Separata de Clase

PROGRAMACIN LINEAL
Lic. Mario Edison Ninaquispe Soto

2012 - I

METODO SIMPLEX
La programacin lineal se puede resolver a travs del algoritmo simplex; su importancia radica en que proporciona soluciones etapa por etapa, donde la solucin bsica factible est en consideracin, y cada etapa nos da una mejor solucin ptima. El lgebra matricial y el proceso de eliminacin completa de Gauss-Jordan para resolver un sistema de ecuaciones simultneas lineales son las races del mtodo simplex de la PL. Para utilizar el mtodo simplex, es necesario cambiar todas las desigualdades en igualdades. Para hacer esta transformacin a igualdad, donde automticamente aumentamos una matriz identidad a nuestro modelo, como requisitos para obtener la matriz A/I/B (A es la matriz de coeficientes tecnolgicos, I es la matriz identidad y B es el vector de disponibilidad o vector columna de trminos independientes) tenemos que utilizar variables de exceso y variables artificiales. Se dice de holgura pues toman la diferencia entre la parte derecha de la ecuacin o los sobrantes de los recursos disponibles. Se utiliza variables de holgura (exceso) para convertir las desigualdades en igualdades y se utiliza variables artificiales cuando la variable de la holgura no proporciona coeficientes positivos en la matriz identidad. Es decir, las variables que estn en la base; los coeficientes de la fila de la funcin objetivo correspondiente de la matriz identidad, deben ser positivos, as como la variable artificial tiene una funcin matemtica, se tiene que asegurar que nunca aparezca en la solucin final. Esta condicin se puede cumplir dando un coeficiente de costo artificial a la funcin objetivo. 1. Forma cannica de un PPL Un PPL diremos que est escrito en la forma cannica de la siguiente manera: Maximizar (Minimizar) Z = c1 x1 + c 2 x 2 + c 3 x 3 + ........ + c n x n Sujeto a (s.a.): a11 x1 + a12 x 2 +........ + a1n x n b1 a 21 x1 + a 22 x 2 +........ + a 2 n x n b2 a11 x1 + a12 x 2 +........ + a1n x n b3 ... ... ... .... .... .... ... ... ...

a m1 x1 + a m 2 x 2 +........ + a mn x n bm x1, x 2 , x3, , xn 0

2. Forma Estndar de un PPL Un PPL diremos que est escrito en la forma estndar, si est escrito de la siguiente manera: Maximizar (Minimizar) Z = c1 x1 + c 2 x 2 + c 3 x 3 + ........ + c n x n Sujeto a (s.a.):

a11 x1 + a12 x 2 +........ + a1n x n = b1 a 21 x1 + a 22 x 2 +........ + a 2 n x n = b2 a11 x1 + a12 x 2 +........ + a1n x n = b3 ... ... ... .... .... .... ... ... ...

a m1 x1 + a m 2 x 2 +........ + a mn x n = bm x1, x 2 , x3, , xn 0

3. Reglas para convertir un PPL a la forma estndar El primer paso para resolver un PPL mediante el mtodo simplex es escribir el PPL en la forma estndar; como no siempre el programa original est en esta forma, se hace necesario un conjunto de reglas; para convertirlo. Conversin de una desigualdad en igualdad y solucin de un PPL Veremos dos casos: a. El problema tiene todas sus restricciones de tipo : Convertir toda desigualdad, de la forma: a11x1 + a12 x2 +........ + a1n xn b1 (1) Se puede convertir en igualdad, mediante la adicin de una nueva variable no negativa Si ; llamada variable Slack u Holgura; de esta manera (1) se convierte en:

a11 x1 + a12 x 2 + ........ + a1n x n + S1 = b1 (2)

Ejemplo:

2 x1 + 5 x 2 2

Equivale

2 x1 + 5 x2 + S3 = 2

b.

El problema tiene restricciones: Convertir toda desigualdad, de la forma:

a11 x1 + a12 x 2 + ........ + a1n x n b1 (3)

Se puede convertir en igualdad, mediante la sustraccin de una nueva variable Si no negativa llamada variable de Exceso o Surplus y la adicin de una variable Ri no negativa llamada variable Artificial; de esta manera (3) se convierte en:

a11 x1 + a12 x 2 + ........ + a1n x n S1 + R1 = b1 (4)

Ejemplos:

2 x1 + 5 x 2 + 4 x3 2 es equivalente a 2 x1 + 5 x2 + 4 x3 S4 + R5 = 2 3 x1 + 5 x 2 + 7 x3 4 es equivalente a 3 x1 + 5 x2 + 7 x3 S 4 + R5 = 4
c. El problema tiene restricciones: Convertir toda desigualdad, de la forma:

= .

a11 x1 + a12 x 2 + ........ + a1n x n = b1 (3)

Se puede convertir a igualdad, mediante la adicin de una nueva variable Ri no negativa llamada variable Artificial; de esta manera (3) se convierte en:

a11 x1 + a12 x2 +........ + a1n xn + R1 = b1 (4)

Ejemplos:

6 x1 x 2 + 6 x 3 = 2 es equivalente a 6 x1 x 2 + 6 x 3 + R1 = 2
4. Pasos para el desarrollo del problema mediante el Algoritmo Simplex: Sea el siguiente PPL: Maximizar (Minimizar) Z = c1 x1 + c 2 x 2 + c 3 x 3 + ........ + c n x n Sujeto a (s.a.): a11 x1 + a12 x 2 +........ + a1n x n b1 a 21 x1 + a 22 x 2 +........ + a 2 n x n b2 a11 x1 + a12 x 2 +........ + a1n x n b3 ... ... ... .... .... .... ... ... ...

