Monografia ... IO

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION
FACULTAD:
Ingeniera Industrial, Sistema e Informtica
ESCUELA:
Ingeniera Informtica
CURSO:
Investigacin Operativa
DOCENTE:
Dr. Prez Ramrez, Jos Luis
ALUMNOS:
Garca Reynoso, Marcelo
Ramn Susanibar, Axel
Sacramento Chumbes, Julio
HUACHO PERU
INDICE
Tabla de contenido
1. Programacin Lineal Mtodo Grafico ............................................................................................. 4
2. El Mtodo Simplex .......................................................................................................................... 7
2.1.Simplex Minimizacin ............................................................................................................... 7
2.2. Simplex Maximizacin ............................................................................................................ 13
3.El Mtodo M................................................................................................................................... 21
4.El Metodo simplex........................................................................................................................ 217
5.Analisis de sensibilidad................................................................................................................... 31
6.Modelo de transporte .................................................................................................................... 43
Investigacin Operativa Pgina 3
1. Programacin Lineal Mtodo Grafico
La solucin de un modelo de programacin Lineal por medio del mtodo
grfico, consiste en la bsqueda de la combinacin de valores para las
variables de decisin que optimicen el valor de la funcin objetivo, si es que
dicha combinacin existe.
Grficamente se define una regin que deje satisfechas a todas y cada una de
las restricciones y se sigue un criterio de decisin.
De forma prctica slo problemas de tres variables de decisin o menos
sern representables y solucionables siguiendo este mtodo.
A la regin que satisface a todas y cada una de las restricciones de un modelo
de programacin Lineal se le llama REGION FACTIBLE y consiste de todas las
combinaciones de los valores para las variables de decisin, que son vlidas
como una solucin del modelo.
Se determinan todos los vrtices de la regin de factibilidad. Se evala
la funcin objetivo para cada uno de los puntos de cada esquina.
Se define como punto ptimo a aquel que alcance el mejor valor en la
funcin objetivo y se establece siguiendo uno de los dos criterios:
o En maximizacin, el mayor valor
o En minimizacin, el menor valor

Punto = +
Ejercicio:
Max Z=10x1+12x2
s.a:
4x1+8x2 480
5x1+6x2 600
12x1+8x2 4
x1,x2 0
4x1+8x2=480(1)
0 120
60 0
5x1+6x2=600(2)
0 120
100 0
12x1+8x2=540(3)
0 45
67.5 0
= (1) (3) 4(7.5)+8x2=480

41 + 82 = 480 30+8x2=480
41 + 82 = 540 8x2+0=450
81 + 0 = 60 x2=56.25
1 = 7.5

A=(0,0) 0
B=(0,60) 720
C=(7.5,56.25) 750
D=(45,0) 450
Solucin ptima:
1 = 7.5
2 = 56.25
= 750
Se puede concluir que:
Grficamente la asignacin ptima de variables, se localiza el punto dnde la
funcin objetivo adquiere su mejor valor, si es que dicho punto existe.
El mejor valor se determina ya sea explorando todos los puntos de cada
esquina (vrtices).
La solucin puede clasificarse como nica, no existente o mltiple.

2. El Mtodo Simplex
Es un mtodo iterativo que permite ir mejorando la solucin en cada paso. La
razn matemtica de esta mejora radica en que el mtodo consiste en
caminar del vrtice de un poliedro a un vrtice vecino de manera que
aumente o disminuya (segn el contexto de la funcin objetivo, sea
maximizar o minimizar), dado que el nmero de vrtices que presenta un
poliedro solucin es finito siempre se hallar solucin.
2.1.Simplex Minimizacin
Ejercicio:
Minimizar Z = -3x1 - 5x2
Sujeto a: x1 + S1 = 4
2x2 + S2 = 12
3x1 + 2x2 + S3 = 18
x1 , x2 , S1, S2, S3 0
El Mtodo Simplex inicia en el punto P1, que corresponde a la

Tabla 1.
x1 x2 s1 s2 s3
P1 0 0 4 12 18
Variables Coeficientes x1 x2 S1 S2 S3 Solucin

Bsicas en la Funcin (R.H.S.)

Variables No Variables
Bsicas Bsicas
Tabla 1 Objetivo (Cj)
S1 0 1 0 1 0 0 4
S2 0 0 2 0 1 0 12
S3 0 3 2 0 0 1 18
Zj - Cj 3 5 0 0 0 0
Simplex Tabular
Ya obtenida la Tabla 1, el Mtodo Simplex se pregunta: La Tabla 1 es
ptima? (es decir, el punto P1 es ptimo?).
Para ello observamos el rengln (Zj Cj), que da slo informacin de
las Variables No Bsicas.
Para Minimizacin:
Coeficientes de las
Si unrestricciones Valor
valor del rengln (Zj Cj) es positivo, indica que Objetivo
al darle valores a
la variable no bsica respectiva, mejora la funcin objetivo.
Si un valor del rengln (Zj Cj) es negativo, indica que al darle valores
a la variable no bsica respectiva empeora la funcin objetivo.
Si un valor del rengln (Zj Cj) es cero, indica que al darle valores a la
variable no bsica respectiva, no hay cambio en la funcin objetivo.
Criterio de Parada:

Si todos los valores del rengln (Zj Cj) 0 entonces la Tabla
es ptima.
Criterio de Entrada:
Debe ingresar a la solucin la Variable No Basica que tenga el
mayor valor positivo en el rengln (Zj Cj).
Columna entrante
Tabla 1
Variables Coeficientes x1 x2 S1 S2 S3 Solucin Razn

Bsicas en la (R.H.S.) Mnima
Funcin ()
Objetivo (Cj)
S1 0 1 0 1 0 0 4 -
S2 0 0 2 0 1 0 12 12/2 = 6
S3 0 3 2 0 0 1 18 18/2 = 9
Zj - Cj 3 5 0 0 0 0
Sale S2
Para darle valores a la variable X2 (es decir, volver bsica a X2), debe
salir de la solucin actual una de las variables bsicas (es decir, una de
ellas deber volverse no bsica o cero).
Para saber cul variable bsica actual sale, el Criterio de Salida es con
base en la Razn Mnima ()
Se calcula dividiendo el elemento de la columna R.H.S con el elemento
de la columna entrante, siempre que el elemento de esta ltima
columna sea positivo.
Tabla 1
Variables Coeficientes en la x1 x2 S1 S2 S3 Solucin
Bsicas Funcin Objetivo (R.H.S.)
(Cj)
S1 0 1 0 1 0 0 4
S2 0 0 2 0 1 0 12
S3 0 3 2 0 0 1 18
Zj - Cj 3 5 0 0 0 0
1 0 1 0 0 4 1 0 1 0 0 4 r4 -5r2 1 0 1 0 0 4
0 12 0 6 0
2 0 1 0 1 0 1/ 2 0
1 0 1/ 2 0 6
3 18 r2 / 2 3 18 3
2 0 0 1 2 0 0 1 r3 -2r2 0 0 1 1 6

3 5 0 0 0 0 3 5 0 0 0 0 3 0 0 5/ 2 0 30
Tabla 2
Variables Coeficientes en x1 X2 S1 S2 S3 Solucin

Bsicas la Funcin (R.H.S.)
Objetivo (Cj)
S1 0 1 0 1 0 0 4
x2 -5 0 1 0 1/2 0 6
S3 0 3 0 0 -1 1 6
-
Zj - Cj 3 0 0 5/2 0 -30

Tabla 2
Variables Coeficientes x1 X2 S1 S2 S3 Solucin Razn

Bsicas en la Funcin (R.H.S.)
Objetivo (Cj)
S1 0 1 0 1 0 0 4 4/1 =4
x2 -5 0 1 0 1/2 0 6 -
S3 0 3 0 0 -1 1 6 6/3 =2
-
Zj - Cj 3 0 0 5/2 0 -30
x1 x2 s1 s2 s3
P2 0 6 4 0 6 Fact

