REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO PARA EL PODER POPULAR DE LA EDUCACIN SUPERIOR MISIN SUCRE ALDEA UNIVERSITARIA: SEVERIANO RODRGUEZ

H. PROGRAMA NACIONAL DE FORMACIN DE INFORMTICA Y SISTEMAS

TRABAJO DE INVESTIGACIN DE OPERACIONES

Realizado por:

Juan C. Gonzalez Albenis Bermdez Jess Rodriguez Jess Navarro

ESQUEMA

1. Qu es un modelo? 2. Qu es un modelo matemtico? 3. Tipos de modelos matemticos. 4. Estructura y naturaleza de un modelo matemtico. 5. Formulacin de problemas utilizando el mtodo de Programacin Lineal. 6. Define el mtodo Simplex. 7. Conceptos bsicos del mtodo: variable de holgura, variable artificial, Variable de excedente. 8. Algoritmo del mtodo simplex. 9. Ejemplo donde se aplique el mtodo Simplex. 10. Mtodo de penalizacin de la gran M. 11. Estructura del Modelo de transporte. 12. El problema de transporte en forma tabular. 13. Mtodos para la solucin de problemas de transporte: 13.1. De la esquina Noroeste. 13.2. Del costo mnimo. 13.3. Mtodo de voguel. 13.4. Mtodo Algebraico. 13.5. Mtodo de tanteo. 14. El problema de Asignacin. 15. Formulacin matemtica del modelo de Asignacin. 16. El mtodo Hngaro. 17. Problemas de trasbordo.

1.- Que es un Modelo?

1. Esquema terico, generalmente en forma matemtica, de un sistema o de una realidad compleja, como la evolucin econmica de un pas, que se elabora para facilitar su comprensin y el estudio de su comportamiento. 2. Arquetipo o punto de referencia para imitarlo o reproducir. 3. En las obras de ingenio y en las acciones morales, ejemplar que por su perfeccin se debe seguir e imitar. 4. Representacin en pequeo de alguna cosa. 5. Esquema terico, generalmente en forma matemtica, de un sistema o de una realidad compleja, como la evolucin econmica de un pas, que se elabora para facilitar su comprensin y el estudio de su comportamiento. 6. Objeto, aparato, construccin, etc., o conjunto de ellos realizados con arreglo a un mismo diseo. Auto modelo 1976. Lavadora ltimo modelo. 7. Vestido con caractersticas nicas, creado por determinado modista, y, en general, cualquier prenda de vestir que est de moda. 8. En empresas, u. en aposicin para indicar que lo designado por el nombre anterior ha sido creado como ejemplar o se considera que puede serlo. Empresa modelo. Granjas modelo. 9. Esc. Figura de barro, yeso o cera, que se ha de reproducir en madera, mrmol o metal. 10. Cuba. impreso ( hoja con espacios en blanco). 11. Persona de buena figura que en las tiendas de modas se pone los vestidos, trajes y otras prendas para que las vean los clientes. 2.-Que es un Modelo Matemtico? Un modelo matemtico se define como una descripcin desde el punto de vista de las matemticas de un hecho o fenmeno del mundo real, desde el tamao de la poblacin, hasta fenmenos fsicos como la velocidad, aceleracin o densidad. El objetivo del modelo matemtico es entender ampliamente el fenmeno y tal vez predecir su comportamiento en el futuro. El proceso para elaborar un modelo matemtico es el siguiente:

Encontrar un problema del mundo real Formular un modelo matemtico acerca del problema, identificando variables (dependientes e independientes) y estableciendo hiptesis lo suficientemente simples para tratarse de manera matemtica. Aplicar los conocimientos matemticos que se posee para llegar a conclusiones matemticas. Comparar los datos obtenidos como predicciones con datos reales. Si los datos son diferentes, se reinicia el proceso. Es importante mencionar que un modelo matemtico no es completamente exacto con problemas de la vida real, de hecho, se trata de una idealizacin. Hay una gran cantidad de funciones que representan relaciones observadas en el mundo real; las cuales se analizarn en los prrafos siguientes, tanto algebraicamente como grficamente. Modelo matemtico es uno de los tipos de modelos cientficos, que emplea algn tipo de formulismo matemtico para expresar relaciones, proposiciones sustantivas de hechos, variables, parmetros, entidades y relaciones entre variables y/o entidades u operaciones, para estudiar comportamientos de sistemas complejos ante situaciones difciles de observar en la realidad. El trmino modelizacin matemtica es utilizada tambin en diseo grfico cuando se habla de modelos geomtricos de los objetos en dos (2D) o tres dimensiones (3D). El significado de modelo matemtico en matemtica fundamental, sin embargo, es algo diferente. En concreto en matemticas se trabajan con modelos formales. Un modelo formal para una cierta teora matemtica es un conjunto sobre el que se han definido un conjunto de relaciones unarias, binarias y trinarias, que satisface las proposiciones derivadas del conjunto de axiomas de la teora. La rama de la matemtica que se encarga de estudiar sistemticamente las propiedades de los modelos es la teora de modelos. 3.- Tipos de modelos matemticos Se podra decir que un modelo de las ciencias fsicas es una traduccin de la realidad fsica de un sistema en trminos matemticos, es decir, una forma de representar cada uno de los tipos entidades que intervienen en un cierto proceso fsico mediante objetos matemticos. Las relaciones matemticas formales entre los objetos del modelo, deben representar de alguna manera las relaciones reales existentes entre las diferentes entidades o aspectos del sistema u objeto real. As una vez "traducido" o "representado" cierto problema en forma de modelo matemtico, se pueden aplicar el clculo, el lgebra y otras herramientas matemticas para deducir el comportamiento del sistema bajo estudio. Un modelo

fsico requerir por tanto que se pueda seguir el camino inverso al modelado, permitiendo reinterpretar en la realidad las predicciones del modelo. Segn la informacin de entrada Con respecto a la funcin del origen de la informacin utilizada para construir los modelos pueden clasificarse de otras formas. Podemos distinguir entre modelos heursticos y modelos empricos:

Modelos heursticos (del griego euriskein 'hallar, inventar'). Son los que estn basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenmeno estudiado. Modelos empricos (del griego empeirikos relativo a la 'experiencia'). Son los que utilizan las observaciones directas o los resultados de experimentos del fenmeno estudiado. Segn el tipo de representacin Adems los modelos matemticos encuentran distintas denominaciones en sus diversas aplicaciones. Una posible clasificacin puede atender a si pretenden hacer predicciones de tipo cualitativo o pretende cuantificar aspectos del sistema que se est modelizando:

Modelos cualitativos o conceptuales, estos pueden usar figuras, grficos o descripciones causales, en general se contentan con predecir si el estado del sistema ir en determinada direccin o si aumentar o disminuir alguna magnitud, sin importar exactamente la magnitud concreta de la mayora de aspectos. Modelos cuantitativos o numricos, usan nmeros para representar aspectos del sistema modelizado, y generalmente incluyen frmulas y algoritmos matemticos ms o menos complejos que relacionan los valores numricos. El clculo con los mismos permite representar el proceso fsico o los cambios cuantitativos del sistema modelado. Segn la aleatoriedad Otra clasificacin independiente de la anterior, segn si a una entrada o situacin inicial concreta pueden corresponder o no diversas salidas o resultados, en este caso los modelos se clasifican en:

Determinista. Se conoce de manera puntual la forma del resultado ya que no hay incertidumbre. Adems, los datos utilizados para alimentar el modelo son completamente conocidos y determinados. Estocstico. Probabilstico, que no se conoce el resultado esperado, sino su probabilidad y existe por tanto incertidumbre.

Clasificacin segn su aplicacin u objetivo Por su uso suelen utilizarse en las siguientes tres reas, sin embargo existen muchas otras como la de finanzas, ciencias etc.

Modelo de simulacin o descriptivo, de situaciones medibles de manera precisa o aleatoria, por ejemplo con aspectos de programacin lineal cuando es de manera precisa, y probabilstica o heurstica cuando es aleatorio. Este tipo de modelos pretende predecir qu sucede en una situacin concreta dada. Modelo de optimizacin. Para determinar el punto exacto para resolver alguna problemtica administrativa, de produccin, o cualquier otra situacin. Cuando la optimizacin es entera o no lineal, combinada, se refiere a modelos matemticos poco predecibles, pero que pueden acoplarse a alguna alternativa existente y aproximada en su cuantificacin. Este tipo de modelos requiere comparar diversas condiciones, casos o posibles valores de un parmetro y ver cual de ellos resulta ptimo segn el criterio elegido. Modelo de control. Para saber con precisin como est algo en una organizacin, investigacin, rea de operacin, etc. Este modelo pretende ayudar a decidir qu nuevas medidas, variables o qu parmetros deben ajustarse para lograr un resultado o estado concreto del sistema modelado.

