisible son 1000,
500(3) +200(3) = 2100 no es menor o igual que 1000.
26
27
28
Por lo que
y como B tiene inversa B-1, Y = B-1 aj
Considerando las restricciones originales del programa lineal
AX = b
Se tiene que
(B|N) (XB/X N) = b
Donde
29
. El vector
se le denomina
vector bsico y a
, vector no bsico. Si se parte el vector de costos o
precios unitarios c en
Porque
30
3. Iteraciones
3.1 Determinar la VARIABLE QUE ENTRA a la base.
La variable con el mayor coeficiente (en valor absoluto) en el rengln (0)
Veamos
31
32
33
Rengln (3)
Rengln (3)
34
Rengln (1)
Como el coeficiente de la variable que entra X2 en el rengln 1 es cero
este rengln permanece igual
Veamos la tabla completa
35
36
Quedando como
Sujeto a
Donde
componentes
es
el
vector
de
variables
artificiales
con
Sujeto a
37
Sujeto a
se tiene
A3
A4
Aw1
-1
18
, en vector
38
( que ya nos e
O equivalentemente
Los vectores unitarios e1, e2, e3, que son respectivamente a1, a4, a2,
son restaurados por medio de operaciones matriciales elementales.
En este ejemplo no es necesario seguir iterando en la fase dos, pues
al restaurar los vectores unitarios correspondientes a la base de la tabla
ptima de la fase uno, se obtuvieron por pura coincidencia las
condiciones de optimalidad
para toda j en A. Por lo general
este no ser el caso y ser necesario hacer varias iteraciones del mtodo
simplex en la segunda fase. La solucin ptima es la misma que la
obtenida en el mtodo grfico y en el mtodo de penalizacin, es decir :
Y h = -Z = -3 o Z = 3.
2.5 El mtodo Simplex revisado.
El algoritmo simplex revisado
Toda la argumentacin precedente nos permite construir nuestra
versin particular del algoritmo simplex revisado, que trabaja con la
matriz U(t), hasta obtener la solucin ptima o detectar la falta de
puntos factibles o la no acotacin.
Algoritmo (el algoritmo simplex)
Entrada. La tabla inicial, {U(0), v(0),w(0), u(0)} del PPL, conteniendo la
funcin objetivo, y las restricciones del problema.
Salida. La solucin del problema de minimizacin, o un mensaje
advirtiendo sobre la no admisibilidad o la falta de acotacin.
39
Iteracin reguladora
Paso 1 (iniciacin). Si v(0) 0, ir al paso 4. En otro caso, transformar
v(0) para que todos sus elementos sean no negativos. Con este fin,
comprobar si existe una columna en U(0) que verifique una de las dos
condiciones
e ir al paso 3.
Iteraciones estndar
Paso 3 (pivotacin). Realizar la transformacin de pivotacin
40
Volver al paso 3.
41
Elemento
Dimensin
Caracterstica
Vector
columna con
n
componentes.
Vector
variables
actividad
primaria
de
de
Vector
Vector
rengln con n precios
componentes. unitarios
primarios
de
Vector
columna con
m
componentes.
Matriz de m Matriz
de
por n.
coeficientes
tecnolgicos
Escalar.
Vector
columna con
n ceros
Vector
Primario
Dual
Vector
de
disponibilidad
de
recursos
primarios
Funcin
objetiva
primaria
Vector
de
42
Transpuesta
del vector c
Vector
de
disponibilidad
de
recursos
duales
bT
Transpuesta
del vector b
Vector
precios
unitarios
duales
AT
Transpuesta Matriz
de
de la matriz A coeficientes
tecnolgicos
Escalar
Vector
columna con
m ceros
de
Funcin
objetiva dual.
Sujeto a
Sujeto a
43
Sujeto a
Que es equivalente a
Mx G = bTY
Sujeto a
Sujeto a
44
Mx Z = cX
Sujeto a
(D2)
Como
45
46
47
48
49
la cantidad de
S = (S1 , S2 , . . . , S m )T y
donde m es el nmero toral de restricciones de desigualdad. La funcin de
Lagrange es, por consiguiente,
L(X,S,l ) = f(X) - l [ g(X) + S2 ]
Dadas las restricciones g(X) >= 0
Una condicin necesaria para la optimidad es que l sea no negativa (o bien, no
positiva) para problemas de maximizacin (o bien, minimizacin). Esto se
justifica como sigue. Considere el caso de maximizacin. Ya que l mide la tasa
de variacin de f con respecto a g; l = d f / d g
como el lado derecho de la restriccin g >= 0 aumenta sobre cero, el espacio
de soluciones llega a ser menos restringido y as f no puede disminuir. Esto
significa que l 0. De igual manera, en el caso de minimizacin cuando los
recursos aumentan, f no puede aumentar, lo cual implica que l >= 0 . Si las
restricciones son igualdades, esto es, g(X) =0 , entonces l ser irrestricta en
signo.