Tabla 3
|
Tabla PTIMA
Variables Coeficientes en la x1 X2 S1 S2 S3 Solucin

Bsicas Funcin Objetivo (R.H.S.)
(Cj)
-
S1 0 0 0 1 1/3 1/3 2
x2 -5 0 1 0 1/2 0 6
-
x1 -3 1 0 0 1/3 1-3 2
-
Zj Cj 0 0 0 3/2 -1 -36
x1 x2 s1 s2 s3
P5 2 6 2 0 0 Fact

2.2. Simplex Maximizacin
Ejercicio
Maximizar: Z = f(x1, x2) = 3x1 + 2x2
Sujeto a:
2x1 + x2 18
2x1 + 3x2 42
3x1 + x2 24
x1 0 , x2 0
Pasos:
Convertir las desigualdades en igualdades:
Se introduce una variable de holgura por cada una de las restricciones, este
caso s1, s2, s3 para convertirlas en igualdades y formar el sistema de
ecuaciones estndar. Usando en simplex el siguiente criterio:
Signo: Introducir
sn

FORMA ESTANDAR:
2x1 + x2 + s1 = 18
2x1 + 3x2 + s2 = 42
3x1 + x2 + s3 = 24
Igualar la funcin objetivo a cero y despues agregar las variables de
holgura del sistema anterior:
Z - 3 x1 - 2 x2 = 0
Para este caso en particular la funcin objetivo ocupa la ltima fila del
tablero, pero de preferencia siempre se deber de colocar como la primera
fila
Cuando minimizamos se toma el valor (+) positivo de Fo para convertirlo en
negativo y cuando maximizamos tomamos el valor (+) negativo de Fo para
convertirlo en positivo.
Escribir el tablero inicial simplex:
En las columnas aparecern todas las variables del problema y, en las
filas, los coeficientes de las igualdades obtenidas, una fila para cada
restriccin y la ltima fila con los coeficientes de la funcin objetivo:
Tablero Inicial
Base Variable de Variable de holgura Solucin
decisin
X1 X2 S1 S2 S3
S1 2 1 1 0 0 18
S2 2 3 0 1 0 42
S3 3 1 0 0 1 24
Z -3 -2 0 0 0 0

Encontrar la variable de decisin que entra en la base y la
variable de holgura que sale de la base.
Para escoger la variable de decisin que entra en la base, (FLECHA
ROJA PARTE SUPERIOR), observamos la ltima fila, la cual muestra los
coeficientes de la funcin objetivo y escogemos la variable con el
coeficiente ms negativo (en valor absoluto).
En este caso, la variable x1 de coeficiente - 3.
Si existiesen dos o ms coeficientes iguales que cumplan la
condicin anterior, entonces se elige cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, significa
que se ha alcanzado la solucin ptima.
Por tanto, lo que va a determinar el final del proceso de aplicacin del
mtodo del simplex, es que en la ltima fila no haya elementos
negativos.
La columna de la variable que entra en la base se llama columna pivote
(en color azulado).
Para encontrar la variable de holgura que tiene que salir de la base,
(FLECHA ROJA COSTADO IZQUIERDO) se divide cada trmino de la
ltima columna (valores solucin) por el trmino correspondiente de la
columna pivote, siempre que estos ltimos sean mayores que cero.
Si hubiese algn elemento menor o igual que cero no se hace dicho
cociente. En el caso de que todos los elementos fuesen menores o
iguales a cero, entonces tendramos una solucin no acotada y no se
puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al
menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la
variable de holgura que sale de la base, S3. Esta fila se llama fila pivote
(en color azulado).

Iteracin No. 1
Base Variable de Variable de Solucin Operacin
decisin holgura
X1 X2 S1 S2 S3
S1 2 1 1 0 0 18 18/2 = 9
S2 2 3 0 1 0 42 42/2 = 21
S3 3 1 0 0 1 24 24/3 = 8
Z -3 -2 0 0 0 0
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las
variables correspondientes puede salir de la base.
En la interseccin de la fila pivote y columna pivote tenemos el elemento
pivote operacional, 3, este indica que la variable de decisin X1 entra y la
variable de holgura S3 sale.
5. Encontrar los coeficientes para el nuevo tablero de simplex.
Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos
los coeficientes de la fila por el pivote operacional 3, ya que este se
debe convertir en 1.
A continuacin mediante la reduccin gaussiana hacemos ceros los
restantes trminos de la columna pivote, con lo que obtenemos los
nuevos coeficientes de las otras filas incluyendo los de la funcin
objetivo Z.

Resultado de Iteracin No. 1
Base Variable de Variable de holgura Solucin Operacin

decisin
X1 X2 S1 S2 S3
S1 0 1/3 1 0 -2/3 2 f(S1) 2 f(X1)
S2 0 7/3 0 1 -2/3 26 f(S2) 2 f(X1)
X1 1 1/3 0 0 -1/3 8 (1/3) X1
Z 0 -1 0 0 1 24 f(Z) + 3 f(X1)
Como en los elementos de la ltima fila hay un nmero negativo, -1, significa
que no hemos llegado todava a la solucin ptima. Hay que repetir el
proceso:
La variable que entra en la base es x2, por ser la columna pivote que
corresponde al coeficiente -1
Para calcular la variable que sale o la fila pivote, dividimos los
trminos de la columna solucin entre los trminos de la nueva
columna pivote:
y como el menor cociente positivo es 6, tenemos que la fila pivote y
la variable de holgura que sale es S1.
El elemento pivote, que ahora hay que hacer 1, es 1/3,Y se opera de
forma anloga a la anterior iteracin

Iteracin No. 2
decisin
X1 X2 S1 S2 S3
S1 0 1/3 1 0 -2/3 2 2/(1/3) = 6
S2 0 7/3 0 1 -2/3 26 26/(7/3) = 78/7
X1 1 1/3 0 0 -1/3 8 8/(1/3) = 24
Z 0 -1 0 0 1 24

Base Variable de Variable de Solucin Operacin
decisin holgura
X1 X2 S1 S2 S3
X2 0 1 3 0 -2 6 3X2
S2 0 0 -7 0 4 12 f(S2) (7/3) f(X2)
X1 1 0 -1 0 1 6 f(X1) (1/3) f(X2)
Z 0 0 3 0 -1 30 f(Z) + f(X2)
Como en los elementos de la ltima fila hay uno negativo, -1, significa
que no hemos llegado todava a la solucin ptima. Hay que repetir el

Proceso:
La variable que entra en la base es S3, por ser la variable que
corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima
columna entre los trminos correspondientes de la nueva columna
pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
Y como el menor cociente positivo es 3, tenemos que la variable de
holgura que sale es S2
El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Iteracin No. 3
decisin
X1 X2 S1 S2 S3
X2 0 1 3 0 -2 6 No se toma por
ser negativo
S2 0 0 -7 0 4 12 12/4 = 3
X1 1 0 -1 0 1 6 6/1 = 6
Z 0 0 3 0 -1 30

decisin
X1 X2 S1 S2 S3
X2 0 1 -1/2 0 0 12 f(X2) + 2 f(S3)
S3 0 0 -7/4 0 1 3 (1/4) S3
X1 1 0 -3/4 0 0 3 f(X1) f(S3)
Z 0 0 5/4 0 0 33 f(Z) + f(S3)
Tablero Final
Base Variable de Variable de holgura Solucin
decisin
X1 X2 S1 S2 S3
X2 0 1 -1/2 0 0 12
S3 0 0 -7/4 0 1 3
X1 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la funcin objetivo son

positivos, hemos llegado a la solucin ptima.
La solucin ptima viene dada por el valor de Z en la columna de los
valores solucin, en nuestro caso: 33.