a m1 x1 + a m 2 x 2 +........ + a mn x n bm x1, x 2 , x3, , xn 0

Paso 1: Convertir el problema de su forma cannica, a su forma estndar. Maximizar (Minimizar) Z = c1 x1 + c 2 x 2 + c 3 x 3 + ........ + c n x n Sujeto a (s.a.): a11 x1 + a12 x 2 +........ + a1n x n = b1 a 21 x1 + a 22 x 2 +........ + a 2 n x n = b2 a11 x1 + a12 x 2 +........ + a1n x n = b3 ... ... ... .... .... .... ... ... ...

a m1 x1 + a m 2 x 2 +........ + a mn x n = bm x1, x 2 , x3, , xn 0

Paso2: Pase el lado derecho de la funcin objetivo, hacia la izquierda ( Z CX = 0) , y cree la matriz del algoritmo simplex: Matriz del algoritmo Simplex Variables Originales / Exceso Variables Artificiales / Holgura

Z
1

x1

x2

xn

xn+ 1

x n +2

x n +m

RHS

z1 c1 z 2 c 2
a11 a12

z n cn
a1n

z n +1 c n +1 z n +2 c n +2

z n +m c n +m Z 0
b 1

xn+ 1

0 0 0

x n +2

a21

a22

a2 n

b2

x n +m

am1

am 2

amn

bm

Tabla - 1 TABLA SIMPEX Valor de Criterio Variables F.O. Z 1 O O 1 Base O Tabla - 2 Notas.1. Los coeficientes que estn en la base, constituyen los elementos de una matriz identidad en cada etapa del proceso Smplex. 2. No se debe tener signos negativos en la columna solucin, ya que de acuerdo con los principios de la programacin lineal, no podramos tener una produccin por ejemplo de - 5 unidades. Se llega a la solucin ptima cuando los coeficientes de la funcin objetivo en la tabla Smplex, son positivos o cero. Variables de Decisin x1 -c1 a11 a21 am1 x2.............. -c2.............. a12.............. a22.............. am2.............. -xn -cn a1n a2n amn O Variables de Holgura( exceso) X11 O 1 O X21 O.......... O......... 1......... ...... Xm1 O O O 1 Solucin b O bI b2 bm

Paso 3: Seleccionar la variable decisin que ingresar a la base; en el caso de maximizacin, seleccione como variable de entrada (a la nueva solucin), aquella cuyo costo reducido ( Z k C k ) , sea el ms negativo (y en casos de minimizacin, selecciones el ms positivo). En este caso se habr encontrado la columna pivote. Ir al Paso 4. En el caso de maximizacin, la bsqueda de la columna pivote culminar, si no existe ninguna candidata de entrada, es decir si los costos reducidos

( Z CX 0 k ) , son no negativos o ceros, entonces la bsqueda ha * terminado y los valores ptimos de! programa ( Z * y X B ) , han sido hallados.
Si el caso es de minimizacin, la bsqueda culmina cuando todos los costos k ) son negativos o ceros. reducidos ( Z CX 0 En caso de empate, entre varios vectores candidatos, para entrar a la base: eljase uno de ellos arbitrariamente. Ir al Paso 4 Paso 4: Una vez seleccionado la variable x k , que entrar a la nueva solucin. Seleccione la variable de salida xn +m de la solucin actual que saldr de la base; utilizando la siguiente regla:

X Xi = Min i > 0 / X i , bi > 0 bi bi

Ir al paso 5. En caso de existir empate, entre varios vectores candidatos; eljase uno de ellos arbitrariamente. Ir al paso 5 Si bi 0 i ; se trata de un programa con dominio admisible no acotado y valor ptimo no acotado (crece indefinidamente). La bsqueda finaliza. La mejor solucin bsica, ha sido encontrada. Paso 5 La interseccin en la tabla de la variable que entra y la variable que sale, determina el elemento pivote en bi . Aplique operaciones matriciales elementales, en el pivote bi , con el objeto de convertir la columna X k en el vector unitario ek , el cual tiene todas sus componentes ceros; excepto el elemento pivote, cuyo valor fue convertido en 1. Volver al paso (4). Tabla de criterios para el Smplex Valor de la funcin Objetivo Tipo de restriccin Maximizacin l. Menor o igual variable de holgura. Minimizacin Variable de holgura toma coeficiente cero en FO Coeficiente cero para Var. Exceso y +M para variable artificial Coeficiente +M en FO para la variable artificial

sumar una

Variable de holgura toma coeficiente cero en FO Coeficiente cero para la variables de exceso y -M para la variable artificial Coeficiente -M en la FO para la variable artificial

2. Mayor o igual : sumar una variable de holgura(exceso) negativa y una variable artificial positiva 3. Igual , Artificial positiva

necesita

variable

Observacin. M debe ser un nmero positivo, relativamente grande. Los siguientes tableros Smplex, son equivalentes VARIANTES DEL MTODO SIMPLEX.1.- Degeneracin: Ocurre cuando 2 variables pueden salir por tene la misma rezn mnima

Ejem: Max Z = 3 x1 + 9 x2 s.a.

x1 + 4 x2 8 x1 + 2 x2 4 x1, x2 0
Z 1 0 0 X1 -3 1 1 X2 9 4 2 S1 0 1 0 S2 0 0 1 Sol 0 8 4

Z S1 S2

8/4=2 8/4=2

2.- Solucin no Acotada: Max Z = 2 x1 + x 2 s.a.

x1 x 2 10 2 x1 x 2 40 x1 , x 2 0
Z 1 0 0 X1 -2 1 2 X2 -1 -1 -1 S1 0 1 0 S2 0 0 1 Sol 0 10 40

Z S1 S2

Cuando todos los coeficientes son negativos y ceros, en cualquier iteracin entre los candidatos que puedan ingresar a la base, nos indica que el problema tiene solucin NO ACOTADA 3.- Soluciones Factibles no Existentes: Max Z = 3 x1 + 2 x 2 s.a.