4.- Estructura y naturaleza de un modelo Matemtico.

Fases de construccin de un modelo Matemtico En muchos casos la construccin o creacin de modelos matemticos tiles sigue una serie de fases bien determinadas: 1. Identificacin de un problema o situacin compleja que necesita ser simulada, optimizada o controlada y por tanto requerira un modelo matemtico predictivo. 2. Eleccin del tipo de modelo, esto requiere precisar qu tipo de respuesta u output pretende obtenerse, cuales son los datos de entrada o factores relevantes, y para qu pretende usarse el modelo. Esta eleccin debe ser suficientemente simple como para permitir un tratamiento matemtico asequible con los recursos disponibles. Esta fase requiere adems identificar el mayor nmero de datos fidedignos, rotular y clasificar las incgnitas (variables independientes y dependientes) y establecer consideraciones, fsicas, qumicas, geomtricas, etc. que representen adecuadamente el fenmeno en estudio. 3. Formalizacin del modelo en la que se detallarn qu forma tienen los datos de entrada, qu tipo de herramienta matemtica se usar, como se adaptan a la informacin previa existente. Tambin podra incluir la confeccin de algoritmos, ensamblaje de archivos informticos, etc, etc. En esta fase

posiblemente se introduzcan tambin simplificaciones suficientes para que el problema matemtico de modelizacin sea tratable computacionalmente. 4. Comparacin de resultados los resultados obtenidos como predicciones necesitan ser comparados con los hechos observados para ver si el modelo est prediciendo bien. Si los resultados no se ajustan bien, frecuentemente se vuelve a la fase 1. Es importante mencionar que la inmensa mayora de modelos matemticos no son exactos y tienen un alto grao de idealizacin y simplificacin, ya que una modelizacin muy exacta puede ser ms complicada de tratar de una simplificacin conveniente y por tanto menos til. Es importante recordar que el mecanismo con que se desarrolla un modelo matemtico repercute en el desarrollo de otras tcnicas de conocimientos enfocadas al rea socio-cultural. Clasificaciones de los modelos Se podra decir que un modelo de las ciencias fsicas es una traduccin de la realidad fsica de un sistema en trminos matemticos, es decir, una forma de representar cada uno de los tipos entidades que intervienen en un cierto proceso fsico mediante objetos matemticos. Las relaciones matemticas formales entre los objetos del modelo, deben representar de alguna manera las relaciones reales existentes entre las diferentes entidades o aspectos del sistema u objeto real. As una vez "traducido" o "representado" cierto problema en forma de modelo matemtico, se pueden aplicar el clculo, el lgebra y otras herramientas matemticas para deducir el comportamiento del sistema bajo estudio. Un modelo fsico requerir por tanto que se pueda seguir el camino inverso al modelado, permitiendo reinterpretar en la realidad las predicciones del modelo. Segn la informacin de entrada Con respecto a la funcin del origen de la informacin utilizada para construir los modelos pueden clasificarse de otras formas. Podemos distinguir entre modelos heursticos y modelos empricos:

Modelos heursticos (del griego euriskein 'hallar, inventar'). Son los que estn basados en las explicaciones sobre las causas o mecanismos naturales que dan lugar al fenmeno estudiado. Modelos empricos (del griego empeirikos relativo a la 'experiencia'). Son los que utilizan las observaciones directas o los resultados de experimentos del fenmeno estudiado. [Segn el tipo de representacin Adems los modelos matemticos encuentran distintas denominaciones en sus diversas aplicaciones. Una posible clasificacin puede atender a si pretenden hacer predicciones de tipo cualitativo o pretende cuantificar aspectos del sistema que se est modelizando:

Modelos cualitativos o conceptuales, estos pueden usar figuras, grficos o descripciones causales, en general se contentan con predecir si el estado del sistema ir en determinada direccin o si aumentar o disminuir alguna magnitud, sin importar exactamente la magnitud concreta de la mayora de aspectos. Modelos cuantitativos o numricos, usan nmeros para representar aspectos del sistema modelizado, y generalmente incluyen frmulas y algoritmos matemticos ms o menos complejos que relacionan los valores numricos. El clculo con los mismos permite representar el proceso fsico o los cambios cuantitativos del sistema modelado. Segn la aleatoriedad Otra clasificacin independiente de la anterior, segn si a una entrada o situacin inicial concreta pueden corresponder o no diversas salidas o resultados, en este caso los modelos se clasifican en:

Determinista. Se conoce de manera puntual la forma del resultado ya que no hay incertidumbre. Adems, los datos utilizados para alimentar el modelo son completamente conocidos y determinados. Estocstico. Probabilstico, que no se conoce el resultado esperado, sino su probabilidad y existe por tanto incertidumbre. Clasificacin segn su aplicacin u objetivo Por su uso suelen utilizarse en las siguientes tres reas, sin embargo existen muchas otras como la de finanzas, ciencias etc.

Modelo de simulacin o descriptivo, de situaciones medibles de manera precisa o aleatoria, por ejemplo con aspectos de programacin lineal cuando es de manera precisa, y probabilstica o heurstica cuando es aleatorio. Este tipo de modelos pretende predecir qu sucede en una situacin concreta dada. Modelo de optimizacin. Para determinar el punto exacto para resolver alguna problemtica administrativa, de produccin, o cualquier otra situacin. Cuando la optimizacin es entera o no lineal, combinada, se refiere a modelos matemticos poco predecibles, pero que pueden acoplarse a alguna alternativa existente y aproximada en su cuantificacin. Este tipo de modelos requiere comparar diversas condiciones, casos o posibles valores de un parmetro y ver cual de ellos resulta ptimo segn el criterio elegido. Modelo de control. Para saber con precisin como est algo en una organizacin, investigacin, rea de operacin, etc. Este modelo pretende ayudar a decidir qu nuevas medidas, variables o qu parmetros deben ajustarse para lograr un resultado o estado concreto del sistema modelado.

5.- Formulacin de problemas utilizando el mtodo de Programacin Lineal

La Programacin Lineal es un procedimiento o algoritmo matemtico mediante el cual se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales, optimizando la funcin objetivo, tambin lineal. Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada funcin objetivo, de tal forma que las variables de dicha funcin estn sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales. Historia de la programacin lineal El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a Fourier, despus de quien nace el mtodo de eliminacin de FourierMotzkin. 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, demostr que el problema de la programacin lineal era resoluble en tiempo polinomial. 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; 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 debern 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:

Tipo 1:

Tipo 2:

Tipo 3: 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:

Donde:

f = coeficientes son relativamente iguales a cero.

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 esta 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 de recursos humanos y recursos de mquinas, la planificacin de campaas de publicidad, etc. 6.- Defina el mtodo Simplex En el algoritmo del Smplex, se parte de un programa base que estar formado por vectores unitarios (vector proceso unitario), realizando iteraciones sucesivas, de

manera que en cada uno de ellos, la matriz de coeficientes asociada al programa base sea una matriz identidad. Los pasos a seguir en el algoritmo del Smplex son: 1. Convertir desigualdades en igualdades, introduciendo para ello variables de holgura, que sern positivas en restricciones menores o iguales, y negativas en restricciones mayores o iguales. 2. Obtener el programa base: Esta es la pregunta inicial de la cual partimos para determinar la solucin. Para encontrar el programa base, tomaremos un vector unitario de cada una de las restricciones del problema, de acuerdo con el siguiente esquema: 2.1. Escoger aquellas variables de holgura con el mismo signo que el trmino independiente y coeficiente unitario. 2.2. En su defecto, escoger aquellas variables Xi que aparezca en una nica restriccin, y tenga el mismo signo que el trmino independiente. Esta variable deber tener coeficiente unitario. 2.3. En su defecto, introduciremos en aquellas restricciones de las cuales no hemos tocado an, un vector unitario una variable artificial Kj afectada de un rendimiento N si estamos maximizando, o de un rendimiento +N si estamos minimizando, y que tendr un coeficiente unitario.