3. El Mtodo M
Corresponde a una variacin del Algoritmo simplex para penalizar la
presencia de variables artificiales, mediante la introduccin de una constante
M definida como un valor muy grande aunque finito.
Ejercicio:
MINIMIZAR Z = 4X1 + X2
SUJETO A:
3X1 + X2 = 3
4X1 + 3X2 >= 6
X1 + 2X2 <= 4
X1, X2 >= 0
Pasos:
Igualar restricciones tenindose en cuenta lo siguiente:
>= +R, -S
<= +S
= +R
Entonces:
3X1 + X2 + R1 = 3
4X1 + 3X2 + R2 -S1 = 6
X1 + 2X2 + S2 = 4
Para nuestra funcin objetivo
M MAX = -
M MIN = +

Entonces:
Z = 4X1 + X2 + MR1 + MR2
Identificamos nuestras variables bsicas y no bsicas
VARIABLES BASICAS VARIABLES NO BASICAS
R1 = 3 X1 = 0
R2 = 6 X2 = 0
S2 = 4 S1 = 0
Expresar la funcin en variables bsicas

Z = 4X1 + X2 + MR1 + MR2
Se tiene (de las restricciones):
3X1 + X2 + R1 = 3 4X1 + 3X2 + R2 + S1 = 6
Despejando:
R1 = 3 3X1 X2 R2 = 6 4X1 3X2 + S1
Sustituyendo en la funcin objetivo:
Z = 4X1 + X2 + M(3 3X1 X2) + M(6 4X1 -3X2 + S1)
Se obtiene:
Z - (47M)X1 - (14M)X2 + MS1 = 9M

PARA: Z
Realizar nuestra tabla bsica inicial

Z X1 X2 R1 R2 S1 S2 SOL
Z 1 -4 + -1 + 0 0 -M 0 9M
7M 4M
R1 0 3 1 1 0 0 0 3 3/3 =
1
R2 0 4 3 0 1 -1 0 6 6/4 =
1,5
S2 0 1 2 0 0 0 1 4 4/1 =
4
Encontramos nuestro valor pivote que es 3

Nuestra ecuacin pivote seria:
E.P. = 0, 1, 1/3, 1/3, 0, 0, 0, 1
Se halla dividiendo los valores salientes entre el pivote

Encontramos los nuevos valores de la tabla:

Z 1 (- 4 + (- 1 + 4M) 0 0 -M 0 9M
7M)
-(-4+7M)*E.P. 0 (47M) (47M)/3 (4-7M)/3 0 0 0 (4-7M)
RESULT. (Z) 1 0 (1+5M)/3 (4-7M)/3 0 -M 0 (4+2M)
PARA: R2
R2 0 4 3 0 1 -1 0 6
-(4)*E.P. 0 -4 -4/3 -4/3 0 0 0 -4
RESULT. (R2) 0 0 5/3 -4/3 1 -1 0 2
PARA: S2
S2 0 1 2 0 0 0 1 4
-(1)*E.P. 0 -1 -1/3 -1/3 0 0 0 -1
RESULT. (S2) 0 0 5/3 -1/3 0 0 1 3
Realizamos nuestra nueva tabla

Z X1 X2 R1 R2 S1 S2 SOL
Z 1 0 (1+5M)/3 (4-7M)/3 0 -M 0 4+2M
R1 0 1 1/3 1/3 0 0 0 1
R2 0 0 5/3 -4/3 1 -1 0 2
S2 0 0 5/3 - 1/3 0 0 1 3

Como en z encontramos el valor 4 + 2m; tenemos que realizar una
nueva tabla para darle el valor a z.
Encontramos nuestra ecuacin pivote
E.P. = 0, 0, 1, 4/5, 3/5, 3/5, 0, 6/5
PARA: z
Z 1 1 (1+5M)/3 (4-7M)/3 0 -M 0 (4+2M)
-(1+5M)/3*E.P. 0 0 (-1-5M)/3 (9+20M)/15 (-1+5M)/5 (1- 0 (-6-
5M)/5 30M)/5
RESULT. (Z) 1 0 0 (16-55M)/15 1+5M)/5 1/5 0 18/5
PARA: x1
x1 1 1 1/3 1/3 0 0 0 1
-(1/3)*E.P. 0 0 -1/3 4/15 -1/5 1/5 0 -2/5
RESULT. 0 1 0 3/5 -1/5 1/5 0 3/5
(X1)
PARA: s2
s2 0 0 5/3 -1/3 0 0 1 3
-(5/3)*E.P. 0 0 -5/3 4/3 -1 1 0 -2
RESULT. (S2) 0 0 0 1 -1 1 1 1

Z X1 X2 X1 X2 S1 S2 SOL.
Z 1 0 0 (16- (- 1/5 0 18/5
5M)/15 1+5M)/5
X1 0 1 0 3/5 - 1/5 1/5 0 3/5
X2 0 0 1 - 4/5 1 2/3 -1 2/3 0 6/5
S2 0 0 0 1 -1 1 1 1
Comprobamos nuestro mtodo simples tipo m

Z = 18/5
X1 = 3/5
X2 = 6/5

4. El Mtodo simplex
El mtodo Simplex es un mtodo secuencial de optimizacin, es
un procedimiento iterativo que permite ir mejorando la solucin a cada paso.
El proceso concluye cuando no es posible seguir mejorando ms dicha
solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo
consiste en buscar sucesivamente otro vrtice que mejore al anterior. La
bsqueda se hace siempre a travs de los lados del polgono (o de las aristas
del poliedro, si el nmero de variables es mayor). Cmo el nmero de
vrtices (y de aristas) es finito, siempre se podr encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f,
no toma su valor mximo en el vrtice A, entonces hay una arista que parte
de A, a lo largo de la cual f aumenta.
Deber tenerse en cuenta que este mtodo slo trabaja para restricciones
que tengan un tipo de desigualdad "=" y coeficientes independientes
mayores o iguales a 0, y habr que estandarizar las mismas para el algoritmo.
En caso de que despus de ste proceso, aparezcan (o no varen)
restricciones del tipo "=" o "=" habr que emplear otros mtodos, siendo el
ms comn el mtodo de las Dos Fases.
Mtodo simplex Dual

Max Z = 5X1 + 4X2 + 5X3
s.a
6X1 + 2X2 + 3X3 350
5X1 + 3X2 150
X3 20
X1 , X2 , X3 0
Primal simtrico
Max Z = 5x1 + 4x2 + 5x3

s.a
6x1 + 2x2 + 3x3 350
5x1 + 3x2 150
- x3 -20
X1, x2 , x3 0
Dual
Min w = 350y1 + 150y2 20y3 Max Z = -350y1 150y2 +
20y3
s.a s.a
6y1 + 5y2 5 -6y1 5y2 -5
2y1 + 3y2 4 -2y1 3y2 -4
3y1 y3 5 -3y1 + y3 -5
Y1 , y2, y3 0 y1 , y2 , y3 0
Max Z = 350y1 + 150y2 20y3 = 0
s.a
-6y1 5y2 + h1 = -5
-2y1 3y2 +h2 = -4
-3y1 +h3 = -5
Y1 , y2 , y3 0
V. base z Y1 Y2 Y3 H1 H2 H3 Solucin
Z 1 350 150 -20 0 0 0 0
H1 0 -6 -5 0 1 0 0 -5
H2 0 -2 -3 0 0 1 0 -4
H3 0 -3 0 1 0 0 1 -5
1 Iteracin
Y2 = 0 6/5 1 0 -1/5 0 0 1
Ecuacion h3 1 -350 150 -20 0 0 0 00

-(150) (NEP) 0 -180 -150 0 30 0 0 -150
1 170 0 -20 30 0 0 -150
Ecuacin h2 0 -2 -3 0 0 1 0 -4
-(-3) (NEP) 0 18/5 3 0 3/5 0 0 3
0 8/5 0 0 3/5 1 0 -1
ecuacin h3 0 -3 0 0 0 0 1 -5
-(0) (NEP) 0 0 0 0 0 0 0 0
0 -3 0 0 0 0 1 -5
Z 1 170 0 -20 30 0 0 -150
H1 0 -6/5 1 0 -1/5 0 0 1
H2 0 8/5 0 0 -3/5 1 0 -1
H3 0 -3 0 1 0 0 1 -5
2 Iteracin
Y3 = 0 -3 0 1 0 0 1 -5
Ecuacin z 1 170 0 -20 30 0 0 -150
anterior
-(-20) (NEP) 0 -60 0 20 0 0 20 -100
1 110 0 0 30 0 20 -250
Ecuacin y1 0 6/5 1 0 1/5 0 0 1