2 x1 + x 2 2 3 x1 + 4 x 2 12 x1 , x 2 0
Al resolver el problema anterior, la iteracin final se muestra como sigue: Z 1 0 0 X1 1+5M 2 -5 X2 0 1 0 S2 M 0 -1 S1 2+4M 1 -4 R1 0 0 1 Sol 4-4M 2 4

Z S1 R1

Como R1 (variable artificial), tiene solucin final diferente a cero (R1 = 4); se dice que el problema no tiene solucin.

MTODO DE LAS DOS FASES: Este mtodo se utiliza para solucionar problemas que contengan variables artificiales , a las cuales permite eliminarlas. El mtodo de utlizacin se basa en dos fases, en la primera se realizan iteraciones que permitan eliminar las variables artificiales, mientras que la segunda permite continuar con la solucin generada durante la primera fase y hallar la solucin del problema. Fase I: Paso 1.- Formular un nuevo problema reemplazando la funcin objetivo original por la suma de las variables artificiales y manteniendo las mismas restricciones del problema original. Paso 2.- La nueva funcin objetivo se minimizar y estar sujeto a las restricciones iniciales. Paso 3.- Solucionar el nuevo problema mediante el procedimiento del mtodo simplex conocido. Paso 4.- Si el problema tiene espacios factibles,, entonces el valor final encontrado ser cero, de otro modo si el valor mnimo es mayor a cero, el problema se termina, lo cual indica que el vaco es el conjunto solucin de todo el problema inicial. Fase II: Paso 5.- Si la solucin de la Fase I indica que el problema tiene espacio factible, se usa la ltima solucin bsica factible obtenida en la Fase I, como una solucin inicial para el problema original, en este caso la funcin objetivo original debe ser expresado en trminos de las variables no bsicas usando el procedimiento usual de operaciones finas. Ejemplos:

Max Z = 2 x1 + x2 s.a. 3 x1 + x2 = 3 4 x1 + 3x2 6 x1 + 2 x2 3 x1, x2 0

Sol: Conversin a la forma estndar:

Max Z = 2 x1 + x2 MR1 MR2 s.a. 3 x1 + x2 + R1 = 3 4 x1 + 3x2 S1 + R2 = 6 x1 + 2 x2 + S 2 = 3 x1 , x2 0

Programacin Lineal Investigacin de Operaciones Fase I

Lic. Mario E. Ninaquispe Soto

Min ro = R1 + R2 s.a. 3 x1 + x2 + R1 = 3 4 x1 + 3 x2 S1 + R2 = 6 x1 + 2 x2 + S 2 = 3 x1 , x2 0
x1 0 3 4 1 7 3 4 1 0 1 0 0 0 1 0 0 x2 0 1 3 2 4 1 3 2 1.67 0.33 1.67 1.67 0 0 1 0 S1 0 0 -1 0 -1 0 -1 0 -1 0 -1 0 0 0.2 -0.6 1 R1 -1 1 0 0 0 1 0 0 -2.33 0.33 -1.33 -0.33 -1 0.6 -0.8 1 R2 -1 0 1 0 0 0 1 0 0 0 1 0 -1 -0.2 0.6 -1 S2 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 Sol. 0 3 6 3 9 3 6 3 2 1 2 2 0 0.6 1.2 0

ro
R1 R2 S3 ro R1 R2 S3 ro x1 R2 S3 ro x1 x2 S3

1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0

Convertir los a ceros los valores de R1 y R2

3/3 =1 6/4 =1.5 3/1 = 3 3.03 1.20 1.20

Como ro = 0, entonces el problema tienes soluciones acotadas, entonces continuamos con la Fase II Fase II: Armaremos el tablero simplex tomando en cuando la solucin final de la Fase I, sin tomar en cuenta las columnas de las variables artificiales. Convertir en cero las variables que se encuentren dentro de la base, y encontrar la variable que entra y la variable que sale. x1 -2 1 0 0 0 1 0 0 0 1 0 0 x2 -1 0 1 0 0 0 1 0 0 0 1 0 S1 0 0.2 -0.6 1 -0.2 0.2 -0.6 1 0 0 0 1 S2 0 0 0 1 0 0 0 1 0.2 -0.2 0.6 1 Sol. 0 0.6 1.2 0 2.4 0.6 1.2 0 2.4 0.6 1.2 0

Z
x1 x2 S3

Z
x1 x2 S3

Z
x1 x2 S3

1 0 0 0 1 0 0 0 1 0 0 0

0.60 #DIV/0! #DIV/0! 3.00 -2.00 0.00 #DIV/0! #DIV/0! 0.00

PROBLEMA DUAL

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Para Todo problema de programacin lineal, existe otro problema denominado dual. Las relaciones entre el problema dual y el original (denominado primal) son extremadamente tiles en gran variedad de soluciones; por ejemplo se ver que la solucin ptima del problema dual es la que proporciona los precios sombra ya descritos anteriormente. Supongamos el problema primal de la forma que se muestra en la izquierda, su problema dual se representar en la forma que se muestra a su derecha: Problema Primal Problema Dual

Maximizar Z = c j x j
j =1

Minimizar y0 = bi yi
i =1

S . A.

a
j =1

ij

x j bi x j 0,

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

S . A.

a
j =1

ij

yj c j

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

yi 0,

Ejemplos:

Max x 0 = 5 x1 + 6 x 2 s.a. x1 + 9 x 2 60 2 x1 + 3 x 2 45 5 x1 2 x 2 20 x 2 30 x1 , x 2 0
Problema Dual cuando el Primal est en forma estndar Problema Primal estndar