Las restricciones sobre l dadas anteriormente deben de mantenerse como
parte de las condiciones necesarias de Kunh-Tucker. Las condiciones restantes
se obtendrn ahora.
Tomando las derivadas parciales de L con respecto a X, S y l ,
50
2. Si
, l i = 0 . Esto significa que el recurso i-esimo no es escaso y, en
consecuencia, no afecta el valor de f,
(l i =d f / d gi = 0 ).
Del segundo y tercer conjunto de ecuaciones se deduce que l i gi (X) = 0, i = 1,
2, . . . , m
Esta nueva condicin esencialmente repite el argumento anterior ya que si l i >
0, gi(X) = 0, o . Similarmente, si gi(X) < 0 , esto es, entonces l i > 0.
Las condiciones de Kuhn-Tucker necesarias para que X y l sean un punto
estacionario del problema de maximixacin anterior pueden resumirse ahora
como sigue ; l 0
f(X) - l
g(X) = 0 l igi (X) = 0 y = 1, 2, . . , m g(X) >= 0
Las condiciones KKT son las siguientes:
1.- deltaf/deltaxj - sumatoria de i=1 hasta m ui deltagi/deltaxj <=0
2.- xj*(deltaf/deltaxj - sumatoria de i=1 hasta m ui deltagi/deltaxj) = 0
3.- gi(xj*) - bi <= 0
4.- ui[gi (x*j) - bi] = 0
5.- xj* >= 0 para j = 1,2,3,...,n
6.- ui >= 0 para i = 1,2,3,...,n
Donde las condiciones 1 y 2 se utilizan cuando x = x*(solucin ptima)
ui = multiplicadores de Lagrange
Ejemplo: Max f(x) = ln (1 + x1 + x2) cuyas restricciones son : x1 + 2x2
<=5 , x1>=0 x2>=0
Paso 1:
En x1:
Aplicando derivadas parciales se tiene 1/1+x1+x2 - u1(1) <=0
En x2:
Aplicando derivadas parciales se tiene 1/1+x1+x2 - u1(2) <=0
Se tiene u1 porque slo se cuenta con una restriccin
Paso 2:
x1(1/1+x1+x2 - u1) = 0
x2(1/1+x1+x2 - 2u1) = 0
Paso 3:
x1 + 2x2 - 5 <= 0
51
Paso 4:
u1(x1 + 2x2 - 5) = 0
Paso 5:
x1>=0 x2>=0
Paso 6:
u1>=0
3.5 Dual-Simplex.
3.6 Cambios en el vector costos Cj. A) cuando Xj de Cj es bsica, B)
cuando Xj de j es no bsica.
3.7 Cambio en los Bi de las restricciones.
3.8 Cambio en los coeficientes a (i,j). A) cuando Xj de a (i,j) es
bsica, b) cuando Xj de a(i,j) es no bsica.
3.9 Adicin de una nueva variable.
3.10 Adicin de una nueva restriccin.
52
a1
ai
am
b1
bj
n
Figura
Modelo
Donde:
ai
=
Capacidad
de
la
bj
=
Demanda
del
m
=
Nmero
de
fuentes
n = Nmero de destinos receptores.
de
bn
transporte
fuente
i.
almacn
j.
distribuidoras.
53
54
55
mtodo
de
costo
mnimo.
Detngase.
d) de lo contrario, calclese las penalizaciones de los renglones y
columnas no tachados y despus dirjase al paso 2. (Obsrvese que los
renglones y columnas con oferta y demanda cero asignadas no deben
utilizarse para determinar estas penalizaciones).
4.5 Definicin del problema de asignacin.
SCHEDULING
Scheduling es un nombre genrico que se utiliza para problemas de asignacin, con
referencia a la asignacin de tareas en procesadores de cmputo. De esta manera,
Scheduling es un actividad que se utiliza en Cmputo Paralelo y Distribuido. Hay una
gran variedad de Problemas de Scheduling, de modo que aqu se presentar solamente
una introduccin a estos problemas y se describirn en trminos generales los mtodos
de solucin.