-(0) (NEP) 0 0 0 0 0 0 0 0
0 6/5 1 0 1/5 0 0 1
Ecuacin y2 0 8/5 0 0 -3/5 1 0 -1

-(0) (NEP) 0 0 0 0 0 0 0 0
0 8/5 0 0 -3/5 1 0 -1
Z 1 110 0 0 30 0 20 -250
y1 0 8/5 0 0 -3/5 1 0 -1
H2 0 6/5 1 0 1/5 0 0 1
H3 0 -3 0 1 0 0 1 -5
3 iteracin
Y1 : 0 1 0 -1/3 0 0 -1/3 5/3
Ecuacin Z 1 110 0 0 30 0 25 -250
anterior
-(0) (NEP) 0 -110 0 110/3 0 0 110/3 -550/3
1 0 0 110/3 30 0 110/3 -
1300/3
Ecuacin y1 0 8/5 0 0 3/5 0 0 1

-(0) (NEP) 0 -8/5 0 8/15 0 0 8/15 -8/3
0 0 0 8/15 3/5 0 8/15 -5/3
Ecuacin y2 0 6/5 1 0 1/5 0 0 1

-(-6/5) (NEP) 0 -6/5 0 2/5 0 0 2/5 -2
0 0 1 2/5 1/5 0 2/5 -1
Z 1 0 0 110/3 30 0 110/3 -1300/3
H1 0 0 0 8/15 3/5 2 8/5 13/3
H2 0 0 1 2/5 1/5 0 2/5 -1
H3 0 0 0 -1/3 0 0 -1/3 5/3
4 iteracin
H1 = 0 0 0 8/9 1 5/3 8/9 -25/9
Ecuacin Z 1 0 0 110/3 30 0 110/3 1300/3
anterior
-(30) (NEP) 0 0 0 -80/3 -30 50 -80/3 250/3
1 0 0 10 0 50 10 1550/3

Ecuacin y2 0 0 1 2/5 1/5 0 2/5 -1
-(1/5) (NEP) 0 0 0 -8/45 -1/5 -1/3 8/45 -5/9
0 0 1 2/9 0 -1/3 2/9 4/9
Ecuacin y1 0 1 0 -1/3 0 0 -1/3 5/3

-(0) (NEP) 0 0 0 0 0 0 0 0
0 1 0 -1/3 0 0 -1/3 5/3
Z 1 0 0 10 0 50 10 1550/3
H1 0 0 1 2/9 0 -1/3 2/9 4/9
H2 0 0 0 8/9 1 5/3 8/9 65/9
H3 0 1 0 -1/3 0 0 -1/3 5/3
Modelo optimo porque no tenemos valores negativos en la columna
Solucin.
Nuestro valor real es = 1550/3
5. Anlisis de sensibilidad
El anlisis de sensibilidad es muy til para la programacin lineal, consiste en
estudiar los cambios que sufre la funcin objetivo ante modificaciones en
cualquiera de los parmetros del problema, como pueden ser las constantes
de restricciones, los coeficientes de las variables en las ecuaciones de las
restricciones, etc.
Por medio del anlisis de sensibilidad es posible evaluar dichos cambios sin
tener que resolver completamente el problema planteado.
Maximizar Z=3x1 +2x2+5x3
Sujeto a:
1X1 + 2X2 + X3 430
3X1 + 2X3 460
1X1 + 4X2 420
X1, X2, X3 0
Maximizar Z=3x1 +2x2+5x3 Z - 3x1 - 2x2 - 5x3
Sujeto a:
X1 + 2X2 + X3 + S1 = 430
3X1 + 2X3 + S2 = 460
X1 + 4X2 + S3 = 420
X1, X2, X3 0
Bsica X1 X2 X3 S1 S2 S3 Solucin Razn
Z -3 -2 -5 0 0 0 0 ----
S1 1 2 1 1 0 0 430 430
S2 3 0 2 0 1 0 460 153.3
S3 1 4 0 0 0 1 420 ---
Bsica X1 X2 X3 S1 S2 S3 Solucin
Z 4 0 0 1 2 0 1350
X2 -1/4 1 0 1/2 -1/4 0 100
X3 3/2 0 1 0 1/2 0 230
S3 2 0 0 -2 1 1 20

Solucin Optima:
Z = 1350
X1 = 0
X2 = 100
X3 = 230
Ejemplo:
CAMBIO EN LAS CONSTANTES DE LADO DERECHO (analtico)
Sujeto a:
1X1 + 2X2 + X3 400
3X1 + 2X3 460
1X1 + 4X2 420
X1, X2, X3 0
En cambio al problema original en la primera restriccin, donde

antes era 430 y ahora es 400.
Para resolver el problema simplex ante este cambio sin tener que aplicar la
misma metodologa desde el principio, es importante analizar la siguiente
formula:

[ ] [ ] = [ ]

As para nuestro caso usando la matriz de la holguras y los coeficientes de

restricciones originales seria:

Bsica X1 X2 X3 S1 S2 S3 Solucin
Z 4 0 0 1 2 0 1350
X2 -1/4 1 0 1/2 -1/4 0 100
X3 3/2 0 1 0 1/2 0 230
S3 2 0 0 -2 1 1 20

Sujeto a:
1X1 + 2X2 + X3 430
3X1 + 2X3 460
1X1 + 4X2 420
X1, X2, X3 0
1/2 1/4 0 430

( 0 1/2 0) (460) = ( )

2 1 1 420
Primer elemento =[(1/2)(430) + (-1/4)(460) + (0)(420)] = 100

Segundo elemento =[(0)(430) + (1/2)(460) + (0)(420)] = 230
Tercer elemento =[(-2)(430) + (1)(460) + (1)(420)] = 20
Por lo tanto, para obtener las nuevas soluciones optimas:

1/2 1/4 0 400
Vector
( 0 1/2 0) x (460) = ( )
solucion
2 1 1 420

Primer elemento =[(1/2)(400) + (-1/4)(460) + (0)(420)] = 85
Segundo elemento =[(0)(400) + (1/2)(460) + (0)(420)] = 230
Tercer elemento =[(-2)(400) + (1)(460) + (1)(420)] = 80
Con lo cual la nueva solucin ser:
X2 = 85
X3 = 230
S3 = 80
Siendo entonces Z:
Z=3(0) +2(85)+5(230)=1320
Ejemplo:
ADICION DE NUEVAS RESTRICCIONES
Sujeto a:
1X1 + 2X2 + X3 430
3X1 + 2X3 460
1X1 + 4X2 420
X1, X2, X3 0
Se le aadir una restriccin mas:
3X1 + 3X2 + X3 500
Lo primero es verificar si la solucin optima actual X1 = 0, X2 =100, X3 = 230,
cumple con la nueva restriccin:
3(0) + 3(100) + (230) = 530 500
Por lo que la restriccin no se cumple, por lo tanto la nueva restriccin debe
ser incorporada en la tabla final base, con su respectiva variable de holgura S4

Bsica X1 X2 X3 S1 S2 S3 S4 Solucin
Z 4 0 0 1 2 0 0 1350
X2 -1/4 1 0 1/2 -1/4 0 0 100
X3 3/2 0 1 0 1/2 0 0 230
S3 2 0 0 -2 1 1 0 20
S4 3 3 1 0 0 0 1 500
Como las variables X2 y X3 son bsicas, se deben sustituir y eliminar sus
coeficientes de restriccin en el rengln de S4, lo que se puede hacer con la
siguiente operacin
Nueva fila S4 = fila S4 3 (fila X2) fila X3
Bsica X1 X2 X3 S1 S2 S3 S4 Solucin
Z 4 0 0 1 2 0 0 1350
X2 -1/4 1 0 1/2 -1/4 0 0 100
X3 3/2 0 1 0 1/2 0 0 230
S3 2 0 0 -2 1 1 0 20
S4 9/4 0 0 -3/2 1/4 0 1 -30
En esta tabla veremos que S4 es bsica y negativa, por lo cual la solucin no
es factible, entonces el problema se debe continuar resolviendo mediante el
mtodo simplex dual.
CAMBIO EN LAS CONSTANTES DE LADO DERECHO (grafico)
Max Z = 100x1 + 120x2
s.a.: 4x1 + 8x2 480
5x1 + 6x2 600
12x1 + 8x2 540
x1, x2 0
4x1 + 8x2 = 480 1
5x1 + 6x2 = 600 2
12x1 + 8x2 = 540 3
OPTIMO:
X1 = 7.5
X2 = 56.25
Z = 7500
4x1 + 8x2 = 480 RA
5x1 + 6x2 = 600 RNA
12x1 + 8x2 = 540 RA