Min

y 0 = 60 y1 + 45 y 2 + 20 y 3 + 30 y 4 5

s.a. y1 + 2 y 2 + 5 y 3 y1 , y 2 , y 3 , y 4 0

9 y1 + 3 y 2 2 y 3 + 1 y 4 6

Problema Primal cannica

Max Z = c1 x1 + c 2 x 2 s.a. a11 x1 + a12 x 2 = b1 a 21 x1 + a 22 x 2 b2

Max Z = c1 x1 + c 2 x 2 s.a. a11 x1 + a12 x 2 b1 a 21 x1 + a 22 x 2 b2 y1

+

a11 x1 a12 x 2 b1 y1

y2

Entonces el problema dual ser:

10

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Min y 0 = b1 y1+ b1 y1 + b2 y 2 s.a. a11 y + a11 y + a 21 y 2 c1 a12 y1+ a12 y1 + a 22 y 2 c 2 y1+ , y1 , y 2 0 y1 = y1+ y1 ; y1 es irrestricta en signo
Por tanto, el problema dual queda de la siguiente manera:
+ 1 1

Min y 0 = b1 y1+ b1 y1 + b2 y 2 s.a. a11 ( y1+ + y1 ) + a 21 y 2 c1 a12 ( y1+ y1 ) + a 22 y 2 c 2 y1+ , y1 , y 2 0 y1 = y1+ y1 ; y1 es irrestricta en signo

Min y 0 = b1 y1+ b1 y1 + b2 y 2 s.a. a11 y1 + a 21 y 2 c1 a12 y1 + a 22 y 2 c 2 y2 0 y1 es irrestricta en signo

Reglas para la construccin de un problema dual: 1. 2. 3. 4. EL nmero de variables del problema dual, es igual al nmero de restricciones del problema original y viceversa. Los coeficientes de la FO en dual ser el vector de disponibilidad de recursos del problema original. Si el problema original es Mx, entonces el dual ser Min; si el problema original es Min, entonces el dual ser Mx. Los coeficientes de la primera funcin de restriccin del problema dual, sern los coeficientes de la variable en las restricciones del problema original, y en forma anloga para las otras restricciones. Los segundos miembros de las restricciones duales, son los coeficientes del a funcin objetivo del problema primal. El sentido de la i-sima restriccin dual, es igual, si y slo si la -sima variable del problema original no tiene restriccin de signo. Si el problema original es un problema de Mx (Min), entonces luego de aplicar la regla 6, asigne a las restricciones duales, el sentido opuesto a la variable correspondientes del problema original. La i-sima variable del problema original, no tendr restriccin de signo, si y slo si, la i-sima restriccin del problema original es una igualdad. Si el problema original es Mx (Min), entonces luego de aplicar la regla 8 asigne a las dems variables el signo contrario (el mismo signo) que la restriccin correspondiente en el problema original.

5. 6. 7.

8. 9.

11

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Problema Primal o Dual Maximizar Z ( y0 ) Restriccin

Problema Dual o Primal Minimizar y0 Z Variable yi ( xi )

i
Forma Forma Forma

yi 0
Irrestricta en signo

Restriccin

yi 0

Variable x j ( y j )

i
Forma Forma Forma

xj 0
Irrestricta en signo xj 0

Ejemplo:

Max Z = 3 x1 + 4 x2 2 x3 s.a. 4 x1 12 x2 + 3 x3 12 2 x1 + 3 x2 + x3 6 5 x1 + x2 6 x3 40 3 x1 + 4 x2 2 x3 = 10 x1 , x2 0 ; x3 irrestricta en signo

Solucin: 1. N variables dual = N restricciones del primal del

2. 3.

12 y1 + 6 y2 40 y3 +10 y4
Mx Min

Dual =

Min y0 = 12 y1 + 6 y2 40 y3 +10 y4
4., 5.,6.y 7. Restricciones:

4 y1 2 y2 + 5 y3 + 3 y4 3 12 y1 + 3 y2 y3 + 4 y4 4 3 y1 + y2 + 6 y3 2 y4 = 2
8. 9.

y 4 irrestricta en signo.

y1 0, y 2 0, y 3 0, y 4 irrestricta en signo

La solucin ptima Dual en la tabla simplex Relacin entre los valores ptimos del primal y dual: Propiedades:

12

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

1. Supongamos que los problemas Primal y Dual estn en la forma cannica o en la forma estndar. Los valores objetivos de estos problemas son x 0 e y 0 para el primal y dual respectivamente; entonces: a. Para soluciones factibles cualesquiera, no necesariamente bsicas, x 0 y 0 b. Si la solucin ptima de ambos problemas es alcanzada los valores objetivos del primal y el dual sern iguales: Max x 0 = Min y 0 2. Consideremos el problema primal (maximizacin) en forma cannica, cuyas restricciones son:

a
j =1

ij

x j bi ; multiplicamos ambos miembros por y i sumando sobre i :

y i ( aij x j ) bi y i = y 0
i =1 j =1 i =1

(1)

3. Consideremos el problema dual asociado (minimizacin) cuyas restricciones son: multiplicamos por x j y sumamos sobre j :

a y
i =1 i

cj ;

x j ( a i y i ) c j x j = x 0
j =1 i =1

(2)

Por tanto de (1) y (2) tenemos: x 0 y 0 Reglas generales para determinar la solucin ptima de un problema: 1. Si la variable dual corresponde a la variable de holgura inicial en el primal, su valor ptimo est dado directamente por el coeficiente de esta variable de holgura en la ecuacin x o ( Z ) ptimo. 2. Si la variable dual corresponde a una variable artificial inicial en el problema primal, su valor ptimo est dado por el coeficiente de esta variable artificial en la ecuacin y o ptimo despus de eliminar la constante M . Eliminar M equivale a aadir el coeficiente de costo original de la variable artificial al coeficiente correspondiente de la funcin objetivo, este coeficiente de costo est dado por M para maximizacin y por M para minimizacin; de lo cual se concluye lo siguiente: a. Si cualquier variable es usada como variable inicial, y si su coeficiente en la funcin objetivo original es c j entonces el valor ptimo de la variable dual correspondiente es obtenida aadiendo c j correspondiente en la ecuacin x 0 . Se observa que los coeficientes de holgura para los valores ptimos del Dual directamente, desde que los coeficientes de la FO son ceros.

b.