El mtodo Simplex bsico El mtodo Simplex, introducido en su forma original por Spendley; Hext y Himsworth, en 1962, no se basa en planeamientos factoriales y por eso requiere pocos experimentos para moverse, desplazndose en la direccin del ptimo. La aplicacin del mtodo Simplex en Qumica Analtica fue efectuada por la primera vez en 1969. El mtodo Simplex original, a lo largo de estos aos, h sufrido modificaciones que obligaron a la distincin del mismo dentro de las estrategias de optimizacin, as el mtodo Simplex original pas a ser llamado de Mtodo Simplex Bsico (MSB). El procedimiento de optimizacin, en el mtodo Simplex, comienza por la eleccin de la n+1 puntos donde ser hecha la evaluacin de la respuesta. Este resultado ser evaluado contra las dems respuestas para que el proceso pueda continuar, siendo que este tipo de desarrollo convierte al simplex en un mtodo del tipo secuencial. El procedimiento es repetido sucesivamente, descartndose la peor respuesta. Por lo tanto, como vemos, el objetivo del mtodo Simplex secuencial es forzar al simplex a moverse para la regin de respuesta ptima. Las decisiones requeridas para que eso sea posible constituyen las llamadas "reglas" del procedimiento simplex. REGLAS PARA EL MOVIMIENTO DEL SIMPLEX BSICO

Regla n 1: Despus de determinar las respuestas de los n+1 experimentos necesarios para iniciar el proceso, con base en el conocimiento ya adquirido sobre el sistema, se debe clasificarlas en mejor [B (the Best)], peor [W (the Worst)] y resultados intermediarios [N (Next to worst)], segn el objetivo de la optimizacin. Regla n 2: El simplex es movido para un simplex adyacente, el cul es determinado descartando la respuesta menos deseada. El vrtice correspondiente a esta respuesta es sustituido por un nuevo vrtice, generado por su reflexin a travs del centroide de la hiperfase de los vrtices restantes. Matematicamente, s los vrtices de un simplex k-dimensional son representados por coordenadas vectoriales P1, P2, ...., Pj, ....Pk, .... Pk+1, la eliminacin de la respuesta no deseada Pj resulta en la hiperfase formada por P1, P2, ...., Pj-1, Pj+1, ....Pk, .... Pk+1 con el centroide definido por: Pc = 1/k (P1 + P2 + .... + Pj-1 + Pj+1 + .... + Pk + Pk+1) Pc = centroide de la hiperfase K = nmero de dimensiones del simplexPj = vrtice correspondiente a la peor respuesta. El nuevo simplex es definido por esta fase y un nuevo vrtice, P, que corresponde a la reflexin del vrtice rechazado Pj, a travs de la fase por el centroide Pc. P = Pc + (Pc - Pj) Regla n 3: S el punto reflejado, P, tuviera la peor respuesta en el nuevo simplex, probablemente el desplazamiento no est sucediendo en direccin al ptimo. En este caso, se debe rechazar la 2 peor respuesta de este simplex y continuar con la optimizacin. Esta regla es necesaria, pues el simplex puede estar encima de una cresta y la aplicacin directa de la Regla no 2 puede hacer con que el punto P sea reflejado de vuelta al punto anterior. En este caso el simplex oscila y se vuelve sin recurso (decimos, que se mantiene parado). Esta situacin sucede con frecuencia en la regin del ptimo. S un punto es obtenido cercano a l, todos los otros nuevos puntos tienden a pasar ms all del tope de la curva de respuesta. Entonces, un cambio en la direccin es indicado. En la regin del ptimo, normalmente ocurre el simplex circular en vuelta de un ptimo temporneo. Como se puede tratar de un resultado falso, el cual hace, con que el simplex se prenda a l, es necesario la siguiente excepcin adicional a la Regla no 1. Regla n 4: S un vrtice fuera mantenido en k+1 simplex, antes de aplicar la Regla no 2, haga una nueva observacin del vrtice persistente. S el vrtice est realmente cercano al ptimo, es probable que la evaluacin repetida de la respuesta sea consistente y de esta forma el punto ser mantenido. S la respuesta en el vrtice fuera alta por causa de un error de observacin, es improbable que con la nueva evaluacin eso ocurra y por lo tanto, el vrtice ser consecuentemente eliminado.

Regla n 5: S el nuevo vrtice encontrarse fuera de los limites aceptables de las variables optimizadas, no se deben realizar observaciones experimentales con estos valores, al contrario se debe atribuir a este la respuesta ms indeseable. La aplicacin posterior de las Reglas nos 2 e 3 obligar al simplex a regresar dentro de los lmites permitidos y este continuar buscando por la respuesta ptima. Cuando un ptimo es localizado, las reglas del simplex lo fuerzan a circular. 10.- Mtodo de penalizacin de la gran M Definimos la letra M como un nmero muy grande pero finito para usarlo como coeficiente de las variables artificiales en la funcin objetivo y con sentido contrario a la misma para penalizar de manera muy grande la existencia de las mismas en la solucin. Si el objetivo es minimizar las variables artirficiales entraran con M positivo y si es maximizar las variables artificiales se usaran como -M. Ejemplo: Min Z = 2X1 + X2 + 3X3 Sujeto a: 3X1 + X2 + 2X3 <= 10 X1 - 2X2 + 3X3 >= 6 2X1 + 3X2 - X3 <= 9 X1 + X2 +2X3 = 7 C.N.N 1. Convertir al Modelo Estndar: Cada restriccin debe ser convertida de inecuacin a una igualdad, agregando variables como se requiera. Con las restricciones de tipo <=, es supremamente fcil. Simplemente se agrega una en cada restriccin con coeficiente 1 en la misma restriccin y con coeficiente cero en la funcin objetivo. Por ejemplo: 3X1 + X2 + 2X3 <= 10 queda: 3X1 + X2 + 2X3 + S1 = 10 Se puede leer as: el uso de la primera restriccin no puede superar la disponibilidad de 10 unidades, lo que equivale a decir que lo usado mas lo que sobre (s1) es igual a 10. Para las restricciones de tipo mayor o igual, la lgica es la misma, de esta manera decir: X1 - 2X2 + 3X3 >= 6

Se puede leer como: el uso de la restriccin 2 debe ser como mnimo 6 unidades. Eso significa que el uso podra ser 6.1 o tal vez 7 u 8... etc. Podramos escribirlo tambin como 6+0.1 o 6+1 o 6+2 ... o en trminos generales: X1 - 2X2 + 3X3 = 6 + S2 que es equivalente a decir: lo usado en la restriccin2es igual al mnimo requerido que es 6 mas el adicional que esta en S2. Esto lo podemos reescribir como: X1 - 2X2 + 3X3 - S2 = 6

Sin embargo para el mtodo simplex, cuando aparece esta restriccin tipo >= es necesario adicionar una variable comodn, llamada Variable Artificial, sin ningn significado fsico, slo como artificio matemtico. Lo sumamos al lado izquierdo de la restriccin como se muestra a continuacin: X1 - 2X2 + 3X3 - S2 + A1 = 6

Al usar una variable artificial debemos penalizar la funcin objetivo all la vamos a incluir con un coeficiente muy grande, llamado M, al estar minimizando la sumamos + .MA1. La tercera restriccin es de tipo <=, por lo que no tenemos ningn problema con ella: 2X1 + 3X2 2X1 + 3X2 X3 <= 9 queda X3 + S3 = 9

La cuarta restriccin es de tipo =. Para este tipo de restriccin simplemente adicionamos una variable artificial al lado izquierdo: X1 + X2 +2X3 = 7 queda: X1 + X2 +2X3 + A2 = 7 Recordemos: las variables de holgura quedan con coeficiente 0 en la funcin objetivo y las variables artificiales con coeficiente M. Positiva si es minimizando o negativa si es maximizando. En resumen el modelo queda de la siguiente manera: Min Z = 2X1 + X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2 Sujeto a: 3X1 + X2 + 2X3 + S1 10 X1 - 2X2 + 3X3 - S2 + A1 2X1 + 3X2 - X3 = 9

= = + S3 6

X1 + X2 + 2X3 7 C.N.N (Condicin de No Negatividad) 2. Escribir en formato de Tabla Simplex.