4x1 + 8x2 = b1 RA
5x1 + 6x2 = 600 RNA
12x1 + 8x2 = 540 RA
Solucin:
4(0)+8(67.5)
b1
180 b1 540
ADICION DE NUEVAS VARIABLES
Max Z = 3X1 + 4X2 + 3.5 X3
s.a
X1 5 (1)
X2 8 (2)
2X1 + X2 + 1.5X3 15 (3)
Como podemos observar de estas 3 ecuaciones, el vector de coeficientes
iniciales para la nueva variable X3 es;
0
(0)
1.5
Si aplicamos la frmula de la ecuacin, tendremos:

1 0.5 0.5 0 0.75
( ) =(0 1 0 )x( 0 )= ( 0 )
3
0 0.5 0.5 1.5 0.75

Numero ndice en la columna de:
X3 =[(0)(-0.75) + (4)(0) + (3)(0.75)]-3.5=2.25-3.5=-1.25
V. Z X1 X2 X3 H1 H2 H3 SOLUCION
bsica
Z 0 0 0 -1.25 0 2.5 1.5 42.5

H1 0 0 0 -0.75 1 0.5 -0.5 1.5
X2 0 0 1 0 0 1 0 8
X1 0 1 0 0.75 0 -0.5 0.5 3.5
De aqu el problema se continua normalmente por el mtodo simplex. Del
anlisis de la tabla, vemos que el nmero ndice de x3 es negativo, por lo que
esta variable deber entrar a la base
Nuestra nueva solucin ptima ser ahora la siguiente:
V. bsica Z X1 X2 X3 H1 H2 H3 SOLUCION
Z 0 1.6 0 0 0 1.6 2.3 48.3

H1 0 1 0 0 1 0 0 5
X2 0 0 1 0 0 1 0 8
X3 0 1.3 0 1 0 -0.6 0.6 4.6
La cual ha cambiado respecto a la solucin anterior, siendo ahora:
X2=8
X3=4.6
Z=48.3

CAMBIO EN LAS CONTRIBUCIONES DE LA VARIABLE DE LA FUNCION
(grafico)
Max Z = 10x1 + 12x2
s.a.:
4x1 + 8x2 480
5x1 + 6x2 600
12x1 + 8x2 540
x1, x2 0
4x1 + 8x2 = 480 1
5x1 + 6x2 = 600 2
12x1 + 8x2 = 540 3

OPTIMO:
X1 = 7.5
X2 = 56.25
Z = 7500
4x1 + 8x2 = 480 RA
5x1 + 6x2 = 600 RNA
12x1 + 8x2 = 540 RA
Para :
+ =

= =

= =

=


( )
= .
= .
Vara Z
Ejm:
= +
=
= +
= (. ) + (. ) =

6. Mtodo de transporte
La programacin lineal es un campo tan amplio que se extiende a subclases
de problemas para los cuales existen mtodos de solucin especiales. Una de
estas subclases se conoce como problemas de transporte. El mtodo smplex
de programacin lineal, puede servir para resolver estos problemas. Pero se
han desarrollado mtodos ms sencillos que aprovechan ciertas
caractersticas de los problemas. Entonces, el mtodo del transporte son slo
tcnicas especiales para resolver ciertos tipos de problemas de programacin
lineal.
La manera ms fcil de reconocer un problema de transporte es por su

naturaleza o estructura
de-hacia: de un origen hacia un destino, de una fuente hacia un usuario,
del presente hacia el futuro, de aqu hacia all. Al enfrentar este tipo de
problemas, la intuicin dice que debe haber una manera de obtener una
solucin. Se conocen las fuentes y los destinos, las capacidades y demandas y
los costos de cada trayectoria. Debe haber una combinacin ptima que
minimice el costo (o maximice la ganancia). La dificultad estriba en el gran
nmero de combinaciones posibles.
Puede formularse un problema de transporte como un problema de

programacin lineal y aplicarse el mtodo smplex. Si se hiciera, se
encontrara que los problemas de transporte tienen caractersticas
matemticas nicas. Para visualizar esto, considrese el siguiente ejemplo:
Ejemplo prototipo.

Chcharos enlatados es uno de los productos ms importantes de la
compaa P & T. Los chcharos se preparan en tres enlatadoras (cercanas a
Bellingham, Washington; a Eugene, Oregn y a Albert Lea, Minnesota) y
despus se mandan por camin a cuatro almacenes de distribucin (en
Sacramento, California; Salt Lake City, Utah; Rapid City, South Dakota y
Alburquerque, New Mexico) en el oeste de Estados Unidos. Puesto que los
costos de embarque constituyen un gasto importante, la gerencia ha iniciado
un estudio para reducirlos lo ms posible que se pueda. Se ha hecho una
estimacin de la produccin de cada enlatadora para la prxima temporada y
se ha asignado a cada almacn una cierta cantidad de la produccin total de
chcharos. En la siguiente tabla se proporciona esta informacin (en unidades
de carga de camin), junto con el costo de transporte por camin cargado
para cada combinacin de enlatadora-almacn. Como se ve hay un total de
300 cargas de camin que se deben transportar. El problema es determinar
el plan de asignacin de estos embarques a las distintas combinaciones de
enlatadora-almacn que minimice el costo total de transporte.
Costo de embarque ($) por carga
Almacn
1 2 3 4
Produccin
1 464 513 654 867 75
Enlatadora 2 352 416 690 791 125
3 995 682 388 685 100
Asignacin 80 65 70 85

Este, de hecho, es un problema de programacin lineal del tipo de los
problemas de transporte. Para formularlo, sea Z el costo total de transporte y
sea xij (i = 1, 2, 3; j = 1, 2, 3, 4) el nmero de cargas de camin que se mandan
de la enlatadora i al almacn j. Entonces el objetivo es seleccionar los valores
de estas 12 variables de decisin (las xij) para:
Minimizar Z= 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 +

690x23 + 791x24
995x31 + 682x32 + 388x33 + 685x34
sujeta a las restricciones:
75
x11 + x12 + x13 + x14 =
125
x21 + x22 + x23 + x24 =
100
x31 + x32 + x33 + x34 =
80
x11 + x21 + x31 =
65
x12 + x22 + x32 =
70
x13 + x23 + x33 =
85
x14 + x24 + x34 =
xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4)
La siguiente tabla muestra los coeficientes de las restricciones. Como se

ver enseguida, lo que distingue a este problema como un problema de
transporte es la estructura especial en el patrn de estos coeficientes, no su
contexto.