El problema de Scheduling se refiere a la asignacin de tareas a procesadores de modo
que:
56
tareas en ella. Sin embargo, esto no es por lo general verdad, debido a la secuencia de
las tareas. Esta situacin se ver en el siguiente ejemplo:
EJEMPLO:
Tenemos un conjunto de n tareas. Asociada con cada tarea i se tiene un entero
denominado di 0 (o deadline ) y un beneficio pi 0. Para cualquier trabajo i, el
beneficio pi se logra si y slo si, el trabajo es completado sin violar el deadline. A fin de
completar cada trabajo, uno tiene que procesar el trabajo sobre una mquina una unidad
de tiempo a la vez. nicamente una mquina est disponible para procesar tareas. Una
solucin factible para este problema es un subconjunto J de tareas, tal que cada tarea en
el subconjunto puede ser completada sin violar su deadline. El valor de una solucin
factible J, es la suma de los beneficios de los trabajos en J o bien pi. Una solucin
ptima es una solucin factible con valor mximo.
Para este problema se tiene lo siguientes valores:
N = 4, (p1, p2, p3, p4) = (100, 10, 15, 27) y (d1, d2, d3, d4) = (2, 1, 2, 1). Las soluciones
factibles y sus valores son:
Solucin
Factible
Secuencia
Valor
de Procesamiento
(1, 2)
2, 1
110
ii
(1, 3)
1, 3 3, 1
115
iii
(1, 4)
4, 1
127
iv
(2, 3)
2, 3
25
(3, 4)
4, 3
42
vi
(1 )
100
vii
(2 )
10
viii
(3 )
15
ix
(4 )
27
Para este problema, la solucin ptima se puede obtener de una manera trivial, dado que
el problema es muy sencillo (es la solucin iii, con tareas 4, 1 y un valor de 127). Sin
embargo, utilizaremos un mtodo de ptimizacin para resolver el problema. El mtodo
que emplearemos ser un mtodo Glotn (GREDDY) Determinstico.
57
donde
1, si se trata de una mquina
58
EJEMPLO:
Un sistema 1 / rj / prec / Wj Tj, se refiere al problema de minimizacin , no-preemtivo,
del tiempo de terminacin de tareas, sobre una mquina sujeta a liberacin de
restricciones de datos.
59
Existen varias alternativas para llevar a cabo lo anterior, por ejemplo, Jess Snchez
[SANCHEZ] emplea un algoritmo de clustering, para minimizar tiempo de ejecucin y
otro para costo, poniendo nfasis a los loops crticos.
EL PROBLEMA DE ASIGNACIN
Olvidmonos por un momento de los problemas de redes, y supongamos que deseamos
asignar n tareas a n trabajadores. Cada una de las tareas no requiere de la terminacin
de otra para ser realizada. Suponemos que las tareas son tan simples que pueden ser
realizadas por cualquier trabajador y que los trabajadores no tienen preferencias por
realizar uno u otra tarea. Se tiene como condicin que una tarea solamente puede ser
realizada por un solo trabajador y que un trabajador slo puede realizar una nica tarea.
La realizacin de una tarea i por un trabajador j tiene un costo cij y se definen todos los
costos en una matriz de la siguiente manera:
TAREA 1
TAREA 2
TAREA3
TAREA n
TRABAJADOR 1
c11
c12
c13
c1n
TRABAJADOR 2
c21
c22
c23
c2n
TRABAJADOR 3
c31
c32
c33
c3n
TRABAJADOR n
cn1
cn2
cn3
cnn
60
ms trabajadores que tareas, de modo que las tareas reales sean asignadas a los
trabajadores ms eficientes; una vez que las tareas reales son asignadas a un subconjunto de trabajadores, a los trabajadores ociosos se les podrn buscar nuevas tareas
(posiblemente en nuevos puestos de trabajo) o ser despedidos.
El problema de asignacin tambin puede ser planteado en cuestin de beneficios.