13

Programacin Lineal Investigacin de Operaciones Problema de Transporte

Lic. Mario E. Ninaquispe Soto

Frecuentemente se presentan al plantear la distribucin de bienes y servicios de varias localizaciones de suministro, hacia varias ubicaciones de la demanda. Tpicamente la cantidad de los bienes disponibles en cada localizacin de suministro (origen) es limitada, y la cantidad de los bienes necesarios de cada una de las localizaciones de demanda (destino) es conocida. Por lo general en un problema de transporte, el objetivo es minimizar el costo de embarcar los bienes desde los orgenes, hasta los destinos. Ejemplo: Sea la empresa REPSOL; este problema involucra el trasporte de un producto (gas) desde 3 plantas hasta 4 centros de distribucin. REPSOL tiene plantas en la pampilla, el callao y conchan, la capacidad de produccin para el siguiente perodo de planificacin es como sigue: Origen 1 2 3 Planta Pampilla Callao Conchn Total Capacidad de produccin de 3 meses / unidad 5,000 6,000 2,500 13,500

La empresa distribuye su producto a travs de 4 centros regionales de produccin, localizados en Lima, Chiclayo, Huancayo y Arequipa, el pronstico de la demanda de 3 meses de los centros de distribucin es como sigue: Capacidad de produccin de Origen Planta 3 meses / unidad 1 Lima 6,000 2 Chiclayo 4,000 3 Huancayo 2,000 4 Arequipa 1,500 Total 13,500 La gerencia deseara determinar cunto de su produccin deber embarcarse desde cada una de las plantas hasta cada uno de los centros de distribucin: Plantas (nodos) de origen Centros de distribucin (nodos de destino)
1. Lima

6,000

5,000

1. La Pampill a 2. Chiclayo

4,000

6,000

2. Callao 3. Huancayo

2,000

2,500

3. Conch n 4. Arequipa

1,500

14

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Los bienes embarcados desde los orgenes, hacia los destinos, representan el flujo en la red, los crculos son los nodos y las lneas que los conectan son los arcos, la direccin del flujo (de origen a destino) queda representada por las flechas. Para el problema de transporte de REPSOL, el objetivo es determinar las rutas a usar y la cantidad a embarcar en cada uno de ellas, y que d cmo resultado el costo mnimo de transporte total. Origen La Pampilla Callao Conchn Lima 3 7 2 Tabla de costos Chiclayo Huancayo 2 7 5 2 5 4 Arequipa 6 3 5

Para resolver este problema, se puede utilizar un modelo de programacin lineal; utilizaremos variables de decisin con dobles subndices, indicando por ejemplo:

x11 : Nmero de unidades que se embarca de la planta 1 hasta el destino 1 x12 : Nmero de unidades que se embarca del origen 1 al destino 2 (la Pampilla Chiclayo); as
respectivamente En general: Para un problema de transporte con m orgenes y n destinos, las variables de decisin se pueden escribir como: " x ij " : Nmero de unidades embarcadas desde el origen i hasta el destino j Donde: i = 1, 2,3,, n j = 1, 2,3,, m Como el objetivo del problema de transporte es minimizar el costo total de transportar; para el ejemplo tenemos: Costo de transporte por unidad transportada desde la Pampilla:

3 x11 + 2 x12 + 7 x13 + 6 x14

Costo de transporte por unidad transportada desde el Callao:

7 x 21 + 5 x 22 + 2 x 23 + 3 x 24

Costo de transporte por unidad transportada desde Conchn:

2 x 31 + 5 x 32 + 4 x33 + 5 x 34

La suma de estos costos nos da la funcin objetivo, que demuestra el costo total de transporte para REPSOL:

Min Z = 3 x11 + 2 x12 + 7 x13 + 6 x14 + 7 x 21 + 5 x 22 + 2 x 23 + 3 x 24 + 2 x 31 + 5 x 32 + 4 x 33 + 5 x 34

s.a. Restricciones de suministro:

x11 + x12 + x13 + x14 5,000 x 21 + x 22 + x 23 + x 24 6,000 x 31 + x 32 + x 33 + x 34 2,500

Restricciones de demanda:

15

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

x11 + x 21 + x 31 = 6,000

x12 + x 22 + x 32 = 4,000 x13 + x 23 + x 33 = 2,000 x14 + x 24 + x 34 = 1,500

x ij 0 ; i =1,2,3; j =1,2,3,4 Resultados hallados mediante software especializado: Z =39,500

x11 = 3,500 x12 = 1,500 x13 = 0 x14 = 0 x 21 = 0 x 22 = 2,500 x 23 = 2,000

Ruta desde Pampilla Pampilla Callao Callao Callao Conchn hasta Lima Chiclayo Chiclayo Huancayo Arequipa Lima Totales Unidades embarcadas 3,500 1,500 2,500 2,000 1,500 2,500 13,500 Costo Unitario $ 3 2 5 2 3 2 17 Costos Totales $ 10,500 3,000 12,500 4,000 4,500 5,000 39,500