Coeficiente de:
x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34
1 1 1 1
1 1 1 1 Restricciones
1 1 1 1 de enlatadora
1 1 1
A=
1 1 1 Restricciones
1 1 1 de almacn
1 1 1
Entre parntesis, la solucin ptima para este problema es x11 = 0, x12 = 20,
x13 = 0, x14 = 55,
x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0, x33 = 70, x34 = 30. Cuando se
conozca la prueba de optimalidad se podr verificar este resultado.
Modelo general del problema de transporte.
Para describir el modelo general del problema de transporte es

necesario emplear trminos que sean mucho menos especficos que los que
se usaron para los componentes del ejemplo prototipo. En particular, el
problema general de transporte se refiere (literal o en sentido figurado) a la
distribucin de cualquier bien desde cualquier grupo de centros de
abastecimiento, llamados orgenes, a cualquier grupo de centros de
recepcin, llamados destinos, de tal manera que se minimicen los costos

totales de distribucin. La correspondencia en terminologa entre el ejemplo
prototipo y el problema general se resume en la siguiente tabla:
Ejemplo prototipo Problema general
Cargas de chcharos enlatados Unidades de un bien
Tres enlatadoras m orgenes
Cuatro almacenes n destinos
Produccin de la enlatadora i si recursos en el origen i
Asignacin al almacn j Demanda dj en el destino j
Costo de embarque por carga Costo cij por unidad distribuida
desde la enlatadora i al almacn j desde el origen i al destino j
As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades

para distribuir a los destinos y el destino j (j = 1, 2, ..., n) tiene una demanda
de dj unidades que recibe desde los orgenes. Una suposicin bsica es que el
costo de distribucin de unidades desde el origen i al destino j es
directamente proporcional al nmero distribuido, donde cij denota el costo
por unidad distribuida. Igual que para el ejemplo prototipo, estos datos de
entrada se pueden resumir en forma muy conveniente en la tabla de costos y
requerimientos que se muestra enseguida:
Costo por unidad distribuida

Destino
1 2 ... n Recursos
1 c11 c12 ... c1n s1

2 c21 c22 ... c2n s2
Origen
. . . . .
. . . . . . . .
. . . . .
m cm1 cm2 ... cmn sm
Demanda d1 d2 ... dn
Sea Z el costo total de distribucin y xij (i = 1, 2, ..., m; j = 1, 2,..., n) el

nmero de unidades que se distribuyen del origen i al destino j, la
formulacin de programacin lineal para este problema es:
m n
c
i 1 j 1
ij xij
Minimizar Z=
sujeta a
n
x
j 1
ij si para i = 1, 2, ..., m
m
x
i 1
ij dj para j = 1, 2, ..., n
xij 0, para toda i y j
Note que la tabla que resulta de los coeficientes de las restricciones

tiene la estructura especial que se muestra en la siguiente tabla:

Coeficiente de
x11 x12 . . . x1n x21 x22 . . . x2n . . . xm1 xm2 . . . xmn
1 1 ... 1 Restricciones
1 1 ... 1 de origen
.
A= 1 1 ... 1
1 1 1 Restricciones
1 1 ... 1 de destino
. . .
. . .
. . .
1 1 1
Cualquier problema de programacin lineal que se ajuste a esta

formulacin especial es del tipo de problemas de transporte, sin importar su
contexto fsico. De hecho, se han realizado numerosas aplicaciones no
relacionadas con el transporte que se ajustan a esta estructura especial. sta
es una de las razones por las que el problema de transporte se suele
considerar como uno de los tipos especiales de problemas de programacin
lineal ms importantes.
Una condicin necesaria y suficiente para que un problema de

transporte tenga soluciones factibles es que:
m n
si dj
i 1 j 1

Esta propiedad se puede verificar observando que las restricciones requieren
que:
m n m n
si
i 1
y dj
j 1
sean iguales a x
i 1 j 1
ij
Esta condicin de que los recursos totales deben ser iguales a la demanda
total en realidad exige que el sistema est balanceado. Si el problema tiene
algn significado fsico y esta condicin no se cumple, casi siempre significa
que, o bien si, o bien dj de hecho representan una cota y no un
requerimiento exacto. Si este es el caso, se puede introducir un origen o
destino imaginario (llamado origen ficticio o destino ficticio) para captar la
holgura, con el fin de convertir las desigualdades en igualdades y satisfacer la
condicin de factibilidad.
El problema de transporte es slo un tipo especial de problemas de

programacin lineal y puede resolverse aplicando el mtodo smplex tal y
como lo hemos estudiado. Sin embargo, veremos que si se aprovecha la
estructura especial que se muestra en la tabla anterior, se puede lograr un
importante ahorro en los clculos. Se har referencia a este procedimiento
simplificado como el mtodo smplex de transporte.
Para hacer hincapi en la simplificacin lograda por el mtodo smplex

de transporte, se revisar primero la forma en que el mtodo smplex general
(no simplificado) establecera el problema de transporte en forma tabular.
Despus de construir la tabla de los coeficientes de restriccin (vea la tabla
anterior), de convertir la funcin objetivo a la forma de maximizacin y de

usar el mtodo de la M para introducir las variables artificiales z1, z2, ..., zm+n
en las m+n ecuaciones de restriccin respectivas, se ve que las columnas de
la tabla smplex tendran la forma que se muestra en la siguiente tabla:
Variable Ec. Lado

Coeficiente de
bsica nm. Z ... xij ... zi ... zm+j ... derecho
Z (0) 1 cij M M 0
(1)
.
zi (i) 0 1 1 si
.
zm+j (m+j) 0 1 1 dj
.
(m+n)
En esta tabla, todos los elementos que no se muestran en estas

columnas son ceros. El nico ajuste que queda por hacer antes de la primera
iteracin es eliminar algebraicamente los coeficientes distintos de cero de las
variables bsicas iniciales (artificiales) en el rengln de Z (rengln 0).
Despus de cualquier iteracin subsecuente, el rengln 0 tendra la

forma que se muestra en la siguiente tabla:

Variable Ec. Lado
Coeficiente de
bsica nm Z ... xij ... zi ... zm+j ... derecho
m n
siui djvj
Z (0) 1 cijuivj Mui Mvj i 1 j 1
A causa del patrn de ceros y unos que siguen los coeficientes en la

tabla anterior, ui y vj tienen la siguiente interpretacin:
ui = mltiplo del rengln i original que se ha restado (directa o

indirectamente) del rengln 0 original durante todas las iteraciones
del mtodo smplex que llevaron a la tabla actual.
vj = mltiplo del rengln m+j original que se ha restado (directa o

indirectamente) del rengln 0 original durante todas las iteraciones
del mtodo smplex que llevaron a la tabla actual.
El rengln 0 actual se puede obtener sin usar ningn otro rengln con
slo calcular los valores de ui y vj directamente. Como cada variable bsica
debe tener coeficiente cero en el rengln 0, estos valores se pueden obtener
resolviendo el sistema de ecuaciones:
cijuivj = 0 para cada i y j tal que xij es variable bsica,

lo cual se puede hacer de manera directa.

Adems de los datos de entrada (los valores de cij, si y dj), la nica
informacin que necesita el mtodo smplex de transporte es la solucin
bsica factible actual, los valores actuales de ui y vj y los valores resultantes
de cijuivj para las variables no bsicas xij. Cuando se resuelve un problema a
mano es conveniente registrar esta informacin en una tabla smplex de
transporte, como la que se muestra enseguida:
En los casos en que la sumatoria de todo lo que se produce en todos

los orgenes es mayor que la sumatoria de todo lo que se demanda en todos
los destino o viceversa, entonces se dice que el problema no est
balanceado. En estos casos lo primero que se debe hacer antes de intentar
resolver el problema es balancearlo.

n n
dj s i
Para el caso de SOBREDEMANDA ( j 1 j 1 )
Si el caso es que se tiene mayor demanda de lo que se produce,

entonces para balancear el problema se agrega un origen imaginario o
artificial (llamado tambin origen ficticio) el cual tendr como recursos
(producir) dicha sobredemanda. En cuanto a los costos asociados a este
nuevo origen los estableceremos a cero (por qu?). El siguiente dibujo
muestra lo que se debe hacer:
donde
n m
d s
j 1
j
i 1
i
sm+1 =
cm+1j = 0 para j = 1, 2, ..., n