Supongamos que tenemos n trabajadores y n tareas que debemos asignarles. Se obtiene
un beneficio aij por cada tarea i realizada por el trabajador j. Como antes, una tarea slo
puede ser asignada a un trabajador y un trabajador slo puede realizar una tarea. En este
caso deseamos saber qu tarea asignar a cada trabajador de manera que se maximice el
beneficio total. Para este caso, tenemos una matriz de beneficios:
TAREA 1
TAREA 2
TAREA3
TAREA n
TRABAJADOR 1
a11
a12
a13
a1n
TRABAJADOR 2
a21
a22
a23
a2n
TRABAJADOR 3
a31
a32
a33
a3n
TRABAJADOR n
an1
an2
an3
ann
Sea:
1, si la tarea i se asigna al trabajador j
Xij =
0, de otra manera
Entonces, el modelo de optimizacin es:
61
Sujeto a:
, i = 1, 2, , n PROBLEMA (1)
, j = 1,2, , n
Xij = 1, 0
o bien:
Max Z = aij Xij
Sujeto a:
i = 1, 2, , n PROBLEMA (2)
, j = 1, 2, , n
Xij = 1, 0
EJEMPLO:
TAREA 1
MQUINA 1
MQUINA 2
MQUINA 3
62
TAREA 2
14
10
12
TAREA 3
15
13
16
Tabla A1
MQUINA 2
MQUINA 3
TAREA 1
TAREA 2
TAREA 3
MQUINA 1
MQUINA 2
MQUINA 3
TAREA 1
TAREA 2
TAREA 3
Tabla A2
Tabla A3
63
EJEMPLO :
MQUINA 1
MQUINA 2
MQUINA 3
MQUINA 4
TAREA 1
TAREA 2
10
TAREA 3
11
TAREA 4
Tabla B1
SOLUCIN
MQUINA 1
MQUINA 2
MQUINA 3
MQUINA 4
TAREA 1
TAREA 2
TAREA 3
TAREA 4
Tabla B2
Ahora restamos 3 de la columna 3:
Q3 = 3
MQUINA 1
MQUINA 2
MQUINA 3
MQUINA 4
64
TAREA 1
TAREA 2
TAREA 3
TAREA 4
Tabla B3
MQUINA 2
MQUINA 3
MQUINA 4
TAREA 1
TAREA 2
TAREA 3
TAREA 4
Tabla B4
El siguiente paso es seleccionar el menor elemento no-tachado (el nmero 1). Este
elemento se resta de todos los elementos no-tachados y se suma en la interseccin de
dos lneas. El resultado se muestra en la tabla B5:
MQUINA 1
MQUINA 2
MQUINA 3
MQUINA 4
TAREA 1
TAREA 2
TAREA 3
TAREA 4
Tabla B5
65
PASO 1:
REPITE desde el rengln 1 hasta el N
Localice el menor elemento en cada rengln y rstesele a los dems elementos
del mismo rengln
REPITE desde la columna 1 hasta la N
Localice el menor elemento en cada columna y rstesele a los dems
elementos de la misma columna
PASO 2:
Determnese si existe una asignacin factible que involucre costos cero
en la matriz revisada de costos. Esto significa, determinar si la matriz
revisada tiene m lugares con cero, sin que dos de ellas estn en el mismo
rengln o columna. Si existe tal asignacin, la solucin es ptima. Si no,
se contina con el paso 3
PASO 3:
Cbranse todos los ceros en la matriz revisada de costos, con el menor
nmero de lneas horizontales y verticales que sea posible. Cada lnea
horizontal debe pasar por todo el rengln, cada lnea vertical debe pasar
por toda la columna. El total de lneas de cada columna debera ser
menor a n. Localcese el nmero menor que no est cubierto por una
lnea en la matriz de costos. Rstese el valor de este nmero de cada
elemento no cubierto por una lnea y smese a cada elemento cubierto
por dos lneas
PASO 4. Reptase el paso 2
EJEMPLO:
Se tiene una competencia en una carrera de relevos, donde deben participar cuatro
corredores, en cuatro diferentes etapas. Un entrenador ha seleccionado a los seis
corredores ms veloces, para los cuales ha determinado su rendimiento, mismo que
expresa como el tiempo promedio (esperado) para cada etapa en la siguiente tabla:
66
ETAPA 1
ETAPA 2
ETAPA 3
ETAPA 4
CORREDOR 1
65
73
63
57
CORREDOR 2
67
70
65
58
CORREDOR 3
68
72
69
55
CORREDOR 4
67
75
70
59
CORREDOR 5
71
69
75
57
CORREDOR 6
69
71
66
59
Modelo de optimizacin
67
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
CORREDOR 1
65
73
63
57
CORREDOR 2
67
70
65
58
CORREDOR 3
68
72
69
55
CORREDOR 4
67
75
70
59
CORREDOR 5
71
69
75
57
CORREDOR 6
69
71
66
59
68
PASO 1:
Para cada rengln:
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
CORREDOR 1
CORREDOR 2
CORREDOR 3
CORREDOR 4
CORREDOR 5
12
CORREDOR 6
PASO 2:
Verificamos si se tienen renglones o columnas llenas de ceros. Como no es as,
continuamos con el paso 3.