+ A2 =

Si lo escribimos como una matriz, indicando los nombres de las variables en negro queda asi: Fig 1 X1 Min Z 2 R1 3 R2 1 R3 2 R4 1 X2 1 1 -2 3 1 X3 3 2 3 -1 2 S1 0 1 0 0 0 S2 0 0 -1 0 0 A1 M 0 1 0 0 S3 0 0 0 1 0 A2 M 0 0 0 1 RHS 10 6 9 7

Dnde X1, X2, X3 son las variables de decisin, S1, S2 y S3 son las variables de Holgura. R1, R2, R3, R4 son las restricciones y RHS son las disponibilidades o Requerimientos de las restricciones, (RHS= Right Hand Side: "el lado derecho" es decir los valores numricos). 3. Definir la Variable que entra Recordemos que tenemos un grupo de variables que llamamos base a las que tenemos en cuenta en cada iteracin para dar la solucin, las dems variables las llamamos No Bsicas y se se toman con valor cero (de manera anloga a cuando resolvemos un sistema de ecuaciones que tiene ms variables que ecuaciones, tenemos que hacer cierta cantidad de estas variables iguales a cero). En la primera iteracin la regla para escoger las variables que estarn en la base es la siguiente: -Si hay variables de decisin y de holgura, se toma la de holgura. -Si hay variables de decisin, de holgura y artificiales se toma la variable artificial. -Si hay variables de decisin y artificiales se toma la variable artificial. Por esta razn para la primera restriccin dnde hay variables de decisin (Xi) y la de holgura S1, tomamos la S1 para la base, en la segunda restriccin hay de holgura, de decisin y artificial, tomamos la artificial A1, en la tercera hay de decisin y de holgura, tomamos la de holgura S3 y por ltimo en la cuarta restriccin hay de decisin y artificial, por lo que tomamos la A2 para la base. Todas las dems se asumen en la primera iteracin con valor cero. Llenar la tabla inicial. Tal como se ve en la tabla de abajo. Hay muchos formatos de tablas, pero en esencia son el mismo. Esta el listado de variables que se tienen en la base (en la segunda columna rotulada como base), en la primera columna

estn los coeficientes de las variables bsicas, luego vienen las restricciones con sus coeficientes, las disponibilidades/requerimientos de las restricciones en la columna RHS, una columna vaca llamada Theta que ya llenaremos. Las dos ultimas filas son para determinar que variable va a entrar a la base. Algunas personas omiten la fila Z. Realmente no es necesaria, slo para dar un poco ms de claridad a la iteracin. La fila Z es el resultado de la suma del producto de la columna 'coef' y de cada columna en la restriccin, as: 0 * 3 + M * 1 + 0*2 + M*1 = 2M 0 * 1 + M * (-2) + 0*3 + M*1 = -M 0 * 2 + M * 3 + 0 *-1 + M*2 = 5M ...de igual manera para las otras 5 columnas. La fila Cj-Zj es el resultado de restar el coeficiente de la funcin objetivo (la segunda fila de negro) con el valor de Z que acabamos de calcular. 2-2M = 2-M (evidente!) 1-(-M) = 1+M... etc. En este momento nos hacemos la siguiente pregunta: cul variable al entrar a la base hace que la funcin objetivo disminuya ms (porque estamos minimizando)? O en otras palabras, cul es el valor ms negativo de Cj-Zj? Recordemos que M representa un nmero finito, muy, muy grande. Rapidamente nos damos cuenta que corresponde a 3-5M, puesto que de todas es la que tiene el valor negativo de M con mayor valor absoluto. Si no lo ve tan rpido, haga lo siguiente: reemplace M por un valor grande positivo en la fila Cj -Zj, digamos por 1000.000, notar de inmediato que el valor ms negativo esta en la columna respectiva a la variable X3. Por lo tanto sta variable debe entrar a reemplazar a otra variable en la base... a cul?? Fig 2 X1 X2 Coef Base 2 1 0 S1 3 1 M A1 1 -2 0 S3 2 3 M A2 1 1 Z 2M -M Cj- Zj 2-2M 1+M X3 S1 3 0 2 1 3 0 -1 0 2 0 5M 0 3-5M 0 Entra S2 0 0 -1 0 0 -M M A1 M 0 1 0 0 M 0 S3 0 0 0 1 0 0 0 A2 M 0 0 0 1 M 0 RHS Theta 10 5.00 6 2.00 Sale 9 M 7 3.50 13M

3. Definir la Variable que Sale Para establecer que variable debe salir de la base, hacemos un cociente entre la disponibilidad (RHS) y la columna de la variable que entra, en nuestro caso,

acabamos de decir que es la variable X3. Este cociente lo vamos a llamar Theta. Algunos libros lo llaman 'ratio'. 10 /2 = 5 6/3 =2 9 / -1 = ... bueno, en caso que dividamos por un valor negativo, no lo vamos a tener en cuenta para salir, por lo que lo rotulamos como M. 7/2 = 3.5 La variable que ms nos restringe, por lo tanto la que el valor de theta es menor (pero positivo) es de 2, correspondiendo a la variable A1. Por lo tanto sale A1 y entra X3. A la interseccin entre la columna de la variable que entra y de la fila de la variable que sale, la llamamos pivote. Sobre ella se emplear el mtodo de Gauss-Jordan. Aqu siempre he sealado el pivote de color verde. En la fig 2 corresponde al valor 3. 4. Iteracin: Gauss-Jordan Luego que se ha encontrado que variable sale de la base, y cual entra y que pr lo tanto ya tenemos una celda pivote, es necesario realizar la eliminacin gaussiana. Ello lo podemos resumir como: * Convertir la celda pivote en 1, dividiendo toda la fila por ella misma * Convertir todas las celdas por encima y por debajo de la celda pivote en cero. Vamos paso por paso: Convertir la celda pivote en 1. Llenamos un formato vacio simplex, la fila que contiene el pivote la vamos a pasar al nuevo formato convertida mediante la siguiente operacin: dividimos toda la fila por el valor del pivote. (Para convertir el pivote en 1). 1/3 = 0.33 -2/3 = -0.67 3/3 = 1(Pivote) 0/3= 0 -1/3= -0.33 1/3=0.33 0/3=0 0/3=0 6/3= 2 (En la columna del RHS) Y la pasamos al nuevo formato (Fig3). Esta nueva fila que hemos calculado va a servir para convertir las demas celdas por la columna del pivote en cero, como es el requisito del mtodo. Fijemonos un momento en la fig 2, en el pivote en verde, que contiene el 3, precisamente el que acabamos de convertir en 1. Por encima encontramos el 2 y por debajo

encontramos el -1 y el 2. Estos valores son los que debemos convertir en ceros. Para ello hacemos operaciones entre filas y columnas de la siguiente manera (s recuerda bien los detalles de esto, de sus clases de algebra lineal sientase libre de saltar esta explicacin): Multiplicamos la fila que contenia el pivote por el opuesto de cada nmero que deseamos eliminar y se lo sumamos a la fila que deseamos convertir. Ej Para la primera fila que contiene el 2 que deseamos eliminar multiplicamos la fila pivote por -2 y se la sumamos asi: La fila pivote que qued convertida en esto: 0.33 -0.67 1 0 -0.33 0.33 0 0 2 La multiplicamos por -2 y nos da: -0.67 1.33 -2 0 0.67 -0.67 0 0 -4 El valor anterior lo sumamos componente a componente a la fila en la que queremos hacer la eliminacin: que es la siguinte: 3 1 2 1 0 0 0 0 10 Y el resultado es: 2.33 2.33 0 1 0.67 -0.66 0 0 6 Este valor es el que copiamos en el nuevo formato en la fig 3 en la fila correspondiente, la primera. Repetimos este procedimiento para la fila 3 y la fila 4. Con ello ya llenamos todo el formato. 5. Prueba de Optimidad: La prueba de optimidad se debe hacer cada vez que se evalua si hay una variable que debe entrar a la base. Y es sencillamente lo siguiente. Se hace la pregunta: Hay alguna variable que al entrar mejora la solucin? Ello lo vemos en la fila Cj-Zj. Si al calcular esta fila an hay valores negativos y estamos minimizando, entonces es posible mejorar an ms la solucin. Lo mismo para el caso de la maximizacin. Si hay valores positivos en la fila Cj-Zj y estamos maximizando, an no hemos llegado al ptimo. En la fig 2 nos damos cuenta que haban todavia valores negativos en Cj-Zj, por lo tanto no se haba terminado, ahora en la fig 3, an quedan valores negativos, el ms negativo de ellos esta en la variable X2 por lo tanto debe entrar. Continuando el algoritmo en la fig3 evaluamos que la variable A2 debe salir, la reemplazamos en el tablero de la figura 4. Hacemos gauss-jordan, luego calculamos Z y calculamos Cj-Zj. Fig 3. X1 X2 X3 S1 S2 A1 S3 A2