x24 =1,500 x31 = 2,500 x32 = 0 x33 = 0 x34 = 0

Variantes al problema de transportes Las variantes al problema de transportes pueden implicar una o ms de las siguientes situaciones: 1. Oferta o suministro total no igual a la demanda total Se presenta muy seguido; si el suministro total es mayor a la demanda total, no es necesaria ninguna modificacin a la formulacin del problema lineal, aparecer en el solucin del P.L. un suministro excedente como una holgura. La holgura correspondiente a cualquier origen en particular se puede interpretar como suministro u oferta sin utilizar, es decir una cantidad que no se ha embarcado desde el origen. Si el suministro total es inferior a la demanda total, el modelo de P.L. de un problema de transporte, no tendr una solucin factible. En este caso, modificaremos la representacin en red, agregando un origen ficticio, con un suministro igual a la diferencia entre la demanda total y el suministro total. Al agregar el origen ficticio a cada destino, el modelo de P.L. tendr una solucin factible. A cada uno de los arcos que salga del origen ficticio, se le asigna un costo unitario igual a 0, de manera que el valor de la solucin ptima del problema modificado, represente el costo de embarques correspondiente a unidades realmente embarcadas (ningn embarque realmente se har desde el origen ficticio).

16

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Al poner en prctica la solucin ptima, aquellos destinos que muestren embarques recibidos del origen ficticio, sern los que experimenten carencia o demanda insatisfecha. 2. Maximizar la F.O. En algunos problemas de transporte, el objetivo que maximice la utilidad o los ingresos. Empleando valores de la utilidad o de ingresos unitarios como coeficientes de la F.O., simplemente resolveremos un problema lineal de Maximizacin en vez de Minimizacin. Este cambio no afecta a las restricciones. 3. Rutas con capacidad limitada La formulacin de P.L. de problemas de transporte, tambin puede tomar en consideracin capacidades o cantidades mnimas para una o ms de las rutas; por ejemplo, supongamos que en el ejemplo de REPSOL, la ruta Conchn Lima (del origen 3 al destino 1), tena un capacidad de 1,000 unidades debido a disponibilidad limitada de espacio en su modo de transporte normal. 4. Rutas no aceptables Quizs no pueda ser posible establecer una ruta desde cualquiera de los orgenes hasta cualquiera de los destinos a fin de manejar esta situacin; simplemente hacemos desaparecer el arco correspondiente de la red y eliminamos la variable correspondiente de la formulacin del PPL. Supongamos que hay m mquinas y n destinos

ai = Cantidad almacenada en unidades en el origen i = 1,2,3, ... , m b j = Cantidad requerida o demandada en variables, en el destino j = 1,2,3,..., n
Sea c ij =Costo de transporte por unidad del producto x ij Variables de decisin: x ij : N variables embarcadas desde el origen i hasta el destino j; con i = 1,2,3,,m y j = 1,2,3,,n El problema de transportes tiene el siguiente planteamiento:

Min Z = c ij x ij
i j

s.a.

x
j

ij

= a i ; i = 1,2,..., m suministro = b j ; j = 1,2,..., m demanda

x
i

ij

x ij 0
Ejemplo: i = 2 orgenes; j = 3 destinos

17

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Min Z = c11 x11 + c12 x12 + c13 x13 + c 21 x 21 + c 22 x 22 + c 23 x 23 s.a. x11 + x12 + x13 = a1 x 21 + x 22 + x 23 = a 2 x11 + x 21 x12 + x 22 x13 + x 23 x ij 0 i = 1,2 ; j = 1,2,3
Origen 1 (variables) Z 1 x11 -c11 1 x12. -c12 1 x13 -c13 1 1 1 1 1 1 1 1 1 1 Origen 2 (variables) x21 -c21 x22 -c22 x23 -c23 Solucin O aI a2 bI b2 b3

= b1 = b2 = b3

Tabla de transporte: j: D e s t i n o s
Or g en es i

1 1 2

2 c11 c21

3 c12 c22

x11
x21

x12.
x22

x13
x23

c13 c23

Modelo de transporte Balanceado

a = b
i =1 i j =1

Un modelo de transporte balanceado indica que las unidades almacenadas en todos los orgenes deben ser igual en nmero a las demandas de todos los destinos. Esta condicin es impuesta pues es fundamental en el desarrollo de la tcnica de transporte. Cualquier problema puede ser balanceado convirtindolo artificialmente a un problema con igual nmero de unidades almacenadas que demandadas.

18

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Si la demandas excede a lo almacenado, se agrega un origen ficticio, el cual almacena la cantidad excedente si hay almacenamiento sobrante, un destino ficticio es usado para absorber las cantidades excedentes. Los costos de transporte del origen ficticio a todos los destinos son 0, esto es equivalente a no embarcar desde el origen ficticio. Similarmente los costos de transporte de todos los orgenes a un destino ficticio son ceros. La tcnica de transporte: Los pasos bsicos de la tcnica de trasporte son: Paso 1: Determinar una solucin factible inicial Paso 2: Determinar la variable entrante elegida entre las variables no bsicas. Si todas las variables satisfacen la condicin de optimalidad, entonces el problema termin, en caso contrario pasar al paso 3. Paso 3: Determinar una variable saliente usando la condicin de factibilidad seleccionada entre la variable de solucin bsica corriente, entonces encontrar la nueva solucin. Solucin bsica inicial La definicin del modelo de transporte, requiere que el total de las unidades almacenadas, debe ser igual al total de las cantidades demandadas; este requerimiento resulta en una ecuacin dependiente, lo cual significa que el modelo de transporte tiene m+n-1 ecuaciones independientes, por lo tanto, una solucin bsica inicial factible debe incluir m+n-1 variables bsicas. Usando la tabla de transporte se puede obtener una solucin bsica inicial, por cualquiera de los siguientes mtodos: 1.- Mtodo de la esquina nor-oeste: Se empieza en la casilla (1,1) calculando x11 = min ( a1 , b1 ) Si a1 < b1 ; calculamos un nuevo b1 , que es igual a :
' b1 =b1 a1