PASO 3:
Cubrimos todos los ceros en la matriz revisada de costos, con el menor nmero
de lneas horizontales y verticales que sea posible.
CORREDOR 1
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
69
CORREDOR 2
CORREDOR 3
CORREDOR 4
CORREDOR 5
CORREDOR 6
12
PASO 4.
Repetimos el paso 2, verificando s se tienen renglones o columnas (no ficticias)
llenas de ceros. Como no es as, pasamos al paso 3.
PASO 3.
Localizamos el nmero menor que no est cubierto por una lnea en la matriz de
costos. Este es el nmero 1, ubicado en la celda (2, 2). Ahora restamos 1 a cada
elemento no cubierto por una lnea y sumamos uno a cada elemento cubierto por
dos lneas. El resultado es la tabla 7.
CORREDOR 1
CORREDOR 2
CORREDOR 3
CORREDOR 4
CORREDOR 5
CORREDOR 6
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
12
70
ETAPA 1
ETAPA 2
ETAPA 3
ETAPA 4
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
CORREDOR 4
CORREDOR 5
12
CORREDOR 6
CORREDOR 1
CORREDOR 2
CORREDOR 3
PASO 4:
Vemos que no hay una solucin factible. Continuamos con el paso 3.
PASO 3.
El menor elemento es nuevamente uno, restamos este numero de las celdas no
cubiertas y lo sumamos a cada elemento cubierto por dos lneas. El resultado se
muestra en la tabla 9.
CORREDOR 1
CORREDOR 2
CORREDOR 3
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
71
CORREDOR 4
CORREDOR 5
11
CORREDOR 6
La matriz de la tabla 6 es ptima, ya que se tiene el nmero de ceros (6) requerido. Esta
solucin se muestra en la tabla 10.
ETAPA 5
(Ficticia)
ETAPA 6
(Ficticia)
CORREDOR 1
0*
CORREDOR 2
0*
CORREDOR 3
0*
CORREDOR 4
0*
CORREDOR 5
0*
11
CORREDOR 6
0*
72
73
Y en las restricciones...
Para los programas Lineales enteros es muy importante que Solver, est
debidamente configurado para un nmero suficiente de iteraciones, de tiempo,
de precisin y de convergencia
El algoritmo de RA para un PPLEM
Entrada. Un PPLEM que ha de resolverse.
Salida. Su solucin o un mensaje indicando que es infactible o que no
sta acotado.
Paso 1. (Iniciacin). Se establece una cota superior () y una cota
inferior () de la solucin ptima. Se resuelve el PPLEM inicial
relajando las restricciones de integralidad. Si el problema relajado es
infactible, el original tambin lo es y no hay solucin. Si la solucin
obtenida satisface las condiciones de integralidad, es ptima. En
cualquier otro caso, se actualiza el valor de la cota inferior con el valor
de la funcin objetivo del problema relajado.
Paso 2. (Ramificacin). Empleando la variable xk que ha de ser entera
y no lo es, se generan mediante ramificacin dos problemas. Si el valor
de la variable que ha de ser entera xk es a.b, donde a y b son sus partes
74
75
76
77
78
79
80
81
Paso 5. (Poda). Nada tiene lugar en este paso, se contina con el paso
6.
Paso 6. (Control de optimalidad). Puesto que la lista de problemas a
procesar no est vaca, se contina con el paso 3.
Paso 3. (Solucin). El problema P3 es infactible.
Paso 4. (Actualizacin de cotas). Nada tiene lugar en este paso.
Paso 5. (Poda). Puesto que el problema es infactible, se poda la rama
correspondiente, y se contina con el paso 6.
82
83
BIBLIOGRAFIA
www.itlp.edu.mx
luciasilva.8k.com/1.7.htm
www.itson.mx/dii/elagarda/apagina2001/PM/uno.html
http://www.investigacion-operaciones.com/Introduccion_IO.htm
http://www.itson.mx/dii/elagarda/apagina2001/PM/transporte.html#
multiplicadores
http://www.investigacion-operaciones.com/Historia.htm
pisis.unalmed.edu.co/cursos/s4030/Clase7.pdf
http://www.investigacionoperaciones.com/ARCHIVOS_LIBRO/LibroCompleto.pdf
84