Coe f 0 3 0 M

Base 2 S1 2.33 X3 0.33 S3 2.33 A2 0.33 1+0.33 Z M CjZj 1-0.33M

1 2.33 -0.67 2.33 2.33 2+2.33M

3 0 0 0.00 1.00 0.67 1.00 0.00 -0.33 0.00 0.00 -0.33 0.00 0.00 0.67 3 0 1+0.66M 0

M -0.67 0.33 0.33 -0.67

0 0 0 1 0

M 0 0 0 1

RHS 6 2 11 3

Theta 2.57 M 4.71 1.29 Sale

3-2.33M 0 Entra

1-0.66M 0 M 6+3M 1-0.66M 1+1.66M 0 0

Aqu en el tablero de la figura 4, evaluamos si hay algun valor negativo en la fila Cj-Zj, nos damos cuenta que no, por lo que no hay ninguna variable que al entrar mejore la solucin. Hemos llegado al ptimo: La solucin es Z=9.8571 X1=0 (Por que no estaba en la base.) X2= 1.29, X3=2.86 Fig 4 X1 Coef Base 2 0 S1 2.00 3 X3 0.43 0 S3 2.00 1 X2 0.14 Z 1.43 Cj- Zj 0.57 X2 1 0.00 0.00 0.00 1.00 1.00 0.00 X3 S1 S2 3 0 0 0.00 1.00 0.00 1.00 0.00 -0.14 0.00 0.00 -1.00 0.00 0.00 0.29 3.00 0.00 -0.14 0.00 0.00 0.14 A1 M 0.00 0.14 1.00 -0.29 0.14 M+0.62 S3 A2 0 M RHS Theta 0.00 -1.00 3.00 0.00 0.29 2.86 1.00 -1.00 8.00 0.00 0.43 1.29 0.00 1.29 9.8571 0.00 M+2.43

11.- Estructura del modelo de Transporte

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. El costo de transporte unitario de la mercanca a cada destino.

2.

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 numero 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 esta representado por un nodo, el arco que une fuente y un destino representa 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 Xi j 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= Sujeta a:
j=1 n i=1 m

j=1

ij

ij

X X

ij

<= ai ,

i=1,2,, m j=1,2,, n

i=1

Ij

>= bj ,

X i j >=0

para todas las i y j

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 envios a un destino satisfaga su demanda.

El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser cuando menos igual a la demanda total j=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: X i j = ai, X i j = bj, i=1,2,..., m 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. Ejemplo 1 (Modelo de transporte estndar)

MG Auto Company tiene plantas en Los ngeles, Detroit y Nueva Orlens. Sus centros de distribucin principales son Denver y Miami. Las capacidades de las plantas durante el trimestre prximo son 1 000, 1 500, y 1 200 automviles. Las demandas trimestrales en los dos centros de distribucin son de 2 300 y 1 400 vehculos. El costo del transporte de un automvil por tren es de 8 centavos por milla. El diagrama de las distancias recorridas entre las plantas y los centro de distribucin son:

Los ngeles Detroit Nueva Orleans

Denver 1 000 1 250 1 275

Miami 1 690 1 350 850

Esto produce en costo por automvil a razn de 8 centavos por milla recorrida. Produce los costos siguientes (redondeados a enteros), que representan a C i j del modelo original: Denver 80 100 102 Miami 215 108 68

Los ngeles Detroit Nueva Orleans

Mediante el uso de cdigos numricos que representan las plantas y centros de distribucin, hacemos que X i j represente el nmero de automviles transportados de la fuente i al destino j. Como la oferta total ( = 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte resultante esta equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas las restricciones de igualdad.
Minimizar Z = 80X 11 + 215X Sujeto a:
12

+ 100X 21 + 108X

22

+ 102X 31 + 68X

32

X 11

12

X 21 X 21

22

X 11

X X

12

X 31 X 31

X X

32

22

32

= = = = =

1 1 1 2 1

000 500 200 300 400

ij

para todas las i y j

Un mtodo mas resumido para representar el modelo de transporte consiste en utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:

Ejemplo 2 (Modelo de transporte con equilibrio) En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1 300 automviles (en vez de 1 500). Se dice que la situacin esta desequilibrada debido a que la oferta total (=3 500) no es igual a la demanda total (=3 700).Nuestro objetivo consiste en volver a formular el modelo de transporte de manera que distribuya la cantidad faltante(=3 700 3 500 = 200) en forma optima entre los centros de distribucin. Como la demanda es mayor que la oferta se puede agregar una planta ficticia con una capacidad de 200. Se permite que dicha planta, en condiciones normales, enve su produccin a todos los centros de distribucin. Fsicamente, la cantidad de unidades enviadas a un destino desde una planta ficticia representar la cantidad faltante en ese destino. La nica informacin que falta para completar el modelo son los costos de transporte unitarios de la planta ficticia a los destinos. Como la planta no existe, no habr ningn envo fsico y el costo de transporte unitario es cero. Sin embargo, podemos enfocar la situacin desde otro ngulo diciendo que se incurre en un costo de penalizacin por cada unidad de demanda insatisfecha en los centros de distribucin. En este caso los costos de transporte unitarios sern iguales a los costos de penalizacin unitarios en los diversos destinos.

Los ngeles Detroit Nueva Orlens Planta ficticia

Denver 80 100 102 0

Miami 215 108 68 0

1 000 1 300 1 200 200

De manera anloga, si la oferta en mayor que la demanda podemos aadir un destino ficticio que absolver la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier automvil enviado de una planta a un centro de distribucin ficticio representa un excedente en la planta.

Denver

Miami

Destino Ficticio 0

Los ngeles

80

215

1 000

Detroit Nueva Orleans

100 102

108 68

0 0

1 500 1 200

La aplicacin del modelo de transporte no se limita al problema de transporte. El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos. Ejemplo 3 (Modelo de inventario de produccin) Una compaa construye una planta maestra para la produccin de un articulo en un periodo de cuatro meses. Las demandas en los cuatro meses son: 100, 200, 180 y 300 unidades. Una demanda para el mes en curso puede satisfacerse a travs de: 1. Produccin excesiva en un mes anterior almacenada para su consumo posterior. 2. Produccin en el mes actual.

3. Produccin excesiva en un mes posterior para cubrir pedidos de meses anteriores.

El costo de produccin variable por unidad en un mes cualquiera es de $4.00. una unidad producida para consumo posterior incurrir en un costo de almacenamiento razn de $0.50 por unidad por mes. Por otra parte, los artculos ordenados en meses anteriores incurren en un costo de penalizacin de $2.00 por unidad por mes. La capacidad de produccin para elaborar el producto vara cada mes. Los clculos de los cuatro meses siguientes son 50, 180, 280 y 270 unidades, respectivamente. El objetivo es el de formular el plan de inventario de produccin a costo mnimo. Este problema se puede formular como un modelo de transporte. La equivalencia entre los elementos de los sistemas de produccin y transporte se establece de la manera siguiente:

Sistema de Transporte 1. 2. 3. 4. Fuente i Destino j Oferta en la fuente i Demanda en el destino j

Sistema de Produccin 1. 2. 3. 4. Periodo de produccin i Periodo de demanda j Capacidad de produccin del periodo i Demanda del periodo j

5. Costo de transporte de la fuente i al 5. Costo de producto e inventario del periodo destino j i al j

En tabla de abajo se presenta un resumen del problema como un modelo de transporte:

Demanda

1 2 3 4 Demanda:

Periodo 1 4 6 8 10 100

2 4.5 4 6 8 200

3 5 4.5 4 6 180

4 5.5 5 4.5 4 300

Capacidad 50 180 280 270

El costo de transporte unitario del periodo i al j es:

Costo de produccin en i,

i=j

Cij =

Costo de produccin en i / costo de almacenamiento en i a j

i<j

Costo de produccin en i / costo de penalizacin en i a j i>j

La definicin de C i j indica que la produccin en el periodo i para el mismo periodo (i = j) slo iguala el costo unitario de produccin. Si el periodo i se produce para periodos futuros j (i < j), se incurre en un costo de almacenamiento adicional. De la misma manera, la produccin en i para cubrir j pedidos hechos con anterioridad (i > j) incurre en un costo de penalizacin adicional.