Como todas las restricciones funcionales en el problema de transporte
son igualdades, el mtodo smplex obtendra una solucin inicial bsica
factible introduciendo variables artificiales y usndolas como variables
bsicas iniciales. La solucin bsica que resulta de hecho slo es factible para
la versin aumentada del problema, por lo que se necesita un buen nmero
de iteraciones para hacer que el valor de estas variables artificiales sea cero y
se alcancen las soluciones bsicas factibles reales. El mtodo smplex de
transporte pasa por alto todo esto, pues usa un procedimiento ms sencillo
para construir directamente una solucin bsica factible real en la tabla de
transporte.
Antes de describir este procedimiento, es necesario establecer que el

nmero de variables bsicas en cualquier solucin bsica de un problema de
transporte es una menos de lo que se espera. Normalmente en los
problemas de programacin lineal, se tiene una variable bsica por cada
restriccin funcional. En los problemas de transporte con m recursos y n
destinos el nmero de restricciones funcionales es m+n. Sin embargo,
el nmero de variables bsicas = m + n 1.
Esto se debe a que se manejan restricciones de igualdad y este

conjunto de m + n ecuaciones tiene una ecuacin adicional o (redundante)
que se puede eliminar. La razn es que se sabe que la cantidad total que se
manda desde todos los orgenes debe ser igual que la cantidad total que se
recibe en todos los destinos. Por lo tanto, cualquier solucin bsica factible

en una tabla de transporte debe aparecer con exactamente m + n 1
asignaciones no negativas, en donde la suma de las asignaciones en cada
rengln o columna es igual a su demanda o sus recursos
4.2. Mtodos para encontrar soluciones factibles.
Al iniciar, todos los renglones de los orgenes y las columnas de

destinos de la tabla smplex de transporte se toman en cuenta para
proporcionar una variable bsica (asignacin).
1. Se selecciona la siguiente variable bsica (asignacin) entre los

renglones y columnas en que todava se puede hacer una asignacin
de acuerdo a algn criterio.
2. Se hace una asignacin lo suficientemente grande como para que use
el resto de los recursos en ese rengln o la demanda restante en esa
columna (cualquiera que sea la cantidad ms pequea).
3. Se elimina ese rengln o columna (la que tena la cantidad ms
pequea en los recursos odemanda restantes) para las nuevas
asignaciones.(Si el rengln y la columna tiene la misma cantidad de
recursos y demanda restante, entonces arbitrariamente se elimina el
rengln. La columna se usar despus para proporcionar una variable
bsica degenerada, es decir, una asignacin con cero unidades.)
4. Si slo queda un rengln o una columna dentro de las posibilidades,
entonces el procedimiento termina eligiendo como bsicas cada una
de las variables restantes (es decir, aquellas variables que no se han
elegido ni se han eliminado al quitar su rengln o columna) asociadas

con ese rengln o columna que tiene la nica asignacin posible. De
otra manera se regresa al paso 1.
4.2.1. Mtodo de la esquina noroeste.
1. Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se

comienza en la esquina noroeste de la tabla smplex de transporte).
De ah en adelante, si xij fue la ltima variable bsica seleccionada, la
siguiente eleccin es xi,j+1 (es decir, se mueve una columna a la
derecha) si quedan recursos en el origen i. De otra manera, se elige
xi+1,j (es decir, se mueve un rengln hacia abajo).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento
general, utilizando la regla de la esquina noroeste en el siguiente ejemplo:
Recursos
3 7 6 4 5
2 3 2
4
2
4 3 8 5 3
10
Demanda 3 4 2 1 10
Lo primero que debemos hacer al resolver cualquier problema de

transporte es comprobar que est balanceado, si no lo estuviera, agregamos
un origen o un destino artificial segn sea el caso para conseguir que el
problema quede balanceado y podamos comenzar a resolverlo. En nuestro
ejemplo, la sumatoria de los recursos de los tres orgenes es de 10 unidades
que es igual a la sumatoria de las demandas de los destinos, por lo que
nuestro problema est balanceado y podemos iniciar con la resolucin.
Comenzamos asignando en la esquina noroeste de la tabla, es decir, en

la celda correspondiente a la variable bsica x11 (paso 1), podemos observar
que en la primera columna se demandan 3 unidades del bien y en el primer
rengln disponemos de 5 unidades, entonces enviamos las 3 unidades
demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos
suficiente para satisfacer toda la demanda) y decrementamos a 2 los recursos
restantes en ese origen (paso 2). Con esto cubrimos toda la demanda del
primer destino ( almacn) y lo cancelamos para las prximas asignaciones
(paso3):
Recursos
3 7 6 4 5 2
3 4
2 3 2 2
4 3 8 5 3
Demanda 3 0 4 2 1
La siguiente asignacin ser en la celda correspondiente a la variable

x12 (paso 1) ya que todava le quedan recursos al origen 1 (adems es la
esquina noroeste de la tabla restante despus de haber eliminado la primera
columna). Notemos que en el segundo destino se demandan 4 unidades del
bien y ahora solamente se disponen de 2 unidades en el origen 1, entonces
se envan las 2 unidades del origen 1 al destino 2 para satisfacer 2 de las 4
unidades demandadas en este destino quedando 2 por satisfacer (paso 2) y
cancelamos el origen 1 ya que no tiene ms unidades del bien para enviar a
otro destino
(paso 3):
Recursos
3 7 6 4 5 2 0
3 2
2 4 3 2 2
4 3 8 5 3
Demanda 3 0 4 2 2 1
La siguiente asignacin ser en la celda correspondiente a la variable

x22 (paso 1) ya que no le quedan unidades del bien al origen 1 (notemos
tambin que esa celda es la que se encuentra en la esquina noroeste de la
tabla restante despus de haber eliminado el primer rengln y la primera
columna y no olvidemos que estamos aplicando la regla de la esquina
noroeste). Ya que solamente faltan 2 unidades para satisfacer por completo
la demanda del segundo destino y se disponen exactamente de 2 unidades
en el segundo origen, entonces enviamos 2 unidades del bien del origen 2 al
destino 2 (paso 2) y cancelamos el segundo rengln ya que no le quedan ms

unidades para enviar a otro destino. Dejamos pendiente la eliminacin de la
segunda columna ya que nos servir ms adelante para hacer la asignacin
de una variable bsica degenerada, es decir, una asignacin con cero
unidades (paso 3):
Recursos
3 7 6 4 5 2 0
2
3
2 4 3 2 2 0
4 3 8 5 3
Demanda 3 0 4 2 0 2 1
La siguiente asignacin ser en la celda correspondiente a la variable x32

(paso1) ya que no le quedan ms unidades al origen 2. Notemos que se
demandan cero unidades del bien en el segundo destino, en este momento
es cuando hacemos una asignacin de cero unidades convirtiendo as a la
variable x32 en una variable bsica degenerada (paso 2) y ahora s podemos
cancelar la segunda columna para ya no considerarla ms en las siguientes
asignaciones (paso 3). Notemos que esta demanda de cero unidades es

satisfecha sin ningn problema por el origen 3 ya que ste dispone todava
de 3 unidades del bien:
Recursos
3 7 6 4 5 2 0
3 2
2 4 3 2 2 0
4 3 8 5 3
Demanda 3 0 4 2 0 2 1
Como solamente queda un rengln dentro de las posibilidades (el

rengln 3 no ha sido cancelado), entonces aplicando el paso 4 del
procedimiento general para construir una solucin inicial bsica factible, la
siguiente asignacin ser en la celda que corresponde a la variable x33 (paso
1). Ya que la demanda del tercer destino (2 unidades) puede ser satisfecha
muy bien por el tercer origen, entonces enviamos 2 unidades del bien del
origen 3 al destino 3 quedando solamente 1 unidad en el tercer origen (paso
2) para enviarlo al cuarto destino y con eso cubrir su demanda de una
unidad, cancelando de esta manera tanto el destino 3 como el destino 4 y el
tercer rengln ya que la demanda de todos los destinos ya ha sido satisfecha
y no quedan ms unidades del bien en ningn origen:
Recursos