; y se pasa a la casilla (2,1)

Si a1 > b1 ; calculamos un nuevo a1 , que es igual a :

' a1 = a1 b1

; y se pasa a la casilla (1,2)

Debemos hallar el nmero de ecuaciones independientes, y por ende, el nmero de variables bsicas que debe tener nuestro problema: m+n-1 Obs: Si x(i,j): i<j i>j entonces entonces x(i+1,j) x(i,j+1)

Ejemplo:

19

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

1 10

2 0 7 14

3 20 9 16

4 11 20 18 15 25 5

1 2 3 5 12 0

15

15

10

2.- Mtodo de aproximacin Vogel (MAV) Para cada columna, es necesario buscar los dos costos cij ms bajos y calcular su diferencia, de igual manera para cada fila; se tendrn entonces m+n diferencias. Se debe buscar la columna o fila cuya diferencia sea mayor, e introducir a la base x ij correspondiente a la casilla de costos ms bajos (i, j). Eliminar la fila o columna, repetir el proceso para la tabla resultante, y se procede de esta forma hasta obtener la solucin bsica factible. Ejemplo:

1 7 1 2 3 5 1

2 10 3 4

3 9 6 5

4 8 7 9

5 6 7 12

ai
30 20 40

15

25

20

25

20

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

21

Programacin Lineal Investigacin de Operaciones 3.- Mtodo de Salto de Piedras (Stepping Stone)

Lic. Mario E. Ninaquispe Soto

Paso 1.- Se determina una solucin inicial, utilizando cualquier mtodo anterior. Paso 2.- Se determinan las variables entrante y saliente para la tabla utilizando las condiciones de optimalidad y factibilidad. Paso 3.- Se termina el proceso cuando todos los costos son mayores o iguales a cero cij 0 Ejemplos: Iteracin 1 Paso1: 1 1 2 3 5 2 10 0 3 20 9 4 11 20 18 10 15 25 5

10
12 7

5
0 15 14

15
16 15

5 5

Paso 2: Condiciones de optimalidad = La variable que ENTRA es de la menor costo : c ij menor de todos Variables no bsicas LOOP
c ij
+

x13
x14

x13 x 23 x 22 x12 x13 x14 x 24 x 22 x12 x14 x 21 x11 x12 x 22 x 21 x31 x11 x12 x 22 x 24 x34 x31 x32 x 22 x 24 x34 x32 x 33 x 23 x 24 x34 x33
+ + + + + + + + + +

c13 = 20 9 + 7 0 = 18
c14 = 11 20 + 7 0 = 2

x 21
Entra

c 21 = 12 10 + 0 7 = 5
c 31 = 0 10 + 0 7 + 20 18 = 15

x 31

x 32
x 33

c 32 = 14 7 + 20 18 = 9
c13 = 16 9 + 20 18 = 9

22

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Paso 3: Condiciones de factibilidad = La variable que SALE de la base se elije entra las V.B. ubicadas entre las casillas negativas del loop al que pertenece la variable entrante, como aquella que tiene el menor valor.
x31 x11 x12 x 22 x 24 x34 x31 =5 =5 =5
+ + + +

En caso de empate, se elige arbitrariamente cualquier variable. En esta caso, x34 sale. Paso 4: Se reconstruye la nueva tabla, sumando o restando segn el signo de cada una de las variables del loop entrante, el valor de la variable saliente.

1 1 2

2 10 12

3 0 7 20 9

4 11 20

x 11 x 34

x 12 + x 34
x 22 x 34

15 0

15
14 16

x 24 + x 34 x 34 x 34

10 0

x 31 + x 34

18

Se contina hasta encontrar todos los c ij mayor o iguales a ceros. Iteracin 2: Paso1: 1 1 2 2 10 12 3 0 7 20 9 4 11 20

15 0

15
14 16

10
18

23

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Paso2: Variables no bsicas LOOP

c ij
+

x13
x14
Entra

x13 x 23 x 22 x12 x13 x14 x 24 x 22 x12 x14 x 21 x11 x12 x 22 x 21 x32 x31 x11 x12 x32 x33 x 23 x 22 x12 x11 x31 x33 x34 x31 x11 x12 x 22 x 24 x34
+ + + + + + + + + +

c13 = 20 9 + 7 0 = 18
c14 = 11 20 + 7 0 = 2

x 21
x 32

c 21 = 12 10 + 0 7 = 5
c32 = 14 0 + 10 0 = 24
+

x 33
x 34
Paso 3:

c33 = 16 9 + 7 0 + 10 0 = 24
c 34 = 18 0 + 10 0 + 7 20 = 15

x 21 x11 x12 x 22 x 21 =0 =0

Sale x11 = 0 Paso 4: 1 1 2 2 10 12 3 0 7 20 9 4 11 20

x11 x11

0 0 5

x12 + x11

15 0

x21 + x11
0

x22 x11
14

15
16

10 0

18

24

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Iteracin 3: Paso1: 1 10 1 12 2 2 3 0 7 20 9 4 11 20