12.- Problemas de transporte en forma tubular ste es un caso curioso, con solo 6 variables (un caso real de problema de transporte puede tener fcilmente ms de 1.000 variables) en el cual se aprecia la utilidad de este procedimiento de clculo.

Existen tres minas de carbn cuya produccin diaria es:

La mina "a" produce 40 toneladas de carbn por da; La mina "b" otras 40 t/da; y, La Mina "c" produce 20 t/da.

En la zona hay dos centrales termoelctricas que consumen:

La central "d" consume 40 t/da de carbon; y, La central "e" consume 60 t/da

Los costos de mercado, de transporte por tonelada son:

De "a" a "d" = 2 monedas De "a" a "e" = 11 monedas De "b" a "d" = 12 monedas De "b" a "e" = 24 monedas De "c" a "d" = 13 monedas De "c" a "e" = 18 monedas

Si preguntramos a una asamblea de pobladores de la zona, cmo organizar el transporte, con certeza, la gran mayora opinara que debemos aprovechar el precio ofrecido por el transportista que va de "a" a "d", porque es mucho ms conveniente que los otros. En este caso, el costo total del transporte seria:

Transporte de 40 t de "a" a "d" = 80 monedas Transporte de 20 t de "c" a "e" = 360 monedas Transporte de 40 t de "b" a "e" = 960 monedas Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programacin lineal tendramos las siguientes ecuaciones:

Restricciones de la produccin:

Restricciones del consumo:

La funcin objetivo ser:

La solucin de costo mnimo de transporte diario resulta:

Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas Total 1.280 monedas.

Reflexiones que surgen del problema: 1. Es discutible la conveniencia de tomar decisiones por consenso en cuestiones estrictamente tcnicas; 2. Es discutible la aplicacin de la intuicin en el caso de problemas con ms de 4 variables; 3. Una vez conocida la solucin del problema lineal, generalmente le resulta casi evidente al analista que sa es la solucin correcta, si bien no la vea antes. 13.- Mtodos para la solucin de problemas de transporte. Podemos obtener una solucin bsica factible (sbf) para un problema de transporte balanceado mediante el mtodo de la esquina Noroeste, el mtodo de costo mnimo, o el mtodo de Vogel. Para obtener una sbf mediante el mtodo de la esquina noroeste, empiece en la esquina superior izquierda del cuadro del transporte y haga a X11 lo ms grande posible. Naturalmente, X11 no puede ser mayor que el menor valor Si y as X11 S1 tache el primer rengln del cuadro de transporte; Esto indica que si habr ms variables bsicas del rengln 1 del cuadro. Tambin d1-S1 . Si X11=d1, tache la primera la columna del cuadro de transporte y cambie S1 d1. Si X11= S1 = d1, tache o el rengln 1, o la columna 1 (pero no ambos), del cuadro de transporte. Si tacha el rengln 1, cambie d1 por cero; si tacha columna 1, cambie S 1 por 0. Contine aplicando este procedimiento a la celda mas noroeste del cuadro que no cae en un rengln eliminado o en una columna eliminada. Finalmente, llegara un momento en el cual solo queda una celda a la cual se puede asignar un valor.

Asigne a esta celda un valor igual a la oferta de su rengln o a la demanda de su columna, y tache el rengln y la columna de la celda. Se obtiene de esta manera una solucin bsica factible.

PARA OBTENER LA SOLUCIN PTIMA PARA UN PROBLEMA DE TRANSPORTE SE DEBE:

Paso 1: Si el problema no est balanceado, balancelo. Paso 2: Utilice uno de los mtodos descritos anteriormente para obtener una solucin bsica factible. Paso 3: Utilice el hecho de que U1=0, y Ui+Vj=Cij en todas las variables bsicas para encontrar (U1,U2...Um V1,V2...Vn) para la sbf actual. Paso 4: Si Ui + Vj Cij es menor o igual a cero, para todas las variables no bsicas, entonces la sbf actual es ptima. Si no es as se introduce la variable con valor ms positivo de Ui + Vj Cij en la base. Para hacer esto, encuentre un circuito cerrado (se puede demostrar que solamente existe un circuito cerrado) que contiene la variable que entra y algunas de las variables bsicas. Despus, tomando en cuenta solamente las celdas en el circuito cerrado marque las que se encuentren alejadas en nmero par (0,2,4,6,...) de celdas de la variable que entra como celdas pares. Tambin marque las celdas en el circuito cerrado, que se encuentra un nmero impar de celdas de la variable que entra como celdas impares. Ahora encuentre la celda impar cuya variable toma el menor valor. Llame este valor teta. La variable correspondiente a esta celda impar saldr de la base. Para realizar el pivoteo, disminuye el valor de cada celda impar en teta y aumenta el valor de cada celda par en teta. Los valores de las variables que no se encuentran en el circuito cerrado permanecen sin cambio. Ahora se complet el bloqueo. S teta es igual a cero, la variable que entra ser igual a cero, y una variable impar que tiene un valor actual de cero, saldr de la base. En este caso, exista un sbf degenerada antes del pivoteo y resultar despus del pivoteo. Si ms de una celda impar en el circuito cerrado es igual a teta. Puede escoger arbitrariamente una de estas celdas impares para que salga de la base; se obtendr una vez ms una sbf degenerada. El pivoteo produce una nueva sbf. Paso 5: Regrese a los pasos 3 y 4, utilizando la nueva sbf. Para un problema de maximizacin, proceda como se especific, pero cambie el paso 4 por el paso 4. Paso 6: Si Ui + Vj Cij es mayor o igual a cero, para todas las variables no bsicas, entonces, la sbf actual es ptima. De otra manera, coloque la variable con

el valor ms negativo de Ui + Vj Cij en la base mediante el procedimiento de pivoteo.

13.1.- METODO DE ESQUINA NOROESTE Determinacin general del modelo de transporte requiere que: m i=1 ai = n bj j=1

Este requisito da origen a una ecuacin dependiente, lo que significa que el modelo de transporte tiene slo m + n 1 ecuaciones independientes. Por lo tanto, como en el mtodo simplex, una solucin factible bsica inicial debe incluir m + n 1 variables bsicas. Normalmente, si el modelo de transporte se formula como una tabla simplex, sera necesario utilizar variables artificiales para asegurar una solucin bsica inicial. Sin embargo, cuando se utiliza la tabla de transporte, una solucin factible bsica inicial se puede obtener fcil y directamente. Presentamos un procedimiento llamado regla de la esquina noroeste para este fin.

Destino 1 Fuente 1 X11 2 X21 3 X31 5 Demanda 0 12 10

2 0 X12 7 X22 14 X32 15

3 20 X13 9 X23 16 X33 15

4 11 X14 20 X24 18 X34 10 5 25 Oferta 15

El mtodo de la esquina noroeste comienza con la asignacin de la mxima cantidad admisible atravs de la oferta y la demanda de la variable x11 (la de la esquina noroeste de la tabla). Despus se tacha la columna (rengln) satisfecha, lo que indica que las variables restantes de la columna (rengln) tachada son iguales a cero. Si se satisfacen una columna y un rengln al mismo tiempo, slo una (una u otro) puede ser tachado. (Esta condicin garantiza la ubicacin

automtica de variables bsicas cero, si las hay). Despus de ajustar las cantidades de oferta y demanda de todos los renglones y columnas no tachados, la cantidad factible mxima se asigna al primer elemento no tachado de la nueva columna (rengln). El proceso se completa cuando se deja sin tachar exactamente un rengln o una columna. El procedimiento que se acaba de describir se aplica ahora en el ejemplo:

1. x11 = 5, se tacha la columna 1. Por lo tanto, no se puede hacer otra asignacin en la columna 1. La cantidad que falta en el rengln 1 son 10 unidades. 2. 3. 4. 5. x12 = 10, se tacha el rengln 1 y faltan 5 unidades en la columna 2. x22 = 5, se tacha la columna 2 y faltan 20 unidades en el rengln 2. x23 = 15, se tacha la columna 3 y faltan 5 unidades en el renglon 2. x24 = 5, se tacha el rengln 2 y faltan 5 unidades en la columna 4.