3 7 6 4 5 2 0
3 2
2 4 3 2 2 0
4 3 8 5 3 1 0
0 2 1
Costo = 52
Demanda 3 0 4 2 0 2 0 1 0
La solucin inicial bsica factible es x11=3, x12=2, x22=2, x32=0 (variable

bsica degenerada), x33=2 y x34=1 y el costo total de transporte asociado a
esta primera Poltica de Transporte factible es de:
x11 c11 x12 c12 x22 c22 x32 c32 x33 c33 x34 c34
Costo = 3 (3) + 2 (7) + 2 (4) + 0 (3) + 2 (8) + 1 (5) = 52 unidades
Es necesario aclarar que esta no es la solucin final del problema, es

necesario aplicar a esta primera solucin factible la prueba de optimalidad ya
que puede existir una mejor poltica de transporte que minimice todava
ms el costo total.
4.2.2. Mtodo de aproximacin de Vogel.
Mtodo de Aproximacin de Vogel: para cada rengln y columna que

queda bajo consideracin, se calcula su diferencia, que se define como la
diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le
sigue, de los que quedan en ese rengln o columna. (Si se tiene un empate
para el costo ms pequeo de los restantes de un rengln o columna,
entonces la diferencia es 0). En el rengln o columna que tiene la mayor
diferencia se elige la variable que tiene el menor costo unitario que queda.
(Los empates para la mayor de estas diferencias se pueden romper de
manera arbitraria).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento

general, utilizando el mtodo de aproximacin de Vogel
para resolver el ejemplo presentado anteriormente y que fue resuelto por la

regla de la esquina noroeste:
Iniciamos el mtodo calculando las primeras diferencias para cada rengln y

columna. De las diferencias que obtuvimos nos fijamos en la mayor (Por
qu?), que resulta ser para la tercera columna. En esa columna encontramos
el costo unitario (cij) menor y en esa celda realizamos la primera asignacin:
Recursos DIF.
3 7 6 4 5 1
2 4 3 2 2 0 0
3 2
4 8 5 3 1
10
Demanda 3 4 2 0 1 10
1
DIF. 1 1 3 2

Nota: Marcaremos a la mayor de las diferencias seleccionada
encerrndola en un crculo y escribindole como superndice el nmero
que le corresponda en la secuencia de seleccin.
Observemos en la figura anterior que nicamente eliminamos el

segundo rengln ya que la tercera columna nos servir despus para hacer la
asignacin de una variable bsica degenerada. Continuando con la aplicacin
del mtodo, tenemos que calcular nuevamente las diferencias de las
columnas ya que hemos eliminado un rengln y sto puede ocasionar que las
diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue
ya no sean las mismas
Recursos DIF.
3 7 6 4 5 1
2 4 3 2 2 0 0
3 2
4 8 5 3 0 1
10
Demanda 3 4 1 2 0 1 10
1
DIF. 1 1 3 2
2
1 4 2 1
Como siguiente paso deberamos calcular las nuevas diferencias de

columnas, pero ya que solamente queda un rengln dentro de las posibilidades

(sto no significa que solamente un rengln quede bajo consideracin ya que
podemos observar que ninguna de las cuatro columnas (destinos) ha sido
eliminada y todas quedan todava bajo consideracin), no es posible encontrar
la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto
vamos tomando una a una las celdas que quedan comenzando con la de menor
costo unitario hasta que todas hayan sido asignadas.
Recursos DIF.
3 7 6 4 5 2 1 0 1
3 1 0 1
2 4 3 2 2 0 0
3 2
4 8 5 3 0 1
10
Demanda 3 0 4 1 0 2 0 1 0 10
1
DIF. 1 1 3 2
2
1 4 2 1
La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica

degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a
esta primera Poltica de Transporte factible es de:
x11 c11 x12 c12 x13 c13 x14 c14 x23 c23 x32 c32
Costo 3 (3) + 1 (7) + 0 (6) + 1 (4) + 2 (3) + 3 (3) = 35

= unidades

Es necesario aclarar que sta puede o no ser la solucin final del
problema, es necesario aplicar a esta primera solucin factible la prueba de
optimalizad ya que puede existir una mejor poltica de transporte que
minimice todava ms el costo total.
Con relacin a los mtodos propuestos, las aportaciones realizadas en el

presente artculo son las siguientes: A.- Determinar una solucin inicial
prxima a la solucin ptima de forma rpida y sencilla, de manera que
mediante el posterior proceso de optimizacin y mejora y tras pocas
iteraciones (Fase C), se obtenga la solucin ptima. Respecto a la "bondad"
de las soluciones iniciales obtenidas, hay que tener en cuenta que los
resultados indicados lo son para problemas de pequeo tamao resolubles
manualmente. Para poder llegar a conclusiones ms definitivas, se
necesitara realizar ms experimentacin con problemas de mayor tamao, a
fin de determinar si los mtodos propuestos son ms eficientes en promedio
respecto a los mtodos: Russell y Vogel. B.- Los mtodos propuestos sigue
siendo vlidos, para el caso del problema de transporte en los siguientes
supuestos: a) los costes de un problema pueden ser beneficios; b) cuando en
un problema de transporte hay rutas que no son factibles.


Monografia ... IO

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Monografia ... IO

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION

Investigacin Operativa Pgina 4

= (1) (3) 4(7.5)+8x2=480

Investigacin Operativa Pgina 5

Investigacin Operativa Pgina 6

El Mtodo Simplex inicia en el punto P1, que corresponde a la

Variables Coeficientes x1 x2 S1 S2 S3 Solucin

Investigacin Operativa Pgina 7

Investigacin Operativa Pgina 8

Variables Coeficientes x1 x2 S1 S2 S3 Solucin Razn

Variables Coeficientes en x1 X2 S1 S2 S3 Solucin

Investigacin Operativa Pgina 10

Variables Coeficientes x1 X2 S1 S2 S3 Solucin Razn

Investigacin Operativa Pgina 11

Variables Coeficientes en la x1 X2 S1 S2 S3 Solucin

Investigacin Operativa Pgina 12

Investigacin Operativa Pgina 13

Investigacin Operativa Pgina 14

Investigacin Operativa Pgina 15

Investigacin Operativa Pgina 16

Base Variable de Variable de holgura Solucin Operacin

Investigacin Operativa Pgina 17

Resultado de Iteracin No. 2

Investigacin Operativa Pgina 18

Investigacin Operativa Pgina 19

Como todos los coeficientes de la fila de la funcin objetivo son

Investigacin Operativa Pgina 20

Investigacin Operativa Pgina 21

VARIABLES BASICAS VARIABLES NO BASICAS

Expresar la funcin en variables bsicas

Investigacin Operativa Pgina 22

Realizar nuestra tabla bsica inicial

Encontramos nuestro valor pivote que es 3

E.P. = 0, 1, 1/3, 1/3, 0, 0, 0, 1

Se halla dividiendo los valores salientes entre el pivote

Investigacin Operativa Pgina 23

-(4)*E.P. 0 -4 -4/3 -4/3 0 0 0 -4

RESULT. (R2) 0 0 5/3 -4/3 1 -1 0 2

-(1)*E.P. 0 -1 -1/3 -1/3 0 0 0 -1

RESULT. (S2) 0 0 5/3 -1/3 0 0 1 3

Realizamos nuestra nueva tabla

Z 1 0 (1+5M)/3 (4-7M)/3 0 -M 0 4+2M

Investigacin Operativa Pgina 24

Investigacin Operativa Pgina 25

Comprobamos nuestro mtodo simples tipo m

Investigacin Operativa Pgina 26

Mtodo simplex Dual

Investigacin Operativa Pgina 27

Investigacin Operativa Pgina 28

Ecuacin y1 0 6/5 1 0 1/5 0 0 1

Ecuacin y2 0 8/5 0 0 -3/5 1 0 -1

Ecuacin y1 0 8/5 0 0 3/5 0 0 1

Ecuacin y2 0 6/5 1 0 1/5 0 0 1

Investigacin Operativa Pgina 30

Ecuacin y1 0 1 0 -1/3 0 0 -1/3 5/3

Bsica X1 X2 X3 S1 S2 S3 Solucin Razn

X2 -1/4 1 0 1/2 -1/4 0 100

X3 3/2 0 1 0 1/2 0 230

Investigacin Operativa Pgina 32

En cambio al problema original en la primera restriccin, donde

As para nuestro caso usando la matriz de la holguras y los coeficientes de

Investigacin Operativa Pgina 33

Maximizar Z=3x1 +2x2+5x3

1/2 1/4 0 430