15 0

0 5
0

15
14 16

10
18

Paso2: Variables no bsicas

LOOP

c ij
+

x11

x11 x12 x 22 x 21 x11 x13 x 23 x 22 x12 x13 x14 x 24 x 22 x12 x14 x32 x31 x 21 x 22 x32 x33 x31 x21 x23 x33
x34 x31 x 21 x 24 x34
+ + +

c11 = 10 0 + 7 12 = 5

x13
Entra

+
+

c13 = 20 9 + 7 0 = 18
c14 = 11 20 + 7 0 = 2

x14

x 32
x 33

c32 = 14 0 + 12 7 = 19
c33 = 16 0 + 12 9 = 19

x 34

c34 = 18 0 + 12 20 = 10

Paso 3:

25

Programacin Lineal Investigacin de Operaciones

+ + +

Lic. Mario E. Ninaquispe Soto

x14 x24 x22 x12 x14 = 10 = 15

Sale x24 = 10 Paso 4: 1 10 1 12 2 2 3 0 7 20 9 4

5 10

10

11 20

0 5
0

15
14 16 18

Si realizamos la siguiente iteracin, se mostrar que todos los c ij son mayores o iguales a cero, por tanto el resultado final ya fue encontrado, donde:

x12 = 5 x14 = 10 x21 = 0 x22 = 10 x23 = 15 x31 = 5 Z = 0 * 5 + 11 *10 + 0 *12 + 7 *10 + 9 *15 + 0 * 5 = 315

Problemas de Asignacin Existen ciertas clases de problemas de transporte balanceados, llamados problemas de asignacin, en el que todas las ofertas y las demandas son iguales a 1. As, un problema de asignacin se caracteriza por el

26

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

conocimiento del costo de asignacin de cada punto de oferta a cada punto de demanda. La matriz de costos del problema de asignacin se llama matriz de costos. Sean las variables: Trabajo
Maq uina

1 1 2 3

2 c11 c21

3 c12 c22

x11
x21 x31

x12.
x22 x32

x13
x23 x33

c13 c23

c31

c32

c33

F.O.

Min Z = c11 x11 + c12 x12 + c13 x13 + c 21 x 21 + c 22 x 22 + c 23 x 23 s.a. x11 + x12 + x13 = 1 x 21 + x 22 + x 23 = 1 x11 + x 21 x12 + x 22 x13 + x 23 =1 =1 =1

x ij = 0 o x ij = 1 i = 1,2 ; j = 1,2,3 x ij = 1; si se asigna la oferta i para satisfacer la demanda del trabajo j

x ij = 0; si no se asigna la oferta i para satisfacer la demanda del trabajo j
Como todas las ofertas y las demandas del problema de asignacin son nmeros enteros, todas las variables en la solucin ptima del problema debes ser valores enteros. Como el lado derecho de toda restriccin es igual a 1, cada x ij debe ser un entero no negativo, no mayor que 1 y, por lo tanto, cada x ij debe ser igual a 0 o 1. Esto implica que se puede ignorar las restricciones x ij =0 o x ij =1. El Mtodo Hngaro : Para resolver problemas de asignacin (min), utilizaremos el mtodo Hngaro: Paso 1: Encuentre primero el elemento mas pequeo en cada rengln de la matriz m x m. Construya una matriz al restar de cada costo el costo mnimo de su rengln. Encuentre, para esta nueva matriz, el costo mnimo en cada columna; construya una nueva matriz (llamada matriz de costos reducidos) al restar de cada costo el costo mnimo de su columna. Paso 2: Dibuje el nmero mnimo de lneas (horizontales, verticales o ambas) que se necesitan para cubrir todos los ceros en la matriz de costos reducidos. Si se requieren m lneas para cubrir todos los ceros, se dispone de una solucin ptima entre los ceros cubiertos de la matriz. Si se necesitan menos de m lneas para cubrir todos los ceros, siga con el Paso 3.

27

Programacin Lineal Investigacin de Operaciones

Lic. Mario E. Ninaquispe Soto

Paso 3: Encuentre el menor elemento no cero (llmelo k) en la matriz de costos reducidos, que no est cubierto por las lneas dibujadas en el Paso 2. Ahora reste k de cada elemento no cubierto de la matriz de costos reducidos y sume k a cada elemento de la matriz de costos reducidos cubierto por dos lneas. Regrese al paso 2. Ejemplos: 1. Una empresa tiene cuatro mquinas y tiene que terminar cuatro trabajos. Hay que asignar cada mquina para que termine un trabajo completo. El tiempo requerido para preparar cada mquina para terminar cada trabajo se muestra en la siguiente tabal: Tiempo (Hrs.) Trabajo 2 Trabajo 3 5 8 12 6 8 3 4 6

Mquina 1 Mquina 2 Mquina 3 Mquina 4

Trabajo 1 14 2 7 2

Trabajo 4 7 5 9 10

La empresa quiere minimizar el tiempo total de preparacin que se requiere para terminar los cuatro trabajos. Utilice la programacin lineal para resolver este problema. 2. Se cuenta con cinco empelados para realizar cuatro trabajos. En la tabla se da el tiempo que tarde cada persona en realizar cada trabajo. Determinar la asignacin de los empelados a los trabajos que minimiza el tiempo total requerido para realizar los cuatro trabajos. Tiempo (Hrs.) Trabajo 2 Trabajo 3 18 30 27 20 28 22 25

Persona 1 Persona 2 Persona 3 Persona 4 Persona 5

Trabajo 1 22 18 26 16 21

Trabajo 4 18 22 28 14 28

3. Un federacin deportiva de natacin rene un equipo de relevos para los 400 metros de nado combinado; cada nadador debe nadar 100 metros de pecho, espalda, mariposa, o libres. La federacin cree que cada nadador realizar los tiempos dados en la siguiente tabla: Tiempo (seg.) Pecho Mariposa 54 51 57 52 53 54 54 55

Nadador 1 Nadador 2 Nadador 3 Nadador 4

Libre 54 51 50 56

Espalda 53 52 56 53

28