6. x34 = 5, se tacha el rengln 3 o la columna 4. Como slo un rengln ouna columna se mantiene sin tachar, el proceso llega a su fin. La solucin bsica inicial resultante se presenta a continuacin. Las variables bsicas son x11 = 5, x22 =10, x23 =15, x24 =5 y x34 = 5. Las variables restantes son no bsicas en el nivel cero. El costo de transporte asociado es: 5 x 10 +10 x 0 + 5 x 7+ 15 x 9 + 5 x 20 +5 x 18 = $410. 1 1 2 3 5 15 15 5 2 10 5 15 5 5 10 3 4 15 25 5

Cuando se satisfacen al mismo tiempo una columna y un rengln, la siguiente variable que se agregar a la solucin bsica estar necesariamente en el nivel cero. La siguiente tabla ilustra este aspecto. La columna 2 y el rengln 2 se satisfacen simultneamente.

1 2 3

5 5 0 8 7 7 8

10 5 15 15

5 0

10 5

Si se tacha la columna 2, x23 se vuelve bsica en el nivel cero en el paso siguiente, ya que la demanda restante del rengln 2 vale ahora cero.(Este caso se presenta en la tabla anterior). Si en cambio se cruza el rengln 2, x32 sera la variable bsica cero. Las soluciones iniciales de las dos ltimas tablas incluyen el nmero adecuado de variables bsicas, o sea, m + n-1 = 6. La regla de la esquina noroeste produce siempre el nmero adecuado de variables bsicas. 13.4.-DETERMINACION DE LA VARIABLE DE ENTRADA (METODO ALGEBRAICO) La variable que entra se determina mediante el uso de la condicin de optimalidad del mtodo simplex. Los clculos de los coeficientes de la funcin objetivo estn basados en las relaciones primales-duales. Primero presentamos la mecnica del mtodo y despus damos una explicacin con base en la teora de la dualidad. Otro mtodo, llamado procedimiento Saltando Piedras, tambin sirve para determinar la variable que entra. En el mtodo de multiplicadores asociamos los multiplicadores ui y vj con el rengln i y la columna j de la tabla de transporte. Para cada variable bsica xij ed la solucin actual, los multiplicadores ui y vj deben satisfacer la ecuacin que sigue: ui + vj = cij , para cada variable bsica xij Estas ecuaciones producen m+n-1 ecuaciones con m+n incgnitas. Los valores de los multiplicadores se pueden determinar a partir de estas ecuaciones suponiendo un valor arbitrario para cualquiera de los multiplicadores y resolviendo las m+n-1 multiplicadores desconocidos restantes. Al hacer esto, la evaluacin de cada variable no bsica Xpq esta dada por: Cpq = up vq - cpq

Despus se selecciona la variable que entra como la variable no bsica con la variable no bsica con la variable cpq mas positiva. Si aplicamos este procedimiento a las variables no bsicas estn dadas como:

X11: X12: X22: X23: X24: X34:

U1 U1 U2 U2 U2 U3

+ + + + + +

V1 V2 V2 V3 V4 V4

= = = = = =

C11 C12 C22 C23 C24 C34

= = = = = =

10 0 7 9 20 18

Haciendo u1= 0 los valores de los multiplicadores se determinan sucesivamente como V1=10, V2=0, U2=7, V3=2, V4=13, y U3=5. Las evaluaciones de las variables no bsicas estn dadas de la manera siguiente:

X13: c13 = u1 + v3 c13 = 0+2-20 = -18 X14: c14 = u1+ v4 c14 = 0+13-11 = 2 X21: c21 = u2 + v1 c21 = 7+10-12 = 5 X31: c31 = u3+v1 c3 = 5+10-0 = 15 X32: c32 = u3+v2 c32 = 5+0-14 = -9 X33: c33 = u3 +v3 c33 = 5+2-16 = -9 Como x31 tiene la variable cpq mas positiva, esta se selecciona como la variable que entra. Las ecuaciones ui+vj = cij que utilizamos para determinar los multiplicadores, tienen una estructura tan sencilla que es necesario escribirlos en forma explicita. DETERMINACION DE LA VARIABLE QUE SALE (Construccin de un ciclo)

Este paso es equivalente a aplicar la condicin de factibilidad del mtodo simplex. Sin embargo, como todos los coeficientes de restriccin del modelo de transportes original son cero o uno, las razones de condicin de factibilidad tendrn siempre su denominador igual a uno .Por lo tanto los valores de las variables bsicas producirn directamente las razones asociadas. Para el fin de determinar la razn mnima, construimos un ciclo cerrado para la variable actual que entra. El ciclo empieza y termina en la variable no bsica designada. Este consta de los segmentos sucesivos horizontales y verticales cuyos puntos extremos deben de ser variables bsicas salvo para los puntos extremos que estn asociados con la variable que entra. Esto significa que todo elemento de esquina del ciclo debe ser una celda que contenga una variable bsica. La tabla 6-10 ilustra un ciclo para la variable que entra dada en la solucin bsica de la tabla 6-8.Obsrvese que para la solucin bsica dada solo se puede construir un ciclo nico para cada variable no bsica. La variable que sale se selecciona de entre las variables de esquina del ciclo que disminuirn cuando las variables del ciclo que entra aumente arriba del nivel cero. Estas situaciones se indican en la tabla siguiente a travs de las variables contenidas en el cuadro etiquetado con los signos menos.

1 10 5 12

2 0 10 5 0 14 15 + 7

3 20 9 15 16 15

4 11 20 5 + 18 5 10 5 15 25

X 31 5

La solucin bsica de la tabla de abajo es degenerada, ya que las variables bsicas x11 y x22 son cero. Ahora se revisa la optimizad de la nueva solucin bsica de la tabla 6-11 calculando los nuevos multiplicadores como se indica en la tabla 6-12. Los valores de cpq estn dados por los nmeros de la esquina de cada celda no bsica La variable no bsica x21 con la variable cpq positiva mayor entra en la solucin. El ciclo cerrado asociado con x21 muestra que x21 o x22 pueden ser la variable que sale. Seleccionamos arbitrariamente x11 como la que sale de la solucin.

1 1 0 2 3 5 5 12 10

2 0 15 7 0 0 15 14

3 20 9 15 16 15

4 11 20 10 18 10 5 15 25

V1=10 U1=0 0 U2=7 +5 U3=10 5 5 12 X 21 + 0 10

V2=0 0 15 0 14 -24 15 + 7

V3=2 20 -18 9 15 16 -24 15

V4=13 11 +2 20 10 18 -15 10 5 25 15

La tabla de arriba muestra la nueva solucin bsica que sigue de la tabla siguiente. Los nuevos valores de ui, vj y cpq se vuelven a calcular. La tabla muestra la variable que entra y la que sale como x14 y x24, respectivamente. Al efectuar este cambio en la tabla de abajo obtenemos la nueva solucin de la tabla final. Como todas las variables cpq de la tabla final son no positivas se ha llegado a la solucin optima.

V1=5 U1=0 -5 U2=7 0 U3=5 5 0 12 10

V2=0 0 15 0 7 + 14 -19

V3=2 20 -18 9 15 16 -19

V4=13 +2 10 11 X 14 + 20 18 15 25 5

-10

15

15

10

V1=5 U1=0 -5 U2=7 0 U3=5 5 5 0 12 10

V2=0 0 5 7 10 14 -19 15

V3=2 20 -18 9 15 16 -19 15

V4=11 11 10 20 -2 18 -12 10 5 25 15

EXPLICACION DEL METODO ALGEBRAICO CON UN METODO SIMPLEX

La relacin que existe entre el mtodo multiplicadores y el mtodo simplex se puede establecer demostrando que cpq segn se define, es igual directamente a los coeficientes de la funcin objetivo de la tabla simplex asociada con la iteracin actual. Para mostrar como se obtiene el problema dual para el mtodo de transporte, considrese primero el caso especial de ,=2 y n=3 que se indica en la tabla 6-15. Sean las variables duales u1 y u2 para las restricciones de las fuentes y v1,v2, y v3 para las restricciones de los destinos. El problema dual se convierte en: Maximizar w = (a1u1+a2u2) + (b1v1+b2v2+b3v3) Sujeto a:
U1 +v1 <= c11

U1 U1 U2+v1 U2+v1

+v2 +v3

<=c12 <=c13 <=c21 <=c22

U2

+v3

<=c23

Ui, U2, v1, v2, v3, irrestrictas El problema dual correspondiente esta dado por: Maximizar w = m i-1 a1 u1 + n bi vj sujeto a: ui + vj <=cij para todas las i y j ui y vj irrestrictas La evaluacin de las variables no bsicas se determinan mediante la sustitucin de los valores actuales de las variables duales en las restricciones duales y despus tomando la diferencia entre sus miembros primero y segundo. Los valores de las variables duales se pueden determinar observando que las restricciones correspondientes a una variable bsica se deben satisfacer como ecuaciones escritas. En realidad en la interaccin optima los multiplicadores producen los valores duales ptimos directamente. En lo antes expuesto se asigna un valor arbitrario a una de las variables duales que indica que los multiplicadores simplex asociados con una solucin bsica dada no son nicos. Esto puede parecer inconsistente con los resultados donde los multiplicadores deben ser nicos. SOLUCION INICIAL MEJORADA En esta seccin presentamos dos procedimientos que determinan la solucin inicial a travs de la seleccin de las rutas econmicas del modelo.

13.2.- MODELO DEL COSTO MINIMO Asgnese el mas grande valor posible a la variable con el menor costo unitario de toda la tabla. Tachese el renglon o columna satisfecho. Despus de ajustar la oferta y la demanda de todos los renglones y columnas no tachados, reptase el proceso asignando el valor mas grande posible a la variable con el costo unitario no tachado mas pequeo. El procedimiento esta completo cuando queda exactamente un rebglon o bien una columna sin tachar.

1 1 0 2 3 5 5 12 0 10

2 0 15 7

3 20

4 11 0 9 20 10 16 18 10 5 25 15

15 14 15 15

13.3.- Mtodo de aproximacin de VOGEL (VAM)

Este mtodo es heurstica y suele producir una mejor solucin inicial que los dos mtodos antes descritos. De hecho, VAM suele producir una solucin inicial optima, o prxima al nivel optimo. Los pasos del procedimiento son los siguientes: Paso1: Evalese una penalizacin para cada rengln restando el menor elemento del costo del rengln del elemento de costo menor siguiente en el mismo rengln. Paso2: Identifquese el rengln o columna con la mayor penalizacin, rompiendo empates en forma arbitraria. Asgnese el valor mayor posible a la variable con el costo mas bajo del rengln o columna seleccionado. Ajstese la oferta y la demanda y tchese el rengln o columna satisfecho. Si un rengln o columna se satisfacen al mismo tiempo, solo uno de ellos se tacha y al rengln restante se le asigna una oferta cero. Cualquier rengln o columna con oferta o demanda cero no debe utilizarse para calcular penalizaciones futuras. Paso 3: a.-si solo hay un rengln o columna sin tachar, detngase. b.-si solo hay un rengln con oferta positiva sin tachar, determnense las variables bsicas del rengln a travs del mtodo del costo mnimo. c.-si todos los renglones y columnas sin tachar tienen oferta o demanda cero asignadas, determnese las variables bsicas cero a travs del mtodo del costo mnimo. Detngase. d.-de lo contrario, calclense las penalizaciones de las renglones y columnas no tachados y despus dirjase al paso 2.

1 1 2 3 PC 5 5 10 10 12 0

2 0 7 14 15 7

3 20 9 16 15 7

4 11 20 18 10 7

PR 15 10 25 5 2 14

PR = Penalizacin de Rengln PC = Penalizacin de Columna

1 1 2 3 PC 5 5 10 12 0

2 0 7

3 20 9 15

4 11 20

PR 15 25 5 10 0

11 2 -

15 7

15 11

10 9

14.- El Problema de Asignacin 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. 15.- Formulacin matemtica formal del modelo de asignacin La definicin formal del problema del asignamiento (o problema linear del asignamiento) es Dados dos conjuntos, A y T. de igual tamao, juntos con una funcin peso C : A T R. Encuentra una biyeccin f : A T como la funcin de coste:

est minimizada. Normalmente la funcin peso es vista como una matriz cuadrada de valores reales C, con lo que el coste de la funcin queda as:

El problema es "linear" porque la funcin coste a optimizar as como todas las restricciones contienen solo trminos lineales.

16.- El Mtodo Hngaro El algoritmo Hngaro es uno de los muchos algoritmos que han sido diseados para resolver el problema del asignamiento lineal con un tiempo acotado por una expresin polinmica del nmero de agentes. El problema del asignamiento es un caso especial del problema del transportador, que es un caso especial del problema del flujo de coste mnimo. Es posible resolver cualquiera de estos problemas mediante el algoritmo simplex, cada especializacin tiene algoritmos ms eficientes tomando ventaja de su estructura especial.

17.- Problemas de Transbordo Dado un problema de transbordo, se sugiere el siguiente procedimiento para convertirlo a un problema de transporte. Primero, se clasifican los nodos en las siguientes categoras mutuamente excluyentes. a) Origen puro: un nodo en el slo se enva. b) Destino puro: un nodo que slo recibe. c) Nodo de transbordo: un nodo que puede enviar y recibir. La tabla de transporte se construye como sigue: Los orgenes son los orgenes puros y los nodos de transbordo. La disponibilidad (oferta) en cada nodo de transbordo i se reemplaza por ai + B, en donde ai es el mximo entre cero y la salida neta del nodo i y B es el surtido artificial (o de colchn) que se especificara despus. Los destinos son los destinos puros y los nodos de transbordo. El requerimiento o demanda de un nodo de transbordo i es bi +B, en donde bi es el mximo entre cero y la entrada neta en el nodo i. Si no hay comunicacin directa del nodo i al nodo j, entonces cij es igual a M, donde M es un nmero positivo grande. Asimismo, cii = 0 para los nodos de transbordos. Finalmente, B es un nmero positivo grande, como: B = i ai Ejemplo: Una empresa tiene 3 fabricas que producen un producto, la primera fabrica produce 1000 unidades, la segunda fabrica produce 1500 unidades y la fabrica tres produce 1200 unidades. Estos producto pasa por dos centros de distribucin los costos de transporte de las fabricas a los centros se dan en la tabla N1 y de los centros de distribucin se reparte los productos a 4 centros de consumo los costos de transporte y las demanda de los centros de consumo se dan en la tabla N 2 Resolver el problema como un modelo de trasbordo e indicar su solucin optima. El objetivo es minimizar los costos de transporte. Tabla N 1 Centro de distribucin Fabrica 1 2 1 8 10 2 10 9 3 8 7

Tabla N 2 Centro de consumo de 1 2 3 5 4 800 4 3 1250 5 3 1000

Centro distribucin 1 2 Demanda

4 4 4 650

Luego el tabloide de transporte queda de la siguiente manera: a) Nodos origen 1:fabrica 1, 2: fabrica 2, 3: fabrica 3, 4: centro de distribucin 1, 5: centro de distribucin 2. b) Nodos destinos 4: centro de distribucin 1, 5: centro de distribucin 2, 6: centro de consumo 1, 7: centro de consumo 2, 8: centro de consumo 3 y 9: centro de consumo 4 4 8 10 8 0 3700 5 10 9 7 0 3700 6 7 8 9 Oferta 1000 1500 1200 3700 3700

1 2 3 4 5 Demanda

5 4 800

4 3 1000

5 3 1250

4 4 650

Las celdas que estn sombreadas su costo es M (un costo muy alto) Luego usando el SOLVER de Excel se tiene la siguiente respuesta:

4 5 6 7 8 9 Oferta 1 8 10 M M M M 1000 2 10 9 M M M M 1500 3 8 7 M M M M 1200 4 0 M 5 4 5 4 3700 5 M 0 4 3 3 4 3700 Demanda 3700 3700 800 1000 1250 650

1 2

4 5 6 1000 0 0 0 1500 0

7 0 0

8 0 0

9 0 0

Oferta L.I. 1000 1000 1500 1500

3 4 5

1200 1200 3700 3700 3700 3700 L.I. 3700 3700 800 1000 1250 650 Min Z Demanda 3700 3700 800 1000 1250 650 42800

0 1200 0 0 0 0 2700 0 0 350 0 650 0 1000 800 650 1250 0

Interpretacin: La fabrica 1 enva 1000 unidades al centro de distribucin1, la fabrica 2 enva 1500 unidades al centro de distribucin 2 y la fabrica 3 enva 1200 unidades al centro de distribucin 2. Del centro de distribucin 1 se enva 350 al centro de consumo 2 y 650 al centro de consumo 4 y del centro de distribucin 2 se enva 800 al centro de consumo 1, 650 al centro de consumo 2 y 1250 al centro de consumo 3. Y esto genera un costo mnimo de 42.800$